Cloudflare ने दस्तावेज़ों से निर्दिष्ट फ़ील्ड के मान निकालने वाला AI मॉडल “Clairic” अपने AI एक्ज़ीक्यूशन प्लेटफ़ॉर्म Workers AI पर प्रीव्यू में जारी किया है। उपयोगकर्ता जब ऑर्डर नंबर या बिल की रकम जैसे फ़ील्ड के नाम बताते हैं, तो यह मॉडल तय फ़ॉर्मैट में मान और भरोसे का स्तर लौटाता है। ओपन वेट्स (मॉडल के वेट डेटा) भी जल्द जारी किए जाने वाले हैं, और इसे LLM के साथ मिलाकर इस्तेमाल करने के उदाहरण भी दिखाए गए हैं।
पाठ लिखने वाला AI नहीं, फ़ील्ड पहचानने वाला AI
जनरेटिव AI की बात आते ही कई लोगों के मन में ऐसा सिस्टम आता है जो धाराप्रवाह पाठ लिखता है। लेकिन Clairic का स्वभाव लगभग इसके उलट है। इसका काम “बिल से कुल रकम निकालना” या “ईमेल में ऑर्डर नंबर ढूँढ़ना” जैसे तय फ़ील्ड निकालने तक सीमित है।
इसकी कार्यप्रणाली भी खास है। सामान्य LLM पाठ को एक-एक शब्द (टोकन के आधार पर) जोड़ते हुए आउटपुट देते हैं, लेकिन Clairic इस तरह पाठ जनरेट नहीं करता। इसके बजाय, यह एक ही प्रक्रिया में बताए गए सभी फ़ील्ड के जवाब देता है। अगर दस्तावेज़ में संबंधित मान मौजूद न हो, तो यह “null” (कोई मिलान नहीं) लौटाता है। यानी यह जबरन जवाब गढ़ने की कोशिश नहीं करता, जो इसे व्यावहारिक इस्तेमाल के लिए उपयुक्त बनाता है।
कहा गया है कि यह सिर्फ़ जानकारी निकालने ही नहीं, बल्कि आसान गणनाओं, अनुमानों और पूर्वानुमानों में भी सक्षम है। दूसरे शब्दों में, Clairic को पाठ लिखने वाले की बजाय बिखरी हुई जानकारी को उपयोगी रूप में व्यवस्थित करने वाले “तैयारी के सहायक” के तौर पर समझना आसान होगा।
ग्राहक की पूछताछ में अलग-अलग मॉडल की अलग भूमिका
Cloudflare ने इसके इस्तेमाल का जो उदाहरण दिया है, वह काफ़ी विचारोत्तेजक है। इसमें ग्राहक की शिकायत वाला ईमेल लिया गया है। सबसे पहले Clairic ईमेल से ऑर्डर नंबर, रकम और नुकसान की स्थिति निकालता है, और मरम्मत का खर्च आँकता है।
इसके बाद निर्णय लेने वाले मॉडल “Clef” की बारी आती है। यह कंपनी के आंतरिक नियमों के आधार पर तय करता है कि रिफ़ंड दिया जाए या मरम्मत कराई जाए। अंत में, LLM GLM-5.3 ग्राहक को भेजे जाने वाले जवाब का मसौदा लिखता है।
यहाँ दिलचस्प बात यह है कि सारा काम एक ही विशाल मॉडल को नहीं सौंपा गया है। इसे किसी कार्यस्थल से तुलना करें, तो यह ऐसी टीम व्यवस्था के करीब है जिसमें रिसेप्शन का कर्मचारी जानकारी व्यवस्थित करता है, निर्णय लेने वाला व्यक्ति नीति तय करता है और लिखने में कुशल व्यक्ति जवाब तैयार करता है। Cloudflare तेज़ी से काम करने वाले ऐसे छोटे मॉडलों के समूह को “System One” मॉडल कहता है। कंपनी की कल्पना इन्हें LLM के साथ जोड़कर, एक के बाद एक काम में लगाने की है।
मेरे विचार से, यही सोच इस घोषणा का सबसे अहम पहलू है। AI अपनाने की बात आते ही अक्सर ध्यान “सबसे बुद्धिमान मॉडल में से एक चुनने” पर चला जाता है। लेकिन जब काम को हिस्सों में बाँटकर देखें, तो हर जगह पूरी बुद्धिमत्ता लगाने की ज़रूरत नहीं होती। अलग-अलग भूमिकाओं के लिए अलग उपकरण इस्तेमाल करने की यह रूपरेखा भविष्य के व्यावसायिक AI का मानक बन सकती है।
गति के आँकड़े बताते हैं कि काम बाँटने से क्या फ़ायदा होता है
अब उन आँकड़ों पर नज़र डालें जो जानने लायक हैं। Cloudflare की तुलना के मुताबिक, पहले बताए गए तीन चरणों वाली प्रक्रिया में 19.3 सेकंड लगे। वहीं, उन्हीं तीनों चरणों को सिर्फ़ GLM-5.3 से पूरा करने में 61.7 सेकंड लगे और लागत भी लगभग दोगुनी रही।
हालाँकि, ये आँकड़े एक खास प्रक्रिया के उदाहरण पर आधारित हैं। हर तरह के काम में इतना ही अंतर आएगा, यह ज़रूरी नहीं। इन्हें सिर्फ़ इस बात के संकेत के रूप में लेना उचित होगा कि “काम बाँटने से इतना फ़र्क पड़ सकता है।” फिर भी, समय में तीन गुने से ज़्यादा का अंतर इस बात पर विचार करने की वजह देता है कि प्रक्रिया को अलग-अलग हिस्सों में बाँटने का क्या महत्व है।
सीमाएँ भी स्पष्ट रूप से बताई गई हैं। Clairic अभी लंबे क्रम में की जाने वाली गणनाओं को भरोसेमंद ढंग से संभालने में सक्षम नहीं है। कहा गया है कि फिलहाल ऐसे काम डेवलपर को अपने कोड से करने होंगे।
इसके बावजूद, ऐसी दुनिया व्यावहारिक कार्यस्थलों के लिए आकर्षक है जहाँ विशेषज्ञ मॉडल अपने पसंदीदा काम तेज़ी से और कम खर्च में करते हों। बिलों की प्रक्रिया और ग्राहक पूछताछ के जवाब जैसे रोज़ बड़ी संख्या में आने वाले नियमित कामों में, काम बाँटने के फ़ायदे और भी ज़्यादा होंगे। LLM को सिर्फ़ वही काम करने दिए जाएँ जो केवल LLM कर सकते हैं। Clairic इसी भविष्य की एक झलक दिखाता है।
コメント