GraphRAG மற்றும் நிலையான சூழல் சார்ந்த நினைவகம் (persistent contextual memory) இப்போது AI சாட்பாட்களில் இணைக்கப்படுகின்றன, இதனால் ஒரு பக்கத்தை புதுப்பித்தாலோ அல்லது புதிய பிரவுசர் தாவலைத் (tab) திறந்தாலோ உரையாடல் தொடரும். பெரும்பாலான உரையாடல் உதவியாளர்களைப் பயன்படுத்தும் பயனர்களைக் கவலையடையச் செய்த "tab-kill" எனப்படும் மறதித் தன்மையை இந்தத் தொகுப்பு நீக்குகிறது என்று டெவலப்பர்கள் கூறுகின்றனர்.

பழைய அணுகுமுறை ஏன் போதுமானதாக இல்லை

பெரும்பாலான சாட் அடிப்படையிலான AI அமைப்புகள் நிலையான Retrieval-Augmented Generation (RAG) முறையைச் சார்ந்திருக்கின்றன. இந்தத் தொழில்நுட்பம் தற்போதைய கேள்விக்குத் தொடர்புடைய உரைத் துண்டுகளைப் பிரித்தெடுத்து, அவற்றை ஒரு மொழி மாதிரியிடம் (language model) கொடுத்து, பதிலைத் திருப்பித் தருகிறது. "பிரான்சின் தலைநகரம் எது?" போன்ற ஒரு தனிப்பட்ட தகவலைத் தேடுவதற்கு இந்த முறை நன்றாகச் செயல்படும்.

ஆனால் RAG ஒவ்வொரு பயனர் உள்ளீட்டையும் ஒரு தனிப்பட்ட கோரிக்கையாகவே கருதுகிறது. ஒரு சில நிமிடங்களுக்கு முன்பு சொல்லப்பட்ட ஒன்றைப் பொறுத்து அடுத்த கேள்வி அமைந்தால், அந்தச் சூழலை (context) நினைவில் கொள்ளும் திறன் அந்த மாதிரியிடம் இல்லை. இதன் விளைவாக, சாட்பாட் உங்களை மீண்டும் மீண்டும் சொல்லச் சொல்லலாம் அல்லது முந்தைய விவரங்களைப் புறக்கணித்துவிட்டுப் பதிலளிக்கலாம். பிரச்சனை அறிவின்மை அல்ல; அது நிலையை (state) பராமரிக்கத் தெரியாததே ஆகும்.

GraphRAG: தட்டையான உரையை ஒரு வலைப்பின்னலாக மாற்றுதல்

GraphRAG தகவல்களைப் பிரித்தெடுக்கும் நிலையை மறுசீரமைக்கிறது. தொடர்பற்ற உரைத் துண்டுகளின் பட்டியலுக்குப் பதிலாக, இது ஒரு வரைபடத்தை (graph) உருவாக்குகிறது:

  • Nodes (முனைகள்) மனிதர்கள், தயாரிப்புகள் அல்லது நிகழ்வுகள் போன்ற உருப்படிகளைக் குறிக்கின்றன.
  • Edges (விளிம்புகள்) அவற்றுக்கிடையேயான உறவுகளைப் பதிவு செய்கின்றன—யார் எதை வழங்குகிறார்கள், எந்தத் திட்டம் எந்தக் கூறுகளைச் சார்ந்துள்ளது போன்றவை.

இந்த வரைபடம் இணைப்புகளைக் குறியீடாக்குவதால், இந்த அமைப்பால் பல-படிநிலை பகுத்தறிவை (multi-hop reasoning) மேற்கொள்ள முடியும்: ஒரு சாதாரண உரைத் தேடலில் சிக்கக்கூடிய கேள்வியைப் பதிலளிக்க, இது பல ஆவணங்களில் உள்ள உண்மைகளின் சங்கிலியைப் பின்தொடர முடியும். மேலும், இது முழுமையான துணை-வரைபடங்களின் (sub-graphs) சுருக்கங்களை உருவாக்கவும் முடியும், இது பயனர்களுக்குத் துண்டுத் துண்டான தகவல்களுக்குப் பதிலாக ஒரு தலைப்பைப் பற்றிய சுருக்கமான கண்ணோட்டத்தை வழங்கும்.

சூழல் சார்ந்த நினைவகம்: உரையாடலை நினைவில் கொள்ளுதல்

நிலையான சூழல் சார்ந்த நினைவகம் வரைபடத்தின் மேல் ஒரு காலவரிசை அடுக்குகளைச் சேர்க்கிறது. இது மூன்று பகுதிகளாகப் பிரிக்கப்படுகிறது:

  • குறுகிய கால நினைவகம் (Short-term memory) தற்போதைய உரையாடலைத் தக்கவைத்துக் கொள்கிறது, இதனால் பயனர் சில வாக்கியங்களுக்கு முன்பு சொன்ன ஒரு விஷயத்தை மீண்டும் சொல்ல வேண்டிய அவசியமில்லை.
  • நீண்ட கால நினைவகம் (Long-term memory) பயனரைப் பற்றியத் தேர்ந்தெடுக்கப்பட்ட உண்மைகளை வெவ்வேறு அமர்வுகளில் (sessions) பதிவு செய்கிறது—விருப்பமான மொழி, மீண்டும் நிகழும் சிக்கல்கள் அல்லது முந்தைய கொள்முதல் போன்றவை.
  • தேர்ந்தெடுக்கப்பட்ட நினைவகம் (Selective memory) எதைச் சேமிக்க வேண்டும் என்பதைத் தீர்மானிக்கிறது; சேமிப்பகத்தை நிரப்பாமல் இருக்க தேவையற்ற சொற்களையும் தொடர்பற்ற உரையாடல்களையும் நீக்குகிறது.

ஒரு பயனர் தாவலை (tab) மூடிய பிறகு மீண்டும் வரும்போது, நீண்ட காலச் சேமிப்பகம் தொடர்புடைய பின்னணித் தகவல்களைத் திரையில் கொண்டு வர முடியும், இது சாட்பாட் தனது முந்தைய அமர்வில் விட்ட இடத்திலிருந்து தொடர அனுமதிக்கிறது.

எந்தக் கருவியைப் பயன்படுத்த வேண்டும்

  • ஒரு தவறான இணைப்பின் பாதிப்பு குறைவாக இருக்கும் எளிய உண்மைச் சரிபார்ப்புகளுக்கு நிலையான RAG முறையைப் பயன்படுத்துங்கள்.
  • தவறான பதிலின் பாதிப்பு அதிகமாக இருக்கும்போது அல்லது பதில் பல ஆவணங்களில் பரவியிருக்கும் தகவல்களை இணைக்கத் தேவைப்படும்போது GraphRAG-ஐப் பயன்படுத்துங்கள்.
  • பயன்பாடு மீண்டும் வரும் பயனர்களை அடையாளம் காண வேண்டும் அல்லது பல நாட்கள் அல்லது வாரங்களுக்குத் தனிப்பட்ட உரையாடல் தொடர்ச்சியைப் பராமரிக்க வேண்டும் என்றால் சூழல் சார்ந்த நினைவகத்தைச் சேர்க்கவும்.

இந்த அடுக்குகளை உருவாக்குவது எளிதான (plug-and-play) செயலல்ல. மூலத் தரவுகள் மாறும்போது ஒரு GraphRAG குறியீட்டை (index) புதுப்பிக்க வேண்டும், மேலும் நினைவகச் சேமிப்பகம் பொருத்தமான தகவல்களுக்கும் சேமிப்புச் செலவிற்கும் இடையே சமநிலையைப் பேணும் கொள்கைகளைக் கொண்டிருக்க வேண்டும். ஒவ்வொரு வார்த்தையையும் சேமிக்க முயற்சிப்பது (over-eager retention) விரைவாகத் தகவல்களைத் தேடும் வேகத்தைக் குறைத்து, மாதிரியைத் தேவையற்ற இரைச்சலில் (noise) மூழ்கடித்துவிடும்.

சவால்கள் (The trade-off)

சூழல் சார்ந்த நினைவகம் மறதிப் பிரச்சனையைத் தீர்க்கிறது. ஆனால் இதன் சவால் செயல்பாட்டு ரீதியானது: ஒரு நேரடி வரைபடத்தையும் (live graph) தேர்ந்தெடுக்கப்பட்ட நினைவகத் தொகுப்பையும் (selective memory cache) பராமரிக்கத் தொடர்ச்சியான பொறியியல் முயற்சி தேவைப்படுகிறது.

அடுத்து கவனிக்க வேண்டியவை

முக்கியக் கருத்து: GraphRAG உறவுமுறை கட்டமைப்பை (relational backbone) வழங்குகிறது, அதே சமயம் நிலையான சூழல் சார்ந்த நினைவகம் காலவரிசைத் தொடர்பை (temporal glue) வழங்குகிறது. இவை இரண்டும் இணைந்து, சாட்பாட்கள் பல்வேறு தாவல்கள் மற்றும் அமர்வுகளிலும் உரையாடலைத் தொடரச் செய்கின்றன, இதனால் எரிச்சலூட்டும் ரீசெட்டிற்குப் பதிலாகத் தடையற்ற உரையாடலை வழங்குகின்றன.