जिस बाधा ने क्षेत्र को परिभाषित किया, वह बस लागू होना बंद हो गई।

बीस वर्षों तक, क्या हम अपने डेटा पर तर्क खनन कर सकते हैं? का उत्तर एक और प्रश्न था: आप कितने हजारों दस्तावेजों को पहले हाथ से एनोटेट करने के लिए तैयार हैं, और दिशा-निर्देश कौन लिखेगा?

यह कोई तकनीकी विवरण नहीं था। यह वह कारण था कि तर्क खनन अनुसंधान प्रयोगशालाओं में ही रहा जबकि भावना विश्लेषण हर उत्पाद में शामिल हो गया। एनोटेशन की आवश्यकता ने प्रत्येक नए क्षेत्र को एक परियोजना बना दिया न कि एक कॉन्फ़िगरेशन, और जैसा कि इस श्रृंखला में दूसरा पोस्ट ने वर्णित किया, दिशानिर्देश स्वयं विशेषज्ञों के बीच भी विवादित थे।

फिर सामान्य-उद्देश्य भाषा मॉडल आए और यह सवाल पूछना बंद हो गया। आप अब किसी मीटिंग ट्रांसक्रिप्ट को एक ऐसे क्षेत्र में इंगित कर सकते हैं जिसे कभी भी एनोटेट नहीं किया गया है और एक उपयोगी पहली पास प्राप्त कर सकते हैं। यदि आपने कभी सोचा है कि यह क्षमता अचानक उत्पादों में क्यों आई, न कि धीरे-धीरे, तो यही कारण है।

जीरो-शॉट ही पूरी कहानी है

विशिष्ट चीज जो बदली है वह है डोमेन-विशिष्ट पर्यवेक्षण का हटना। एक प्रॉम्प्टेड मॉडल भाषा के साथ एक सामान्य क्षमता लाता है और उसे बताया जा सकता है कि एक दावा क्या है और एक पूर्वधारणा क्या है, प्रॉम्प्ट में, अनुमान के समय।

संबंध-आधारित तर्क खनन पर प्रकाशित कार्य ने सामान्य-उद्देश्य वाले मॉडलों को पाया है, जिनमें कुछ-शॉट प्रॉम्प्टिंग कई डेटा सेटों में फाइन-ट्यून किए गए एन्कोडर बेंचमार्क के साथ प्रतिस्पर्धा कर रही है — और कुछ मामलों में उनसे आगे भी। एक ऐसे क्षेत्र के लिए जिसकी पूरी मूल्यांकन प्रणाली एनोटेटेड कॉर्पोरा के खिलाफ सुपरवाइज्ड ट्रेनिंग पर आधारित थी, यह एक वास्तविक विघटन है।

तीन व्यावहारिक परिणाम निकलते हैं। डोमेन अनुकूलन पुनः प्रशिक्षण के बजाय प्रॉम्प्ट-स्विचिंग बन जाता है। लंबे दस्तावेज़ प्रबंधनीय हो जाते हैं, क्योंकि संदर्भ विंडो बढ़ गई हैं। और साक्ष्य क्षेत्र एक व्याख्या ले जा सकता है, क्योंकि मॉडल से उसी कॉल में अपने आप को सही ठहराने के लिए कहा जा सकता है — जो कि सुनने में जितना लगता है उससे अधिक महत्वपूर्ण साबित होता है।

तीन समस्याएँ जो नहीं हिलीं

पिछले पोस्ट में सब कुछ अभी भी लागू होता है, और यह स्पष्ट होना महत्वपूर्ण है कि क्यों पैमाना इनमें से किसी का समाधान नहीं करता है।

• क्लास असंतुलन लेखन की एक विशेषता है, प्रशिक्षण की नहीं। मामले का निर्माण करने वाले लोग ज्यादातर सहायक वाक्य लिखते हैं। एक मॉडल जिसने पूरे इंटरनेट को पढ़ा है, उसने ज्यादातर सहमति भी पढ़ी है।
• संदर्भ निर्भरता कार्य की एक विशेषता है। समर्थन और हमले संबंध हैं, वाक्य के गुण नहीं। एक अलग माता-पिता के तहत वही वाक्य एक अलग लेबल रखता है, और दुनिया के ज्ञान की कोई मात्रा इसे नहीं बदलती।
• अप्रकट वारंट पाठ की एक संपत्ति है। यदि साक्ष्य को निष्कर्ष से जोड़ने वाला सिद्धांत कभी लिखा नहीं गया, तो यह इनपुट में नहीं है। एक बड़ा मॉडल उसी अनुपस्थित वाक्य को पढ़ता है।

एक चौथा, अधिक सूक्ष्म है। एक धाराप्रवाह मॉडल धाराप्रवाह आउटपुट उत्पन्न करता है, इसलिए इसकी गलतियाँ अच्छी तरह से वाक्यबद्ध और आंतरिक रूप से संगत होती हैं। एक एन्कोडर से गलत संबंध लेबल शोर की तरह दिखता है। एक भाषा मॉडल से गलत संबंध लेबल एक तर्क की तरह दिखता है।

क्या मदद: पहले यह क्यों कहता है

इन मॉडलों के साथ उपलब्ध सबसे विश्वसनीय सुधार लगभग शर्मनाक रूप से सरल है। लेबल से पहले तर्क मांगें।

एक मॉडल को यह लिखने की आवश्यकता होना कि एक योगदान अपने माता-पिता के लिए क्या करता है - यह ऊपर दिए गए आपत्ति को मजबूत करता है, क्योंकि यह उस आपत्ति के लिए एक और कारण प्रदान करता है - समर्थन या हमले के निर्णय पर प्रतिबद्ध होने से पहले यह निर्णय को मापने योग्य रूप से सुधारता है। लिखित चरण माता-पिता के संबंध को मॉडल के कार्यशील संदर्भ में मजबूर करता है, जो कि वाक्य के शब्दों द्वारा प्रदान की गई जानकारी की ठीक वही कमी है।

यह एक पूरी तरह से मानव तकनीक का मशीन संस्करण है। यही कारण है कि स्टीलमैनिंग काम करता है: यह बताना कि एक तर्क वास्तव में क्या कर रहा है, उसे आंकने से पहले, निर्णय को बदल देता है।

क्या तर्क खनन का समाधान हो गया है?

नहीं, और जो बचा है उसकी आकृति अब पहले से कहीं अधिक स्पष्ट है।

व्यवहारिक रूप से जो हल हुआ है, वह है पहुंच। आज कोई भी संगठन अपने स्वयं के पाठ पर बिना किसी एनोटेशन कार्यक्रम के तर्क खनन चला सकता है, जो कुछ साल पहले असंभव था। यह एक वास्तविक और बड़ा परिवर्तन है।

जो हल नहीं हुआ है वह संरचना है: कौन सा योगदान किसका उत्तर देता है, और किस दिशा में, जब जोड़ने वाला सिद्धांत स्पष्ट नहीं है और डेटा ने सभी को - मानव और मशीन - सहमति की अपेक्षा करने के लिए प्रशिक्षित किया है। ईमानदार स्थिति यह है कि निष्कर्ष अब किसी भी क्षेत्र में एक अच्छा मसौदा उत्पन्न करता है, और एक व्यक्ति को अभी भी असहमतियों की जांच करनी होती है। यह श्रम का एक काफी बेहतर विभाजन है बनिस्बत उस स्थिति के जहां कोई भी संरचना का निर्माण नहीं करता।

इसका सही उपयोग कैसे करें

• आत्मविश्वास के आधार पर रैंक न करें। यह निष्कर्ष निकालने की निश्चितता को मापता है, महत्व को नहीं, और यह प्रणालीगत रूप से दावों की तुलना में साक्ष्य को बढ़ावा देता है।
• रिश्ते के बारे में पूछें, भावना के बारे में नहीं। उपयोगी सवाल यह है कि यह इसके माता-पिता पर क्या प्रभाव डालता है — कभी भी यह विषय के बारे में कैसा महसूस करता है।
• इसे देने से पहले लेबल को सही ठहराएं। लिखित तर्क वह है जो माता-पिता के संबंध को संदर्भ में रखता है, और यहीं आप गलतियाँ पकड़ते हैं।
• अपने समीक्षा समय को असहमतियों पर व्यतीत करें। यही वह स्थान है जहाँ मॉडल सबसे कमजोर होते हैं और जहाँ निर्णय का मूल्य केंद्रित होता है।

एक बेहतर मसौदा, न कि एक निर्णय

जो बाधा तर्क खनन को प्रयोगशाला में रखती थी, वह चली गई है, और यह वापस नहीं आएगी। यह स्पष्ट रूप से समझने लायक है: यह एक शोध तकनीक और कुछ ऐसा है जिसे आप अपनी बैठकों में दिखा सकते हैं।

लेकिन 1958 में जो समस्याएँ कठिन थीं, वे अब भी कठिन हैं। वारंट अभी भी अप्रकाशित है, असहमति अभी भी दुर्लभ है, और लेबल अभी भी अभिभावक पर निर्भर करता है न कि वाक्यांश पर। जो बदला है वह यह है कि किसे समस्या होती है — जो कि एक क्षेत्र के लिए जिसने अंकेक्षक के लिए बीस साल इंतजार किया, यह पर्याप्त बदलाव है।

तर्क खनन श्रृंखला

पाँच पोस्ट इस बारे में कि मशीनों ने तर्क पढ़ना कैसे सीखा — यह क्षेत्र कहाँ से आया, इसके कठिन समस्याएँ कठिन क्यों हैं, और हम इसे कैसे लागू करते हैं।