ThreadWeaver v3 ने त्याचा Causal Work Graph लाँच केला आहे, जो एक क्रॉस-टूल लीनेज इंजिन (cross-tool lineage engine) आहे. हे इंजिन AI-चालित क्वेरीजना केवळ एक दस्तऐवज न देता, Slack चॅट्स, Jira तिकिट्स, GitHub कमिट्स आणि इतर आर्टिफॅक्ट्सना जोडणारी पुराव्यांची एक सिद्ध करता येण्याजोगी साखळी प्रदान करते. जे टीम्स याचा अवलंब करतात, ते "हे का बनवले गेले?" या प्रश्नाचे उत्तर केवळ एक अंदाजित परिच्छेद न देता, एका दृश्य सबग्राफद्वारे (subgraph) देऊ शकतात.
संदर्भ: विखुरलेला डेटा, तुटलेले संबंध
आज इंजिनिअरिंग ग्रुप्स विविध प्लॅटफॉर्म्सच्या मिश्रणात काम करतात. ग्राहकाची तक्रार टिकेटिंग सिस्टममध्ये असते, त्यानंतर झालेली चर्चा चॅट ॲपमध्ये असते, डिझाइनचा निर्णय प्रोजेक्ट-मॅनेजमेंट बोर्डवर असतो, कोड रिपॉझिटरीमध्ये असतो आणि रिलीज नोट्स डॉक्युमेंटेशन टूलमध्ये असतात. कच्ची माहिती तिथे उपलब्ध असते, परंतु त्यांच्यामधील कार्यकारण भाव (causal links) अदृश्य असतात. जेव्हा एखादा प्रॉडक्ट मॅनेजर एखादे फीचर का रिलीज केले गेले हे विचारतो, तेव्हा त्याचे उत्तर मेसेजेस, इश्यूज आणि कमिट्सच्या जाळ्यात लपलेले असते. पारंपारिक शोध साधने (search tools) समान कीवर्ड्स असलेले घटक शोधू शकतात, परंतु कोणता घटक प्रत्यक्षात पुढील घटकाला कारणीभूत ठरला, हे ते सांगू शकत नाहीत.
महत्त्व: प्रोव्हेनन्स (provenance) विरुद्ध हॅलुसिनेशन (hallucination)
बहुतेक लार्ज लँग्वेज मॉडेल्स (LLMs) सिमेंटिक साम्य (semantic similarity) जुळवून उत्तरे देतात. एखादे Jira तिकीट ज्यामध्ये Slack चॅनेलचा उल्लेख आहे, ते संबंधित वाटू शकते, परंतु मॉडेल हे सिद्ध करू शकत नाही की त्या चॅटनेच तिकीट तयार करण्यास कारणीभूत ठरले. याचे परिणामी "हॅलुसिनेशन" (hallucination) होते – असे उत्तर जे ऐकायला पटण्यासारखे वाटते परंतु ज्याचा कोणताही पडताळण्यायोग्य स्रोत नसतो. नियंत्रित वातावरणात (regulated environments), किंवा जिथे उत्तरदायित्व (accountability) महत्त्वाचे असते, तिथे ही त्रुटी महाग पडू शकते. Causal Work Graph केवळ अंदाज लावण्याऐवजी असा ग्राफ प्रदान करतो ज्याचे edges ठोस पुराव्यांवर आधारित असतात: टाइमस्टॅम्प्स, ॲक्टर आयडेंटिफायर्स, रिलेशनशिप प्रकार आणि कॉन्फिडन्स स्कोअर.
Causal Work Graph कसे कार्य करते
- इव्हेंट-केंद्रित मॉडेलिंग (Event-centric modeling) – प्रत्येक नोड (node) हा केवळ एक स्थिर दस्तऐवज नसून एक इव्हेंट (उदा. Slack मेसेज, Jira इश्यू निर्मिती) दर्शवतो.
- स्पष्ट संबंध (Explicit relationships) – edges विशिष्ट कार्यकारण दावा ("Slack चर्चा PM च्या निर्णयाला माहिती देते") आणि त्यासोबतचे समर्थन देणारे पुरावे एनकोड करतात.
- प्रोव्हेनन्स मेटाडेटा (Provenance metadata) – प्रत्येक edge त्याचा स्रोत (source), लक्ष्य (target), टाइमस्टॅम्प, ॲक्टर, कॉन्फिडन्स लेव्हल आणि दाव्याची पुष्टी करणाऱ्या मूळ आर्टिफॅक्टचा पॉइंटर स्टोअर करते.
- अनिश्चितता हाताळणे (Uncertainty handling) – जर सिस्टमला जोडणारा इव्हेंट शोधता आला नाही, तर ती चुकीचा संबंध जोडण्याऐवजी "Unknown" (अज्ञात) असे उत्तर देते.
- परवानगी-जागरूक प्रदर्शन (Permission-aware exposure) – वापरकर्त्यांना फक्त तेच edges दिसतात ज्यांच्या मूळ आर्टिफॅक्ट्स पाहण्याचा त्यांना अधिकार आहे; एखादा Slack मेसेज उपलब्ध नसल्यास त्याशी संबंधित edge आपोआप लपवला जातो.
- LLM हे इंटरप्रिटर (interpreter) म्हणून, रिपॉझिटरी म्हणून नाही – लँग्वेज मॉडेल ग्राफचे नैसर्गिक भाषेत स्पष्टीकरण करते, तर ग्राफ स्वतः सत्याचा अधिकृत स्रोत (authoritative source of truth) म्हणून राहतो.
जेव्हा एखादा वापरकर्ता विचारतो, "रिलीज कशामुळे झाला?", तेव्हा इंजिन असा सबग्राफ तयार करते जो खालीलप्रमाणे दिसू शकतो:
- ग्राहकाची तक्रार → Slack चर्चा (timestamp, वापरकर्ता)
- Slack चर्चा → PM निर्णय (Jira तिकीट)
- PM निर्णय → GitHub कमिट (कोड बदल)
- GitHub कमिट → रिलीज (आर्टिफॅक्ट)
प्रतिसादात नेमक्या Slack मेसेज आणि Jira कमेंटच्या लिंक्स समाविष्ट असतात, ज्यामुळे विचारणाऱ्याला प्रत्येक पायरीची पडताळणी करता येते.
निष्कर्ष
ThreadWeaver v3 चा Causal Work Graph विखुरलेल्या इंजिनिअरिंग आर्टिफॅक्ट्सना कार्यकारण भाव आणि परिणामांच्या एकाच, ऑडिट करण्यायोग्य साखळीत रूपांतरित करतो. प्रत्येक दुव्यासाठी पुरावे मागून, हे केवळ LLM च्या उत्तरांमध्ये आढळणाऱ्या हॅलुसिनेशन टाळते आणि टीम्सना प्रत्येक रिलीजमागील "का" शोधण्याचा एक ठोस मार्ग देते.