બે AI એજન્ટ્સ એક જ ફાઇલ એડિટ કરી શકે છે, બંનેને "success" નો સ્વીકાર મળે છે, છતાં પણ તેમનામાંથી માત્ર એકના જ ફેરફારો ટકી રહે છે. પાંચ સમાંતર (concurrent) એજન્ટો સાથેના એક સરળ પરીક્ષણમાં, પાંચમાંથી ચાર રાઈટ્સ (writes) કોઈપણ ભૂલ અથવા લોગ એન્ટ્રી વગર ગાયબ થઈ ગયા—આ એક ક્લાસિક 'lost-update anomaly' છે જે ગાયબ થયેલા કામ માટે ચૂકવેલા ટોકન્સનો બગાડ કરે છે.

આ સમસ્યા શા માટે મહત્વની છે

જ્યારે કોઈ AI એજન્ટ પરિણામ પાછું લખે છે (writes back), ત્યારે અન્ડરલાઇંગ સર્વિસ જનરેટ થયેલા દરેક ટોકન દીઠ ચાર્જ લે છે. જો રાઈટ (write) સાયલન્ટલી ઓવરરાઈટ (overwrite) થઈ જાય, તો પણ પ્રોવાઈડર તે કમ્પ્યુટેશન માટે બિલિંગ કરે છે જેણે તે નકામું આઉટપુટ બનાવ્યું હતું. મલ્ટી-એજન્ટ પાઈપલાઈન્સમાં—જેમ કે એજન્ટ સ્વોર્મ્સ (agent swarms), પેરેલલ ડેટા-ક્લીનિંગ વર્કર્સ, અથવા કોઈપણ સિસ્ટમ જ્યાં અનેક બોટ્સ એક પ્લાન ફાઇલ અથવા સ્ક્રૅચપેડ શેર કરે છે—આ છુપા નુકસાન મોટા ખર્ચના લીકેજમાં ફેરવાઈ શકે છે. આ અનોમલી ડેટાની અખંડિતતા (integrity) ને પણ જોખમમાં મૂકે છે: આગળના સ્ટેપ્સ અધૂરી અથવા જૂની માહિતી પર કામ કરી શકે છે, જેનાથી કેસ્કેડિંગ ભૂલો (cascading errors) થઈ શકે છે.

આ અનોમલી કેવી રીતે થાય છે

તેનું મૂળ કારણ 'race condition' છે:

  1. બે (અથવા વધુ) એજન્ટો રિસોર્સનું એક જ વર્ઝન વાંચે છે, ધારો કે એક JSON પ્લાન ફાઇલ.
  2. દરેક એજન્ટ તે સ્નેપશોટના આધારે પોતાનું રિઝનિંગ અથવા ટ્રાન્સફોર્મેશન કરે છે.
  3. બંને એજન્ટો શેર કરેલ સ્ટોરેજ પર રાઈટ ઓપરેશન (write operation) મોકલે છે.
  4. સ્ટોરેજ સિસ્ટમ કોઈપણ સં

લોસ્ટ-અપડેટ અનોમલીઝ (Lost-update anomalies) ટોકન-આધારિત AI પાઇપલાઇન્સને નાણાકીય નુકસાન કરનારા બ્લેક હોલમાં ફેરવી દે છે. એક 'કમ્પેર-એન્ડ-સેટ' (compare-and-set) વર્ઝન ગેટ થોડોક વધારાનો ટોકન ખર્ચ ઉમેરે છે, પરંતુ તે ડેટાના છૂપા નુકસાનને એક દૃશ્યમાન અને ફરીથી પ્રયાસ કરી શકાય તેવી ઘટનામાં ફેરવે છે. કોઈપણ એવી સિસ્ટમ માટે જ્યાં અનેક એજન્ટ્સ સ્ટેટ (state) શેર કરે છે—જેમ કે ડેટાબેઝ, પ્લાન ફાઇલ્સ અથવા સ્ક્રૅચપેડ્સ—ડેટા લખતા (writes) પહેલા વર્ઝન ચેક ઉમેરવું એ છુપાયેલા ખર્ચ અને બગડેલા વર્કફ્લો સામેનો સૌથી સસ્તો વીમો છે.