ThreadWeaver v3 ने अपना Causal Work Graph लॉन्च किया है, जो एक क्रॉस-टूल लीनेज इंजन है। यह AI-संचालित क्वेरीज़ को न केवल एक दस्तावेज़, बल्कि Slack चैट, Jira टिकट, GitHub कमिट और अन्य आर्टिफैक्ट्स को जोड़ने वाली साक्ष्य की एक प्रमाणित श्रृंखला (provable chain of evidence) प्रदान करने की अनुमति देता है। इसे अपनाने वाली टीमें एक अनुमानित पैराग्राफ के बजाय एक दृश्य सबग्राफ (visible subgraph) के साथ यह उत्तर दे सकती हैं कि "इसे क्यों बनाया गया था?"
संदर्भ: बिखरा हुआ डेटा, गायब कनेक्शन
आज इंजीनियरिंग समूह विभिन्न प्लेटफार्मों के मिश्रण में काम करते हैं। एक ग्राहक की शिकायत टिकटिंग सिस्टम में होती है, उसके बाद होने वाली चर्चा चैट ऐप में होती है, डिज़ाइन संबंधी निर्णय प्रोजेक्ट-मैनेजमेंट बोर्ड में होता है, कोड रिपॉजिटरी में होता है, और रिलीज़ नोट्स डॉक्यूमेंटेशन टूल में होते हैं। कच्ची जानकारी वहां मौजूद है, लेकिन उनके बीच के कारण संबंधी लिंक (causal links) अदृश्य हैं। जब एक प्रोडक्ट मैनेजर पूछता है कि कोई फीचर क्यों रिलीज़ किया गया था, तो उसका उत्तर संदेशों, इश्यूज़ और कमिट्स के जाल में छिपा होता है। पारंपरिक सर्च टूल्स उन आइटम्स को सामने ला सकते हैं जिनमें समान कीवर्ड हों, लेकिन वे यह नहीं बता सकते कि वास्तव में किस आइटम ने अगले आइटम को ट्रिगर किया।
यह क्यों महत्वपूर्ण है: प्रोवेनेंस बनाम हैलुसिनेशन
अधिकांश लार्ज लैंग्वेज मॉडल्स (LLMs) सिमेंटिक समानता (semantic similarity) के आधार पर उत्तर देते हैं। एक Jira टिकट जिसमें Slack चैनल का उल्लेख हो, वह संबंधित लग सकता है, फिर भी मॉडल यह साबित नहीं कर सकता कि उस चैट के कारण ही टिकट बना। इसका परिणाम "हैलुसिनेशन" (hallucination) होता है—एक ऐसा उत्तर जो सुनने में तो सही लगता है लेकिन उसमें कोई सत्यापन योग्य स्रोत नहीं होता। विनियमित वातावरण (regulated environments) में, या जब भी जवाबदेही महत्वपूर्ण होती है, यह कमी महंगी साबित हो सकती है। Causal Work Graph अनुमान की जगह एक ऐसा ग्राफ पेश करता है जिसके किनारों (edges) को ठोस प्रमाणों का समर्थन प्राप्त है: टाइमस्टैम्प, एक्टर आइडेंटिफायर, रिलेशनशिप टाइप और कॉन्फिडेंस स्कोर।
Causal Work Graph कैसे काम करता है
- इवेंट-केंद्रित मॉडलिंग (Event-centric modeling) – प्रत्येक नोड एक स्थिर दस्तावेज़ के बजाय एक इवेंट (जैसे, एक Slack मैसेज, एक Jira इश्यू क्रिएशन) का प्रतिनिधित्व करता है।
- स्पष्ट संबंध (Explicit relationships) – किनारे (edges) सहायक साक्ष्य के साथ विशिष्ट कारण संबंधी दावे ("Slack चर्चा PM निर्णय को सूचित करती है") को एनकोड करते हैं।
- प्रोवेनेंस मेटाडेटा (Provenance metadata) – प्रत्येक एज (edge) स्रोत, लक्ष्य, टाइमस्टैम्प, एक्टर, कॉन्फिडेंस लेवल और मूल आर्टिफैक्ट के पॉइंटर को स्टोर करता है जो दावे की पुष्टि करता है।
- अनिश्चितता प्रबंधन (Uncertainty handling) – यदि सिस्टम किसी जोड़ने वाले इवेंट का पता नहीं लगा पाता है, तो यह संबंध गढ़ने के बजाय "Unknown" (अज्ञात) लौटाता है।
- अनुमति-जागरूक प्रदर्शन (Permission-aware exposure) – उपयोगकर्ता केवल उन्हीं किनारों (edges) को देख पाते हैं जिनके अंतर्निहित आर्टिफैक्ट्स को देखने के लिए वे अधिकृत हैं; एक गायब Slack मैसेज बस संबंधित एज को छिपा देता है।
- LLM एक इंटरप्रेटर के रूप में, रिपॉजिटरी के रूप में नहीं – लैंग्वेज मॉडल ग्राफ को प्राकृतिक भाषा में स्पष्टीकरणों में अनुवादित करता है, जबकि ग्राफ स्वयं सत्य का आधिकारिक स्रोत (authoritative source of truth) बना रहता है।
जब कोई उपयोगकर्ता पूछता है, "रिलीज़ का कारण क्या था?" तो इंजन एक सबग्राफ तैयार करता है जो कुछ इस तरह दिख सकता है:
- ग्राहक की शिकायत → Slack चर्चा (टाइमस्टैम्प, यूजर)
- Slack चर्चा → PM निर्णय (Jira टिकट)
- PM निर्णय → GitHub कमिट (कोड परिवर्तन)
- GitHub कमिट → रिलीज़ (आर्टिफैक्ट)
प्रतिक्रिया में सटीक Slack मैसेज और Jira कमेंट के लिंक शामिल होते हैं, जिससे पूछने वाला प्रत्येक चरण को सत्यापित कर सकता है।
निष्कर्ष
ThreadWeaver v3 का Causal Work Graph बिखरे हुए इंजीनियरिंग आर्टिफैक्ट्स को कारण और प्रभाव की एक एकल, ऑडिट करने योग्य श्रृंखला में बदल देता है। हर लिंक के लिए साक्ष्य की मांग करके, यह उन हैलुसिनेशन से बचता है जो शुद्ध-LLM उत्तरों में समस्या पैदा करते हैं और टीमों को हर रिलीज़ के पीछे के "क्यों" का पता लगाने का एक ठोस तरीका देता है।