ChatGPT-லிருந்து AI Agents வரை: ஒரு பொறியாளராக இரண்டு ஆண்டுகள்
இரண்டு ஆண்டுகளுக்கு முன்பு, நான் கேள்விகள் கேட்பதற்கு மட்டுமே AI-ஐப் பயன்படுத்தினேன்.
இன்று, நான் பல கோடிங் ஏஜென்ட்களை (coding agents) ஒருங்கிணைக்கிறேன். MCP மூலம் நிறுவனத்தின் அறிவை இணைக்கிறேன். iOS செயலிகளில் உள்ளூர் மாடல்களை (local models) இயக்குகிறேன். ஏஜென்ட்கள் இணைந்து செயல்படுவதற்காக ஒரு மெமரி லேயரை (memory layer) பராமரிக்கிறேன்.
நான் ஒரு AI ஆராய்ச்சியாளர் அல்ல. தொடர்ந்து பரிசோதனைகளைச் செய்து வந்த ஒரு சாதாரண பொறியாளர் நான்.
சாட் (chat) முதல் ஏஜென்ட்கள் (agents) வரையிலான எனது பயணம் இதோ.
நிலை 1: நம்பகத்தன்மை இடைவெளி ஆரம்பத்தில், AI ஒரு மந்திரம் போலத் தோன்றியது. பிறகு, அது நம்பகத்தன்மையற்றதாகத் தோன்றியது. மாடல்கள் பெரும்பாலும் தவறான தகவல்களை மிகுந்த நம்பிக்கையுடன் வழங்குகின்றன. நான் ஒரு கடினமான பாடத்தைக் கற்றுக்கொண்டேன்: நம்பத்தகுந்ததாகத் தோன்றும் பதில், எப்போதும் நம்பகமான முடிவாக இருக்காது.
நிலை 2: ஒரு கூட்டாளியாக AI Cursor போன்ற கருவிகள் அனைத்தையும் மாற்றின. AI ஒரு தனிப்பட்ட சாட் விண்டோவில் இருந்து எனது கோட் எடிட்டருக்குள் (code editor) வந்துவிட்டது. கருத்துப் பரிமாற்ற சுழற்சி (feedback loop) வியக்கத்தக்க வகையில் குறுகியதாக மாறியது: • ஒரு யோசனையை விவரிக்கவும். • கோடை உருவாக்கவும். • இயக்கித் தோல்வியைக் கவனிக்கவும். • சரிசெய்யக் கேட்கவும். • மீண்டும் செய்யவும்.
இது முன்மாதிரிகளை (prototypes) உருவாக்குவதற்கான செலவைக் குறைத்தது. சிறிய யோசனைகள் இனி செட்டப் அல்லது கான்ஃபிகரேஷன் (configuration) செய்யும் போதே அழிந்துவிடுவதில்லை. அவை உண்மையில் இலக்கை அடைகின்றன.
சூழலே (Context) முக்கியம் என்பதை நான் கற்றுக்கொண்டேன் ஆரம்பத்தில், ஏஜென்ட்கள் எடுத்த முடிவுகளை மறந்துவிடும் அல்லது கட்டமைப்பை (architecture) சிதைத்துவிடும். நான் "prompt engineering"-ல் கவனம் செலுத்துவதை நிறுத்திவிட்டு, "context engineering"-ஐத் தொடங்கினேன். எனது ஏஜென்ட்களுக்குக் கடுமையான விதிகளை எழுதத் தொடங்கினேன்: • இருக்கும் கட்டமைப்பைப் பின்பற்றவும். • கோடை மாற்றுவதற்கு முன் திட்டத்தை விளக்கவும். • கேட்காமல் கோப்புகளை நீக்க வேண்டாம்.
நாங்கள் சிறந்த வாக்கியங்களை மட்டும் எழுதவில்லை. ஒரு நிகழ்தகவு அமைப்பிற்கு (probabilistic system) நிலையான சூழலை உருவாக்கிக் கொண்டிருந்தோம்.
நிலை 3: சாட் விண்டோவைத் தாண்டி நான் வெப் சாட்களிலிருந்து (web chats) APIs மற்றும் உள்ளூர் மாடல்களுக்கு (local models) மாறினேன். டெஸ்க்டாப்பில் ஒரு மாடலை இயக்குவது எளிது. ஆனால் ஒரு மொபைல் செயலியில் (mobile app) ஒரு மாடலைச் செயல்படுத்துவது கடினம். திடீரென்று, நான் உண்மையான பொறியியல் சிக்கல்களைத் தீர்க்க வேண்டியிருந்தது: • மாடல் அளவு மற்றும் மெமரி பயன்பாடு. • தொடக்கத் தாமதம் (Startup latency). • ஆஃப்லைன் இயக்கம் மற்றும் சாதனப் பொருத்தம் (device compatibility).
நிலை 4: ஏஜென்ட் சார்ந்த பணிப்பாய்வுகள் (Agent-Driven Workflows) கவனம் "இந்த ஃபங்ஷனை எழுது" என்பதிலிருந்து "இந்த ரெபாசிட்டரியைப் (repository) புரிந்துகொண்டு இந்த இலக்கை முடி" என்பதற்கு மாறியது. நான் Model Context Protocol (MCP)-ஐயும் பயன்படுத்தத் தொடங்கினேன். எனது நிறுவனத்தின் அறிவுத் தளத்திற்காக (knowledge platform) ஒரு MCP ஒருங்கிணைப்பை உருவாக்கினேன். இப்போது ஏஜென்ட் நிறுவனத்தின் பத்து ஆண்டுகாலத் தரவுகளை அணுக முடியும். சவால் மாடல் நுண்ணறிவிலிருந்து (model intelligence) சிஸ்டம் டிசைனுக்கு (system design) மாறியது.
𝗠𝘆 𝗕𝗶𝗴𝗴𝗲𝘀𝘁 𝗟𝗲𝘀𝘀𝗼𝗻𝘀: • கோடிங் செய்வது எளிது, ஆனால் இன்ஜினியரிங் செய்வது கடினம். • AI செயலாக்கத்தைக் கையாள்கிறது, ஆனால் நீங்கள் முடிவெடுக்கும் பொறுப்பை ஏற்க வேண்டும். • நீங்கள் இலக்குகளைத் துல்லியமாக வரையறுக்க வேண்டும் மற்றும் அனுமானங்களைச் சரிபார்க்க வேண்டும். • மல்டி-ஏஜென்ட் (Multi-agent) பணிகளுக்கு ஒரு மெமரி லேயர் (memory layer) தேவை, அப்போதுதான் ஏஜென்ட்கள் மீண்டும் தொடங்காமல் பணிகளை ஒப்படைக்க முடியும்.
AI செயலாக்கத்தை மலிவாக்குகிறது. இதன் பொருள் பரிசோதனைகள் இப்போது இலவசம் என்பதாகும். எந்த யோசனைகளை உண்மையில் உருவாக்குவது மதிப்புள்ளது என்பதைத் தீர்மானிப்பதே உண்மையான வேலை.
விருப்பமான கற்றல் சமூகம்: https://t.me/GyaanSetuAi