यहाँ, मैं कृत्रिम शिक्षण बुद्धिमत्ता प्रणाली (Artificial Learning Intelligence System: ALIS) को उसकी अवधारणाओं और सिद्धांतों से लेकर उसके मूल डिजाइन और विकास के तरीकों तक को कवर करके व्यवस्थित करने का लक्ष्य रखता हूँ।
अवधारणा
वर्तमान जनरेटिव AI, मुख्य रूप से बड़े भाषा मॉडल, तंत्रिका नेटवर्क का उपयोग करके पर्यवेक्षित शिक्षा के आधार पर प्रशिक्षित होते हैं।
हम इस तंत्रिका नेटवर्क प्रशिक्षण प्रक्रिया को जन्मजात शिक्षा के रूप में परिभाषित करते हैं।
ALIS एक ऐसी प्रणाली है जो जन्मजात शिक्षा से अलग एक अर्जित शिक्षा प्रक्रिया को शामिल करके, जन्मजात और अर्जित दोनों शिक्षा प्रक्रियाओं को एकीकृत करके व्यापक अनुमान को सक्षम बनाती है।
इस अर्जित शिक्षा में, सीखा हुआ ज्ञान तंत्रिका नेटवर्क के बाहर संग्रहीत किया जाता है और अनुमान के दौरान उपयोग किया जाता है।
इसलिए, ALIS का तकनीकी मूल पुन: प्रयोज्य ज्ञान के निष्कर्षण, भंडारण और अनुमान के दौरान ज्ञान के चयन और उपयोग में निहित है।
इसके अलावा, ALIS केवल एक एकल मौलिक तकनीक नहीं है, बल्कि एक प्रणाली तकनीक भी है जो जन्मजात और अर्जित शिक्षा को जोड़ती है।
शिक्षण बुद्धिमत्ता प्रणाली के तत्व
ALIS मौजूदा जन्मजात शिक्षा और भविष्य की अर्जित शिक्षा दोनों को सीखने और अनुमान के ढांचे के भीतर समान सिद्धांतों के तहत संचालित होने के रूप में मानता है।
ALIS में सीखने के सिद्धांतों को समझाने के लिए, हम एक शिक्षण बुद्धिमत्ता प्रणाली के पांच तत्वों को परिभाषित करते हैं:
पहला है बुद्धिमान प्रोसेसर। यह एक प्रसंस्करण प्रणाली को संदर्भित करता है जो ज्ञान का उपयोग करके अनुमान लगाता है और सीखने के लिए ज्ञान निकालता है।
बुद्धिमान प्रोसेसर के प्रतिनिधि उदाहरणों में LLM और मानव मस्तिष्क के कुछ हिस्से शामिल हैं।
दूसरा है ज्ञान भंडार। यह एक भंडारण स्थान को संदर्भित करता है जहां निकाले गए ज्ञान को सहेजा जाता है और आवश्यकतानुसार पुनः प्राप्त किया जा सकता है।
LLM में, ज्ञान भंडार तंत्रिका नेटवर्क के पैरामीटर हैं। मनुष्यों में, यह मस्तिष्क में लंबी अवधि की स्मृति के अनुरूप है।
तीसरा है दुनिया। यह बाहरी वातावरण को संदर्भित करता है जैसा कि मनुष्य या ALIS जैसी शिक्षण बुद्धिमत्ता प्रणालियों द्वारा माना जाता है।
मनुष्यों के लिए, दुनिया स्वयं वास्तविकता है। LLM के मामले में, वह तंत्र जो LLM से आउटपुट प्राप्त करता है और उसे प्रतिक्रिया प्रदान करता है, दुनिया के बराबर माना जाता है।
चौथा है राज्य स्मृति। यह एक आंतरिक अस्थायी स्मृति को संदर्भित करता है, जैसे कि एक स्क्रैचपैड, जिसका उपयोग एक शिक्षण बुद्धिमत्ता प्रणाली अनुमान के दौरान करती है।
LLM में, यह अनुमान के दौरान उपयोग की जाने वाली स्मृति स्थान है, जिसे छिपी हुई स्थिति के रूप में जाना जाता है। मनुष्यों में, यह अल्पकालिक स्मृति के अनुरूप है।
पांचवां है ढांचा। यह तथाकथित विचार का ढांचा है। एक शिक्षण बुद्धिमत्ता प्रणाली की शब्दावली में, यह अनुमान के दौरान आवश्यक ज्ञान का चयन करने के मानदंड और राज्य स्मृति को व्यवस्थित करने के लिए तार्किक राज्य स्थान संरचना को संदर्भित करता है।
LLM में, यह छिपी हुई स्थितियों की अर्थ संबंधी संरचना है, और आम तौर पर, इसकी सामग्री अस्पष्ट और मनुष्यों के लिए समझ से बाहर होती है। इसके अलावा, ज्ञान का चयन ध्यान तंत्र में एकीकृत होता है, जो यह चुनता है कि प्रत्येक संसाधित किए जा रहे टोकन के लिए किन मौजूदा टोकन को संदर्भित करना है।
मनुष्यों के लिए, जैसा कि ऊपर उल्लेख किया गया है, यह विचार का ढांचा है। विचार के एक विशिष्ट ढांचे का उपयोग करके सोचते समय, कुछ जानकारी के सेट दीर्घकालिक स्मृति से याद किए जाते हैं और अल्पकालिक स्मृति में लोड किए जाते हैं। फिर, वर्तमान में प्राप्त जानकारी को स्थिति को समझने के लिए विचार के ढांचे के अनुसार व्यवस्थित किया जाता है।
शिक्षण बुद्धिमत्ता प्रणाली के सिद्धांत
एक शिक्षण बुद्धिमत्ता प्रणाली इस प्रकार कार्य करती है:
बुद्धिमान प्रोसेसर दुनिया पर कार्य करता है। दुनिया उस कार्य के आधार पर परिणामों के साथ प्रतिक्रिया करती है।
बुद्धिमान प्रोसेसर इन परिणामों से पुन: प्रयोज्य ज्ञान निकालता है और इसे ज्ञान भंडार में संग्रहीत करता है।
जब बुद्धिमान प्रोसेसर दुनिया पर बार-बार कार्य करता है, तो यह ज्ञान भंडार से ज्ञान का चयन करता है और इसका उपयोग अपनी कार्यप्रणाली को संशोधित करने के लिए करता है।
यह मूल तंत्र है।
हालांकि, मौलिक रूप से, ज्ञान निष्कर्षण, भंडारण, चयन और उपयोग के तरीके यह निर्धारित करते हैं कि प्रणाली सार्थक शिक्षा प्राप्त कर सकती है या नहीं।
मनुष्यों के पास ऐसे तंत्र होते हैं जो प्रभावी ज्ञान निष्कर्षण, भंडारण, चयन और उपयोग को सक्षम करते हैं, जिससे वे सीख पाते हैं।
LLM सहित तंत्रिका नेटवर्क में भंडारण, चयन और उपयोग के लिए तंत्र होते हैं, हालांकि निष्कर्षण वाला हिस्सा एक बाहरी शिक्षक द्वारा नियंत्रित किया जाता है। यह उन्हें तब तक सीखने की अनुमति देता है जब तक एक शिक्षक इनपुट प्रदान करता है।
इसके अलावा, एक शिक्षण बुद्धिमत्ता प्रणाली ज्ञान के रूप में ढांचे के निष्कर्षण, भंडारण और चयन, और राज्य स्मृति में उनके उपयोग को भी सीखकर अधिक जटिल शिक्षा प्राप्त कर सकती है।
ज्ञान के प्रकार
इस सिद्धांत के आधार पर, अर्जित शिक्षा को डिजाइन करते समय, यह स्पष्ट करना आवश्यक है कि अर्जित ज्ञान किस रूप की जानकारी लेगा।
तंत्रिका नेटवर्क के मापदंडों के रूप में अर्जित ज्ञान को अलग से सीखना संभव है।
हालांकि, अर्जित ज्ञान को केवल तंत्रिका नेटवर्क मापदंडों तक ही सीमित रखने की आवश्यकता नहीं है। एक यथार्थवादी उम्मीदवार प्राकृतिक भाषा में पाठ्यीकृत ज्ञान है।
यदि ज्ञान प्राकृतिक भाषा में पाठ्यीकृत है, तो इसे LLM की प्राकृतिक भाषा प्रसंस्करण क्षमताओं का लाभ उठाकर निकाला और उपयोग किया जा सकता है। इसके अलावा, इसे एक नियमित IT प्रणाली में डेटा के रूप में माना जा सकता है, जिससे भंडारण और चयन आसान हो जाता है।
इसके अलावा, प्राकृतिक भाषा में पाठ्यीकृत ज्ञान मनुष्यों और अन्य LLM के लिए जांचना, समझना और कुछ मामलों में, संपादित करना आसान होता है।
इसे अन्य शिक्षण बुद्धिमत्ता प्रणालियों के साथ भी साझा किया जा सकता है, और विलय या विभाजित किया जा सकता है।
इन कारणों से, ALIS अवधारणा में अर्जित ज्ञान को शुरू में प्राकृतिक भाषा में पाठ्यीकृत ज्ञान को लक्षित करने के लिए डिज़ाइन किया जाएगा।
अर्जित अवस्था स्मृति और ढाँचा
मैंने अर्जित ज्ञान के रूप में प्राकृतिक भाषा पाठ्यीकृत ज्ञान चुनने के लाभों को समझाया है।
इसी तरह, प्राकृतिक भाषा पाठ का उपयोग अवस्था स्मृति और अनुमान के लिए ढाँचे के लिए भी किया जा सकता है।
ढाँचा, जो एक वैचारिक संरचना है, को भी ज्ञान भंडार में प्राकृतिक भाषा पाठ्यीकृत ज्ञान के रूप में संग्रहीत और उपयोग किया जा सकता है।
जब उस ढाँचे द्वारा परिभाषित संरचना के आधार पर अवस्थाओं को प्रारंभ या अद्यतन किया जाता है, तो पाठ-आधारित अवस्था स्मृति का उपयोग किया जा सकता है।
ALIS को न केवल अर्जित ज्ञान के लिए बल्कि ढाँचे और अवस्था स्मृति के लिए भी पाठ स्वरूप का उपयोग करने के लिए डिज़ाइन करके, ALIS अर्जित शिक्षण और सामान्य अनुमान दोनों के लिए LLM की प्राकृतिक भाषा प्रसंस्करण क्षमताओं का लाभ उठा सकता है।
औपचारिक ज्ञान
अर्जित ज्ञान, ढाँचों और अवस्था स्मृति को न केवल प्राकृतिक भाषा पाठ द्वारा बल्कि अधिक कठोर औपचारिक भाषाओं या औपचारिक मॉडलों द्वारा भी दर्शाया जा सकता है।
हालांकि मैंने "चयन" लिखा था, ALIS का लक्ष्य जन्मजात और अर्जित सीखने के संकर उपयोग की अनुमति देने के लिए कई अर्जित ज्ञान सीखने के तंत्रों को शामिल करना है।
औपचारिक भाषाओं या औपचारिक मॉडलों द्वारा दर्शाया गया ज्ञान अधिक कठोर और अस्पष्टता से मुक्त हो सकता है।
इसके अलावा, यदि एक ढाँचा एक औपचारिक भाषा या औपचारिक मॉडल का उपयोग करके व्यक्त किया जाता है, और एक प्रारंभिक अवस्था को अवस्था स्मृति में विस्तारित किया जाता है, तो एक औपचारिक मॉडल को एक बुद्धिमान प्रोसेसर (LLM नहीं) द्वारा संसाधित किया जा सकता है ताकि कठोर सिमुलेशन और तार्किक तर्क किया जा सके।
ऐसी औपचारिक भाषाओं और औपचारिक मॉडलों का एक प्रमुख उदाहरण प्रोग्रामिंग भाषाएँ हैं।
जैसे-जैसे सिस्टम दुनिया के बारे में सीखता है, यदि वह अंतर्निहित कानूनों और अवधारणाओं को एक ढाँचे के भीतर कार्यक्रमों के रूप में व्यक्त कर सकता है, तो इन्हें कंप्यूटर द्वारा अनुकरण किया जा सकता है।
कॉलम 1: ज्ञान के प्रकार
जैसे-जैसे हम एक शिक्षण बुद्धिमत्ता प्रणाली के भीतर ज्ञान को व्यवस्थित करते हैं, यह स्पष्ट हो जाता है कि इसे मोटे तौर पर तीन प्रणालियों और दो प्रकारों में वर्गीकृत किया जा सकता है।
तीन प्रणालियाँ हैं: तंत्रिका नेटवर्क द्वारा प्रबंधित नेटवर्क पैरामीटर ज्ञान, प्राकृतिक भाषा में प्राकृतिक ज्ञान, और औपचारिक भाषाओं में औपचारिक ज्ञान।
दो प्रकार हैं स्टेटलेस (stateless) और स्टेटफुल (stateful)।
स्टेटलेस नेटवर्क पैरामीटर ज्ञान सहज ज्ञान है, जैसा कि गहन शिक्षा AI में पाया जाता है। बिल्ली और कुत्तों की विशेषताएं, जिनके बारे में मौखिक रूप से सोचा या पहचाना नहीं जा सकता है, उन्हें स्टेटलेस नेटवर्क पैरामीटर ज्ञान के रूप में सीखा जा सकता है।
स्टेटफुल नेटवर्क पैरामीटर ज्ञान अस्पष्ट, पुनरावृत्त प्रक्रिया-व्युत्पन्न ज्ञान है, जैसा कि जनरेटिव AI में पाया जाता है।
स्टेटलेस प्राकृतिक ज्ञान वह ज्ञान है जो किसी शब्द से जुड़े अर्थ जैसा होता है।
स्टेटफुल प्राकृतिक ज्ञान वह ज्ञान है जिसमें एक वाक्य के भीतर पाया जाने वाला संदर्भ शामिल होता है।
कुछ प्राकृतिक ज्ञान स्वाभाविक रूप से स्टेटफुल नेटवर्क पैरामीटर ज्ञान में शामिल होता है, लेकिन ऐसा ज्ञान भी होता है जिसे प्राकृतिक भाषा पाठ से जन्म के बाद प्राप्त किया जा सकता है।
स्टेटलेस औपचारिक ज्ञान वह ज्ञान है जिसे गणितीय सूत्रों द्वारा व्यक्त किया जा सकता है जिसमें पुनरावृति शामिल नहीं होती है। स्टेटफुल औपचारिक ज्ञान वह ज्ञान है जिसे कार्यक्रमों द्वारा व्यक्त किया जा सकता है।
किसी के अपने मस्तिष्क की अल्पकालिक स्मृति का उपयोग प्राकृतिक और औपचारिक ज्ञान के लिए एक अवस्था स्मृति के रूप में भी किया जा सकता है।
हालांकि, चूंकि यह अल्पकालिक स्मृति है, इसलिए इसमें एक अवस्था को स्थिर रूप से बनाए रखना मुश्किल होता है। साथ ही, यह ज्ञान को एक औपचारिक, असंदिग्ध अवस्था में रखने में अच्छा नहीं है।
दूसरी ओर, कागज, कंप्यूटर या स्मार्टफोन का उपयोग प्राकृतिक भाषा पाठ, औपचारिक भाषाओं या औपचारिक मॉडलों को लिखने और संपादित करने के लिए अवस्था स्मृति के रूप में किया जा सकता है।
आम तौर पर, कागज या कंप्यूटर पर डेटा को अक्सर ज्ञान को ज्ञान भंडार के रूप में संग्रहीत करने के लिए कुछ के रूप में माना जाता है, लेकिन इसका उपयोग विचारों को व्यवस्थित करने के लिए अवस्था स्मृति के रूप में भी किया जा सकता है।
इस प्रकार, यह स्पष्ट है कि मनुष्य इन तीन प्रणालियों और दो प्रकार के ज्ञान का कुशलतापूर्वक उपयोग करके बौद्धिक गतिविधियों को करते हैं।
ALIS में भी इन समान तीन प्रणालियों और दो प्रकार के ज्ञान का लाभ उठाने वाली बौद्धिक गतिविधियों को सक्षम और बढ़ाकर अपनी क्षमताओं में नाटकीय रूप से सुधार करने की क्षमता है।
विशेष रूप से, ALIS में विशाल ज्ञान भंडार और अवस्था स्मृति का उपयोग करने की शक्ति है। इसके अलावा, यह आसानी से प्रत्येक के कई उदाहरण तैयार कर सकता है और उन्हें स्विच करके या संयोजित करके बौद्धिक कार्य कर सकता है।
कॉलम 2: बौद्धिक ऑर्केस्ट्रेशन
जबकि ज्ञान भंडार में बड़ी मात्रा में ज्ञान संग्रहीत करने की एक ताकत है, केवल बड़ी मात्रा में ज्ञान होना बौद्धिक गतिविधि के लिए हमेशा फायदेमंद नहीं होता है, क्योंकि एक जनरेटिव AI एक बार में उपयोग कर सकने वाले टोकन की संख्या पर सीमाएं होती हैं और अप्रासंगिक ज्ञान के शोर बनने की बाधा होती है।
दूसरी ओर, ज्ञान भंडार को उचित रूप से विभाजित करके और उच्च-घनत्व वाले, विशेष ज्ञान भंडार बनाकर जो विशिष्ट बौद्धिक कार्यों के लिए आवश्यक ज्ञान को इकट्ठा करते हैं, टोकन सीमा और शोर की समस्याओं को कम किया जा सकता है।
इसके बदले में, ऐसे विशेष ज्ञान भंडार केवल उन विशिष्ट बौद्धिक कार्यों के लिए ही उपयोगी होंगे।
कई बौद्धिक गतिविधियाँ विभिन्न बौद्धिक कार्यों का जटिल संयोजन होती हैं। इसलिए, ज्ञान को बौद्धिक कार्य के प्रकार के अनुसार विशेष ज्ञान भंडारों में विभाजित करके और बौद्धिक गतिविधि को बौद्धिक कार्यों में उपविभाजित करके, ALIS विशेष ज्ञान भंडारों के बीच उचित रूप से स्विच करते हुए पूरी बौद्धिक गतिविधि को निष्पादित कर सकता है।
यह एक ऑर्केस्ट्रा की तरह है जिसमें विभिन्न वाद्ययंत्र बजाने वाले पेशेवर संगीतकार और पूरे का नेतृत्व करने वाला एक कंडक्टर शामिल होता है।
इस प्रणाली प्रौद्योगिकी, "बौद्धिक ऑर्केस्ट्रेशन" के माध्यम से, ALIS अपनी बौद्धिक गतिविधियों को व्यवस्थित करने में सक्षम होगा।
ALIS की मूल डिज़ाइन और विकास विधि
यहाँ से, मैं ALIS के विकास के दृष्टिकोण को व्यवस्थित करूँगा।
जैसा कि सिद्धांतों और कॉलम में पहले ही कहा गया है, ALIS स्वाभाविक रूप से अपने कार्यों और संसाधनों का आसानी से विस्तार करने के लिए डिज़ाइन किया गया है। ऐसा इसलिए है क्योंकि ALIS का सार विशिष्ट कार्यों में नहीं, बल्कि ज्ञान निष्कर्षण, भंडारण, चयन और उपयोग की प्रक्रियाओं में निहित है।
उदाहरण के लिए, ज्ञान निष्कर्षण तंत्र के कई प्रकार तैयार किए जा सकते हैं, और फिर सिस्टम डिज़ाइन के आधार पर उनमें से चयन किया जा सकता है या एक साथ उपयोग किया जा सकता है।
इसके अलावा, ALIS को यह चयन स्वयं करने के लिए बनाया जा सकता है।
भंडारण, चयन और उपयोग को भी इसी तरह स्वतंत्र रूप से चुना या समानांतर किया जा सकता है।
इसलिए, ALIS को वाटरफॉल तरीके से पूरी कार्यक्षमता को डिज़ाइन करने की आवश्यकता के बिना, वृद्धिशील और फुर्तीले तरीके से विकसित किया जा सकता है।
ALIS की शुरुआत
अब, आइए एक बहुत ही सरल ALIS का डिज़ाइन करें।
मूल UI परिचित चैट AI होगा। शुरुआत में, उपयोगकर्ता इनपुट सीधे LLM को भेजा जाएगा। LLM की प्रतिक्रिया फिर UI पर प्रदर्शित की जाएगी, और सिस्टम अगले उपयोगकर्ता इनपुट का इंतजार करेगा।
जब अगला इनपुट आता है, तो LLM को न केवल नया इनपुट प्राप्त होगा, बल्कि उस बिंदु तक उपयोगकर्ता और LLM के बीच की पूरी चैट हिस्ट्री भी मिलेगी।
इस चैट AI UI के पीछे, हम चैट हिस्ट्री से पुन: प्रयोज्य ज्ञान निकालने के लिए एक तंत्र तैयार करेंगे।
इसे चैट AI प्रणाली में एक ऐसी प्रक्रिया के रूप में जोड़ा जा सकता है जो बातचीत समाप्त होने पर या नियमित अंतराल पर निष्पादित होती है। निश्चित रूप से, ज्ञान निष्कर्षण के लिए एक LLM का उपयोग किया जाएगा।
इस LLM को ALIS अवधारणा और सिद्धांत, साथ ही ज्ञान निष्कर्षण की जानकारी, सिस्टम प्रॉम्प्ट के रूप में दी जाएगी। यदि ज्ञान अपेक्षित रूप से नहीं निकाला जाता है, तो सिस्टम प्रॉम्प्ट को परीक्षण और त्रुटि के माध्यम से परिष्कृत किया जाना चाहिए।
चैट हिस्ट्री से निकाला गया ज्ञान सीधे ज्ञान झील में संग्रहीत किया जाएगा। एक ज्ञान झील ज्ञान को संरचित करने से पहले उसे एक सपाट, असंरचित स्थिति में संग्रहीत करने का एक तंत्र है।
इसके बाद, हम ज्ञान झील से ज्ञान का चयन करना आसान बनाने के लिए एक संरचनात्मक तंत्र तैयार करेंगे।
इसका मतलब है कि सिमेंटिक खोज के लिए एम्बेडिंग वेक्टर स्टोर प्रदान करना, जैसा कि आमतौर पर RAG में उपयोग किया जाता है, और कीवर्ड इंडेक्स, अन्य बातों के अलावा।
अधिक उन्नत विकल्पों में ज्ञान ग्राफ बनाना या श्रेणी वर्गीकरण करना शामिल है।
ज्ञान झील के लिए संरचित जानकारी के इस संग्रह को ज्ञान आधार कहा जाएगा। यह पूरा ज्ञान आधार और ज्ञान झील ज्ञान भंडार का गठन करेंगे।
इसके बाद, हम ज्ञान भंडार को चैट UI प्रोसेसिंग में एकीकृत करेंगे।
यह मूल रूप से एक सामान्य RAG तंत्र के समान है। उपयोगकर्ता इनपुट के लिए, प्रासंगिक ज्ञान को ज्ञान भंडार से चुना जाता है और उपयोगकर्ता इनपुट के साथ LLM को भेजा जाता है।
यह LLM को उपयोगकर्ता इनपुट को संसाधित करते समय स्वचालित रूप से ज्ञान का उपयोग करने की अनुमति देता है।
इस तरह, उपयोगकर्ता के साथ प्रत्येक बातचीत के साथ ज्ञान जमा होता जाएगा, जिससे एक सरल ALIS का निर्माण होगा जो पिछली बातचीत से संचित ज्ञान का उपयोग करता है।
सामान्य परिदृश्य
उदाहरण के लिए, कल्पना कीजिए कि एक उपयोगकर्ता इस सरल ALIS का उपयोग करके एक वेब एप्लिकेशन विकसित कर रहा है।
उपयोगकर्ता बताता है कि LLM द्वारा सुझाए गए कोड के परिणामस्वरूप त्रुटि हुई। उपयोगकर्ता और LLM के सहयोग से समस्या निवारण के बाद, उन्हें पता चलता है कि LLM को ज्ञात बाहरी API विनिर्देश पुराना था, और नवीनतम API विनिर्देश के अनुसार अनुकूलित होने के बाद प्रोग्राम सही ढंग से काम करता है।
इस चैट थ्रेड से, ALIS अपने ज्ञान भंडार में ज्ञान जमा कर सकता है: विशेष रूप से, कि LLM द्वारा ज्ञात API विनिर्देश पुराना है, और नवीनतम API विनिर्देश क्या है।
फिर, अगली बार जब उसी API का उपयोग करके कोई प्रोग्राम बनाया जाता है, तो ALIS इस ज्ञान का लाभ उठाकर शुरू से ही नवीनतम API विनिर्देश के आधार पर एक प्रोग्राम उत्पन्न करने में सक्षम होगा।
प्रारंभिक ALIS में सुधार
हालांकि, ऐसा होने के लिए, इस ज्ञान को उपयोगकर्ता के इनपुट के जवाब में चुना जाना चाहिए। यह संभव है कि यह ज्ञान सीधे उपयोगकर्ता के इनपुट से जुड़ा न हो, क्योंकि समस्याग्रस्त API नाम उपयोगकर्ता के इनपुट में दिखाई नहीं दे सकता है।
उस स्थिति में, API नाम केवल LLM की प्रतिक्रिया के दौरान ही सामने आएगा।
इसलिए, हम पूर्व-विश्लेषण और बाद-जाँच के लिए तंत्र जोड़कर सरल ALIS का थोड़ा विस्तार करेंगे।
पूर्व-विश्लेषण हाल के LLM में "विचार मोड" के समान है। एक मेमोरी जो टेक्स्ट को स्थिति मेमोरी के रूप में धारण करने में सक्षम है, तैयार की जाएगी, और सिस्टम प्रॉम्प्ट LLM को उपयोगकर्ता इनपुट प्राप्त होने पर पूर्व-विश्लेषण करने का निर्देश देगा।
LLM का पूर्व-विश्लेषण परिणाम स्थिति मेमोरी में संग्रहीत किया जाएगा। इस पूर्व-विश्लेषण परिणाम के आधार पर, ज्ञान को ज्ञान भंडार से चुना जाएगा।
फिर, चैट हिस्ट्री, पूर्व-विश्लेषण परिणाम, उपयोगकर्ता इनपुट के अनुरूप ज्ञान, और पूर्व-विश्लेषण परिणाम के अनुरूप ज्ञान को LLM को प्रतिक्रिया प्राप्त करने के लिए भेजा जाएगा।
इसके अलावा, LLM द्वारा लौटाई गई परिणाम का उपयोग ज्ञान भंडार से ज्ञान खोजने के लिए भी किया जाएगा। वहां पाए गए ज्ञान सहित, LLM को एक बाद-जाँच करने के लिए कहा जाएगा।
यदि कोई समस्या पाई जाती है, तो समस्याग्रस्त बिंदुओं और指摘 (संकेत/सुझाव) के कारणों को शामिल किया जाएगा और चैट LLM को वापस भेज दिया जाएगा।
पूर्व-विश्लेषण और बाद-जाँच के दौरान ज्ञान का चयन करने के अवसर प्रदान करके, हम संचित ज्ञान का उपयोग करने की संभावनाओं को बढ़ा सकते हैं।
दृष्टिकोण
प्रारंभिक ALIS बनाने और फिर उसकी कमजोरियों को दूर करने के लिए सुधार जोड़ने का यह दृष्टिकोण एजाइल डेवलपमेंट और ALIS के वृद्धिशील सुधार को पूरी तरह से दर्शाता है।
इसके अलावा, जैसा कि उदाहरण दिया गया है, प्रारंभिक ALIS सॉफ्टवेयर विकास में उपयोग के लिए सबसे उपयुक्त है। ऐसा इसलिए है क्योंकि यह एक उच्च मांग वाला क्षेत्र है और एक ऐसा क्षेत्र भी है जहाँ ज्ञान को आसानी से स्पष्ट रूप से संचित किया जा सकता है।
यह एक ऐसी विधा है जहाँ चीजें स्पष्ट रूप से काले या सफेद होती हैं, फिर भी यह एक महत्वपूर्ण क्षेत्र भी है जहाँ परीक्षण और त्रुटि, पुनरावृत्त ज्ञान संचय आवश्यक और महत्वपूर्ण है।
इसके अतिरिक्त, चूंकि ALIS का विकास स्वयं सॉफ्टवेयर विकास है, इसलिए यह तथ्य कि ALIS डेवलपर स्वयं ALIS उपयोगकर्ता हो सकते हैं, भी आकर्षक है।
और, ALIS प्रणाली के साथ, ज्ञान झील को GitHub जैसे प्लेटफार्मों पर भी खुले तौर पर साझा किया जा सकता है।
यह कई लोगों को ALIS प्रणाली के सुधार और ज्ञान संचय पर सहयोग करने की अनुमति देगा, जिससे सभी को परिणामों से लाभ होगा, और ALIS के विकास में और तेजी आएगी।
निश्चित रूप से, ज्ञान साझाकरण केवल ALIS डेवलपर्स तक ही सीमित नहीं है, बल्कि ALIS का उपयोग करने वाले सभी सॉफ्टवेयर डेवलपर्स से एकत्र किया जा सकता है।
यह तथ्य कि ज्ञान प्राकृतिक भाषा में है, दो और फायदे प्रदान करता है:
पहला फायदा यह है कि LLM मॉडल बदलने या अपडेट होने पर भी ज्ञान का लाभ उठाया जा सकता है।
दूसरा फायदा यह है कि विशाल संचित ज्ञान झील का उपयोग LLM के लिए पूर्व-प्रशिक्षण डेटासेट के रूप में किया जा सकता है। यह दो तरीकों से किया जा सकता है: इसका उपयोग फाइन-ट्यूनिंग के लिए करके, या LLM पूर्व-प्रशिक्षण के लिए स्वयं इसका उपयोग करके।
किसी भी मामले में, यदि LLM जो ज्ञान झील में संचित ज्ञान को स्वाभाविक रूप से सीख चुके हैं, का उपयोग किया जा सकता है, तो सॉफ्टवेयर विकास और भी कुशल हो जाएगा।
इसके अलावा, सॉफ्टवेयर विकास के भीतर, विभिन्न प्रक्रियाएं हैं जैसे आवश्यकता विश्लेषण, डिजाइन, कार्यान्वयन, परीक्षण, संचालन और रखरखाव, और प्रत्येक सॉफ्टवेयर डोमेन और प्लेटफॉर्म के लिए विशिष्ट ज्ञान मौजूद है। यदि इन दृष्टिकोणों से विशाल संचित ज्ञान को खंडित करने के लिए एक तंत्र बनाया जाता है, तो एक ALIS ऑर्केस्ट्रा भी बनाया जा सकता है।
इस प्रकार, ALIS के लिए मौलिक प्रौद्योगिकियां मौजूद हैं। अब कुंजी विभिन्न तरीकों को व्यावहारिक रूप से आज़माना है - जैसे ज्ञान निष्कर्षण जानकारी, उचित ज्ञान चयन, विशेष ज्ञान विखंडन, और राज्य मेमोरी का उपयोग कैसे करें - प्रभावी दृष्टिकोणों की खोज के लिए। साथ ही, जैसे-जैसे जटिलता बढ़ती है, प्रसंस्करण समय और LLM उपयोग लागत में वृद्धि होगी, जिससे अनुकूलन की आवश्यकता होगी।
इन परीक्षण-और-त्रुटि और अनुकूलन प्रक्रियाओं को ढाँचों के विकास और सुधार के माध्यम से अनुकूली रूप से आगे बढ़ाया जा सकता है।
शुरू में, डेवलपर्स, उपयोगकर्ताओं के रूप में, परीक्षण और त्रुटि के माध्यम से ALIS में ढाँचों को शामिल करेंगे। हालांकि, तब भी, LLM को स्वयं ढाँचा विचार उत्पन्न करने के लिए बनाया जा सकता है।
और दुनिया से प्राप्त परिणामों और निकाले गए ज्ञान के आधार पर ढाँचों को बेहतर बनाने या खोजने वाले ढाँचों को ALIS में शामिल करके, ALIS स्वयं अनुकूली रूप से परीक्षण-और-त्रुटि और अनुकूलन करेगा।
वास्तविक दुनिया में ALIS
एक बार जब ALIS को इस स्तर तक परिष्कृत कर लिया जाता है, तो इसे न केवल सॉफ्टवेयर विकास की दुनिया में बल्कि विभिन्न डोमेन में व्यापक रूप से ज्ञान सीखने में सक्षम होना चाहिए।
सॉफ्टवेयर विकास के समान, ALIS से अपेक्षा की जाती है कि वह विभिन्न बौद्धिक गतिविधियों तक अपनी पहुँच का विस्तार करे जो मनुष्य कंप्यूटर का उपयोग करके करते हैं।
ऐसी विशुद्ध बौद्धिक गतिविधियों में भी, ALIS लक्ष्य दुनिया के संबंध में एक प्रकार की साकार AI प्रकृति रखता है।
ऐसा इसलिए है क्योंकि यह अपने और दुनिया के बीच की सीमा को पहचानता है, उस सीमा के माध्यम से दुनिया पर कार्य करता है, और दुनिया से प्राप्त जानकारी को समझ सकता है।
जिसे हम आम तौर पर "शरीर" कहते हैं, वह दुनिया के साथ एक सीमा होती है जो शारीरिक रूप से दिखाई देती है और एक ही स्थान पर स्थित होती है।
हालांकि, भले ही सीमा अदृश्य और स्थानिक रूप से वितरित हो, एक सीमा के माध्यम से धारणा और क्रिया की संरचना एक भौतिक शरीर होने के समान ही है।
उस अर्थ में, ALIS, जब बौद्धिक गतिविधियों का प्रदर्शन करता है, तो उसे वस्तुतः साकार AI की प्रकृति रखने वाला माना जा सकता है।
और एक बार जब ALIS को एक ऐसे चरण तक परिष्कृत कर लिया जाता है जहाँ वह नई, अज्ञात दुनिया में भी उचित रूप से सीख सकता है, तो एक संभावना है कि ALIS को एक वास्तविक साकार AI के हिस्से के रूप में एकीकृत किया जा सकता है जिसके पास एक भौतिक शरीर होता है।
इस तरह, ALIS अंततः वास्तविक दुनिया में लागू किया जाएगा और उससे सीखना शुरू कर देगा।