விதிகளின் படிநிலைச் சிக்கல்

உங்கள் டெர்மினல் சிவப்பு நிறப் பிழைகளால் நிறைந்து காணப்படுகிறது. தயாரிப்புச் சூழலில் (production) மூன்று AI ஏஜெண்டுகள் இயங்குகின்றன. பயனர் அங்கீகாரம் (user authentication) என்றால் என்ன என்பதில் அவற்றுள் எதுவுமே உடன்படவில்லை. 20 நிமிடப் பிழை, விதிகளின் சங்கிலித் தொடர்களைத் தேடுவதன் மூலம் 3 நாள் தேடலாக மாறுகிறது.

2026-ல் AI ஏஜென்ட் நிர்வாகத்தின் யதார்த்தம் இதுதான்.

நீங்கள் AI அமைப்புகளை விரிவுபடுத்தும்போது, விதிகளின் தொகுப்புகள் படிமங்களைப் போல ஒன்றன் மேல் ஒன்றாகப் படியத் தொடங்கும். நீங்கள் தெளிவான விதிகளுடன் தொடங்குவீர்கள். பிறகு தேவைகள் மாறும். பிறகு விளிம்பு நிலைச் சூழல்கள் (edge cases) தோன்றும். விரைவில், நீங்கள் இடைக்காலச் சட்டங்களைப் போலத் தோற்றமளிக்கும் விதிகளின் சங்கிலித் தொடர்களைப் பராமரிக்க வேண்டியிருக்கும். ஒரு ஏஜென்ட் ஏன் ஒரு முடிவை எடுத்தது என்பதை உங்களால் கண்டறிய முடியாது.

இது 'தொடர் விதிகளின் தெளிவற்ற நிலை'யை (Cascading Rule Opacity) உருவாக்குகிறது. முடிவுகள் விதிகளின்படி சரியாக இருக்கலாம், ஆனால் மனிதர்களால் அவற்றை விளக்குவது சாத்தியமற்றதாகிவிடும்.

ஜப்பானில், டெவலப்பர்கள் இதை 'விதி முன்னுரிமை நரகம்' (rule precedence hell) என்று அழைக்கிறார்கள். விதிகள் தவறானவை என்று அர்த்தமல்ல. ஒரு விதியைத் தெரிந்துகொள்ள, முழுச் சங்கிலியையும் உங்கள் நினைவில் வைத்திருக்க வேண்டியுள்ளது என்பதே சிக்கல். இந்த அறிவுசார் சுமை (cognitive load) உங்கள் குழுவின் வேகத்தைக் குறைக்கிறது.

Qiita-வில் சமீபத்தில் செய்யப்பட்ட ஒரு ஆய்வு, இதை நிர்வகிக்க மூன்று அடுக்கு கட்டமைப்பை (three tier framework) பரிந்துரைக்கிறது:

  • அடிப்படை விதிகள் (Foundational Rules): மாற்ற முடியாதவை மற்றும் பதிப்புப்படுத்தப்பட்டவை (versioned).
  • சூழல் சார்ந்த விதிகள் (Contextual Rules): குறிப்பிட்ட துறை சார்ந்த மாற்றங்கள்.
  • ரன்டைம் தீர்வு (Runtime Resolution): தெளிவான பதிவுகளுடன் (logging) கூடிய மாறும் மதிப்பீடு.

இந்த அமைப்பு உதவுகிறது, ஆனால் இதற்கு மனித உழைப்பு அதிகம் தேவைப்படுகிறது. ஒரு குழுவினர் புதிய அம்சங்களை (features) உருவாக்குவதற்குப் பதிலாக, விதிகளையே பராமரிக்கத் தங்கள் பொறியியல் நேரத்தின் 30% செலவிடுவதை நான் பார்த்திருக்கிறேன். ஒரு மெட்டா-விதியை (meta-rule) சேர்ப்பதன் மூலம் நீங்கள் ஒரு மணிநேரத்தைச் சேமித்தால், அதற்குப் பதிலாகப் பராமரிப்பிற்காகப் பின்னாளில் 4 மணிநேரத்தைச் செலுத்த வேண்டியிருக்கும்.

உண்மையான பிரச்சனை அடுக்குகளாகப் படிவது அல்ல. குழுக்கள் பகுத்தறிவை (judgment) வளர்ப்பதற்குப் பதிலாக, விதிகளைச் சேர்ப்பதே பிரச்சனை.

மெட்டா-பேட்டர்ன்கள் (Meta-patterns) பெரும்பாலும் பலவீனமான ஏஜென்ட் மாடல்களுக்கான தற்காலிகத் தீர்வுகளே. தெளிவற்ற நிலைகளைக் கையாளும் ஏஜெண்டுகளை உருவாக்குவதற்குப் பதிலாக, விதிகளுக்குக் கீழ்ப்படிய வைப்பதற்காகப் பிரம்மாண்டமான விதிகளின் சங்கிலித் தொடர்களை உருவாக்குகிறோம்.

இந்தச் சிக்கலைத் தவிர்க்க, இந்த வழிமுறைகளைப் பின்பற்றுங்கள்:

  • உங்கள் விதிகளின் சங்கிலித் தொடரைத் தகுந்த கால இடைவெளியில் (quarterly) ஆய்வு செய்யுங்கள். விதிகள் அம்சங்களை விட வேகமாக வளர்கின்றன என்றால், நீங்கள் தொழில்நுட்பக் கடனில் (technical debt) இருக்கிறீர்கள் என்று அர்த்தம்.
  • விதி நீக்க கலாச்சாரத்தை (rule kill culture) உருவாக்குங்கள். ஒவ்வொரு புதிய விதியும் ஒரு பழைய விதியை மாற்றியமைக்க வேண்டும்.
  • விதிகளின் தீர்வுகளைப் பதிவு செய்யுங்கள் (Log rule resolution). எந்த விதி ஒரு முடிவை எடுத்தது என்பதைக் கண்டறிய முடியாவிட்டால், உங்களால் அதைச் சரிசெய்ய (debug) முடியாது.
  • ஏஜென்ட் பகுத்தறிவில் (agent judgment) முதலீடு செய்யுங்கள். சரியாகச் செயல்படக் குறைவான விதிகளே தேவைப்படும் ஏஜெண்டுகளைப் பயன்படுத்தும் குழுக்களே வெற்றி பெறும்.

விதி நிர்வாகத்தை ஒரு தற்காலிகக் கட்டமைப்பாக (scaffolding) மட்டும் கருதுங்கள். அது உங்கள் நிரந்தரக் கட்டமைப்பாக (infrastructure) மாறிவிட அனுமதிக்காதீர்கள்.

AI ஏஜென்ட் முடிவுகளைக் கண்டறிவதில் உங்கள் அனுபவம் என்ன? உங்கள் விதிகளின் பட்டியல் நிர்வகிக்க முடியாத அளவுக்கு வேகமாக வளர்ந்துவிட்டதா?

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

Optional learning community: https://t.me/GyaanSetuAi