இந்த வாக்குறுதி ஏன் முக்கியமானது

AI ஏஜெண்டுகள் (agents) சாட்பாட்களுக்கு (chatbots) அடுத்த கட்டமாக விற்கப்படுகின்றன: இணையத்தை உலாவவும், எண்களை எடுக்கவும், ஒரு API-ஐ அழைக்கவும் மற்றும் மனித உதவியின்றி முடிவெடுக்கவும் கூடிய ஒரு அமைப்பு. வர்த்தகர்கள் (Traders), ஆய்வாளர்கள் (analysts), SaaS தளங்கள் என அனைவரும் இதை ஒரு கவர்ச்சிகரமான வாய்ப்பாகக் கருதுகின்றனர். நடைமுறையில், இன்றைய ஏஜெண்டுகள் இன்னும் சரியாகச் செயல்பட டெவலப்பர்களைச் சார்ந்திருக்கும் "ஸ்மார்ட் ஆட்டோமேஷன்" (smart automation) போலவே செயல்படுகின்றன.

ஒரு "ஏஜெண்ட்" பின்னால் உள்ள இன்ஜினியரிங் ஸ்டேக் (engineering stack)

ஒரு செயல்பாட்டு ஏஜெண்டைக் கட்டுவது என்பது பல பகுதிகளை ஒன்றிணைப்பதாகும்:

  • Large Language Model (LLM) – ப்ராம்ப்ட்களைப் (prompts) படித்து அடுத்த கட்ட நடவடிக்கையைத் தேர்ந்தெடுக்கும் ஒரு பகுத்தறிவு மையம் (reasoning core).
  • Memory layer – தற்போதைய பணிக்கான குறுகிய கால சூழல் (short-term context) மற்றும் பின்னர் மீட்டெடுப்பதற்காக எம்பெடிங்ஸ்களை (embeddings) சேமித்து வைக்கும் நீண்ட கால வெக்டர் தரவுத்தளம் (long-term vector database).
  • Planner – LLM-ன் வெளியீட்டிலிருந்து அடுத்த நடவடிக்கையைத் தேர்ந்தெடுக்கும் ஒரு விதிமுறை சார்ந்த அல்லது கற்றறிந்த மாட்யூல் (module).
  • Tools – ஏஜெண்ட் பயன்படுத்த வேண்டிய APIs, வெப் ஸ்கிராப்பர்கள் (web scrapers), கோட் இன்டர்பிரிட்டர்கள் (code interpreters) அல்லது ஏதேனும் வெளிப்புறச் சேவைகள்.
  • Feedback loop – ஒவ்வொரு படிவத்தின் முடிவையும் மதிப்பீடு செய்து, பிளானருக்குத் தொடர வேண்டுமா அல்லது பின்வாங்க வேண்டுமா என்று சொல்லும் ஒரு சரிபார்ப்பு முறை.

ஒவ்வொரு பகுதியும் வேலை செய்கிறது, ஆனால் அவற்றின் ஒருங்கிணைப்புப் புள்ளிகள் (integration points) பலவீனமானவை. இந்தச் சோதனையில், டெவலப்பர் LLM சரியாகச் செயல்படுவதை உறுதி செய்ய பல மணிநேரம் பிழைத்திருத்தம் (debugging) செய்யவும், ப்ராம்ப்ட்களைத் தொடர்ந்து மாற்றியமைக்கவும் (re-engineering) செலவிட்டார்.

மறைந்துள்ள சவால்கள்

ஹாலுசினேஷன்கள் (Hallucinations)

LLM-கள் நம்பகமானதாகத் தோன்றும் போலியான உண்மைகளை உருவாக்கக்கூடும்.

முடிவற்ற சுழற்சிகள் (Infinite loops)

தெளிவான பாதுகாப்பு வழிமுறைகள் இல்லையென்றால், ஒரு ஏஜெண்ட் தோல்வியடைந்த ஒரு படியை முடிவில்லாமல் மீண்டும் மீண்டும் செய்யலாம்—உதாரணமாக, "பக்கம் X-ஐப் பெறுவதை மீண்டும் முயற்சி செய்" என்று முடிவில்லாமல் செய்துகொண்டே இருக்கலாம். டெவலப்பர் மீண்டும் முயற்சிப்பதற்கான (retries) விதிமுறை சார்ந்த வரம்புகளைச் சேர்ப்பதன் மூலம் இதைத் தடுத்தார், இது மற்றொரு தனிப்பயனாக்கப்பட்ட கூறுகளை (custom component) உருவாக்கியது.

செலவுக் கட்டுப்பாடு (Cost control)

LLM அழைப்புகள் டோக்கன்களின் (tokens) அடிப்படையில் கட்டணம் வசூலிக்கின்றன. அதிக திறன் கொண்ட மாடலைத் தொடர்ச்சியாகப் பயன்படுத்தும் நீண்ட காலப் பணி, ஒரு சிறிய பட்ஜெட்டைத் தீர்த்துவிடும். இந்தச் சோதனையில் ஒரு கலப்பின அணுகுமுறை (hybrid approach) பயன்படுத்தப்பட்டது: சாதாரணப் பணிகளுக்கு மலிவான மாடலுடன் தொடங்கி, பகுத்தறிவு சிக்கலானதாக மாறும் போது மட்டுமே அதிக திறன் கொண்ட (மற்றும் விலையுயர்ந்த) மாடலுக்கு மாறுதல். இது செலவைக் குறைக்கிறது ஆனால் கட்டமைப்பின் சிக்கலை (architectural complexity) அதிகரிக்கிறது.

பாதுகாப்புத் தெரிவு (Security exposure)

ஒரு ஏஜெண்டிற்கு API சாவிகள் (keys) அல்லது எழுதும் அனுமதியை (write access) வழங்குவது தாக்குதலுக்கான வாய்ப்புகளை (attack surface) அதிகரிக்கிறது. ஒரு ஏஜெண்ட் ஊடுருவப்பட்டால், அது தரவுகளைத் திருடலாம் அல்லது அங்கீகரிக்கப்படாத பரிவர்த்தனைகளைச் செய்யலாம். டெவலப்பர் "குறைந்தபட்ச அதிகாரம்" (least privilege) கொள்கையைப் பயன்படுத்தினார், அதாவது முடிந்தவரை ஏஜெண்டிற்கு வாசிப்புத் திறனை (read-only access) மட்டுமே வழங்கினார், இது அது செய்யக்கூடிய பணிகளையும் குறைக்கிறது.

முடிவுரை (Takeaway)

AI ஏஜெண்டுகள் மீண்டும் மீண்டும் செய்யப்படும் தரவு சேகரிப்பைத் தானியக்கமாக்க முடியும், ஆனால் அவை எளிதாகப் பயன்படுத்தக்கூடியவை (plug-and-play) அல்ல. ஒரு உண்மையான தன்னாட்சி அமைப்பை (autonomous system) உருவாக்க இன்னும் முழுமையான இன்ஜினியரிங் ஸ்டேக், கடுமையான பாதுகாப்பு நடைமுறைகள் மற்றும் தீவிர செலவு மேலாண்மை ஆகியவை தேவைப்படுகின்றன. அந்த மறைமுக அடுக்குகளைச் சீரமைக்கும் வரை, எந்தவொரு "தன்னாட்சி" AI பணிப்பாய்விலும் (workflow) மனித மேற்பார்வையே தீர்மானிக்கும் காரணியாக இருக்கும்.