ThreadWeaver v3 ತನ್ನ Causal Work Graph ಅನ್ನು ಬಿಡುಗಡೆ ಮಾಡಿದೆ. ಇದು ವಿವಿಧ ಪರಿಕರಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಪತ್ತೆಹಚ್ಚುವ (cross-tool lineage engine) ತಂತ್ರವಾಗಿದ್ದು, AI-ಚಾಲಿತ ಪ್ರಶ್ನೆಗಳಿಗೆ ಕೇವಲ ಒಂದು ದಾಖಲೆಯನ್ನು ಮಾತ್ರವಲ್ಲದೆ, Slack ಚಾಟ್ಗಳು, Jira ಟಿಕೆಟ್ಗಳು, GitHub ಕಮಿಟ್ಗಳು ಮತ್ತು ಇತರ ಆರ್ಟಿಫ್ಯಾಕ್ಟ್ಗಳನ್ನು ಜೋಡಿಸುವ ಸಾಬೀತುಪಡಿಸಬಹುದಾದ ಪುರಾವೆಗಳ ಸರಪಳಿಯನ್ನು ನೀಡುತ್ತದೆ. ಇದನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳುವ ತಂಡಗಳು "ಇದನ್ನು ಏಕೆ ನಿರ್ಮಿಸಲಾಯಿತು?" ಎಂಬ ಪ್ರಶ್ನೆಗೆ ಕೇವಲ ಊಹಾಪೋಹದ ಪ್ಯಾರಾಗ್ರಾಫ್ ಬದಲಿಗೆ ದೃಶ್ಯೀಕರಿಸಲಾದ ಸಬ್ಗ್ರಾಫ್ (subgraph) ಮೂಲಕ ಉತ್ತರಿಸಬಹುದು.
ಸನ್ನಿವೇಶ: ಚದುರಿದ ಡೇಟಾ, ಕಣ್ಮರೆಯಾದ ಸಂಪರ್ಕಗಳು
ಇಂದಿನ ಇಂಜಿನಿಯರಿಂಗ್ ಗುಂಪುಗಳು ವಿವಿಧ ಪ್ಲಾಟ್ಫಾರ್ಮ್ಗಳ ಸಮ್ಮಿಶ್ರಣದಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿವೆ. ಗ್ರಾಹಕರ ದೂರು ಒಂದು ಟಿಕೆಟಿಂಗ್ ಸಿಸ್ಟಮ್ನಲ್ಲಿರುತ್ತದೆ, ಅದರ ನಂತರದ ಚರ್ಚೆ ಚಾಟ್ ಆ್ಯಪ್ನಲ್ಲಿರುತ್ತದೆ, ವಿನ್ಯಾಸದ ನಿರ್ಧಾರವು ಪ್ರಾಜೆಕ್ಟ್-ಮ್ಯಾನೇಜ್ಮೆಂಟ್ ಬೋರ್ಡ್ನಲ್ಲಿರುತ್ತದೆ, ಕೋಡ್ ರೆಪೊಸಿಟರಿಯಲ್ಲಿರುತ್ತದೆ ಮತ್ತು ರಿಲೀಸ್ ನೋಟ್ಸ್ಗಳು ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಟೂಲ್ನಲ್ಲಿರುತ್ತವೆ. ಮಾಹಿತಿಯು ಲಭ್ಯವಿರುತ್ತದೆ, ಆದರೆ ಅವುಗಳ ನಡುವಿನ ಕಾರಣಾತ್ಮಕ ಸಂಬಂಧಗಳು (causal links) ಕಣ್ಮರೆಯಾಗಿರುತ್ತವೆ. ಒಬ್ಬ ಪ್ರಾಡಕ್ಟ್ ಮ್ಯಾನೇಜರ್ (PM) ಒಂದು ಫೀಚರ್ ಅನ್ನು ಏಕೆ ರಿಲೀಸ್ ಮಾಡಲಾಯಿತು ಎಂದು ಕೇಳಿದಾಗ, ಉತ್ತರವು ಸಂದೇಶಗಳು, ಇಶ್ಯೂಗಳು ಮತ್ತು ಕಮಿಟ್ಗಳ ಜಾಲದಲ್ಲಿ ಅಡಗಿರುತ್ತದೆ. ಸಾಂಪ್ರದಾಯಿಕ ಹುಡುಕಾಟದ ಪರಿಕರಗಳು ಒಂದೇ ರೀತಿಯ ಕೀವರ್ಡ್ಗಳನ್ನು ಹೊಂದಿರುವ ಐಟಂಗಳನ್ನು ತೋರಿಸಬಹುದು, ಆದರೆ ಯಾವ ಐಟಂವು ಮುಂದಿನ ಘಟನೆಯನ್ನು ಪ್ರಚೋದಿಸಿತು ಎಂಬುದನ್ನು ಅವು ಹೇಳಲು ಸಾಧ್ಯವಿಲ್ಲ.
ಇದು ಏಕೆ ಮುಖ್ಯ: Provenance ಮತ್ತು Hallucination ನಡುವಿನ ವ್ಯತ್ಯಾಸ
ಹೆಚ್ಚಿನ ಲಾರ್ಜ್ ಲ್ಯಾಂಗ್ವೇಜ್ ಮಾಡೆಲ್ಗಳು (LLMs) ಅರ್ಥಾತ್ಮಕ ಸಾಮ್ಯತೆಯನ್ನು (semantic similarity) ಆಧರಿಸಿ ಉತ್ತರಿಸುತ್ತವೆ. ಒಂದು Jira ಟಿಕೆಟ್ Slack ಚಾನಲ್ ಅನ್ನು ಉಲ್ಲೇಖಿಸಿದ್ದರೆ ಅದು ಸಂಬಂಧಿತವಾಗಿ ಕಾಣಿಸಬಹುದು, ಆದರೆ ಆ ಚಾಟ್ನಿಂದಲೇ ಟಿಕೆಟ್ ಸೃಷ್ಟಿಯಾಯಿತು ಎಂದು ಮಾಡೆಲ್ ಸಾಬೀತುಪಡಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ. ಇದರ ಪರಿಣಾಮ "hallucination" (ಭ್ರಮೆ) – ಅಂದರೆ ಕೇಳಲು ಸಮಂಜಸವಾಗಿ ಕಾಣುವ ಆದರೆ ಪರಿಶೀಲಿಸಬಹುದಾದ ಮೂಲವಿಲ್ಲದ ಉತ್ತರ. ನಿಯಮಿತ ಪರಿಸರಗಳಲ್ಲಿ (regulated environments) ಅಥವಾ ಹೊಣೆಗಾರಿಕೆ ಮುಖ್ಯವಾಗುವ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಈ ಕೊರತೆಯು ದೊಡ್ಡ ನಷ್ಟವನ್ನು ಉಂಟುಮಾಡಬಹುದು. Causal Work Graph ಈ ಊಹಾಪೋಹಗಳನ್ನು ತೆಗೆದುಹಾಕಿ, ಟೈಮ್ಸ್ಟ್ಯಾಂಪ್ಗಳು, ನಟರ (actor) ಗುರುತಿಸುವಿಕೆಗಳು, ಸಂಬಂಧದ ವಿಧಗಳು ಮತ್ತು ಕಾನ್ಫಿಡೆನ್ಸ್ ಸ್ಕೋರ್ಗಳಂತಹ ನಿರ್ದಿಷ್ಟ ಪುರಾವೆಗಳನ್ನು ಹೊಂದಿರುವ ಗ್ರಾಫ್ ಅನ್ನು ನೀಡುತ್ತದೆ.
Causal Work Graph ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ
- Event-centric modeling – ಪ್ರತಿ ನೋಡ್ ಒಂದು ಸ್ಥಿರ ದಾಖಲೆಗಿಂತ ಹೆಚ್ಚಾಗಿ ಒಂದು ಘಟನೆಯನ್ನು (ಉದಾಹರಣೆಗೆ, ಒಂದು Slack ಸಂದೇಶ, ಒಂದು Jira ಇಶ್ಯೂ ರಚನೆ) ಪ್ರತಿನಿಧಿಸುತ್ತದೆ.
- Explicit relationships – ಎಡ್ಜ್ಗಳು (edges) ಪೂರಕ ಪುರಾವೆಗಳೊಂದಿಗೆ ನಿರ್ದಿಷ್ಟ ಕಾರಣಾತ್ಮಕ ವಾದವನ್ನು ("Slack ಚರ್ಚೆಯು PM ನಿರ್ಧಾರಕ್ಕೆ ಕಾರಣವಾಯಿತು") ಎನ್ಕೋಡ್ ಮಾಡುತ್ತವೆ.
- Provenance metadata – ಪ್ರತಿ ಎಡ್ಜ್ ಮೂಲ (source), ಗುರಿ (target), ಟೈಮ್ಸ್ಟ್ಯಾಂಪ್, ನಟ (actor), ಕಾನ್ಫಿಡೆನ್ಸ್ ಮಟ್ಟ ಮತ್ತು ವಾದವನ್ನು ದೃಢೀಕರಿಸುವ ಮೂಲ ಆರ್ಟಿಫ್ಯಾಕ್ಟ್ಗೆ ಪಾಯಿಂಟರ್ ಅನ್ನು ಸಂಗ್ರಹಿಸುತ್ತದೆ.
- Uncertainty handling – ಒಂದು ವೇಳೆ ಸಿಸ್ಟಮ್ ಲಿಂಕ್ ಮಾಡುವ ಘಟನೆಯನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಸಾಧ್ಯವಾಗದಿದ್ದರೆ, ಅದು ಕೃತಕ ಸಂಬಂಧವನ್ನು ಸೃಷ್ಟಿಸುವ ಬದಲು "Unknown" ಎಂದು ನೀಡುತ್ತದೆ.
- Permission-aware exposure – ಬಳಕೆದಾರರು ತಮಗೆ ಅನುಮತಿ ಇರುವ ಆರ್ಟಿಫ್ಯಾಕ್ಟ್ಗಳ ಎಡ್ಜ್ಗಳನ್ನು ಮಾತ್ರ ನೋಡಬಹುದು; ಒಂದು ವೇಳೆ Slack ಸಂದೇಶ ಲಭ್ಯವಿಲ್ಲದಿದ್ದರೆ, ಅದಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಎಡ್ಜ್ ಅನ್ನು ಸಿಸ್ಟಮ್ ಮರೆಮಾಚುತ್ತದೆ.
- LLM as interpreter, not repository – ಭಾಷಾ ಮಾದರಿಯು (language model) ಗ್ರಾಫ್ ಅನ್ನು ನೈಸರ್ಗಿಕ ಭಾಷೆಯ ವಿವರಣೆಗಳಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ, ಆದರೆ ಗ್ರಾಫ್ ಸ್ವತಃ ಅಧಿಕೃತ ಸತ್ಯದ ಮೂಲವಾಗಿ ಉಳಿಯುತ್ತದೆ.
ಒಬ್ಬ ಬಳಕೆದಾರರು, "ರಿಲೀಸ್ಗೆ ಕಾರಣವೇನು?" ಎಂದು ಕೇಳಿದಾಗ, ಇಂಜಿನ್ ಈ ಕೆಳಗಿನಂತೆ ಕಾಣುವ ಸಬ್ಗ್ರಾಫ್ ಅನ್ನು ಸಿದ್ಧಪಡಿಸುತ್ತದೆ:
- ಗ್ರಾಹಕರ ದೂರು → Slack ಚರ್ಚೆ (ಟೈಮ್ಸ್ಟ್ಯಾಂಪ್, ಬಳಕೆದಾರ)
- Slack ಚರ್ಚೆ → PM ನಿರ್ಧಾರ (Jira ಟಿಕೆಟ್)
- PM ನಿರ್ಧಾರ → GitHub ಕಮಿಟ್ (ಕೋಡ್ ಬದಲಾವಣೆ)
- GitHub ಕಮಿಟ್ → ರಿಲೀಸ್ (ಆರ್ಟಿಫ್ಯಾಕ್ಟ್)
ಪ್ರತಿಕ್ರಿಯೆಯು ನಿಖರವಾದ Slack ಸಂದೇಶ ಮತ್ತು Jira ಕಾಮೆಂಟ್ಗೆ ಲಿಂಕ್ಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ, ಇದರಿಂದ ಕೇಳಿದವರು ಪ್ರತಿ ಹಂತವನ್ನೂ ಪರಿಶೀಲಿಸಬಹುದು.
ಸಾರಾಂಶ
ThreadWeaver v3 ನ Causal Work Graph ಚದುರಿದ ಇಂಜಿನಿಯರಿಂಗ್ ಆರ್ಟಿಫ್ಯಾಕ್ಟ್ಗಳನ್ನು ಒಂದೇ, ಪರಿಶೀಲಿಸಬಹುದಾದ ಕಾರಣ ಮತ್ತು ಪರಿಣಾಮಗಳ ಸರಳ ಸರಪಳಿಯನ್ನಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ. ಪ್ರತಿಯೊಂದು ಲಿಂಕ್ಗೂ ಪುರಾವೆಯನ್ನು ಕೇಳುವ ಮೂಲಕ, ಇದು ಕೇವಲ LLM ಉತ್ತರಗಳಲ್ಲಿ ಕಂಡುಬರುವ hallucination ಗಳನ್ನು ತಪ್ಪಿಸುತ್ತದೆ ಮತ್ತು ಪ್ರತಿ ರಿಲೀಸ್ನ ಹಿಂದಿನ "ಏಕೆ" ಎಂಬುದನ್ನು ಪತ್ತೆಹಚ್ಚಲು ತಂಡಗಳಿಗೆ ಒಂದು ನಿರ್ದಿಷ್ಟ ಮಾರ್ಗವನ್ನು ನೀಡುತ್ತದೆ.