मेटा टीम का अनुसरण: सरलीकृत तर्क श्रृंखला ने AI की सटीकता में महत्वपूर्ण सुधार लाया

हाल ही में, मेटा के FAIR टीम और जेरूसलम के हिब्रू विश्वविद्यालय के शोधकर्ताओं ने एक नई अध्ययन जारी की है जो बड़े भाषा मॉडल के अनुमान लगाने के समय को कम करने से उनके जटिल तर्क प्रदर्शन में सुधार हो सकता है, इस बात को साबित करती है। शोध के परिणाम बताते हैं कि छोटे अनुमान श्रृंखला का उपयोग करने वाले AI मॉडलों की सटीकता 34.5% बढ़ गई है, जो वर्तमान AI उद्योग के परिकल्पनाओं को चुनौती देता है।

इमेज का स्रोत: AI द्वारा उत्पन्न इमेजें, MidJourney से लाइसेंस दिया गया है

इस अध्ययन में, लेखकों ने सुझाव दिया है कि लंबे तर्क श्रृंखला का उपयोग आवश्यक नहीं है और यह कंप्यूटिंग संसाधनों को बर्बाद कर सकता है। पहले, कई कंपनियाँ विस्तृत चरणों के माध्यम से AI को जटिल समस्याओं को हल करने के लिए कंप्यूटिंग क्षमता को बढ़ाने के लिए बहुत भारी निवेश किया। हालांकि, यह अध्ययन बताता है कि छोटे तर्क प्रक्रियाएं सटीकता में सुधार करती हैं और इसके साथ ही कंप्यूटिंग लागत को भी बहुत सारी तरफ से कम करती हैं।

शोध टीम ने "short-m@k" नामक एक नया तरीका प्रस्तुत किया है, जो कई तर्क प्रयासों को समान समय में चलाता है और कुछ प्रक्रियाओं के बाद तुरंत कंप्यूटेशन को बंद कर देता है। इन छोटे तर्क श्रृंखलाओं में से बहुमत मत के माध्यम से अंतिम उत्तर का चयन किया जाता है। परिणाम बताते हैं कि यह तरीका कंप्यूटिंग संसाधनों को तकनीकी रूप से 40% तक कम कर सकता है जबकि प्रदर्शन में कमी नहीं होती है। यह दृष्टिकोण AI अनुमान लगाने के प्रणालियों को तैनात करने वाली संगठनों के लिए महत्वपूर्ण रहेगा, जो कि महान की बचत की सुविधा देगा।

इसके अलावा, अध्ययन में पाया गया कि AI मॉडल के प्रशिक्षण के दौरान छोटे तर्क उदाहरणों का उपयोग AI प्रदर्शन में आर्थिक सुधार करता है। यह पहले की परिकल्पनाओं के साथ विरोधाभासी है जो लंबे तर्क प्रशिक्षण के साथ बेहतर प्रदर्शन होता है। वास्तव में, छोटे प्रशिक्षण उदाहरणों का उपयोग बेहतर परिणाम देता है।

AI उद्योग में, कंपनियाँ अक्सर अधिक शक्तिशाली मॉडलों को तैनात करने की दिशा में बढ़ रही हैं, जो आमतौर पर बहुत बड़ी मात्रा में कंप्यूटिंग संसाधनों की आवश्यकता होती है। इस अध्ययन के परिणाम ने तकनीकी निर्णय लेने वालों को LLMs (बड़े भाषा मॉडल) के परीक्षण के दौरान का कंप्यूटेशन तरीका पर फिर से सोचने के लिए प्रेरित किया है। शोध बताता है कि लंबे समय तक "सोचना" अपरिवर्तनशील प्रदर्शन को बढ़ावा नहीं देता है बल्कि इससे परिणामों में कमी हो सकती है।

यह शोध परिणाम तकनीकी विशाल गणितीय उद्योगों के लिए महत्वपूर्ण है, जो कंप्यूटेशनल लागतों को कम करने और प्रदर्शन में सुधार करने की दिशा में है। उद्योग के विस्तार के समय, AI को सरलता से सोचने सिखाना कंप्यूटेशनल संसाधनों को बचाता है और इंटेलिजेंस स्तर को बढ़ाता है। अंत में, कृत्रिम बुद्धि भी "थोड़ा सोचना" के पुराने ज्ञान का लाभ उठाती है।

महत्वपूर्ण बिंदु:  

🌟 अध्ययन बताता है कि तर्क श्रृंखला को सरल करने से AI मॉडल की सटीकता 34.5% बढ़ जाती है।  

💡 नया तरीका "short-m@k" 40% कंप्यूटेशनल लागत को कम कर सकता है।  

📈 छोटे तर्क उदाहरणों के साथ प्रशिक्षण AI प्रदर्शन को बढ़ाता है, पहले के परिकल्पनाओं को चुनौती देता है।