Apple के शोधकर्ताओं ने AI को बिना असली ऐप के ऐप्स का अभ्यास करना सिखाया
एक नई तकनीक AI एजेंटों को सॉफ्टवेयर कॉल करना सीखने देती है दूसरे AI के अंदर पूरे वातावरण का अनुकरण करके, जो मददगार AI सहायकों को बनाने में सबसे बड़ी बाधाओं में से एक को कम करती है।
मुख्य बिंदु
- Apple ML Research ने 2025 में एक विधि प्रकाशित की है जो AI एजेंटों को सॉफ्टवेयर टूल्स का उपयोग करना सिखाती है बिना उस सॉफ्टवेयर के लाइव, काम करने वाले संस्करण की आवश्यकता के।
- यह तकनीक एक बड़े भाषा मॉडल का उपयोग करती है, जो ChatGPT और Claude जैसे चैटबॉट्स के पीछे की तकनीक है, एक नकली वातावरण के रूप में कार्य करने के लिए जहां सीखने वाला एजेंट अभ्यास करता है।
- API-कॉल करने वाले एजेंटों को बनाने के लिए वर्तमान दृष्टिकोण, सॉफ्टवेयर जो आपकी ओर से ऐप्स और सेवाओं को संचालित कर सकता है, वास्तविक डेटाबेस पर निर्भर करता है जो यथार्थवादी डेटा से भरे होते हैं, जो बनाने में धीमा और महंगा होता है।
- नई विधि केवल एक API का लिखित विवरण की आवश्यकता होती है, जिसे आवेदन प्रोग्रामिंग इंटरफेस कहा जाता है, नियमों का समूह जो एक सॉफ्टवेयर को दूसरे से बात करने देता है।
किसी को कैश रजिस्टर का उपयोग करना सिखाने की कल्पना करें बिना उन्हें कभी असली तिजोरी दिए। आप बताते हैं कि यह कैसे काम करता है, और एक सहकर्मी मशीन की भूमिका निभाता है, असली चीज़ के रूप में जवाब देता है। यह मोटे तौर पर वही है जो Apple ML Research ने AI के लिए किया है, लेकिन सहकर्मी भी एक AI है।
एक ऐसा AI एजेंट बनाना जो सॉफ्टवेयर टूल्स का उपयोग कर सके, उड़ान की बुकिंग करना, डेटाबेस को क्वेरी करना, आपकी ओर से एक संदेश भेजना, वर्तमान में हजारों काम के उदाहरणों की आवश्यकता होती है। प्रत्येक उदाहरण एजेंट और एक वास्तविक चलने वाले एप्लिकेशन के बीच एक दर्ज किया गया आगे-पीछे होता है, जिसमें यथार्थवादी नकली ग्राहक, ऑर्डर और इतिहास लोड होता है। उस डेटा को बड़े पैमाने पर बनाने में भारी प्रयास लगता है।
Apple का दृष्टिकोण समस्या को पूरी तरह से दरकिनार करता है। सिर्फ एक API विशिष्टता दी गई है, एक दस्तावेज़ जो वर्णन करता है कि एक सॉफ्टवेयर क्या कर सकता है और इसे कैसे पूछना है, सिस्टम तुरंत एक सिम्युलेटेड वातावरण बनाता है। एक दूसरा बड़ा भाषा मॉडल आवेदन की भूमिका निभाता है, वास्तविक समय में प्रशंसनीय प्रतिक्रियाओं का आविष्कार करता है। सीखने वाला एजेंट इस विकल्प के विरुद्ध अभ्यास करता है, बिना एक भी असली सर्वर के कौशल तैयार करता है।
यह मायने रखता है क्योंकि आज की बाधा AI ही नहीं है। यह डेटा पाइपलाइन है। शोधकर्ताओं को काम करने वाले परीक्षण वातावरण बनाने होंगे, उन्हें विश्वसनीय डमी डेटा से भरना होगा, और एजेंट को वास्तविक उपयोगकर्ता की मदद करने के लिए तैयार होने से पहले हजारों सिम्युलेटेड कार्यों को चलाना होगा। वह प्रक्रिया सीमित करती है कि कितनी जल्दी नए सक्षम एजेंट बनाए जा सकते हैं।
वातावरण-मुक्त विधि उस प्रक्रिया के अर्थशास्त्र को बदल सकती है। डेवलपर्स को केवल दस्तावेज़ की आवश्यकता होगी जो सॉफ्टवेयर निर्माता पहले से ही प्रकाशित करते हैं, महीनों लंबे डेटा-संग्रह प्रयास को कुछ अधिक तेज़ में बदल देते हैं।
यह उन लोगों के लिए क्या मायने रखता है जो AI सहायकों का उपयोग करते हैं?
साधारण उपयोगकर्ताओं के लिए, बेहतर-प्रशिक्षित एजेंट का मतलब है कि जब AI आपकी ओर से कुछ बुक करने, खोज करने या प्रबंधित करने की कोशिश करता है तो कम निराशाजनक गलतियां होती हैं। यदि एजेंटों को कई अलग-अलग ऐप्स में सस्ते में प्रशिक्षित किया जा सकता है, तो वे जो कार्य विश्वसनीय रूप से संभालते हैं उनकी श्रृंखला बढ़नी चाहिए।
यह कार्य प्रारंभिक चरण का अनुसंधान है, और Apple ML Research ने इस पर बनाया गया कोई उत्पाद घोषित नहीं किया है। वास्तविक-विश्व प्रदर्शन को स्वतंत्र परीक्षण की आवश्यकता होगी इससे पहले कि कोई यह कह सके कि सिम्युलेटेड प्रशिक्षण वास्तविक एप्लिकेशन में कितनी अच्छी तरह स्थानांतरित होता है। लेकिन अंतर्निहित विचार, बिना एक लाइव वातावरण की आवश्यकता के एक AI का उपयोग दूसरे को सिखाने के लिए, क्षेत्र में एक वास्तविक, अच्छी तरह से दस्तावेज़ित समस्या का एक स्वच्छ समाधान है।
