यद्यपि बड़े -लैंग्वेज मॉडल डेलो ने प्राकृतिक भाषा प्रक्रिया में महत्वपूर्ण प्रगति की है, फिर भी वे जटिल योजना और तर्क कार्यों को संबोधित करते समय कठिनाइयों का सामना करते हैं। पारंपरिक तरीके अक्सर स्थिर नमूनों या एकल-एजेंट प्रणालियों पर निर्भर करते हैं जिन्हें वास्तविक दुनिया की समस्याओं की सूक्ष्मता को पकड़ने के लिए छोटा किया जाता है। यह दोष स्पष्ट है जब मॉडल को उत्पन्न योजनाओं द्वारा परीक्षण किया जाना चाहिए, जटिलता के विभिन्न स्तरों के अनुकूल होना चाहिए, या आउटपुट को दोहराना चाहिए। चाहे वह बैठकों को निर्धारित करता है या एक बुद्धिमानों को हल करता है।
Google AI ने Plannan-A Multi-Agent ढांचा पेश किया, जिसे एक मल्टी-एजेंट फ्रेमवर्क, बैरियर-वे बार-बार सत्यापन और अनुकूली एल्गोरिथ्म के चयन को शामिल करके बड़े भाषा मॉडल में योजना और तर्क में सुधार करने के लिए डिज़ाइन किया गया। योजना में तीन एजेंट शामिल हैं जो कॉन्सर्ट में काम करते हैं: बैरियर एजेंट समस्या-विशिष्ट विवरण आयतें हैं, सत्यापन एजेंट प्रस्तावित योजना की गुणवत्ता का मूल्यांकन करता है, और चयन एजेंट समस्या की जटिलता के आधार पर सबसे उपयुक्त अनुमान एल्गोरिथ्म का चयन करता है। एक एकल, कठोर दृष्टिकोण पर भरोसा करने के बजाय, यह संरचना एक प्रक्रिया की सुविधा प्रदान करती है जिसमें प्रारंभिक योजनाओं को बार -बार शुद्ध किया जाता है, यह सुनिश्चित करते हुए कि अंतिम आउटपुट सटीक और संदर्भित दोनों है।
तकनीकी आधार और लाभ
प्लेंगेन की उत्पत्ति में यह मॉड्यूलरिटी और शोधन पर जोर है। प्रक्रिया बैरियर एजेंट के साथ शुरू होती है, जो समस्या विवरण से आवश्यक मापदंडों को सावधानीपूर्वक आयोजित करती है – जैसे कि व्यक्तिगत समय सारिणी या कैलेंडर नियोजन में बढ़े हुए। मुख्य अवधारणाओं। यह आयोजित सूचना मानदंडों का एक सेट बनाता है जिसके खिलाफ संभावित योजनाओं को मापा जाता है। सत्यापन एजेंट तब आगे बढ़ता है, प्रत्येक उम्मीदवार के इस बाधा के खिलाफ योजना का मूल्यांकन करता है और -100 से 100 तक के पैमाने पर पुरस्कार स्कोर प्रदान करता है। प्राकृतिक भाषा में व्यक्त की गई यह प्रतिक्रिया, योजना की गुणवत्ता पर प्रकाश डालती है, लेकिन सुधार के लिए क्षेत्रों को भी।
चयन एजेंट एक संशोधित ऊपरी आत्मविश्वास बाउंड (यूसीबी) नीति को नियोजित करके परिष्कार का एक और स्तर जोड़ता है। इस अनुकूली तंत्र का वजन ऐतिहासिक कार्य के इतिहास जैसे कारकों, कम-परीक्षण किए गए तरीकों का पता लगाने की आवश्यकता और पिछली त्रुटियों की पुनर्प्राप्ति जैसे कारक है। गतिशील रूप से अलग-अलग भविष्यवाणी एल्गोरिदम के बीच चयन करके, सबसे अच्छा एन, ट्री-ऑफ-थेट, या रिबेस-प्लेन प्रत्येक विशेष कार्य की जटिलता के लिए अपने दृष्टिकोण के अनुकूल होने में सक्षम हैं। फ्रेमवर्क का डिज़ाइन इसे विभिन्न रणनीतियों, संतुलित अनुसंधान और अवशोषण के बीच आसानी से संक्रमण करने की अनुमति देता है, बिना किसी एक विधि को ओवरडोइंग किए।
अनुभवजन्य अंतर्दृष्टि और प्रयोगात्मक परिणाम
प्लैगन का मूल्यांकन कई बेंचमार्क में किया गया है, जो योजना और तर्क कार्यों में निरंतर सुधार दिखाता है। नेचुरल प्लान बेंचमार्क में, जो कैलेंडर लैंडर शेड्यूल, मीटिंग प्लानिंग एंड ट्रिप प्लानिंग जैसे कामों को कवर करता है, प्लेन ने कुछ मैच स्कोर में महत्वपूर्ण सुधार दिखाया है। उदाहरण के लिए, फ्रेमवर्क के एक तरीके ने बार -बार सत्यापन द्वारा योजनाबद्ध चरणों को प्रभावी ढंग से दोहराकर कैलेंडर शेड्यूलिंग में बेहतर प्रदर्शन प्राप्त किया।
इसी तरह, गणितीय और दुश्मन, जैसे कि ओलंपियाडबैंच। Dockfinqa डेटासेट में वित्तीय दस्तावेज़ समझ पर ध्यान केंद्रित करते हुए, Plangen सटीकता और F1 स्कोर दोनों को बढ़ाने में सक्षम है। इन अपडेट को विस्तृत प्रतिक्रिया का उपयोग करने और तदनुसार इसकी अनुमान रणनीति को समायोजित करने के लिए फ्रेमवर्क की क्षमता के लिए जिम्मेदार ठहराया जाता है। सत्यापन और चयन विधियों दोनों को एकीकृत करके, प्लैंगेन प्रत्येक कार्य की मांग से मेल खाने वाली समस्या को हल करने के लिए एक संतुलित और व्यवस्थित दृष्टिकोण दिखाता है।
अंत
प्लेंगेन बड़े भाषा मॉडल के लिए जटिल योजना और तर्क के तहत चुनौतियों को समाप्त करने में विचारशील प्रगति का प्रतिनिधित्व करता है। कई विशिष्ट एजेंटों की शक्ति को मिलाकर, फ्रेमवर्क उच्च गुणवत्ता वाली योजनाओं के उत्पादन के लिए अधिक जानबूझकर और दोहराव दृष्टिकोण का समर्थन करता है। इसका मॉड्यूलर डिज़ाइन – बाधा, दोहराव सत्यापन और भविष्यवाणी एल्गोरिदम के अनुकूली चयन के समापन पर केंद्रित है – ऊर्जा है कि प्रत्येक समाधान को हाथ की विशिष्ट मांगों को पूरा करने के लिए सावधानीपूर्वक शुद्ध किया जाता है।
विभिन्न बेंचमार्क के परिणाम बताते हैं कि उच्च आक्रामक दावों के आधार पर सहयोगी, बहु-एजेंट प्रणाली अधिक पारंपरिक एकल-एजिंग विधियों को जन्म दे सकती है। इसके बजाय, मनाया गया अपडेट मापा, अतिरिक्त प्रगति का परिणाम है जो व्यवस्थित रूप से प्रतिक्रिया को शामिल करके प्राप्त किया गया है और पैटर्न-स्तर की जटिलता के अनुरूप है। जैसे -जैसे यह क्षेत्र बढ़ता रहता है, प्लेंगेन की संतुलित विधि बड़े भाषा मॉडल की प्राकृतिक भाषा नियोजन क्षमताओं को बढ़ाने में भविष्य के काम के लिए एक आशाजनक आधार प्रदान करती है। यह दृष्टिकोण सावधानीपूर्वक विश्लेषण और दोहरावदार सुधार के आधार पर जटिल तर्क के लिए एक मजबूत और विश्वसनीय एआई सिस्टम की ओर एक व्यावहारिक तरीका प्रदान करता है।
जाँच करना कागज़। इस शोध के लिए सभी श्रेय इस परियोजना के शोधकर्ताओं को जाते हैं। इसके अलावा, हमें फॉलो करने के लिए स्वतंत्र महसूस करें ट्विटर और हमसे जुड़ने के लिए मत भूलना 80K+ एमएल सबमिटेड।
। अनुशंसित रीडिंग- एलजी एआई रिसर्च नेक्सस प्रकाशित करता है: एआई डेटासेट में कानूनी चिंताओं को खत्म करने के लिए एजेंट एआई सिस्टम और डेटा अनुपालन मानकों को एकीकृत करने वाला एक उन्नत प्रणाली
ASIF Razzaq एक दूरदर्शी उद्यमी और इंजीनियर के रूप में मार्केटएकपोस्ट मीडिया इंक के सीईओ हैं, ASIF सामाजिक अच्छे के लिए कृत्रिम बुद्धिमत्ता की संभावना को बढ़ाने के लिए प्रतिबद्ध है। उनका सबसे हालिया प्रयास आर्टिफिशियल इंटेलिजेंस मीडिया प्लेटफॉर्म, मार्कटेकपोस्ट का उद्घाटन है, जो मशीन लर्निंग की गहराई के लिए और कवरेज की गहराई के लिए गहरी सीखने की खबर के लिए है। यह तकनीकी रूप से ध्वनि है और एक बड़े दर्शकों द्वारा आसानी से समझ में आता है। प्लेटफ़ॉर्म में 2 मिलियन से अधिक मासिक दृश्य हैं, जो दर्शकों के बीच अपनी लोकप्रियता दिखाते हैं।
🚨 अनुशंसित ओपन-सीरस एआई प्लेटफॉर्म: ‘इंटेलिजेंट एक ओपन सोर्स मल्टी-एजेंट फ्रेमवर्क है जो कॉम्प्लेक्स वार्तालाप एआई सिस्टम का मूल्यांकन करता है’ (ईडी)
