Claude ನ ಹೊಸ Deep Research ಸಾಧನವು ಒಂದೇ ಕರೆಯನಲ್ಲಿ 6.57 মিলಿಯನ್ ಟೋಕನ್ಗಳನ್ನು ಬಳಸಬಲ್ಲದು—ಇದನ್ನು ಕೇವಲ ಬೃಹತ್ ಕಂಪ್ಯೂಟ್ ಬಜೆಟ್ ಮಾತ್ರ ನಿಭಾಯಿಸಬಲ್ಲದು. ಈ ವ್ಯವಸ್ಥೆಯು ಒಂದು ಏಕಶಿಲಾ (monolithic) ಭಾಷಾ ಮಾದರಿಯಲ್ಲ; ಇದು ಸರ್ಚ್ಗಳನ್ನು ವಿಸ್ತರಿಸುವ (fan out), ಡೇಟಾವನ್ನು ಪಡೆಯುವ, ಹಕ್ಕುಗಳನ್ನು (claims) ಮೂರು ಸ್ವತಂತ್ರ ಪರಿಶೀಲಕರೊಂದಿಗೆ ಹೋಲಿಸುವ ಮತ್ತು ನಂತರ ವರದಿಯನ್ನು ಸಂಶ್ಲೇಷಿಸುವ (synthesize) ಕಟ್ಟುನಿಟ್ಟಾದ JavaScript map-reduce ಪೈಪ್ಲೈನ್ ಆಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ.
ಈ ಆರ್ಕಿಟೆಕ್ಚರ್ ಏಕೆ ಮುಖ್ಯ
ಹೆಚ್ಚಿನ AI-ಚಾಲಿತ ಸಂಶೋಧನಾ ಸಹಾಯಕರು ಕೇವಲ ಒಂದು "ಪ್ರಶ್ನೆ ಮತ್ತು ಉತ್ತರ" (ask-and-answer) ಇಂಟರ್ಫೇಸ್ ಅನ್ನು ನೀಡುತ್ತಾರೆ, ಇದು ಮಾದರಿಯು ಒಂದೇ ಬಾರಿಗೆ ಪಠ್ಯ ಮತ್ತು ಉಲ್ಲೇಖಗಳನ್ನು (citations) ರಚಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. Claude ನ Deep Research ಈ ಮಾದರಿಯನ್ನೇ ಬದಲಾಯಿಸುತ್ತದೆ. ಇದು ಕಾರ್ಯವನ್ನು ಪ್ರತ್ಯೇಕವಾದ, ವಿಧಿಸಲಾದ ಹಂತಗಳಾಗಿ (discrete, typed stages) ವಿಂಗಡಿಸುತ್ತದೆ ಮತ್ತು ಮಾದರಿಯು ಸಾಫ್ಟ್ವೇರ್ ಹಾರ್ನೆಸ್ (software harness) ಅನ್ನು ಪಾಲಿಸುವಂತೆ ಮಾಡುತ್ತದೆ. ಸಮೃದ್ಧವಾದ, ಮೂಲ ಆಧಾರಿತ ಉತ್ತರಗಳನ್ನು ನೀಡುವಾಗ ಹ್ಯಾಲ್ಯುಸಿನೇಶನ್ಗಳನ್ನು (hallucinations) ನಿಯಂತ್ರಿಸಲು ವಿನ್ಯಾಸಕಾರರು ಇದನ್ನು ನಿರ್ಮಿಸಿದ್ದಾರೆ. ಈ ವಿಧಾನವು ಸ್ವಯಂಚಾಲಿತ ಬಗ್-ಹಂಟಿಂಗ್ (bug-hunting) ಚೌಕಟ್ಟಿನಿಂದ ಬಂದಿದೆ, ಅಲ್ಲಿ ಒಂದು ಕಲ್ಪನೆಯನ್ನು (hypothesis) ರೂಪಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ನಂತರ ಅದನ್ನು ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಸುಳ್ಳೆಂದು ಸಾಬೀತುಪಡಿಸಲು ಪ್ರಯತ್ನಿಸಲಾಗುತ್ತದೆ. ಸಂಶೋಧನೆಯ ದೃಷ್ಟಿಕೋನದಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಒಂದು ಹಕ್ಕು (claim) ಹುಟ್ಟುತ್ತದೆ, ನಂತರ ಅದು ಅಂತಿಮ ಸಂಶ್ಲೇಷಣೆಯನ್ನು ತಲುಪುವ ಮೊದಲು ಮೂರು ವಿರೋಧಾತ್ಮಕ ಏಜೆಂಟ್ಗಳು (adversarial agents) ಅದನ್ನು ತಿರಸ್ಕರಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತವೆ.
The map-reduce flow
- Fan-out search – ಆರ್ಕೆಸ್ಟ್ರೇಟರ್ (orchestrator) ವಿವಿಧ ಡೇಟಾ ಮೂಲಗಳನ್ನು ಪ್ರಶ್ನಿಸುವ ಸಮಾಂತರ ಕೆಲಸಗಾರರನ್ನು (parallel workers) ಸೃಷ್ಟಿಸುತ್ತದೆ.
- Fetch data – ಪ್ರತಿಯೊಬ್ಬ ಕೆಲಸಗಾರನು ಕಚ್ಚಾ ತುಣುಕುಗಳು (raw snippets), ಮೆಟಾಡೇಟಾ ಮತ್ತು ಲಭ್ಯವಿರುವ ಯಾವುದೇ ರಚನಾತ್ಮಕ ಮಾಹಿತಿಯನ್ನು ಪಡೆಯುತ್ತಾನೆ.
- Adversarial verification – ಮೂರು ಸ್ವತಂತ್ರ ಏಜೆಂಟ್ಗಳು ಪ್ರತಿಯೊಂದು ಹಕ್ಕನ್ನು ಸ್ವೀಕರಿಸುತ್ತಾರೆ, ಅನಿಶ್ಚಿತತೆಯಿದ್ದಾಗ ಅವುಗಳನ್ನು ತಿರಸ್ಕರಿಸಲಾಗಿದೆ (refuted) ಎಂದು ಪರಿಗಣಿಸಲು ಪ್ರತಿಯೊಬ್ಬರಿಗೂ ಸೂಚನೆ ನೀಡಲಾಗುತ್ತದೆ. ಹಕ್ಕು ಸಾಕಷ್ಟು ಸಕಾರಾತ್ಮಕ ಮತಗಳನ್ನು (affirmative votes) ಪಡೆದರೆ ಮಾತ್ರ ಉಳಿಯುತ್ತದೆ.
- Synthesis – ಉಳಿದಿರುವ ಹಕ್ಕುಗಳನ್ನು ಅಂತಿಮ JSON ವರದಿಯಾಗಿ ಒಟ್ಟುಗೂಡಿಸಲಾಗುತ್ತದೆ, ಇದನ್ನು ಬಳಕೆದಾರರು ಗದ್ಯ ರೂಪದಲ್ಲಿ (prose) ನೋಡಬಹುದು.
Inside the harness
ಹಾರ್ನೆಸ್ ಎಂಬುದು ಭಾಷಾ ಮಾದರಿಯು ಏನು ಮಾಡಬಹುದು ಎಂಬುದನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವ ಕೋಡ್ನ ಒಂದು ತೆಳುವಾದ ಪದರವಾಗಿದೆ. ಅದರ ನಿಯಮಗಳು ರಚನಾತ್ಮಕ ಕಾರ್ಯಗಳ ಗುಂಪಿನಂತೆ ಕಾಣುತ್ತವೆ:
- SCOPE – ಮಾದರಿಯು ಸಂಶೋಧನಾ ಪ್ರಶ್ನೆಯ ಸಂಕ್ಷಿಪ್ತ ವಿವರಣೆಯನ್ನು ಪಡೆಯುತ್ತದೆ.
- SEARCH – ಇದು ಮೂಲ ಗುರುತಿಸುವಿಕೆಗಳ (source identifiers) ಪಟ್ಟಿಯನ್ನು ನೀಡಬೇಕು, ಎಂದಿಗೂ ಮುಕ್ತ ರೂಪದ ಪಠ್ಯವನ್ನು (free-form text) ನೀಡಬಾರದು.
- EXTRACT – ಪ್ರತಿ ಮೂಲಕ್ಕಾಗಿ, ಮಾದರಿಯು ಮುಂದಿನ ಯಾವುದೇ ಹಕ್ಕನ್ನು ಬೆಂಬಲಿಸುವ ಅಕ್ಷರಶಃ ಉಲ್ಲೇಖವನ್ನು (verbatim quote) ನೀಡುತ್ತದೆ.
- VERDICT – ಇದು ಹಕ್ಕು, ಬೆಂಬಲಿಸುವ ಉಲ್ಲೇಖ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹತೆಯ ಸ್ಕೋರ್ (confidence score) ಅನ್ನು ಒಳಗೊಂಡಿರುವ JSON ಆಬ್ಜೆಕ್ಟ್ ಅನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ.
- REPORT – ಅಂತಿಮ ಹಂತವು ಎಲ್ಲಾ ಪರಿಶೀಲಿಸಿದ ಹಕ್ಕುಗಳನ್ನು ಒಂದೇ ದಾಖಲೆಯಲ್ಲಿ ಒಟ್ಟುಗೂಡಿಸುತ್ತದೆ.
ಹಾರ್ನೆಸ್ ಸಾಕ್ಷ್ಯದ ಬಂಧನವನ್ನು (evidence binding) ಜಾರಿಗೊಳಿಸುತ್ತದೆ: ನಿಖರವಾದ ಉಲ್ಲೇಖವಿಲ್ಲದ ಹಕ್ಕನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಕೈಬಿಡಲಾಗುತ್ತದೆ. ಇದು ಕೋಡ್ ಬದಲಾಯಿಸದೆ ಸರಿಪಡಿಸಬಹುದಾದ ಪಾಲಿಸಿ ಕಾನ್ಸ್ಟಂಟ್ಸ್ಗಳನ್ನು (policy constants) ಸಹ ಪ್ರದರ್ಶಿಸುತ್ತದೆ—ಒಂದು ಹಕ್ಕಿಗೆ ಎಷ್ಟು ಸಕಾರಾತ್ಮಕ ಮತಗಳು ಬೇಕು, ವ್ಯವಸ್ಥೆಯು ಎಷ್ಟು ಮೂಲಗಳನ್ನು ಓದಬಹುದು ಅಥವಾ ಪರಿಶೀಲನೆಗೆ ಹೋಗುವ ಹಕ್ಕುಗಳ ಗರಿಷ್ಠ ಸಂಖ್ಯೆ ಇತ್ಯಾದಿ.
ಎಕ್ಸ್ಟ್ರಾಕ್ಷನ್ ಮತ್ತು ವೆರಿಫಿಕೇಶನ್ ನಡುವೆ ಒಂದು ಟ್ರೈಯೇಜ್ (triage) ಹಂತವಿದೆ. ಪ್ರತಿಯೊಂದು ಹಕ್ಕನ್ನು ದುಬಾರಿ ವಿರೋಧಾತ್ಮಕ ಏಜೆಂಟ್ಗಳಿಗೆ ಕಳುಹಿಸುವ ಬದಲು, ವ್ಯವಸ್ಥೆಯು ಅವುಗಳನ್ನು ಪ್ರಾಮುಖ್ಯತೆ ಮತ್ತು ಮೂಲದ ಗುಣಮಟ್ಟದ ಆಧಾರದ ಮೇಲೆ ಶ್ರೇಣೀಕರಿಸುತ್ತದೆ, ನಂತರ ಕೇವಲ ಮೊದಲ 25 ಅನ್ನು ಮಾತ್ರ ಕಳುಹಿಸುತ್ತದೆ. ಈ ಆಯ್ಕೆಯು ಟೋಕನ್ ಬಳಕೆ ಮತ್ತು ಕಂಪ್ಯೂಟ್ ವೆಚ್ಚಗಳು ನಿಯಂತ್ರಣ ಮೀರಿ ಹೋಗದಂತೆ ತಡೆಯುತ್ತದೆ.
Adversarial verification in practice
ಪರಿಶೀಲನಾ ಹಂತವು ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಕಠಿಣವಾಗಿದೆ. ಮೂರು ಏಜೆಂಟ್ಗಳಲ್ಲಿ ಪ್ರತಿಯೊಬ್ಬರೂ ಒಂದೇ ಹಕ್ಕು ಮತ್ತು ಅದರ ಮೂಲ ಉಲ್ಲೇಖವನ್ನು ಪಡೆಯುತ್ತಾರೆ, ನಂತರ ನಿರ್ಣಾಯಕ ಪುರಾವೆ ಸಿಗದ ಹೊರತು ಹಕ್ಕು ಸುಳ್ಳು ಎಂದು ಭಾವಿಸುವ ಸೂಚನೆಗಳ ಅಡಿಯಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಾರೆ. ಯಾವುದೇ ಏಜೆಂಟ್ಗೆ ಅನಿಶ್ಚಿತತೆಯಿದ್ದರೆ, ಅದು ತಿರಸ್ಕರಿಸಲಾಗಿದೆ (refuted) ಎಂದು ಮತ ಚಲಾಯಿಸುತ್ತದೆ. ಹಕ್ಕು ಉಳಿಯಬೇಕಾದರೆ ನಿರ್ದಿಷ್ಟ ಸಂಖ್ಯೆಯ ಅಂಗೀಕೃತ (affirmed) ಮತಗಳನ್ನು ಪಡೆಯಬೇಕು.
ಅನೌಪಚಾರಿಕ ಪರೀಕ್ಷೆಯ ಸಮಯದಲ್ಲಿ, ಒಂದು ಒಟ್ಟು ಮೆಟ್ರಿಕ್ ಅನ್ನು ನಿರ್ದಿಷ್ಟ ಪ್ರಿಸಿಸನ್ ಸ್ಕೋರ್ (precision score) ಎಂದು ತಪ್ಪಾಗಿ ಓದಿದ ಹಕ್ಕನ್ನು ವಿರೋಧಾತ್ಮಕ ಪದರವು ಪತ್ತೆಹಚ್ಚಿತು. ಮಾದರಿಯು ಪ್ರಿಸಿಸನ್ ಬಗ್ಗೆ ಆತ್ಮವಿಶ್ವಾಸದ ಹೇಳಿಕೆಯನ್ನು ನೀಡಿದ್ದವು, ಆದರೆ ಮೂಲವು ಕೇವಲ ಒಟ್ಟು ಮೆಟ್ರಿಕ್ ಅನ್ನು ಮಾತ್ರ ವರದಿ ಮಾಡಿತ್ತು.
What the design reveals about AI system building
- ನಿಯಂತ್ರಣವನ್ನು ತರ್ಕದಿಂದ ಪ್ರತ್ಯೇಕಿಸಿ – ಮಾದರಿಯು ಅನುಮಾನಾಸ್ಪದ ತೀರ್ಮಾನಗಳಿಗೆ (inference) ಜವಾಬ್ದಾರವಾಗಿರುತ್ತದೆ; ಹಾರ್ನೆಸ್ ಪ್ರಕ್ರಿಯೆಯ ಶಿಸ್ತನ್ನು ಜಾರಿಗೊಳಿಸುತ್ತದೆ.
- ವಿಧಿಸಲಾದ ಇಂಟರ್ಫೇಸ್ಗಳು ಹ್ಯಾಲ್ಯುಸಿನೇಶನ್ ಅನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತವೆ – JSON ಔಟ್ಪುಟ್ ಮತ್ತು ನಿಖರವಾದ ಉಲ್ಲೇಖಗಳನ್ನು ಕೇಳುವ ಮೂಲಕ, ವ್ಯವಸ್ಥೆಯು ಮುಕ್ತ ರೂಪದ ವಿಚಲನೆಯನ್ನು (free-form drift) ನಿವಾರಿಸುತ್ತದೆ.
- ದುಬಾರಿ ಪರಿಶೀಲನಾ ಹಂತಕ್ಕೆ ಮೊದಲು ಹಕ್ಕುಗಳನ್ನು ಫಿಲ್ಟರ್ ಮಾಡುವುದು ಟೋಕನ್ ಬಳಕೆ ಮತ್ತು ಕಂಪ್ಯೂಟ್ ವೆಚ್ಚಗಳನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.
- ಬಾಹ್ಯ ಇನ್ಪುಟ್ ಅನ್ನು ನಂಬಲರ್ಹವಲ್ಲದವನ್ನಾಗಿ ಪರಿಗಣಿಸಿ – ಪ್ರತಿಯೊಂದು ಮೂಲದ ಉಲ್ಲೇಖವನ್ನು ಸ್ವತಂತ್ರ ಏಜೆಂಟ್ಗಳು ಮರುಪರಿಶೀಲಿಸುತ್ತಾರೆ, ಇದರಿಂದಾಗಿ ಒಂದೇ ತಪ್ಪಾದ ದಾಖಲೆಯು ಉತ್ತರವನ್ನು ಕಲುಷಿತಗೊಳಿಸುವುದನ್ನು ತಡೆಯಬಹುದು.
ಈ ತತ್ವಗಳು "ಮಾದರಿ-ಹೊರಗಿನ-ಮಾದರಿ" (model-outside-the-model) ಆರ್ಕಿಟೆಕ್ಚರ್ಗಳತ್ತ ವಿಸ್ತರಿಸುತ್ತಿರುವ ಬದಲಾವಣೆಯನ್ನು ಪ್ರತಿಧ್ವನಿಸುತ್ತವೆ, ಅಲ್ಲಿ ಸಂಭವನೀಯ ಭಾಷಾ ಮಾದರಿಯ ಬದಲಿಗೆ ನಿರ್ಣಾಯಕ ಕೋಡ್ (deterministic code) ಆರ್ಕೆಸ್ಟ್ರೇಶನ್, ವ್ಯಾಲಿಡೇಶನ್ ಮತ್ತು ಸಂಪನ್ಮೂಲ ಹಂಚಿಕೆಯನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ.
Potential downsides and open questions
ಪೈಪ್ಲೈನ್ನ ಶಕ್ತಿ—ಅದರ ಕಟ್ಟುನಿಟ್ಟಿನ ಕ್ರಮ—ಸವಾಲುಗಳನ್ನು ಕೂಡ ತರುತ್ತದೆ.
ಪದಶಃ ಉಲ್ಲೇಖಗಳ ಮೇಲಿನ ಅವಲಂಬನೆಯು ವಿವಾದದ ಮತ್ತೊಂದು ಅಂಶವಾಗಿದೆ. ಎಲ್ಲಾ ಜ್ಞಾನವು ನಿಖರವಾದ ಪದಬಳಕೆಯಲ್ಲಿ ಇರುವುದಿಲ್ಲ; ಕೆಲವು ಒಳನೋಟಗಳು ಹಲವಾರು ದಾಖಲೆಗಳನ್ನು ಸಂಶ್ಲೇಷಿಸಿದ ನಂತರವಷ್ಟೇ ಹೊರಹೊಮ್ಮುತ್ತವೆ.
ಮುಂದೆ ಗಮನಿಸಬೇಕಾದವುಗಳು
Claude’s Deep Research ಇನ್ನೂ ಸಂಶೋಧನಾ ಹಂತದಲ್ಲಿದೆ, ಆದರೆ ಅದರ ವಾಸ್ತುಶಿಲ್ಪವು ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳನ್ನು ಸ್ವಯಂ ನಿರ್ದೇಶನಕ್ಕೆ ಬಿಡುವ ಬದಲು, ಕಟ್ಟುನಿಟ್ಟಾಗಿ ನಿಯಂತ್ರಿಸಲ್ಪಟ್ಟ ಪೈಪ್ಲೈನ್ಗಳಲ್ಲಿ ಅಳವಡಿಸುವ ಭವಿಷ್ಯದ ಬಗ್ಗೆ ಸುಳಿವು ನೀಡುತ್ತದೆ. ಗಮನಿಸಬೇಕಾದ ಪ್ರಮುಖ ಸೂಚಕಗಳು ಇಂತಿವೆ:
- Token-efficiency metrics – ಹಾರ್ನೆಸ್ ಹೆಚ್ಚು ಆಯ್ದ ಟ್ರೈಯೇಜ್ ತರ್ಕವನ್ನು (selective triage logic) ಪಡೆದುಕೊಳ್ಳುತ್ತಿದ್ದಂತೆ, 6.57 M ಟೋಕನ್ ಬೇಸ್ಲೈನ್ ಕಡಿಮೆಯಾಗುತ್ತದೆಯೇ?
- Latency trends – ಮೂರು ಪರಿಶೀಲನಾ ಏಜೆಂಟ್ಗಳು ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿರುವಾಗ, ವ್ಯವಸ್ಥೆಯು ಎಷ್ಟು ವೇಗವಾಗಿ ಸಂಪೂರ್ಣ ವರದಿಯನ್ನು ನೀಡಬಲ್ಲದು?
ಸಾರಾಂಶ
Claude’s Deep Research ತೋರಿಸುವುದೇನೆಂದರೆ, ಒಂದು ಭಾಷಾ ಮಾದರಿಯನ್ನು ಶಿಸ್ತುಬದ್ಧವಾದ, ಬಹು-ಹಂತದ ಪೈಪ್ಲೈನ್ಗೆ ಸೀಮಿತಗೊಳಿಸಿದಾಗ, ಅದು ವಿಶ್ವಾಸಾರ್ಹ ಮತ್ತು ಮೂಲ-ಆಧಾರಿತ ಉತ್ತರಗಳನ್ನು ನೀಡಬಲ್ಲದು. ನಿಜವಾದ ಕ್ರಾಂತಿಯು ಮಾದರಿಯ ಗಾತ್ರದಲ್ಲಿಲ್ಲ; ಬದಲಾಗಿ, ಪ್ರತಿಯೊಂದು ವಾದವನ್ನೂ ಸಾಬೀತುಪಡಿಸಲು, ಕಂಪ್ಯೂಟ್ ಬಳಸುವ ಮೊದಲು ಸಾಕ್ಷ್ಯಗಳನ್ನು ಶ್ರೇಣೀಕರಿಸಲು ಮತ್ತು ಮೂರು ಏಜೆಂಟ್ಗಳು ಒಪ್ಪುವವರೆಗೆ ಪ್ರತಿಯೊಂದು ಬಾಹ್ಯ ತುಣುಕನ್ನು ಅನುಮಾನಾಸ್ಪದವೆಂದು ಪರಿಗಣಿಸಲು ಮಾದರಿಯನ್ನು ಒತ್ತಾಯಿಸುವ ಸುತ್ತಮುತ್ತಲಿನ ಸಾಫ್ಟ್ವೇರ್ನಲ್ಲಿ ಇದೆ. AI-ಚಾಲಿತ ಪರಿಕರಗಳನ್ನು ನಿರ್ಮಿಸುವ ಯಾರಿಗಾದರೂ ಪಾಠ ಸ್ಪಷ್ಟವಾಗಿದೆ: ಮಾದರಿಯನ್ನು ಯೋಚಿಸಲು ಬಿಡಿ, ಆದರೆ ಅದು ಏನು ಹೇಳಬಹುದು ಎಂಬುದನ್ನು ಕೋಡ್ ನಿರ್ಧರಿಸಲಿ.