एआई मॉडल और प्लेटफ़ॉर्म
इरादे से क्रियान्वयन तक: माइक्रोसॉफ्ट कैसे बड़े भाषा मॉडल्स को क्रिया-आधारित एआई में बदल रहा है
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
बड़े भाषा मॉडल्स (एलएलएम) ने प्राकृतिक भाषा प्रसंस्करण के तरीके को बदल दिया है। वे प्रश्नों का उत्तर दे सकते हैं, कोड लिख सकते हैं और बातचीत कर सकते हैं। लेकिन जब वास्तविक दुनिया के कार्यों की बात आती है, तो वे कम पड़ जाते हैं। उदाहरण के लिए, एक एलएलएम आपको एक जैकेट खरीदने के लिए मार्गदर्शन कर सकता है, लेकिन वह आपके लिए ऑर्डर नहीं दे सकता है। यह सोच और करने के बीच का अंतर एक बड़ी सीमा है। लोगों को बस जानकारी नहीं चाहिए; वे परिणाम चाहते हैं।
इस अंतर को पाटने के लिए, माइक्रोसॉफ्ट एलएलएम को क्रिया-आधारित एआई एजेंटों में बदल रहा है। उन्हें योजना बनाने, कार्यों को तोड़ने और वास्तविक दुनिया के साथ बातचीत करने में सक्षम बनाकर, वे एलएलएम को व्यावहारिक कार्यों को प्रभावी ढंग से प्रबंधित करने में सक्षम बनाते हैं। यह परिवर्तन एलएलएम की क्षमताओं को फिर से परिभाषित करने की क्षमता रखता है, उन्हें जटिल कार्यों को स्वचालित करने और दैनिक कार्यों को सरल बनाने के लिए उपकरण बनाता है। आइए देखें कि यह होने के लिए क्या आवश्यक है और माइक्रोसॉफ्ट इस समस्या का सामना कैसे कर रहा है। (MSFT )
एलएलएम को क्रिया करने के लिए क्या चाहिए
वास्तविक दुनिया में कार्य करने के लिए, एलएलएम को केवल पाठ समझने से परे जाने की आवश्यकता है। उन्हें डिजिटल और भौतिक वातावरण के साथ बातचीत करनी चाहिए और बदलती परिस्थितियों के अनुसार अनुकूलन करना चाहिए। यहाँ कुछ क्षमताएं हैं जिनकी उन्हें आवश्यकता है:
-
उपयोगकर्ता के इरादे को समझना
प्रभावी ढंग से कार्य करने के लिए, एलएलएम को उपयोगकर्ता के अनुरोधों को समझने की आवश्यकता है। टेक्स्ट या वॉइस कमांड जैसे इनपुट अक्सर अस्पष्ट या अधूरे होते हैं। सिस्टम को अपने ज्ञान और अनुरोध के संदर्भ का उपयोग करके अंतराल को भरना होगा। बहु-चरण वार्ता इन इरादों को परिष्कृत करने में मदद कर सकती है, यह सुनिश्चित करती है कि एआई कार्रवाई करने से पहले समझता है।
-
इरादों को क्रियाओं में बदलना
एक कार्य को समझने के बाद, एलएलएम को इसे क्रियाशील चरणों में परिवर्तित करना होगा। इसमें बटन दबाना, एपीआई को कॉल करना या भौतिक उपकरणों को नियंत्रित करना शामिल हो सकता है। एलएलएम को विशिष्ट कार्य के लिए अपनी क्रियाओं को बदलना होगा, पर्यावरण के अनुसार अनुकूलन करना होगा और जैसे ही वे उत्पन्न होते हैं, चुनौतियों का समाधान करना होगा।
-
परिवर्तनों के अनुसार अनुकूलन
वास्तविक दुनिया के कार्य हमेशा योजना के अनुसार नहीं चलते हैं। एलएलएम को समस्याओं का पूर्वानुमान लगाना चाहिए, चरणों को समायोजित करना चाहिए और जब मुद्दे उत्पन्न होते हैं तो विकल्प खोजना चाहिए। उदाहरण के लिए, यदि कोई आवश्यक संसाधन उपलब्ध नहीं है, तो सिस्टम को कार्य को पूरा करने के लिए एक अन्य तरीका खोजना चाहिए। यह लचीलापन सुनिश्चित करता है कि प्रक्रिया तब रुक नहीं जाती जब चीजें बदलती हैं।
-
विशिष्ट कार्यों में विशेषज्ञता
जबकि एलएलएम सामान्य उपयोग के लिए डिज़ाइन किए गए हैं, विशेषज्ञता उन्हें अधिक कुशल बनाती है। विशिष्ट कार्यों पर ध्यान केंद्रित करके, ये सिस्टम कम संसाधनों के साथ बेहतर परिणाम प्रदान कर सकते हैं। यह विशेष रूप से सीमित कंप्यूटिंग शक्ति वाले उपकरणों के लिए महत्वपूर्ण है, जैसे कि स्मार्टफोन या एम्बेडेड सिस्टम।
इन कौशलों को विकसित करके, एलएलएम केवल जानकारी प्रसंस्करण से परे जा सकते हैं। वे अर्थपूर्ण क्रियाएं कर सकते हैं, जिससे एआई दैनिक कार्यों में सहजता से एकीकृत हो सकता है।
माइक्रोसॉफ्ट एलएलएम को कैसे बदल रहा है
माइक्रोसॉफ्ट का एलएलएम को क्रिया-आधारित एआई में बदलने का दृष्टिकोण एक संरचित प्रक्रिया का अनुसरण करता है। प्राथमिक उद्देश्य एलएलएम को आदेशों को समझने, प्रभावी ढंग से योजना बनाने और कार्रवाई करने में सक्षम बनाना है। यहाँ वे इसे कैसे कर रहे हैं:
चरण 1: डेटा संग्रह और तैयारी
पहले चरण में, उन्होंने अपने विशिष्ट उपयोग के मामलों से संबंधित डेटा एकत्र किया: यूएफओ एजेंट (नीचे वर्णित)। डेटा में उपयोगकर्ता के प्रश्न, पर्यावरणीय विवरण और कार्य-विशिष्ट क्रियाएं शामिल हैं। इस चरण में, दो प्रकार के डेटा एकत्र किए जाते हैं: पहले, उन्होंने कार्य-योजना डेटा एकत्र किया जो एलएलएम को उच्च-स्तरीय चरणों को रेखांकित करने में मदद करता है जो एक कार्य को पूरा करने के लिए आवश्यक हैं। उदाहरण के लिए, “वर्ड में फ़ॉन्ट आकार बदलना” में चरणों का चयन करना और टूलबार सेटिंग्स को समायोजित करना शामिल हो सकता है। दूसरा, उन्होंने कार्य-क्रिया डेटा एकत्र किया जो एलएलएम को इन चरणों को विशिष्ट निर्देशों में अनुवादित करने में सक्षम बनाता है, जैसे कि विशिष्ट बटन दबाना या कीबोर्ड शॉर्टकट का उपयोग करना।
यह संयोजन मॉडल को बड़ा चित्र और विस्तृत निर्देश दोनों प्रदान करता है जो कार्यों को प्रभावी ढंग से करने के लिए आवश्यक हैं।
चरण 2: मॉडल प्रशिक्षण
एक बार डेटा एकत्र हो जाने के बाद, एलएलएम को कई प्रशिक्षण सत्रों के माध्यम से परिष्कृत किया जाता है। पहले चरण में, एलएलएम को कार्य-योजना के लिए प्रशिक्षित किया जाता है ताकि वे उपयोगकर्ता के अनुरोधों को क्रियाशील चरणों में तोड़ सकें। विशेषज्ञ-लेबल वाले डेटा का उपयोग उन्हें इन योजनाओं को विशिष्ट क्रियाओं में अनुवादित करने के लिए सिखाने के लिए किया जाता है। अपनी समस्या-समाधान क्षमताओं को और बढ़ाने के लिए, एलएलएम ने स्व-बूस्ट एक्सप्लोरेशन प्रक्रिया में भाग लिया है जो उन्हें अनसुलझे कार्यों से निपटने और निरंतर सीखने के लिए नए उदाहरण पैदा करने में सक्षम बनाता है। अंत में, प्रतिक्रिया सीखने को लागू किया जाता है, जिसमें सफलता और विफलता से प्रतिक्रिया का उपयोग उनके निर्णय लेने में सुधार के लिए किया जाता है।
चरण 3: ऑफलाइन परीक्षण
प्रशिक्षण के बाद, मॉडल का नियंत्रित वातावरण में परीक्षण किया जाता है ताकि यह सुनिश्चित किया जा सके कि यह विश्वसनीय है। मेट्रिक्स जैसे कि कार्य सफलता दर (टीएसआर) और चरण सफलता दर (एसएसआर) का उपयोग प्रदर्शन को मापने के लिए किया जाता है। उदाहरण के लिए, एक कैलेंडर प्रबंधन एजेंट का परीक्षण करना उसकी बिना त्रुटियों के बैठकों का समय निर्धारित करने और आमंत्रण भेजने की क्षमता की पुष्टि करने के लिए हो सकता है।
चरण 4: वास्तविक प्रणालियों में एकीकरण
एक बार सत्यापित होने के बाद, मॉडल को एक एजेंट फ्रेमवर्क में एकीकृत किया जाता है। इससे यह वास्तविक दुनिया के वातावरण के साथ बातचीत करने में सक्षम हो जाता है, जैसे कि बटन दबाना या मेनू नेविगेट करना। यूआई ऑटोमेशन एपीआई जैसे टूल्स ने सिस्टम को गतिशील रूप से उपयोगकर्ता इंटरफ़ेस तत्वों की पहचान करने और उन्हें नियंत्रित करने में मदद की।
उदाहरण के लिए, यदि वर्ड में पाठ को हाइलाइट करने का कार्य दिया जाता है, तो एजेंट हाइलाइट बटन की पहचान करता है, पाठ का चयन करता है और प्रारूपण लागू करता है। एक मेमोरी घटक एलएलएम को पिछली क्रियाओं को ट्रैक रखने में मदद कर सकता है, जिससे यह नए परिदृश्यों के अनुसार अनुकूलन कर सकता है।
चरण 5: वास्तविक दुनिया परीक्षण
अंतिम चरण ऑनलाइन मूल्यांकन है। यहाँ, सिस्टम का वास्तविक दुनिया के परिदृश्यों में परीक्षण किया जाता है ताकि यह सुनिश्चित किया जा सके कि यह अप्रत्याशित परिवर्तनों और त्रुटियों को संभाल सकता है। उदाहरण के लिए, एक ग्राहक सहायता बॉट उपयोगकर्ताओं को पासवर्ड रीसेट करने के माध्यम से मार्गदर्शन कर सकता है, जबकि गलत इनपुट या लापता जानकारी के अनुसार अनुकूलन करता है। यह परीक्षण यह सुनिश्चित करता है कि एआई दैनिक उपयोग के लिए तैयार है और मजबूत है।
एक व्यावहारिक उदाहरण: यूएफओ एजेंट
क्रिया-आधारित एआई को कैसे काम करता है, यह दिखाने के लिए, माइक्रोसॉफ्ट ने यूएफओ एजेंट विकसित किया है। यह सिस्टम विंडोज़ वातावरण में वास्तविक दुनिया के कार्यों को निष्पादित करने के लिए डिज़ाइन किया गया है, उपयोगकर्ता के अनुरोधों को पूर्ण क्रियाओं में बदल देता है।
इसके मूल में, यूएफओ एजेंट एक एलएलएम का उपयोग अनुरोधों की व्याख्या करने और क्रियाओं की योजना बनाने के लिए करता है। उदाहरण के लिए, यदि उपयोगकर्ता कहता है, “इस दस्तावेज़ में ‘महत्वपूर्ण’ शब्द को हाइलाइट करें,” तो एजेंट वर्ड के साथ बातचीत करता है ताकि कार्य पूरा किया जा सके। यह संदर्भ जानकारी एकत्र करता है, जैसे कि यूआई नियंत्रणों की स्थिति, और इसे क्रियाओं की योजना बनाने और निष्पादित करने के लिए उपयोग करता है।
यूएफओ एजेंट विंडोज़ यूआई ऑटोमेशन (यूआईए) एपीआई जैसे टूल्स पर भरोसा करता है। यह एपीआई अनुप्रयोगों को नियंत्रण तत्वों जैसे बटन या मेनू के लिए स्कैन करता है। एक कार्य जैसे “दस्तावेज़ को पीडीएफ के रूप में सहेजें” के लिए, एजेंट यूआईए का उपयोग “फ़ाइल” बटन की पहचान करने, “सहेजें के रूप में” विकल्प का पता लगाने और आवश्यक चरणों को निष्पादित करने के लिए करता है। डेटा को संरचित रूप से व्यवस्थित करके, सिस्टम प्रशिक्षण से वास्तविक दुनिया के अनुप्रयोग तक सुचारू संचालन सुनिश्चित करता है।
चुनौतियों का सामना
जबकि यह एक रोमांचक विकास है, क्रिया-आधारित एआई बनाने से चुनौतियाँ उत्पन्न होती हैं। स्केलेबिलिटी एक बड़ा मुद्दा है। विविध कार्यों में इन मॉडलों को प्रशिक्षित करना और तैनात करना महत्वपूर्ण संसाधनों की मांग करता है। सुरक्षा और विश्वसनीयता को सुनिश्चित करना भी उतना ही महत्वपूर्ण है। मॉडलों को बिना अनपेक्षित परिणामों के कार्यों को पूरा करना चाहिए, विशेष रूप से संवेदनशील वातावरण में। और जब ये सिस्टम निजी डेटा के साथ बातचीत करते हैं, तो गोपनीयता और सुरक्षा के आसपास नैतिक मानकों को बनाए रखना भी महत्वपूर्ण है।
माइक्रोसॉफ्ट का रोडमैप कुशलता में सुधार, उपयोग के मामलों का विस्तार और नैतिक मानकों को बनाए रखने पर केंद्रित है। इन प्रगति के साथ, एलएलएम एआई के साथ दुनिया की बातचीत को फिर से परिभाषित कर सकते हैं, इसे अधिक व्यावहारिक, अनुकूलनीय और क्रिया-आधारित बना सकते हैं।
एआई का भविष्य
एलएलएम को क्रिया-आधारित एजेंटों में बदलना एक खेल बदलने वाला हो सकता है। ये सिस्टम कार्यों को स्वचालित कर सकते हैं, कार्यों को सरल बना सकते हैं और प्रौद्योगिकी को अधिक सुलभ बना सकते हैं। माइक्रोसॉफ्ट का क्रिया-आधारित एआई और यूएफओ एजेंट जैसे टूल्स पर काम बस शुरुआत है। जैसे-जैसे एआई विकसित होता है, हम अधिक बुद्धिमान, अधिक सक्षम सिस्टम की उम्मीद कर सकते हैं जो केवल हमारे साथ बातचीत नहीं करते हैं – वे काम पूरा करते हैं।
