Anderson का एंगल
नई एआई आपके पिछले वार्तालापों से आपके अगले उत्तर की भविष्यवाणी करती है
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
MIT के शोधकर्ताओं ने एक LLM-आधारित प्रणाली विकसित की है जो व्यक्ति के वास्तविक वार्तालापों के कई हफ़्तों से दोहराव वाले पैटर्न सीखती है, ताकि उनके संभावित अगले वार्तालापीय व्यवहार की भविष्यवाणी की जा सके।
यदि एआई वास्तव में आपके जीवन तक पहुँच प्राप्त कर सके, और वास्तव में आपको विस्तारित या निरंतर अवधि में जानने की अनुमति मिले, तो वह संभवतः आपके कार्यों, निर्णयों – और यहाँ तक कि आपके अगले कहे जाने वाले शब्द की भी भविष्यवाणी सीख सकता है; यह सब आपके इंटरैक्शन के हजारों घंटे के विश्लेषण से संकलित जानकारी पर आधारित है।
ChatGPT और Claude जैसे बड़े भाषा मॉडल (LLMs) का उपयोग करने वाले हममें से कई लोग इस ‘ज़रूरतों की पूर्वानुमान’ प्रवृत्ति को पहले ही देख चुके हैं, जो स्पष्ट रूप से हमारे उपयोग इतिहास पर आधारित है; और सम्भवतः, इसे सराहा है, क्योंकि स्मृति रखरखाव और संदर्भ अब एक महत्वपूर्ण घर्षण बिंदु बन गया है जब हम एआई प्रणाली के साथ कार्यात्मक संबंध विकसित करते हैं।
हालाँकि, आपके जीवन और संचार के बारे में अस्थायी और यहाँ तक कि ‘लाइव-स्ट्रीम्ड’ जानकारी को एक लाभ‑केंद्रित कंपनी द्वारा संचालित एआई प्रणाली को देना, यह कहने में उचित है कि एक संभावित गोपनीयता और सुरक्षा खतरा है; जबकि सेवा आपके लिए अधिक उपयोगी हो जाएगी, कंपनी के आपके डेटा को साझा करने की लालसा, और एक शर्मनाक और प्रकाशित ऑनलाइन लीक या डेटा निकासी के जोखिम के साथ मिलकर, इस स्तर के एआई/मानव एकीकरण को अज्ञान्य बना सकता है।
अगर हम अच्छी चीजें रख सकते थे…
खैर, MIT के एक रोचक नए पेपर से निपटने से पहले मुझे वह ‘सार्वजनिक सेवा चेतावनी’ साफ़ करनी पड़ी, जो ऐसा प्रतीत होता है कि एक बेहतर दुनिया में मौजूद है, जहाँ इस प्रकार का डेटा सुरक्षित और वास्तव में भरोसेमंद परिसरों में सीमित किया जा सकता है, ताकि विश्लेषणात्मक एआई की वास्तविक शक्ति को व्यक्तिगत लाभ के लिए उपयोग किया जा सके।
नया कार्य एक ऐसी प्रणाली का प्रस्ताव करता है जहाँ उपयोगकर्ता की अनुमति और उनके द्वारा प्राप्त डेटा पर नियंत्रण के साथ, वह स्मार्टवॉच जो वे पहन रहे हैं, लगातार उनके वार्तालापों को रिकॉर्ड करता है ताकि व्यवहारिक पैटर्न निकाले जा सकें:
नए MIT पेपर से, प्रस्तावित व्यवहार भविष्यवाणी पाइपलाइन का चित्रण। कई हफ़्तों में एकत्रित वार्तालाप दोहराव वाले व्यवहारिक पैटर्न को उजागर करते हैं, जिसे फिर उपयोगकर्ता के संभावित अगले व्यवहार की भविष्यवाणी करने और अनुमानित कार्रवाई होने से पहले एक स्मार्टवॉच रिमाइंडर देने के लिए उपयोग किया जाता है। स्रोत
पेपर – जिसका शीर्षक Before You Say It: Anticipating Verbal Behavior from Longitudinal Everyday Conversations with LLMs है – 14 प्रतिभागियों के 1,000 घंटे से अधिक प्राकृतिक (अर्थात् अवसरवादी, वास्तविक‑विश्व) वार्तालापों को स्मार्टवॉच के माध्यम से एकत्रित करता है, उन्हें प्रतिलेखित करता है, संरचित व्यवहारिक इतिहास में परिवर्तित करता है, और Gemini 2.5 Pro को व्यवहार‑विशिष्ट प्रॉम्प्ट और निकाले गए व्यवहारिक नियमों के साथ प्रदान करता है, ताकि प्रत्येक उपयोगकर्ता के संभावित अगले वार्तालापीय व्यवहार की भविष्यवाणी की जा सके।
(और अब यह स्पष्ट हो सकता है कि इस नए पेपर को गोपनीयता के संदर्भ में कुछ पृष्ठभूमि की आवश्यकता क्यों है)
यह नया अध्ययन प्रभावी रूप से (लेखकों के) 2026 के Mind Mapper* प्रकाशन का फील्ड‑एक्सपेरिमेंट है, जो पहले के कार्य को सिद्धांत से व्यवहार में लाकर परीक्षण करता है कि क्या निकाले गए व्यवहारिक पैटर्न वास्तव में वास्तविक‑समय में उपयोगकर्ता के अगले वार्तालापीय व्यवहार की भविष्यवाणी कर सकते हैं, न कि केवल दोहराव वाली प्रवृत्तियों का वर्णन।
‘हमारे परिणाम दिखाते हैं कि दीर्घकालिक वार्तालापों से निकाले गए स्थिति‑विशिष्ट व्यवहारिक पैटर्न उपयोगकर्ताओं के मौखिक व्यवहारिक प्रवृत्तियों की भविष्यवाणी को सार्थक रूप से सुधार सकते हैं। हमारे दृष्टिकोण की मुख्य ताकत यह है कि इन्हें मानव‑पठनीय, संदर्भ‑शर्तीय व्यवहारिक पैटर्न के रूप में स्पष्ट अपवाद शर्तों के साथ प्रस्तुत किया जाता है, जिन्हें उपयोगकर्ता निरीक्षण और परिष्करण कर सकते हैं।
‘प्रतिभागियों ने इस पारदर्शिता को महत्व दिया, कई ने अपने अनुमानित पैटर्न को पढ़ने, सुधारने और व्यक्तिगत लक्ष्य निर्धारित करने की क्षमता की सराहना की।
‘प्रतिभागियों ने अपने व्यवहार बदलने की रणनीतियों पर भी विचार किया, यह सुझाव देते हुए कि सक्रिय प्रणालियाँ ध्यान पुनः निर्देशित करके, विकल्प प्रदान करके, और उनके लक्ष्यों से जुड़ी पुनः‑फ़्रेमिंग दिखाकर मदद कर सकती हैं।
‘यह उपयोगकर्ताओं के साथ काम करने वाले पूर्वानुमानात्मक एआई की ओर संकेत करता है — हस्तक्षेपों को उन पैटर्नों में आधारित करके जो वे पहचानते हैं और उन रणनीतियों में जो वे पहले से प्रभावी पाते हैं।’
विधि
उपर्युक्त Mind Mapper नई प्रणाली की नींव है, जो कई हफ़्तों के स्मार्टवॉच‑रिकॉर्डेड वार्तालापों से दोहराव वाले व्यवहारिक नियम सीखने के लिए एक कार्य‑प्रवाह प्रदान करता है, न कि सीधे भविष्य के भाषण की भविष्यवाणी करने या सामान्य/पहले के डेटासेट पर निर्भर रहने के लिए। Mind Mapper कार्य‑प्रवाह में, सभी रिकॉर्ड किए गए वार्तालापों को प्रतिलेखित, अनाम किया गया, और एक बहु‑स्तरीय GPT‑5 पाइपलाइन** के माध्यम से प्रोसेस किया गया।
(कृपया ध्यान दें कि पुराने पेपर की सुरक्षा के कारण, हम सामान्यतः जैसा करते हैं, उससे चित्र प्रदान नहीं कर सकते, क्योंकि सार्वजनिक रूप से उपलब्ध कम‑रिज़ॉल्यूशन संस्करण अपठनीय हैं)
नए पेपर से, व्यवहार भविष्यवाणी पाइपलाइन का चित्रण। कई हफ़्तों में एकत्रित वार्तालापों को संदर्भ‑निर्भर व्यवहारिक नियमों में परिवर्तित किया जाता है, जिन्हें सहायक और विरोधी साक्ष्य के साथ परिष्कृत किया जाता है, फिर नए वार्तालापों पर लागू करके उपयोगकर्ता के सबसे संभावित अगले वार्तालापीय उत्तर की भविष्यवाणी की जाती है।
पाइपलाइन उम्मीदवार ‘if‑then’ व्यवहारिक नियम उत्पन्न करती है (अर्थात् वार्तालापीय स्थितियों को संभावित प्रतिक्रियाओं से जोड़ने वाले नियम); सहायक और विरोधी साक्ष्य खोजती है; ओवरलैपिंग नियमों को मिलाती है; कमजोर परिकल्पनाओं को हटाती है; और विश्वास तथा संभाव्यता अनुमान असाइन करती है।
विषय
चौदह अंग्रेज़ी‑भाषी वयस्कों ने सात से दस दिनों तक सामान्य दैनिक जीवन में स्मार्टवॉच पहना। एक ऑन‑डिवाइस वॉयस‑एक्टिविटी डिटेक्टर केवल तब विषयों को रिकॉर्ड करता जब वह आवाज़ का पता लगाता, और 2‑3 मिनट के ऑडियो क्लिप को प्रोसेसिंग के लिए रिमोट सर्वर पर भेजता।
प्रतिभागियों को $100 मिले, और उन्हें निकटवर्ती लोगों को यह सूचित करना आवश्यक था कि वार्तालाप रिकॉर्ड हो रहे हैं, तथा प्रत्येक इंटरैक्शन से पहले अन्य लोगों की सहमति लेनी थी।
प्रतिलेखन और सत्यापन
ऑडियो क्लिप को Deepgram के Nova‑3‑meeting मॉडल से प्रोसेस किया गया, जो वार्तालापों को प्रतिलेखित करता और वक्ताओं के बीच अंतर करता। इसके बाद SpeechBrain को स्पीकर वेरिफिकेशन मॉडल के रूप में उपयोग किया गया, जो प्रतिभागी की आवाज़ को 20‑सेकंड के एन्क्रॉलमेंट सैंपल से मिलाता।
spaCy Named Entity Recognition (NER) मॉडल ने उल्लेखित सभी नामों और अन्य व्यक्तिगत पहचान योग्य जानकारी को गुमनाम प्लेसहोल्डर से बदल दिया। मूल ऑडियो को हटा दिया गया, और केवल AES‑256‑GCM‑एन्क्रिप्टेड प्रतिलेख स्थानीय रूप से स्मार्टवॉच पर संग्रहीत रहे।
संग्रह अवधि के बाद, प्रतिभागी वेब इंटरफ़ेस के माध्यम से अपने स्वयं के वार्तालाप प्रतिलेखों की समीक्षा कर सके, अध्ययन में शामिल न करना चाही गई चीज़ें हटाई, और आवश्यकतानुसार स्पीकर लेबल या वार्तालाप संदर्भ को सुधारा।
औसतन, केवल 0.16% प्रतिलेख हटाए गए, और 2.48% खंडों को गलत वर्गीकृत के रूप में चिह्नित किया गया, जिससे 14 प्रतिभागियों के बीच 15,066 उच्चारणों का डेटासेट बना – जिसमें 57% पहनने वाले को और 43% अन्य वक्ताओं को सौंपा गया। औसत उच्चारण लंबाई 49 शब्द थी।
(हालाँकि, पेपर इस पर चर्चा नहीं करता, लेकिन यह मान लिया जा सकता है कि प्रतिभागी घड़ी पहनते समय अत्यधिक व्यक्तिगत मौखिक आदान‑प्रदान में शामिल होने से सतर्क रहे।)
प्रतिलेखों को बहुत छोटे आदान‑प्रदान, तथा सामान्य भाषण विसंगतियों जैसे ‘err’ और ‘um’ को हटाकर और फिर टुकड़े‑टुकड़े वाक्यों को पूर्ण उच्चारणों में मिलाकर आगे साफ़ किया गया। इससे अंतिम डेटासेट 9,901 उच्चारणों तक घट गया।
पद्धति का मूल्यांकन करने के लिए, Gemini 2.5 Pro को प्रत्येक प्रतिभागी के अगले वार्तालापीय उत्तर की भविष्यवाणी करने को कहा गया, जो उस बिंदु तक के वार्तालाप से ली गई थी। उसके प्रदर्शन की तुलना तीन इनपुट्स के बीच की गई: केवल वार्तालाप इतिहास; संक्षिप्त वार्तालाप सारांश; और नया Mind Mapper व्यवहारिक नियम, जिससे सीखे गए पैटर्न के योगदान को सीधे मापा जा सके।
GPT‑5 को स्वचालित जज के रूप में उपयोग किया गया, जिससे भविष्यवाणियों को स्कोर किया गया, और एक अलग मानव मूल्यांकन ने इसकी विश्वसनीयता की पुष्टि की।
डेटा और परीक्षण
परीक्षण परिणाम दर्शाते हैं कि परीक्षण किए गए बेसलाइन तरीकों को लेखकों के पैटर्न‑आधारित दृष्टिकोण ने काफी हद तक पीछे छोड़ दिया, और सटीकता वार्तालाप डेटा के संचित होने के साथ निरंतर सुधारती रही:
तीन भविष्यवाणी विधियों की तुलना करने वाले परीक्षण परिणाम। बाएँ, केवल तब जब उपयोग की गई प्रणाली व्यवहारिक पैटर्न सीखती है, अधिक वार्तालाप डेटा उपलब्ध होने पर भविष्यवाणी सटीकता लगातार बढ़ती है, जबकि बेसलाइन विधियों में बहुत कम परिवर्तन होता है। दाएँ, वही विधि प्रतिभागियों द्वारा पहचाने गए परिवर्तन‑इच्छा वार्तालापों पर उल्लेखनीय रूप से उच्च स्कोर प्राप्त करती है।
लेखकों का तर्क है कि प्रणाली विशेष रूप से उन व्यवहारों की भविष्यवाणी करने में प्रभावी थी जिन्हें प्रतिभागियों ने स्पष्ट रूप से बदलना चाहा।
40 स्वतंत्र मानव रेटरों के साथ एक वैधता अध्ययन ने स्वचालित मूल्यांकन की पुष्टि की, जिसमें पैटर्न‑आधारित विधि को परीक्षण किए गए परिदृश्यों के 43% में सबसे अधिक रैंक मिला, जबकि पूर्ण संदर्भ के लिए 24%, शून्य‑शॉट के लिए 18% और कथा सारांशों के लिए 15% रहा।
मानव मूल्यांकन ने संचार इरादा, विशिष्टता, और कार्यात्मक जटिलता के बीच मॉडल‑आधारित स्कोरिंग के साथ निकटता से संरेखण दिखाया, जिसे लेखकों ने वार्तालापीय व्यवहार के लिए स्वचालित जज के उपयोग को मान्य माना।
दो फॉलो‑अप अध्ययन ने यह परीक्षण किया कि लोग अपने निकाले गए पैटर्न पर कैसे प्रतिक्रिया देते हैं, और क्या ये भविष्यवाणियाँ वास्तव में आदतों को बदलने में मदद कर सकती हैं। प्रतिभागियों ने पहले अपने नियमों की समीक्षा की ताकि वे व्यवहारों को चिन्हित कर सकें जिन्हें वे तोड़ना चाहते थे, कई महीनों बाद लौटकर उन्होंने अपनाई गई रणनीतियों और दैनिक जीवन में सहायक ‘नज’ किस प्रकार मददगार हो सकते हैं, इस पर चर्चा की।
प्रतिभागियों ने 114 ऐसी आदतें चिन्हित कीं जिन्हें वे तोड़ना चाहते थे, जो 912 वार्तालापीय क्षणों में फैली थीं। इन आदान‑प्रदानों पर परीक्षण करने पर, पैटर्न‑आधारित विधि ने मानक विधियों को लगभग 40% बेहतर प्रदर्शन किया; और लेखकों का तर्क है कि प्रणाली तब सबसे अधिक प्रभावी होती है जब वह गहराई से जमी हुई आदतों की भविष्यवाणी करती है जिन्हें लोग सक्रिय रूप से बदलना चाहते हैं।
‘समग्र रूप से, हमारे निष्कर्ष इस बात का प्रमाण प्रदान करते हैं कि व्यक्ति‑विशिष्ट मौखिक व्यवहार को दीर्घकालिक वार्तालाप डेटा से भविष्यवाणी किया जा सकता है।’
‘यह भविष्य में संभावित संदर्भ‑सचेत, पूर्वानुमानात्मक, सक्रिय और व्यक्तिगत एआई प्रणालियों के लिए नई संभावनाएँ खोलता है।’
निष्कर्ष
उच्च स्तर पर सरकारी‑नियंत्रित अनुप्रयोगों, मुख्यतः राज्य स्वास्थ्य‑सेवा और मनो‑रोगीय परिदृश्यों से बाहर, और लोगों को भाग लेने के लिए सभी स्पष्ट या अप्रत्यक्ष दबावों (जैसे कम राज्य बीमा प्रीमियम) की अनुपस्थिति में… यह कल्पना करना कठिन है कि इस दृष्टिकोण का कोई उपयोग ऐसा हो जो प्रतिभागियों की गोपनीयता और व्यक्तिगत पवित्रता को खतरे में न डाले – विशेषकर यदि यह एजेंटिक संस्थाओं के साथ जुड़ा हो जो रिकॉर्ड किए गए वार्तालाप डेटा को डिजिटल या अन्य प्रकार के व्यक्तिगत डेटा के साथ जोड़ सकते हैं।
MIT पेपर इस दृष्टिकोण के लिए एक रोचक और अस्पष्ट रूप से चिकित्सीय संदर्भ प्रस्तुत करता है (उदाहरण के लिए, आहार के बारे में संदर्भ‑सचेत रिमाइंडर प्रदान करना); लेकिन ऐसा योजना अधिक संभावना है कि विज्ञापनदाताओं, पैरोल और जेल संस्थानों, बीमा कंपनियों, और कई अन्य कॉर्पोरेट या राज्य संस्थाओं की आक्रामक रुचि और निवेश को आकर्षित करे, जो हमारे मन में क्या चल रहा है, यह अधिक जानना चाहती हैं।
यदि कभी कोई तर्कस्थ रूप से रिंग‑फ़ेंस्ड, पूरी तरह उपयोगकर्ता‑स्वामित्व वाली स्थानीय एआई की आवश्यकता को स्पष्ट करता है, तो वह इस जैसी प्रणालियों में है, जिनमें उल्लंघन के गंभीर परिणाम होते हैं।
यह कहा जाए, तो हाल के वर्षों में विज्ञापन और निगरानी तकनीक का इतिहास उपभोक्ता उदासीनता की ओर प्रवृत्त हुआ है – क्या यह उदासीनता वास्तव में इस तरह के अत्यधिक आक्रमणकारी और सर्वव्यापी सिस्टम तक भी विस्तारित हो सकती है?
* एक बहुत अधिक संरक्षित प्रकाशन, जिसमें कोई उच्च‑रिज़ॉल्यूशन चित्र सार्वजनिक रूप से उपलब्ध नहीं है, हालांकि कुछ प्रयासों के बाद पाठ पढ़ा जा सकता है।
** यह अधिक ज़ोर देने के लिए नहीं है, लेकिन पुराना पेपर काफी कठिन से उपलब्ध है, इसलिए कृपया दृढ़ रहें!
पहली बार प्रकाशित: गुरुवार, 20 अगस्त 2026
