ThreadWeaver v3 ਨੇ ਆਪਣਾ Causal Work Graph ਲਾਂਚ ਕੀਤਾ ਹੈ, ਜੋ ਕਿ ਇੱਕ cross-tool lineage engine ਹੈ। ਇਹ AI-ਡਰਾਈਵਨ ਕੁਏਰੀਆਂ ਨੂੰ ਨਾ ਸਿਰਫ਼ ਇੱਕ ਦਸਤਾਵੇਜ਼, ਸਗੋਂ Slack ਚੈਟਸ, Jira ਟਿਕਟਾਂ, GitHub ਕਮਿਟਸ ਅਤੇ ਹੋਰ ਆਰਟੀਫੈਕਟਸ ਨੂੰ ਜੋੜਨ ਵਾਲੇ ਸਬੂਤਾਂ ਦੀ ਇੱਕ ਪ੍ਰਮਾਣਿਤ ਲੜੀ ਪ੍ਰਦਾਨ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। ਇਸ ਨੂੰ ਅਪਣਾਉਣ ਵਾਲੀਆਂ ਟੀਮਾਂ ਕਿਸੇ ਅੰਦਾਜ਼ੇ ਵਾਲੇ ਪੈਰੇ ਦੀ ਬਜਾਏ ਇੱਕ ਦਿਖਾਈ ਦੇਣ ਵਾਲੇ subgraph ਨਾਲ ਇਹ ਜਵਾਬ ਦੇ ਸਕਦੀਆਂ ਹਨ ਕਿ "ਇਹ ਕਿਉਂ ਬਣਾਇਆ ਗਿਆ ਸੀ?"
ਪ੍ਰਸੰਗ: ਖਿੰਡਿਆ ਹੋਇਆ ਡੇਟਾ, ਗੁੰਮ ਹੋਏ ਸੰਬੰਧ
ਅੱਜ ਇੰਜੀਨੀਅਰਿੰਗ ਗਰੁੱਪ ਵੱਖ-ਵੱਖ ਪਲੇਟਫਾਰਮਾਂ ਦੇ ਇੱਕ ਮਿਸ਼ਰਣ ਵਿੱਚ ਕੰਮ ਕਰਦੇ ਹਨ। ਇੱਕ ਗਾਹਕ ਦੀ ਸ਼ਿਕਾਇਤ ਟਿਕਟਿੰਗ ਸਿਸਟਮ ਵਿੱਚ ਹੁੰਦੀ ਹੈ, ਉਸ ਤੋਂ ਬਾਅਦ ਦੀ ਚਰਚਾ ਚੈਟ ਐਪ ਵਿੱਚ ਹੁੰਦੀ ਹੈ, ਡਿਜ਼ਾਈਨ ਦਾ ਫੈਸਲਾ ਪ੍ਰੋਜੈਕਟ-ਮੈਨੇਜਮੈਂਟ ਬੋਰਡ ਵਿੱਚ ਹੁੰਦਾ ਹੈ, ਕੋਡ ਰਿਪੋਜ਼ਟਰੀ ਵਿੱਚ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਰਿਲੀਜ਼ ਨੋਟਸ ਡਾਕੂਮੈਂਟੇਸ਼ਨ ਟੂਲ ਵਿੱਚ ਹੁੰਦੇ ਹਨ। ਕੱਚੀ ਜਾਣਕਾਰੀ ਉੱਥੇ ਹੁੰਦੀ ਹੈ, ਪਰ ਉਹਨਾਂ ਵਿਚਕਾਰ ਕਾਰਨ-ਪ੍ਰਭਾਵ ਵਾਲੇ (causal) ਸੰਬੰਧ ਅਦਿੱਖ ਹੁੰਦੇ ਹਨ। ਜਦੋਂ ਕੋਈ ਪ੍ਰੋਡਕਟ ਮੈਨੇਜਰ ਪੁੱਛਦਾ ਹੈ ਕਿ ਕੋਈ ਫੀਚਰ ਕਿਉਂ ਰਿਲੀਜ਼ ਕੀਤਾ ਗਿਆ ਸੀ, ਤਾਂ ਜਵਾਬ ਮੈਸੇਜਾਂ, ਇਸ਼ੂਆਂ ਅਤੇ ਕਮਿਟਸ ਦੇ ਜਾਲ ਵਿੱਚ ਲੁਕਿਆ ਹੁੰਦਾ ਹੈ। ਰਵਾਇਤੀ ਸਰਚ ਟੂਲ ਉਹਨਾਂ ਚੀਜ਼ਾਂ ਨੂੰ ਦਿਖਾ ਸਕਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਸਮਾਨ ਕੀਵਰਡ ਹੁੰਦੇ ਹਨ, ਪਰ ਉਹ ਇਹ ਨਹੀਂ ਦੱਸ ਸਕਦੇ ਕਿ ਕਿਹੜੀ ਚੀਜ਼ ਨੇ ਅਸਲ ਵਿੱਚ ਅਗਲੀ ਚੀਜ਼ ਨੂੰ ਟ੍ਰਿਗਰ ਕੀਤਾ ਸੀ।
ਇਹ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ: provenance ਬਨਾਮ hallucination
ਜ਼ਿਆਦਾਤਰ Large Language Models (LLMs) ਅਰਥ-ਗੰਭੀਰ ਸਮਾਨਤਾ (semantic similarity) ਦੇ ਆਧਾਰ 'ਤੇ ਜਵਾਬ ਦਿੰਦੇ ਹਨ। ਇੱਕ Jira ਟਿਕਟ ਜੋ Slack ਚੈਨਲ ਦਾ ਜ਼ਿਕਰ ਕਰਦੀ ਹੈ, ਉਹ ਸਬੰਧਤ ਲੱਗ ਸਕਦੀ ਹੈ, ਫਿਰ ਵੀ ਮਾਡਲ ਇਹ ਸਾਬਤ ਨਹੀਂ ਕਰ ਸਕਦਾ ਕਿ ਉਸ ਚੈਟ ਨੇ ਟਿਕਟ ਦਾ ਕਾਰਨ ਬਣਿਆ ਸੀ। ਇਸ ਦਾ ਨਤੀਜਾ "hallucination" ਹੁੰਦਾ ਹੈ - ਇੱਕ ਅਜਿਹਾ ਜਵਾਬ ਜੋ ਸੁਣਨ ਵਿੱਚ ਸਹੀ ਲੱਗਦਾ ਹੈ ਪਰ ਉਸ ਵਿੱਚ ਕੋਈ ਪ੍ਰਮਾਣਿਤ ਸਰੋਤ ਨਹੀਂ ਹੁੰਦਾ। ਨਿਯਮਿਤ ਵਾਤਾਵਰਣਾਂ ਵਿੱਚ, ਜਾਂ ਜਦੋਂ ਵੀ ਜਵਾਬਦੇਹੀ ਮਹੱਤਵਪੂਰਨ ਹੁੰਦੀ ਹੈ, ਇਹ ਘਾਟ ਬਹੁਤ ਮਹਿੰਗੀ ਪੈ ਸਕਦੀ ਹੈ। Causal Work Graph ਅੰਦਾਜ਼ੇ ਦੀ ਜਗ੍ਹਾ ਇੱਕ ਅਜਿਹਾ ਗ੍ਰਾਫ ਲਿਆਉਂਦਾ ਹੈ ਜਿਸ ਦੇ ਕਿਨਾਰੇ (edges) ਪੱਕੇ ਸਬੂਤਾਂ ਦੁਆਤੇ ਸਮਰਥਿਤ ਹੁੰਦੇ ਹਨ: ਟਾਈਮਸਟੈਂਪਸ, ਐਕਟਰ ਆਈਡੈਂਟੀਫਾਇਰਸ, ਰਿਲੇਸ਼ਨਸ਼ਿਪ ਟਾਈਪਸ ਅਤੇ ਕਾਨਫੀਡੈਂਸ ਸਕੋਰਸ।
Causal Work Graph ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ
- Event-centric ਮਾਡਲਿੰਗ – ਹਰ ਨੋਡ ਇੱਕ ਸਥਿਰ ਦਸਤਾਵੇਜ਼ ਦੀ ਬਜਾਏ ਇੱਕ ਘਟਨਾ (ਜਿਵੇਂ ਕਿ ਇੱਕ Slack ਮੈਸੇਜ, ਇੱਕ Jira ਇਸ਼ੂ ਦੀ ਸਿਰਜਣਾ) ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।
- ਸਪੱਸ਼ਟ ਸੰਬੰਧ (Explicit relationships) – edges ਸਹਾਇਕ ਸਬੂਤਾਂ ਦੇ ਨਾਲ-ਨਾਲ ਖਾਸ ਕਾਰਨ ਦਾ ਦਾਅਵਾ (“Slack ਚਰਚਾ PM ਦੇ ਫੈਸਲੇ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀ ਹੈ”) ਕੋਡ ਕਰਦੇ ਹਨ।
- Provenance ਮੈਟਾਡਾਟਾ – ਹਰ edge ਸਰੋਤ, ਟਾਰਗੇਟ, ਟਾਈਮਸਟੈਂਪ, ਐਕਟਰ, ਕਾਨਫੀਡੈਂਸ ਲੈਵਲ ਅਤੇ ਅਸਲ ਆਰਟੀਫੈਕਟ ਵੱਲ ਇੱਕ ਪੁਆਇੰਟਰ ਸਟੋਰ ਕਰਦਾ ਹੈ ਜੋ ਦਾਅਵੇ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ।
- ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਸੰਭਾਲਣਾ (Uncertainty handling) – ਜੇਕਰ ਸਿਸਟਮ ਲਿੰਕ ਕਰਨ ਵਾਲੀ ਘਟਨਾ ਲੱਭ ਨਹੀਂ ਸਕਦਾ, ਤਾਂ ਇਹ ਕੋਈ ਗਲਤ ਸੰਬੰਧ ਬਣਾਉਣ ਦੀ ਬਜਾਏ “Unknown” ਵਾਪਸ ਕਰਦਾ ਹੈ।
- ਇਜਾਜ਼ਤ-ਜਾਣੂ ਐਕਸਪੋਜ਼ਰ (Permission-aware exposure) – ਉਪਭੋਗਤਾ ਸਿਰਫ਼ ਉਹਨਾਂ edges ਨੂੰ ਦੇਖ ਸਕਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਦੇ ਅਧੀਨ ਆਰਟੀਫੈਕਟਸ ਦੇਖਣ ਲਈ ਉਹਨਾਂ ਕੋਲ ਅਧਿਕਾਰ ਹਨ; ਇੱਕ ਗੁੰਮ ਹੋਇਆ Slack ਮੈਸੇਜ ਸਿਰਫ਼ ਉਸ ਨਾਲ ਸਬੰਧਤ edge ਨੂੰ ਲੁਕਾ ਦਿੰਦਾ ਹੈ।
- LLM ਇੱਕ ਇੰਟਰਪ੍ਰੀਟਰ ਵਜੋਂ, ਰਿਪੋਜ਼ਟਰੀ ਵਜੋਂ ਨਹੀਂ – ਭਾਸ਼ਾ ਮਾਡਲ ਗ੍ਰਾਫ ਨੂੰ ਕੁਦਰਤੀ-ਭਾਸ਼ਾ ਦੀਆਂ ਵਿਆਖਿਆਵਾਂ ਵਿੱਚ ਬਦਲਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਗ੍ਰਾਫ ਖੁਦ ਸੱਚਾਈ ਦਾ ਅਧਿਕਾਰਤ ਸਰੋਤ ਬਣਿਆ ਰਹਿੰਦਾ ਹੈ।
ਜਦੋਂ ਕੋਈ ਉਪਭੋਗਤਾ ਪੁੱਛਦਾ ਹੈ, “ਰਿਲੀਜ਼ ਦਾ ਕਾਰਨ ਕੀ ਸੀ?” ਤਾਂ ਇੰਜਣ ਇੱਕ subgraph ਇਕੱਠਾ ਕਰਦਾ ਹੈ ਜੋ ਇਸ ਤਰ੍ਹਾਂ ਦਿਖ ਸਕਦਾ ਹੈ:
- ਗਾਹਕ ਦੀ ਸ਼ਿਕਾਇਤ → Slack ਚਰਚਾ (ਟਾਈਮਸਟੈਂਪ, ਯੂਜ਼ਰ)
- Slack ਚਰਚਾ → PM ਫੈਸਲਾ (Jira ਟਿਕਟ)
- PM ਫੈਸਲਾ → GitHub ਕਮਿਟ (ਕੋਡ ਤਬਦੀਲੀ)
- GitHub ਕਮਿਟ → ਰਿਲੀਜ਼ (artifact)
ਜਵਾਬ ਵਿੱਚ ਸਹੀ Slack ਮੈਸੇਜ ਅਤੇ Jira ਕਮੈਂਟ ਦੇ ਲਿੰਕ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਪੁੱਛਣ ਵਾਲਾ ਹਰ ਕਦਮ ਦੀ ਪੁਸ਼ਟੀ ਕਰ ਸਕਦਾ ਹੈ।
ਸਿੱਟਾ (Takeaway)
ThreadWeaver v3 ਦਾ Causal Work Graph ਖਿੰਡੇ ਹੋਏ ਇੰਜੀਨੀਅਰਿੰਗ ਆਰਟੀਫੈਕਟਸ ਨੂੰ ਕਾਰਨ ਅਤੇ ਪ੍ਰਭਾਵ ਦੀ ਇੱਕ ਸਿੰਗਲ, ਆਡਿਟ ਕਰਨ ਯੋਗ ਲੜੀ ਵਿੱਚ ਬਦਲ ਦਿੰਦਾ ਹੈ। ਹਰ ਲਿੰਕ ਲਈ ਸਬੂਤ ਦੀ ਮੰਗ ਕਰਕੇ, ਇਹ ਉਹਨਾਂ hallucinations ਤੋਂ ਬਚਦਾ ਹੈ ਜੋ ਸ਼ੁੱਧ-LLM ਜਵਾਬਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ ਅਤੇ ਟੀਮਾਂ ਨੂੰ ਹਰ ਰਿਲੀਜ਼ ਦੇ ਪਿੱਛੇ ਦੇ “ਕਿਉਂ” ਦਾ ਪਤਾ ਲਗਾਉਣ ਦਾ ਇੱਕ ਪੱਕਾ ਤਰੀਕਾ ਦਿੰਦਾ ਹੈ।