Gemini Deep Research

एजंटिक सिस्टीम

Deep Research तयार करण्यासाठी, आम्ही नवीन नियोजन सिस्टीम विकसित केली, जी Gemini अ‍ॅपला क्लिष्ट समस्यांमधून काम करू देते. Deep Research साठी, आम्ही Gemini मॉडेलना पुढील गोष्टींसाठी सक्षम होण्याकरिता प्रशिक्षण दिले:

• समस्येचे विश्लेषण करणे: क्लिष्ट वापरकर्ता क्वेरी सादर केली गेल्यावर, सिस्टीम प्रथम तपशीलवार संशोधन आराखड्याची रचना करते, ज्यामुळे समस्या अधिक लहान, व्यवस्थापित करता येणाऱ्या सब-टास्कच्या मालिकेमध्ये विभागली जाते. तुम्ही आराखड्याचे नियंत्रक आहात: Gemini तो तुम्हाला सादर करते आणि त्याचा फोकस योग्य भागांवर असल्याची खात्री करत, तुम्ही त्यात सुधारणा करू शकता.

• संशोधन: मॉडेल या आराखड्याच्या अंमलबजावणीवर देखरेख करते आणि कोणती सब-टास्क एकाच वेळी हाताळली जाऊ शकतात आणि कोणती सब-टास्क क्रमवारीनुसार करणे आवश्यक आहे हे हुशारीने निर्धारित करते. मॉडेल हे माहिती मिळवण्यासाठी आणि त्याची कारणमीमांसा करण्यासाठी शोध व वेब ब्राउझिंग यांसारखी टूल वापरू शकते. प्रत्येक पायरीवर पुढील कृती ठरवण्यासाठी मॉडेल उपलब्ध माहितीची कारणमीमांसा करते. मॉडेल आतापर्यंत काय शिकले आहे आणि पुढे त्याचा काय करण्याचा उद्देश आहे हे फॉलो करण्यासाठी आम्ही वापरकर्त्यांकरिता एक विचार पॅनल सादर केले.

• सिंथेसिस: पुरेशी माहिती गोळा केली गेली आहे असे मॉडेलने निर्धारित केल्यावर, ते सर्वसमावेशक अहवालामध्ये निष्कर्ष सिंथेसाइझ करते. अहवाल तयार करताना, Gemini हे माहितीचे गंभीरपणे मूल्यांकन करते, मुख्य थीम आणि विसंगती ओळखते आणि अगदी स्पष्टता आणि तपशील वर्धित करण्यासाठी स्वतःच्या समीक्षेचे एकाहून अधिक पास परफॉर्म करून अहवालाची तार्किक व माहितीपूर्ण पद्धतीने रचना करते.

नवीन वर्गवारी, नवीन समस्या, नवीन निराकरणे

Deep Research तयार करताना, आम्हाला तीन लक्षणीय तांत्रिक आव्हानांवर काम करावे लागले:

मल्टी-स्टेप नियोजन

संशोधन टास्कमध्ये पुनरावृत्ती होणाऱ्या नियोजनाच्या अनेक पायऱ्यांची आवश्यकता असते. प्रत्येक पायरीवर मॉडेलला आतापर्यंत गोळा केलेल्या सर्व माहितीवर स्वतःला ग्राउंड करावे लागते, त्यानंतर गणना आणि वापरकर्ता प्रतीक्षा वेळेसोबतच सर्वसमावेशकतेचे संतुलन साधताना, उपलब्ध नसलेली माहिती आणि त्याला एक्सप्लोर करायच्या असलेल्या विसंगती ओळखाव्या लागतात. दीर्घ मल्टी-स्टेप नियोजनामध्ये परिणामकारक होण्यासाठी मॉडेलला डेटा कार्यक्षम पद्धतीने प्रशिक्षण दिल्याने आम्हाला Deep Research ला सर्व विषयांवर खुल्या डोमेन सेटिंगमध्ये फंक्शन करायला लावता आले.

दीर्घकालीन अनुमान

सामान्य Deep Research टास्कमध्ये बऱ्याच मिनिटांमध्ये अनेक मॉडेल कॉल असतात. यामुळे एजंट तयार करण्यासाठी आव्हान तयार होते: ते अशा प्रकारे तयार करावे लागते, जेणेकरून एका अपयशाचा अर्थ सुरुवातीपासूनच टास्क पुन्हा सुरू करणे असा होणार नाही.

याचे निराकरण करण्यासाठी आम्ही नावीन्यपूर्ण, असिंक्रोनस टास्क मॅनेजर विकसित केले आहे, जे नियोजक आणि टास्क मॉडेल यांदरम्यान शेअर केलेली स्थिती कायम राखते, ज्यामुळे संपूर्ण टास्क पुन्हा सुरू न करता पद्धतशीर एरर रिकव्हरी करता येते. ही सिस्टीम खरोखर असिंक्रोनस आहे: Deep Research प्रोजेक्ट प्रकल्प सुरू केल्यानंतर तुम्ही वेगळ्या अ‍ॅपवर जाऊ शकता किंवा तुमचा काँप्युटर अक्षरशः बंद करू शकता आणि पुढील वेळी तुम्ही Gemini ला भेट द्याल, तेव्हा तुमचे संशोधन पूर्ण झाल्यावर तुम्हाला सूचित केले जाईल.

संदर्भ व्यवस्थापन

संशोधन सेशनच्या कालावधीमध्ये, Gemini आशयाच्या शेकडो पेजवर प्रक्रिया करू शकते. सातत्य राखण्यासाठी आणि फॉलो-अप प्रश्न सुरू करण्यासाठी, आम्ही RAG सेटअपची पुरवणी असलेल्या, Gemini च्या उद्योगातील आघाडीच्या १० लाख टोकन संदर्भ विंडो वापरतो. यामुळे त्या चॅट सेशनदरम्यान शिकलेल्या सर्व गोष्टी सिस्टीमला परिणामकारकपणे "लक्षात ठेवणे" शक्य होते, ज्यामुळे तुम्ही त्यासोबत जितका जास्त वेळ संवाद साधता, तितके ते अधिक स्मार्ट होते.

आता 2.0 Flash Thinking (प्रायोगिक) द्वारे सक्षम केलेले

डिसेंबरमध्ये Deep Research लाँच केले गेले, तेव्हा त्याला Gemini 1.5 Pro चा सपोर्ट होता. Gemini 2.0 Flash Thinking (प्रायोगिक) सादर केले गेल्यावर आम्हाला या उत्पादनाची गुणवत्ता आणि सेवा देण्याची कार्यक्षमता या दोन्हींमध्ये नाट्यमयरीत्या सुधारणा करता आली. विचारक्षम मॉडेलसह, पुढील पावले उचलण्यापूर्वी Gemini त्याच्या दृष्टिकोनाचे नियोजन करण्यासाठी अधिक वेळ घेते. आत्मचिंतन आणि नियोजनाचे हे नैसर्गिक वैशिष्ट्य या प्रकारच्या दीर्घकाळ चालणार्‍या एजंटिक टास्कसाठी त्याला अगदी योग्य बनवते. आम्हाला असे दिसते, की संशोधनाच्या सर्व टप्प्यांवर Gemini आता आणखी चांगले झाले आहे आणि ते अधिक तपशीलवार अहवाल डिलिव्हर करते. त्याच वेळी, Flash मॉडेलची गणनेसंबंधी कार्यक्षमता आम्हाला Deep Research चा अ‍ॅक्सेस कितीतरी अधिक वापरकर्त्यांपर्यंत विस्तारू देते. आम्ही फ्लॅश आणि सर्वसाधारणपणे विचारक्षम मॉडेल विकसित करण्याबद्दल खरोखर उत्सुक आहोत आणि Deep Research अधिकाधिक चांगले होत जाईल अशी आमची अपेक्षा आहे.

पुढे काय

आम्ही ही सिस्टीम अष्टपैलू असण्यासाठी तयार केली आहे, जेणेकरून कालांतराने ती काय ब्राउझ करू शकते यावर अधिक नियंत्रण देऊन आणि तिला खुल्या वेबच्या पलीकडील स्रोत देऊन आम्ही तिच्या क्षमता वाढवू शकतो.

लोक Deep Research चा वापर कसा करतात हे पाहण्यासाठी आम्ही उत्सुक आहोत आणि हे प्रत्यक्ष जगातील अनुभव आम्ही Deep Research तयार करणे आणि त्यामध्ये सुधारणा करणे कसे सुरू ठेवतो हे सांगतील. अखेरीस, खरोखरच एजंटिक आणि जगभरात उपयुक्त असलेला AI असिस्टंट हे आमचे ध्येय आहे.