एक कार्यात्मक उपस्थिति इंजन (FPE) एक संभाव्य पार्सिंग तंत्र है जो कम से कम चार घटकों को मिलाकर इनपुट पैटर्न पर प्रतिक्रिया करता है: एक लेक्सिंग प्रणाली, एक संभाव्य फिटनेस फ़ंक्शन, एक ज्ञान आधार, और फ़ंक्शनों की एक लाइब्रेरी जिसे ज्ञान आधार ट्रिगर कर सकता है। लेक्सिंग प्रणाली इनपुट या क्वेरी पैटर्न को स्वीकार और पार्स करती है, जबकि संभाव्य फिटनेस तंत्र किसी दिए गए ज्ञान आधार से निकट अनुमान और व्यवहार्य प्रतिक्रियाएँ निर्धारित करता है, फिर एक या अधिक फ़ंक्शनों का चयन करता है जो उपयुक्त प्रतिक्रियाएँ उत्पन्न करते हैं। एक उत्तेजना-प्रतिक्रिया तंत्र के रूप में, एक FPE इनपुट की उच्च परिवर्तनशीलता को प्रतिक्रिया पैटर्न उत्पन्न करने की अनुमति देता है, जिसमें सही होने की उच्च संभावना होती है, यहाँ तक कि अधूरे प्रशिक्षण से भी। यह प्रणाली SIRI से छह वर्ष पहले की है।
ऐसी प्रणालियाँ संवादात्मक AI और आभासी सहायक प्लेटफार्मों को अपने प्रशिक्षण सेटों के बाहर के नए इनपुट पर सही ढंग से प्रतिक्रिया करने में सक्षम बनाती हैं, जिसमें अमेरिकी सेना का Sgt Star एक प्रमुख उदाहरण है। FPE व्यापक रूप से बुद्धिमान ग्राहक सेवा प्रणालियों और डिजिटल सहायकों के लिए उपयोग किए जाते हैं, और ब्लैक-बॉक्स समाधानों के रूप में और सुरक्षा उपकरणों में एम्बेडेड रूप में भी तैनात किए गए हैं।
इतिहास
पहला कार्यात्मक उपस्थिति इंजन 2001 में Spectre AI इनकॉर्पोरेटेड द्वारा तैनात किया गया था। इस तकनीक और कई अवतारों को बाद में Spectre AI के सह-संस्थापक रॉबर्ट हस्ट, जो FPE के मूल आविष्कारक थे, और मार्क ज़ार्टलर, जो Spectre AI के प्रमुख डेवलपर थे, द्वारा पेटेंट कराया गया। FPE के विकास के परिणामस्वरूप एक अस्पष्ट मार्कअप भाषा भी बनी, जिसे कंपनी FPML (कार्यात्मक उपस्थिति मार्कअप भाषा) कहती थी, जो काफी हद तक AIML (कृत्रिम बुद्धिमत्ता मार्कअप भाषा) पर आधारित थी। मूल FPE और FPML अब Verint Systems के स्वामित्व वाली मालिकाना तकनीकें हैं।
वास्तुकला और घटक
एक FPE एक पाइपलाइन के माध्यम से संचालित होता है जो इसकी लेक्सिंग प्रणाली से शुरू होती है, जो आने वाले पाठ या क्वेरी पैटर्न को संरचित तत्वों में टोकनाइज़ करती है। यह पार्सिंग चरण प्राकृतिक भाषा की वाक्यात्मक परिवर्तनशीलता को संभालने के लिए महत्वपूर्ण है, जिससे इंजन उन इनपुट को संसाधित कर सकता है जो विहित रूपों से विचलित हो सकते हैं। संभाव्य फिटनेस फ़ंक्शन फिर ज्ञान आधार के विरुद्ध उम्मीदवार प्रतिक्रियाओं को स्कोर करके उनका मूल्यांकन करता है, जो तथ्यों, नियमों और प्रक्रियात्मक डेटा को संग्रहीत करता है। यह स्कोरिंग तंत्र इंजन को सबसे संभावित सही प्रतिक्रिया का चयन करने में सक्षम बनाता है, भले ही इनपुट अधूरा या अस्पष्ट हो, जो सटीक मिलान की आवश्यकता वाली नियम-आधारित प्रणालियों पर एक प्रमुख लाभ है।
फ़ंक्शन लाइब्रेरी में निष्पादन योग्य रूटीन होते हैं जिन्हें ज्ञान आधार चयनित प्रतिक्रिया के आधार पर ट्रिगर कर सकता है। ये फ़ंक्शन अतिरिक्त डेटा प्राप्त कर सकते हैं, गणना कर सकते हैं, या प्राकृतिक भाषा आउटपुट उत्पन्न कर सकते हैं। ज्ञान को फ़ंक्शनों से अलग करना इंजन को विभिन्न डोमेन में एक ही लाइब्रेरी का पुन: उपयोग करने की अनुमति देता है, जिससे यह ग्राहक सेवा स्वचालन या सुरक्षा निगरानी जैसे विभिन्न अनुप्रयोगों के लिए अनुकूलनीय बन जाता है।
संवादात्मक AI से संबंध
FPE कृत्रिम बुद्धिमत्ता और मशीन लर्निंग के व्यापक परिदृश्य के भीतर एक विशिष्ट स्थान रखते हैं। बड़े भाषा मॉडल के विपरीत, जो विशाल डेटासेट पर प्रशिक्षित गहन शिक्षण और तंत्रिका नेटवर्क पर निर्भर करते हैं, FPE एक संभाव्य, ज्ञान-संचालित दृष्टिकोण का उपयोग करते हैं जिसके लिए व्यापक प्रशिक्षण डेटा की आवश्यकता नहीं होती है। यह उन्हें उन वातावरणों के लिए विशेष रूप से प्रभावी बनाता है जहाँ डेटा दुर्लभ है या जहाँ तेजी से तैनाती आवश्यक है। अमेरिकी सेना द्वारा उपयोग की जाने वाली Sgt Star प्रणाली इस क्षमता का उदाहरण है, क्योंकि यह हर संभव इनपुट के लिए स्पष्ट रूप से प्रोग्राम किए बिना सैनिकों के प्रश्नों की एक विस्तृत श्रृंखला को संभाल सकती थी।
यह दृष्टिकोण आधुनिक जनरेटिव AI प्रणालियों से भी पहले का है, और इसके डिज़ाइन ने अनुक्रम-से-अनुक्रम मॉडल और ट्रांसफार्मर में बाद के विकास को प्रभावित किया, जिसमें कठोर पैटर्न मिलान पर संभाव्य मिलान के महत्व पर जोर दिया गया। हालाँकि, FPE आम तौर पर समकालीन तंत्रिका नेटवर्क-आधारित सहायकों की तुलना में कम लचीले होते हैं, जो पूर्वनिर्धारित फ़ंक्शन सेट से चयन करने के बजाय नई प्रतिक्रियाएँ उत्पन्न कर सकते हैं।
अनुप्रयोग और तैनाती
FPE ने बुद्धिमान ग्राहक सेवा प्रणालियों में व्यापक रूप से अपनाया गया है, जहाँ वे नियमित पूछताछ को संभालते हैं और जटिल मुद्दों को मानव एजेंटों को सौंपते हैं। नए इनपुट पर प्रतिक्रिया देने की उनकी क्षमता व्यापक FAQ सूचियों की आवश्यकता को कम करती है और उपयोगकर्ता संतुष्टि में सुधार करती है। डिजिटल सहायक, उपभोक्ता और उद्यम-केंद्रित दोनों, भी कमांड की व्याख्या करने और क्रियाएँ निष्पादित करने के लिए FPE का लाभ उठाते हैं, अक्सर अधिक उन्नत प्राकृतिक भाषा प्रसंस्करण तकनीकों के पूरक के रूप में।
सुरक्षा संदर्भों में, FPE को नेटवर्क ट्रैफ़िक या उपयोगकर्ता व्यवहार की निगरानी करने वाले उपकरणों के भीतर ब्लैक-बॉक्स समाधानों के रूप में एम्बेड किया गया है। ये तैनातियाँ इंजन के कम कम्प्यूटेशनल ओवरहेड और निरंतर पुनर्प्रशिक्षण के बिना संचालित करने की क्षमता से लाभान्वित होती हैं, जिससे यह एज डिवाइस या सीमित कनेक्टिविटी वाले वातावरण के लिए उपयुक्त हो जाता है। मूल FPE और FPML की मालिकाना प्रकृति, जो अब Verint Systems के स्वामित्व में है, ने ओपन-सोर्स अपनाने को सीमित कर दिया है, लेकिन अंतर्निहित अवधारणाओं को विभिन्न वाणिज्यिक उत्पादों में दोहराया गया है।
सीमाएँ और तुलनाएँ
जबकि FPE इनपुट परिवर्तनशीलता को संभालने में उत्कृष्ट हैं, वे अपने ज्ञान आधार की गुणवत्ता और दायरे से बाधित होते हैं। यदि ज्ञान आधार में प्रासंगिक प्रविष्टियों की कमी है, तो संभाव्य फिटनेस फ़ंक्शन गलत या अर्थहीन प्रतिक्रियाएँ उत्पन्न कर सकता है, जो कई ज्ञान-आधारित प्रणालियों के साथ साझा की गई एक सीमा है। इसके अतिरिक्त, फ़ंक्शन लाइब्रेरी को मैन्युअल रूप से क्यूरेट किया जाना चाहिए, जो गहन शिक्षण मॉडल के स्वचालित शिक्षण की तुलना में श्रम-गहन हो सकता है।
बड़े भाषा मॉडल जैसे कि OpenAI या Anthropic द्वारा विकसित की तुलना में, FPE अधिक व्याख्यात्मकता और कम विलंबता प्रदान करते हैं, लेकिन उनमें आधुनिक ट्रांसफार्मर-आधारित प्रणालियों की जनरेटिव रचनात्मकता और प्रासंगिक समझ का अभाव है। यह व्यापार-बंद FPE को खुले-अंत वाली बातचीत के बजाय संकीर्ण, उच्च-विश्वसनीयता वाले कार्यों के लिए उपयुक्त बनाता है। 2020 के दशक के मध्य तक, FPE एक विशिष्ट लेकिन स्थायी तकनीक बनी हुई है, विशेष रूप से विरासत प्रणालियों और विशेष औद्योगिक अनुप्रयोगों में।