റൂൾ ഹൈരാർക്കി ട്രാപ്പ്

നിങ്ങളുടെ ടെർമിനൽ ചുവന്ന എറററുകൾ കൊണ്ട് നിറഞ്ഞിരിക്കുന്നു. പ്രൊഡക്ഷനിൽ മൂന്ന് AI ഏജന്റുകൾ പ്രവർത്തിക്കുന്നുണ്ട്. യൂസർ ഓതന്റിക്കേഷൻ എന്നാൽ എന്താണെന്ന കാര്യത്തിൽ അവ തമ്മിൽ യോജിപ്പില്ല. 20 മിനിറ്റ് കൊണ്ട് പരിഹരിക്കാവുന്ന ഒരു ബഗ്, റൂൾ ചെയിനുകളിലൂടെയുള്ള മൂന്ന് ദിവസത്തെ തിരച്ചിലായി മാറുന്നു.

2026-ലെ AI ഏജന്റ് മാനേജ്‌മെന്റിന്റെ യാഥാർത്ഥ്യം ഇതാണ്.

നിങ്ങൾ AI സിസ്റ്റങ്ങൾ വികസിപ്പിക്കുന്തോറും, റൂൾ സെറ്റുകൾ അടിയൊഴുക്കിലെ മണ്ണ് പോലെ പാളികളായി അടിഞ്ഞുകൂടുന്നു. വ്യക്തമായ നിയമങ്ങളോടെയാണ് നിങ്ങൾ തുടങ്ങുന്നത്. പിന്നീട് ആവശ്യകതകൾ മാറുന്നു. തുടർന്ന് എഡ്ജ് കേസുകൾ (edge cases) പ്രത്യക്ഷപ്പെടുന്നു. വൈകാതെ, മധ്യകാല നിയമങ്ങൾ പോലെ തോന്നിക്കുന്ന റൂൾ ചെയിനുകൾ നിങ്ങൾ പരിപാലിക്കേണ്ടി വരുന്നു. ഒരു ഏജന്റ് എന്തുകൊണ്ട് ഒരു തീരുമാനം എടുത്തു എന്ന് നിങ്ങൾക്ക് കണ്ടെത്താൻ കഴിയുന്നില്ല.

ഇത് 'കാസ്കേഡിംഗ് റൂൾ ഓപാസിറ്റി' (Cascading Rule Opacity) എന്ന അവസ്ഥയുണ്ടാക്കുന്നു. നിയമങ്ങൾ അനുസരിച്ച് തീരുമാനങ്ങൾ ശരിയായിരിക്കുമെങ്കിലും, മനുഷ്യർക്ക് അവ വിശദീകരിക്കാൻ കഴിയില്ല.

ജപ്പാനിലെ ഡെവലപ്പർമാർ ഇതിനെ 'റൂൾ പ്രിസിഡൻസ് ഹെൽ' (rule precedence hell) എന്ന് വിളിക്കുന്നു. നിയമങ്ങൾ തെറ്റായതുകൊണ്ടല്ല ഇത് സംഭവിക്കുന്നത്. മറിച്ച്, ഒരു നിയമം മനസ്സിലാക്കാൻ മുഴുവൻ ചെയിനും നിങ്ങളുടെ തലയിൽ സൂക്ഷിക്കേണ്ടി വരുന്നു എന്നതാണ് പ്രശ്നം. ഈ കോഗ്നിറ്റീവ് ലോഡ് (cognitive load) നിങ്ങളുടെ ടീമിന്റെ വേഗത കുറയ്ക്കുന്നു.

Qiita-യിലെ ഒരു സമീപകാല വിശകലനം ഇത് കൈകാര്യം ചെയ്യാൻ മൂന്ന് തലങ്ങളുള്ള ഒരു ഫ്രെയിംവർക്ക് നിർദ്ദേശിക്കുന്നു:

  • ഫൗണ്ടേഷണൽ റൂൾസ് (Foundational Rules): മാറ്റാൻ കഴിയാത്തതും വേർഷൻ ചെയ്തതുമായവ.
  • കോൺടെക്സ്റ്റual റൂൾസ് (Contextual Rules): ഡൊമെയ്ൻ അധിഷ്ഠിത മാറ്റങ്ങൾ.
  • റൺടൈം റെസല്യൂഷൻ (Runtime Resolution): വ്യക്തമായ ലോഗിംഗോടു കൂടിയ ഡൈനാമിക് ഇവാലുവേഷൻ.

ഈ ഘടന സഹായിക്കുമെങ്കിലും, ഇതിന് വലിയൊരു മനുഷ്യപ്രയത്നം ആവശ്യമാണ്. ഫീച്ചറുകൾ നിർമ്മിക്കുന്നതിന് പകരം റൂളുകൾ പരിപാലിക്കാൻ വേണ്ടി മാത്രം ഒരു ടീം അവരുടെ എഞ്ചിനീയറിംഗ് സമയത്തിന്റെ 30% ചെലവഴിക്കുന്നത് ഞാൻ കണ്ടിട്ടുണ്ട്. ഒരു മെറ്റാ-റൂൾ (meta-rule) ചേർക്കുന്നതിലൂടെ നിങ്ങൾ ഒരു മണിക്കൂർ ലാഭിച്ചാൽ, പിന്നീട് അതിന്റെ പരിപാലനത്തിനായി 4 മണിക്കൂർ നിങ്ങൾ നൽകേണ്ടി വരും.

യഥാർത്ഥ പ്രശ്നം പാളികളാകുന്നതല്ല. ടീമുകൾ വിവേചനാധികാരം (judgment) ഉപയോഗിക്കുന്നതിന് പകരം നിയമങ്ങൾ കൂട്ടിച്ചേർക്കുന്നു എന്നതാണ് പ്രശ്നം.

മെറ്റാ-പാറ്റേണുകൾ പലപ്പോഴും ദുർബലമായ ഏജന്റ് മോഡലുകൾക്കുള്ള താൽക്കാലിക പരിഹാരങ്ങളാണ്. അവ്യക്തതകൾ കൈകാര്യം ചെയ്യാൻ കഴിയുന്ന ഏജന്റുകളെ നിർമ്മിക്കുന്നതിന് പകരം, നിയമങ്ങൾ പാലിക്കാൻ നിർബന്ധിക്കുന്നതിനായി നമ്മൾ വലിയ റൂൾ ചെയിനുകൾ നിർമ്മിക്കുന്നു.

ഈ കെണി ഒഴിവാക്കാൻ ഈ ഘട്ടങ്ങൾ പാലിക്കുക:

  • നിങ്ങളുടെ റൂൾ ചെയിൻ ഓരോ മൂന്ന് മാസം കൂടുമ്പോഴും ഓഡിറ്റ് ചെയ്യുക. ഫീച്ചറുകളേക്കാൾ വേഗത്തിൽ നിയമങ്ങൾ വർദ്ധിക്കുന്നുണ്ടെങ്കിൽ, നിങ്ങൾ സാങ്കേതിക കടബാധ്യതയിൽ (technical debt) അകപ്പെട്ടിരിക്കുകയാണ്.
  • ഒരു 'റൂൾ കിൽ കൾച്ചർ' (rule kill culture) ഉണ്ടാക്കിയെടുക്കുക. ഓരോ പുതിയ നിയമവും പഴയ ഒന്നിന് പകരമാവണം.
  • റൂൾ റെസല്യൂഷൻ ലോഗ് ചെയ്യുക. ഏത് നിയമമാണ് ഒരു തീരുമാനം എടുത്തതെന്ന് നിങ്ങൾക്ക് കണ്ടെത്താൻ കഴിയുന്നില്ലെങ്കിൽ, നിങ്ങൾക്ക് അത് ഡിബഗ് (debug) ചെയ്യാൻ കഴിയില്ല.
  • ഏജന്റുകളുടെ വിവേചനാധികാരത്തിൽ (agent judgment) നിക്ഷേപിക്കുക. ശരിയായി പ്രവർത്തിക്കാൻ കുറഞ്ഞ നിയമങ്ങൾ മാത്രം ആവശ്യമുള്ള ഏജന്റുകളെ ഉപയോഗിക്കുന്ന ടീമുകളായിരിക്കും വിജയിക്കുക.

റൂൾ മാനേജ്‌മെന്റിനെ ഒരു താൽക്കാലിക നിർമ്മാണ സഹായിയായി (scaffolding) മാത്രം കാണുക. അത് നിങ്ങളുടെ സ്ഥിരമായ ഇൻഫ്രാസ്ട്രക്ചർ ആയി മാറാൻ അനുവദിക്കരുത്.

AI ഏജന്റുകളുടെ തീരുമാനങ്ങൾ ട്രാസ് (trace) ചെയ്യുന്നതിലുള്ള നിങ്ങളുടെ അനുഭവം എന്താണ്? നിങ്ങളുടെ റൂൾ ലിസ്റ്റ് നിയന്ത്രിക്കാൻ കഴിയാത്തവിധം വേഗത്തിൽ വളർന്നിട്ടുണ്ടോ?

സ്രോതസ്സ്: https://qiita.com/shatolin/items/5c18619d3474b7962021

ഓപ്ഷണൽ ലേണിംഗ് കമ്മ്യൂണിറ്റി: https://t.me/GyaanSetuAi