विश्वसनीय एआई निर्णयों के लिए LLM और औपचारिक सॉल्वर का संयोजन

बड़े भाषा मॉडल (LLM) ने प्राकृतिक भाषा समझने, सहज उत्तर देने और ग्राहकों व कर्मचारियों के लिए बिल्कुल नए अनुभव संभव बनाने में असाधारण प्रगति की है. हालांकि, LLM स्वाभाविक रूप से संभाव्य होते हैं, इसलिए जटिल संख्यात्मक या तार्किक रीज़निंग में उनके उपयोग से यह सीमित भरोसा ही मिलता है कि परिणाम नियमों के अनुरूप या सर्वोत्तम होंगे. उदाहरण के लिए:

• एक प्रबंधक किसी एआई नियोजन सहायक से कहता है, “लागत कम रखते हुए अगले सप्ताह जितना संभव हो उतना माल भेजें,” और सिस्टम एक आक्रामक योजना देता है जो दक्ष दिखती है, लेकिन चुपचाप गोदाम की क्षमता पार कर देती है और डिलीवरी की गारंटी तोड़ती है.

• एक समन्वयक एआई सहायक से कहता है, “रात में रुकने की जरूरत और व्यवधान घटाने के लिए दलों को दोबारा तैनात करें,” और मॉडल कम लागत वाली ऐसी समय-सारणी बनाता है जो सर्वोत्तम दिखती है, लेकिन अनिवार्य कार्य-अवधि या विश्राम संबंधी सीमाओं का उल्लंघन करती है.

• वित्तीय संचालन का एक एआई सहायक कड़े क्षेत्रीय और जोखिम संबंधी प्रतिबंधों के तहत लेनदेन स्वीकृत करता है, लेकिन वह ऐसा मनगढ़ंत तर्क देकर संदिग्ध लेनदेन मंजूर कर देता है जो नियमों के अनुरूप लगता है, जबकि वास्तव में आंतरिक नीति का उल्लंघन करता है.

कड़ी परिचालन आवश्यकताओं वाले परिवेश में LLM को औपचारिक सॉल्वर के साथ जोड़ने से यह सुनिश्चित करने में मदद मिलती है कि प्राकृतिक भाषा से संचालित निर्णय निर्धारित सीमाओं में रहें और अव्यवहार्य, घटिया या नियम-विरुद्ध परिणामों से बचें.

हमारी अनुसंधान एवं विकास टीम एक ऐसे संकर दृष्टिकोण की पड़ताल कर रही है जो LLM की रचनात्मकता और लचीलेपन को Z3, Pyomo और OR-Tools जैसे औपचारिक गणितीय सॉल्वर की कठोरता, गारंटी और पारदर्शिता से जोड़ता है. हम इस क्षमता को उद्यम प्रौद्योगिकी तंत्र का मानक हिस्सा बनाने के लिए पुनः उपयोग योग्य औपचारिक एआई इंजन भी बना रहे हैं. यह मंच संगठनों को अपने मौजूदा सिस्टम से व्यावसायिक नियम सीधे लेने, उन नियमों के आधार पर निर्णयों की निरंतर पुष्टि करने और स्पष्ट सीमाओं के भीतर एआई एजेंट सुरक्षित रूप से तैनात करने में सक्षम बनाएगा.

हमारा लक्ष्य बड़े पैमाने पर निर्णय प्रक्रिया तेज करते हुए परिचालन जोखिम घटाना है. नेताओं को प्राकृतिक भाषा में दिए गए निर्देशों से तेज और नीति-अनुरूप निर्णय मिलते हैं, जबकि संगठन समय-सारणी, आपूर्ति-श्रृंखला संसाधन आवंटन, वित्तीय संचालन, नीति सत्यापन और यहां तक कि वीडियो या त्रिविमीय डिजाइन में तदर्थ बदलाव स्वचालित कर सकते हैं. अंतर्निहित सुरक्षा उपाय अव्यवहार्य, नियम-विरुद्ध या असुरक्षित परिणामों को उत्पादन तक पहुंचने से रोकते हैं.

रसद जैसे अनुकूलन प्रश्नों और तीन सार्वजनिक मानदंडों पर नियंत्रित प्रयोगों में हमारे संकर दृष्टिकोण ने लगातार ये विशेषताएं दिखाईं:

• अधिक सटीकता

• अधिक व्याख्येयता और लेखा-परीक्षण क्षमता

हमारा दृष्टिकोण “LLM सब कुछ करता है” वाले सामान्य प्रतिमान को उलटकर इस डिजाइन का पालन करता है:

यह दृष्टिकोण जिम्मेदारियां स्पष्ट रूप से अलग करता है: LLM प्राकृतिक भाषा से नियम और सीमाएं निकालते हैं, जबकि OR-Tools, Z3 और Pyomo जैसे नियतात्मक सॉल्वर अनुकूलन और सत्यापन संभालते हैं. परिणाम में दोनों दृष्टिकोणों की खूबियां मिलती हैं:

हमने अपने कुछ ग्राहकों के सामने आने वाली इस चुनौती से शुरुआत की:

परिचालन, नीति और लागत संबंधी सीमाओं को सख्ती से लागू करते हुए प्राकृतिक भाषा के अनुरोधों को वास्तविक समय के सर्वोत्तम संसाधन निर्णयों में बदलना.

यह चुनौती आधुनिक रसद और आपूर्ति श्रृंखलाओं के केंद्र में है, जिसमें कार्यबल समय-सारणी, परिसंपत्ति आवंटन, मार्ग निर्धारण, आपूर्ति नियोजन और क्षमता प्रबंधन शामिल हैं. यहीं भरोसेमंद प्रणालियां बनाने के लिए LLM और औपचारिक सॉल्वर को साथ काम करना जरूरी है. मूल्यांकन के लिए हमने 240 कृत्रिम प्रश्नों के साथ नियंत्रित परीक्षण परिदृश्य, डेटा स्रोत और सीमाएं तैयार कीं. उदाहरणों में शामिल हैं:

• रद्दीकरण के बाद मौजूदा समय-सारणी में संशोधन करें. लक्षित केंद्र को 24 दिसंबर 2025 तक पूरी आपूर्ति मिल जानी चाहिए. संभव हो तो पास के गोदाम से माल लेकर उसे एक निश्चित समेकन केंद्र से भेजें. आरंभ की सबसे पहली स्वीकार्य तारीख 14 दिसंबर 2025 है.

• अंतिम समय का अनुरोध: एक विशिष्ट अतिथि तीन घंटे में स्थान क पर पहुंचेगा. आवश्यक कर्मचारी दो घंटे में वहां होने चाहिए. मौजूदा समय-सारणी में न्यूनतम बदलाव करते हुए कर्मचारियों का आवंटन समायोजित करें.

इन प्रश्नों से स्पष्ट है कि सिस्टम को प्राकृतिक भाषा के अनुरोधों से कठोर और लचीली सीमाएं सीधे निकालकर विश्वसनीय ढंग से लागू करनी होंगी:

• कठोर सीमाओं पर समझौता नहीं हो सकता, जैसे आरंभ की सबसे पहली तारीख, अनुबंध की शर्तें और अधिकतम क्षमता. इनमें से किसी एक का भी उल्लंघन समाधान को अमान्य कर देता है.

• लचीली सीमाएं प्राथमिकताएं दर्शाती हैं, जैसे देरी और लागत घटाना तथा बदलाव सीमित रखना. लक्ष्य कठोर सीमाएं पार किए बिना अनुकूलन करना है.

इन अनुकूलन समस्याओं के कुछ पहलू पूरी तरह पहले से तय नहीं किए जा सकते. उन्हें संरचित व्यावसायिक तर्क, आंतरिक दस्तावेजों और परिचालन डेटा में पहले से निर्धारित सीमाओं व उद्देश्यों के साथ उपयोगकर्ता के अनुरोध से जानकारी लेकर गतिशील रूप से संयोजित करना पड़ता है.

इस परिवेश में विभिन्न तकनीकों का प्रदर्शन समझने के लिए हमने तीन दृष्टिकोण लागू किए और उनकी तुलना की.

1. शुद्ध LLM: सबसे सरल दृष्टिकोण में सभी प्रासंगिक डेटा और उपयोगकर्ता का प्राकृतिक भाषा अनुरोध एक ही LLM प्रॉम्प्ट को दिया जाता है, जिससे सर्वोत्तम योजना या आवंटन तैयार करने को कहा जाता है. यह छोटी या कम सीमाओं वाली समस्याओं में काम कर सकता है, लेकिन जटिलता बढ़ने पर विफल हो जाता है. मॉडल सीमाएं अनदेखी कर सकता है, गलत उद्देश्य को प्राथमिकता दे सकता है या ऐसी योजनाएं बना सकता है जो उचित लगती हैं पर अव्यवहार्य होती हैं, और विफलता पहचानने या रोकने का कोई भरोसेमंद तरीका नहीं होता.

2. LLM + कोड इंटरप्रेटर: इस दृष्टिकोण में LLM अनुरोध समझता है और डेटा स्रोतों तक पहुंचने व चलाने योग्य अनुकूलन कोड बनाने के लिए साधनों का उपयोग करता है. इससे लचीलापन और अवलोकनीयता बढ़ती है, लेकिन विश्वसनीयता अब भी समस्या बनी रहती है. LLM को फिर भी सीमाओं को सही कोड में बदलना पड़ता है और रीज़निंग या कोड की छोटी त्रुटियां भी अमान्य या घटिया परिणाम दे सकती हैं, खासकर सीमाएं बढ़ने पर.

3. संकर: LLM → संरचित सीमाएं → नियतात्मक सॉल्वर: तीसरा दृष्टिकोण जिम्मेदारियों को अलग करता है. LLM परिणाम का “निर्णय” कभी नहीं करता; वह चर, सीमाएं और उद्देश्य औपचारिक रूप देने में मदद करता है. एक प्रमाणित अनुकूलन सॉल्वर सीमाएं लागू करता है, व्यवहार्यता सुनिश्चित करता है और ऐसे परिणाम देता है जिनका सत्यापन और लेखा-परीक्षण किया जा सके. LLM की भूमिका पहले से तय स्कीमा का उपयोग करके प्राकृतिक भाषा के अनुरोधों को स्पष्ट, संरचित सीमाओं में बदलने तक सीमित है. वे सीमाएं OR-Tools जैसे सॉल्वर कोड में स्वतः संकलित होती हैं, जो नियतात्मक रूप से व्यवहार्य और सर्वोत्तम समाधान निकालता है.

हमने GPT-5, GPT-5.1 और GPT-5.2 सहित कई LLM से इन विधियों का परीक्षण किया. उम्मीद के अनुसार, संकर दृष्टिकोण ने विकल्पों से बेहतर प्रदर्शन किया:

हमारी संकर विधि सटीकता में उल्लेखनीय वृद्धि, टोकन दक्षता में चार गुना से अधिक सुधार और विलंबता में दस गुना कमी दिखाती है.

हमारा अगला कदम एक व्यापक और पुनः उपयोग योग्य अंतराफलक बनाना है, जो प्राकृतिक भाषा को संरचित अर्थगत निरूपण में बदले और हमारा पश्च-भाग उसे सॉल्वर के लिए तैयार कोड में बदल सके. इस प्रयोग में हमने रैखिक अनुकूलन समस्याओं पर ध्यान दिया और तीन सार्वजनिक डेटासेट (NLP4LP, NL4OPT और IndustryOR) के आधार पर दृष्टिकोण का मूल्यांकन किया.

1. स्वतंत्र LLM

2. संकर विधि (LLM → संरचित नियम → सॉल्वर → सत्यापित परिणाम)

• इनपुट से चर, सीमाएं और उद्देश्य निकालकर संरचित अनुकूलन समस्या तैयार करने के लिए LLM का उपयोग करें.

• स्व-सत्यापन के लिए संरचित समस्या और मूल अनुरोध LLM को दें.

• सर्वोत्तम आवंटन निकालने के लिए संरचित समस्या को OR-Tools कोड में बदलें.

हमने GPT-5.1, GPT-5 mini, GPT-5.1-Codex-Max और GPT-5.2 सहित मालिकाना अत्याधुनिक मॉडलों के साथ Kimi K2, GPT-OSS मॉडल और MiniMax M2 जैसे मुक्त-स्रोत मॉडलों का उपयोग करके इस दृष्टिकोण का मूल्यांकन किया. बॉक्स आलेख प्रत्येक विधि के परिणामों का सार प्रस्तुत करते हैं.

मूल्यांकन किए गए लगभग सभी अंतर्निहित भाषा मॉडलों में संकर दृष्टिकोण स्वतंत्र LLM आधार-रेखा की तुलना में लगातार अधिक सटीक, स्थिर और सत्यापन योग्य परिणाम देता है. मॉडलों के बीच कुल प्रदर्शन अलग होने पर भी संकर दृष्टिकोण से मिलने वाला सापेक्ष लाभ समान रहता है. इससे संकेत मिलता है कि सुधार किसी एक मॉडल की रीज़निंग क्षमता पर निर्भर होने के बजाय प्राकृतिक भाषा की समझ को औपचारिक अनुकूलन से अलग करने के कारण आता है.

सटीकता

मुख्यतः रैखिक प्रोग्रामिंग समस्याओं वाले NLP4LP और NL4OPT पर संकर विधि लगभग अधिकतम सटीकता हासिल करती है और स्वतंत्र LLM प्रॉम्प्ट से बेहतर प्रदर्शन करती है. संकर प्रणाली “लगभग सही” रीज़निंग देने के बजाय अधिक निरंतरता से वैध और सुव्यवस्थित गणितीय निरूपण तैयार करती है. अधिक चुनौतीपूर्ण IndustryOR डेटासेट पर दोनों विधियों की सटीकता घटती है, लेकिन इसके कारण अलग हैं. IndustryOR की कई समस्याओं में वाहन मार्ग निर्धारण, कार्य अनुक्रमण और कार्यबल आवंटन जैसी संयोजनात्मक संरचनाएं होती हैं, जो हमारे सॉल्वर पश्च-भाग की मौजूदा रैखिक अनुकूलन क्षमताओं से परे हैं.

विफलताओं के विश्लेषण से पता चलता है कि स्वतंत्र LLM अक्सर आवश्यक सीमाओं का उल्लंघन करते हैं, जैसा नीचे दिखाया गया है:

उदाहरण 1:

1"A bodybuilder buys prepared meals: a turkey dinner and a tuna salad sandwich. The turkey dinner contains 20 grams of protein, 30 grams of carbohydrates, and 12 grams of fat. The tuna salad sandwich contains 18 grams of protein, 25 grams of carbohydrates, and 8 grams of fat. The bodybuilder needs at least 150 grams of protein and 200 grams of carbohydrates. Because turkey dinners are expensive, no more than 40% of the meals should be turkey dinners. How many of each meal should the bodybuilder eat to minimize total fat intake?"

स्वतंत्र LLM कम कुल वसा वाला समाधान देता है, लेकिन वह इस आवश्यकता का उल्लंघन करता है कि टर्की वाले भोजन कुल भोजन के 40% से अधिक न हों. संकर दृष्टिकोण इस कठोर सीमा को सही ढंग से लागू करके वैध उत्तर देता है.

उदाहरण 2:

1"A hospitalized patient can take two pills: Pill 1 and Pill 2. Each Pill 1 provides 0.2 units of pain medication and 0.3 units of anxiety medication. Each Pill 2 provides 0.6 units of pain medication and 0.2 units of anxiety medication. Pill 1 causes 0.3 units of discharge, while Pill 2 causes 0.1 units. At most 6 units of pain medication may be provided, and at least 3 units of anxiety medication must be provided. How many of each pill should the patient receive to minimize total discharge?"

स्वतंत्र LLM फिर कम उत्सर्जन वाला समाधान देता है, लेकिन वह दर्द-निवारक दवा की अधिकतम अनुमत सीमा पार कर देता है. संकर दृष्टिकोण उस कठोर सीमा को सही ढंग से लागू करके वैध उत्तर देता है.

विलंबता और टोकन उपयोग

विलंबता और टोकन उपयोग के आंकड़े एक महत्वपूर्ण अंतर दिखाते हैं. संकर दृष्टिकोण में एक बार के LLM प्रॉम्प्ट की तुलना में औसत विलंबता और टोकन उपयोग अधिक है, लेकिन यह अक्षमता नहीं, बल्कि संरचना संबंधी विकल्पों का परिणाम है.

संकर प्रक्रिया में शामिल हैं:

1. संरचित चर, सीमाएं और उद्देश्य निकालने के लिए एक या अधिक LLM अनुरोध.

2. आंतरिक विसंगतियां पकड़ने के लिए स्व-सत्यापन चरण.

एक प्रॉम्प्ट की तुलना में इन चरणों से अतिरिक्त भार बढ़ता है, फिर भी विलंबता सीमित और अनुमानित रहती है तथा समस्या सही ढंग से तैयार होने पर सॉल्वर आम तौर पर तेजी से चलता है. यह अतिरिक्त कार्य स्पष्ट, पुनः उपयोग योग्य और लेखा-परीक्षण योग्य मध्यवर्ती निरूपण बनाता है. इसके विपरीत, स्वतंत्र LLM दृष्टिकोण रीज़निंग को एक अपारदर्शी उत्तर में समेट देते हैं, जिससे दोबारा प्रयास, मानवीय जांच और बाद की विफलताओं का खर्च बढ़ता है. भविष्य के संस्करण यह अतिरिक्त भार इन तरीकों से घटा सकते हैं:

• निकाली गई स्कीमा को कैश करना.

• सीमाओं को क्रमिक रूप से अद्यतन करना.

• प्रॉम्प्ट और अनुरोधों का संयोजन बेहतर बनाना.

पारदर्शिता और लेखा-परीक्षण क्षमता

अंततः, जब दोनों विधियां विफल होती हैं, तब भी उनकी विफलता का स्वरूप मूल रूप से अलग होता है.

• स्वतंत्र LLM में विफलताएं अक्सर छिपी रहती हैं: मॉडल ऐसा परिणाम दे सकता है जो सूक्ष्म रूप से गलत हो.

• संकर दृष्टिकोण में समस्या का स्पष्ट निरूपण विफलताओं को पारदर्शी बनाता है और टीमों को यह पहचानने में मदद देता है कि निरूपण के किस हिस्से से त्रुटि हुई.

भविष्य के संस्करण इन निरूपणों को अंतराफलक में दिखा सकते हैं, ताकि उपयोगकर्ता सॉल्वर चलने से पहले उनका लेखा-परीक्षण या सत्यापन कर सकें. यह पारदर्शिता मापी गई सटीकता बढ़ाती है और सिस्टम की त्रुटियां दूर करना व उसे सुधारना आसान बनाती है, जो वास्तविक परिनियोजन के लिए आवश्यक है.

मुख्य निष्कर्ष

सभी मानदंडों और जांचे गए अधिकांश अंतर्निहित मॉडलों के परिणाम हमारे काम के इस मुख्य निष्कर्ष को पुष्ट करते हैं:

LLM मंशा समझने और उसका अनुवाद करने में शक्तिशाली हैं, लेकिन शुद्धता लागू करने के लिए नियतात्मक सॉल्वर आवश्यक हैं.

संकर दृष्टिकोण प्राकृतिक भाषा को अस्पष्टता के स्रोत से बदलकर गणितीय रूप से ठोस निर्णय प्रक्रिया का विश्वसनीय अंतराफलक बनाता है और उद्यम एआई को ऐसी प्रणालियों के करीब लाता है जो बुद्धिमान होने के साथ भरोसेमंद भी हों.

उद्यम की सीमाएं बहुत कम ही सुव्यवस्थित स्कीमा या पूरी तरह स्पष्ट प्रॉम्प्ट में मिलती हैं. वे डेटाबेस, स्प्रेडशीट, आंतरिक नीतियों और अनुबंधों में बिखरी होती हैं. उपयोगकर्ता के अनुरोध अधूरे, अस्पष्ट या व्यावसायिक नियमों से असंगत हो सकते हैं. इस दृष्टिकोण को बड़े पैमाने पर उपयोगी बनाने के लिए हम एक पुनः उपयोग योग्य पश्च-भाग इंजन बना रहे हैं, जो इस जटिलता को विश्वसनीय उद्यम क्षमता में बदलता है.

मूल रूप से यह इंजन एआई-संचालित निर्णय प्रणालियों की औपचारिक रीढ़ बनकर ये सुविधाएं देता है:

• ऐसे अनुकूलकों वाला प्रतीकात्मक ज्ञान-भंडार, जो व्यावसायिक नियम, सीमाएं, चर और उद्देश्य ग्रहण करता है.

• स्कीमा को सॉल्वर कोड में संकलित करने वाली अनुवाद परत.

• ऐसे अंतराफलक जिनसे टीमें सीमाओं का निरीक्षण, लेखा-परीक्षण और संशोधन कर सकें.

इन प्रयोगों का मौजूदा केंद्र अनुकूलन है, लेकिन यही विधि तार्किक सत्यापन पर भी लागू हो सकती है. संभावित व्यावसायिक उपयोगों में शामिल हैं:

• हर परिचालन सीमा लागू करते हुए तदर्थ गतिशील समय-सारणी, मार्ग निर्धारण और संसाधन आवंटन करना.

• व्यावसायिक नियमों का लगातार पालन करने वाले उत्तर और सुझाव तैयार करना.

• जटिल त्रिविमीय वस्तुओं, वीडियो और संरचनाओं का डिजाइन व सत्यापन करना तथा उत्पादन से पहले अव्यवहार्य डिजाइन पकड़ना.

आज एआई शक्तिशाली है, लेकिन उद्यमों को केवल शक्ति नहीं, बल्कि शुद्धता, निरंतरता और नियंत्रण भी चाहिए. हमारी संकर LLM और सॉल्वर प्रणाली ऐसी दुनिया की दिशा में एक कदम है, जहां:

• एजेंट मनगढ़ंत नियम या सीमाएं नहीं बनाते.

• तार्किक निष्कर्ष और अनुकूलन गणितीय रूप से ठोस होते हैं.

• प्राकृतिक भाषा नियतात्मक प्रणालियों के सार्वभौमिक अंतराफलक का काम करती है.