गूगल एक जीपीटी-3 जैसी प्रश्न प्रणाली की कल्पना करता है, बिना खोज परिणामों के

गूगल के चार शोधकर्ताओं द्वारा एक नए शोध पत्र में एक ‘विशेषज्ञ’ प्रणाली का प्रस्ताव किया गया है जो उपयोगकर्ताओं के प्रश्नों का अधिकारपूर्वक उत्तर देने में सक्षम होगी, बिना खोज परिणामों की सूची प्रस्तुत किए, जीपीटी-3 के माध्यम से सार्वजनिक ध्यान में आए प्रश्न-उत्तर मॉडल के समान।

शोध पत्र, जिसका शीर्षक रीथिंकिंग सर्च: मेकिंग एक्सपर्ट्स आउट ऑफ डिलेटेंट्स है, सुझाव देता है कि वर्तमान मानक जिसमें उपयोगकर्ता को खोज परिणामों की सूची प्रस्तुत की जाती है, एक ‘संज्ञानात्मक बोझ’ है, और प्राकृतिक भाषा प्रसंस्करण प्रणाली (एनएलपी) की क्षमता में सुधार का प्रस्ताव करता है जो एक अधिकारपूर्वक और निश्चित उत्तर प्रदान कर सकती है।

प्रस्तावित मॉडल के तहत, ‘विशेषज्ञ’, क्रॉस-डोमेन ऑरेकल, हजारों संभावित खोज परिणाम स्रोतों को एक भाषा मॉडल में शामिल किया जाएगा, न कि उपयोगकर्ताओं के लिए एक अन्वेषण संसाधन के रूप में स्पष्ट रूप से उपलब्ध होगा। स्रोत: https://arxiv.org/pdf/2105.02274.pdf

शोध पत्र, जिसका नेतृत्व डोनाल्ड मेट्जलर ने गूगल रिसर्च में किया है, जीपीटी-3 जैसे गहरे शिक्षण स्वायत्त भाषा मॉडल से प्राप्त की जाने वाली बहु-डोमेन ऑरेकल प्रतिक्रियाओं के प्रकार में सुधार का प्रस्ताव करता है। मुख्य सुधार यह है कि मॉडल सटीक रूप से उन स्रोतों का हवाला दे सकेगा जिन्होंने प्रतिक्रिया को सूचित किया है, और मॉडल को ‘हॉलुसिनेटिंग‘ प्रतिक्रियाओं या गैर-मौजूद स्रोत सामग्री का आविष्कार करने से रोका जा सकेगा, जो वर्तमान में ऐसे आर्किटेक्चर के साथ एक समस्या है।

बहु-डोमेन प्रशिक्षण और क्षमताएं

इसके अलावा, प्रस्तावित भाषा मॉडल, जिसे शोध पत्र में ‘सभी जानकारी पुनर्प्राप्ति कार्यों के लिए एक एकल मॉडल’ के रूप में वर्णित किया गया है, विभिन्न डोमेन पर प्रशिक्षित किया जाएगा, जिनमें छवियां और पाठ शामिल हैं। इसके अलावा, यह ज्ञान की उत्पत्ति के बारे में समझ की आवश्यकता होगी, जो जीपीटी-3 शैली की वास्तुकला में कमी है।

‘सूचकांकों को एक एकल, एकीकृत मॉडल से बदलने के लिए, मॉडल को स्वयं दस्तावेज़ पहचानकर्ताओं के ब्रह्मांड के बारे में ज्ञान होना चाहिए, जैसा कि पारंपरिक सूचकांक करते हैं। इसे पूरा करने का एक तरीका यह है कि पारंपरिक एलएम से दूर जाना और कॉर्पस मॉडल की ओर बढ़ना जो संयुक्त रूप से शब्द-शब्द, शब्द-दस्तावेज़, और दस्तावेज़-दस्तावेज़ संबंधों का मॉडलिंग करते हैं।’

उपरोक्त छवि में, शोध पत्र से, तीन दृष्टिकोण उपयोगकर्ता के प्रश्न के उत्तर में: बाएं, भाषा मॉडल जो गूगल के अल्गोरिदमिक खोज परिणामों में निहित हैं, ने एक ‘सर्वश्रेष्ठ उत्तर’ चुना और प्राथमिकता दी है, लेकिन इसे कई परिणामों के शीर्ष परिणाम के रूप में छोड़ दिया है। मध्य, जीपीटी-3 शैली की एक संवादात्मक प्रतिक्रिया, जो अधिकार के साथ बोलती है, लेकिन अपने दावों को सही नहीं ठहराती है या स्रोतों का हवाला नहीं देती है। दाएं, प्रस्तावित विशेषज्ञ प्रणाली खोज परिणामों के शीर्ष परिणाम से ‘सर्वश्रेष्ठ प्रतिक्रिया’ को एक शिक्षाप्रद उत्तर में शामिल करती है, जिसमें अकादमिक शैली के पाद लेख संदर्भ (मूल छवि में चित्रित नहीं) होते हैं जो प्रतिक्रिया को सूचित करने वाले स्रोतों को इंगित करते हैं।

विषाक्त और असटीक परिणामों को हटाना

शोधकर्ता यह ध्यान देते हैं कि खोज सूचकांकों की गतिशील और निरंतर अद्यतन प्रकृति इस प्रकार के मशीन लर्निंग मॉडल को पूरी तरह से प्रतिकृति करने के लिए एक चुनौती है। उदाहरण के लिए, जहां एक बार विश्वसनीय स्रोत को सीधे मॉडल की दुनिया की समझ में प्रशिक्षित किया गया है, तो इसके प्रभाव को हटाना (उदाहरण के लिए, जब यह विश्वसनीय नहीं रह जाता है) एक यूआरएल को एसईआरपी से हटाने से अधिक कठिन हो सकता है, क्योंकि डेटा अवधारणाएं प्रशिक्षण के दौरान अमूर्त और व्यापक रूप से प्रतिनिधित्व कर सकती हैं।

एक केंद्रीकृत विशेषज्ञ ऑरेकल के लिए हमले के क्षेत्र

एक केंद्रीकृत मॉडल जो निरंतर नए डेटा को आत्मसात करता है और सामान्य करता है, खोज प्रश्नों के लिए हमले के क्षेत्र को बदल सकता है।

वर्तमान में, एक हमलावर को उच्च रैंकिंग प्राप्त करने के लिए लाभ मिल सकता है जो या तो गलत सूचना या दुर्भावनापूर्ण कोड वाले डोमेन या पृष्ठों को शामिल करता है। एक अधिक अपारदर्शी ‘विशेषज्ञ’ ऑरेकल के तहत, उपयोगकर्ताओं को हमला डोमेन पर पुनर्निर्देशित करने का अवसर कम हो जाता है, लेकिन जहरीले डेटा हमलों की संभावना बढ़ जाती है।

नॉट एजीआई

शोधकर्ता यह रेखांकित करते हैं कि ऐसी प्रणाली को कृत्रिम सामान्य बुद्धिमत्ता (एजीआई) के रूप में योग्य होने की संभावना नहीं है, और प्राकृतिक भाषा प्रसंस्करण मॉडल के सामने आने वाली चुनौतियों के संदर्भ में एक सार्वभौमिक विशेषज्ञ प्रतिक्रियादायक की संभावना को रखते हैं।

शोध पत्र पांच आवश्यकताओं को रेखांकित करता है जो एक ‘उच्च गुणवत्ता’ प्रतिक्रिया के लिए हैं:

1: प्राधिकरण
जैसा कि वर्तमान रैंकिंग अल्गोरिदम के साथ है, ‘प्राधिकरण’ उच्च गुणवत्ता वाले डोमेन से उद्धरण से प्राप्त होता है जो स्वयं अधिकारी माने जाते हैं। शोधकर्ता यह देखते हैं:

‘प्रतिक्रियाएं उच्च प्राधिकरण वाले स्रोतों से सामग्री द्वारा उत्पन्न की जानी चाहिए। यह एक और कारण है कि क्रमशः शब्द-शब्द, शब्द-दस्तावेज़, और दस्तावेज़-दस्तावेज़ संबंधों के बीच अधिक स्पष्ट संबंध स्थापित करना इतना महत्वपूर्ण है। यदि एक कॉर्पस में सभी दस्तावेज़ एक प्राधिकरण स्कोर के साथ अन्नोटेट किए जाते हैं, तो उस स्कोर को प्रशिक्षण, प्रतिक्रिया उत्पन्न करने या दोनों के दौरान ध्यान में रखा जाना चाहिए।’