آپ کی ٹیم کو اس ہفتے کسی بہتر AI ماڈل کی ضرورت نہیں ہے
آپ کی ٹیم کو کسی نئے AI ماڈل کی ضرورت نہیں ہے۔ انہیں بہتر ورک فلو (workflows) کی ضرورت ہے۔
تازہ ترین ماڈل کی تلاش چھوڑ دیں۔ اپنی ایگزیکیوشن (execution) کی انجینئرنگ شروع کریں۔ زیادہ تر ٹیمیں ایک جیسے مسائل کا سامنا کرتی ہیں۔ ایجنٹ لوپس (Agent loops) کام کے دوران ہی رک جاتے ہیں۔ منظوری کے پرامپٹس (Approval prompts) لوگوں کو الجھا دیتے ہیں۔ ری ٹرائی (retries) کے دوران کانٹیکسٹ چینز (Context chains) ٹوٹ جاتی ہیں۔ انسان غلطیوں کو ٹھیک کرنے میں گھنٹوں صرف کرتے ہیں کیونکہ آٹومیشن اپنا اسٹیٹ (state) کھو دیتی ہے۔
مسئلہ اب ذہانت کا نہیں رہا۔ مسئلہ ایگزیکیوشن (execution) کا ہے۔
ہم آرکیسٹریشن ٹیکس (orchestration tax) کے دور میں داخل ہو رہے ہیں۔ اگر آپ اس کے لیے منصوبہ بندی نہیں کرتے، تو آپ اسے سسٹم کی خرابیوں اور خاموش ناکامیوں (silent failures) کی صورت میں ادا کرتے ہیں۔ آپ اسے اس وقت ادا کرتے ہیں جب انجینئرز دیر رات تک بوٹس (bots) کی نگرانی کرتے ہیں۔
AI کا آؤٹ پٹ شاذ و نادر ہی حتمی پروڈکٹ ہوتا ہے۔ یہ ایک بڑے سسٹم میں ایک درمیانی مرحلہ ہے۔ یہ ٹکٹ ٹریاج (ticket triage)، PR ڈرافٹنگ، اور ٹیسٹ جنریشن میں مدد کرتا ہے۔
آپ کو ان سوالات کے جوابات دینے ہوں گے:
- کیا ٹائم آؤٹ کے بعد کام دوبارہ شروع ہو سکتا ہے؟
- کیا ہم آڈٹ کر سکتے ہیں کہ کس نے تبدیلی کی منظوری دی؟
- کیا ہم ڈپلیکیٹ سائیڈ ایفیکٹس پیدا کیے بغیر کسی کام کو دوبارہ چلا سکتے ہیں؟
- کیا کوئی انسان کام کے دوران ہی اسے دوبارہ شروع کیے بغیر سنبھال سکتا ہے؟
سینئر انجینئرز پہلے سے جانتے ہیں کہ اسے کیسے حل کرنا ہے۔ ہم نے سالوں پہلے ادائیگیوں (payments) اور بیک گراؤنڈ جابز کے لیے ان مسائل کو حل کیا تھا۔ ہم idempotency keys، checkpoints، اور transaction logs استعمال کرتے ہیں۔ AI صرف ان ناکامیوں کو تیزی سے ہونے کا باعث بناتا ہے۔
ماڈل کا معیار مساوات کا صرف ایک حصہ ہے۔ ایک ٹوٹے ہوئے ورک فلو پر ایک بہترین ماڈل افراتفری کا باعث بنتا ہے۔ ایک مضبوط ورک فلو پر ایک مناسب ماڈل قدر (value) پیدا کرتا ہے۔
محض احساسات (vibes) کے پیچھے بھاگنے کے بجائے ایک عملی پلے بک (playbook) تیار کریں:
AI کے کام کو واضح مراحل میں تقسیم کریں۔
collect_context،propose_changeاورrun_checksجیسے مراحل استعمال کریں۔ ایک ہی بڑے پرامپٹ کو پورا عمل چلانے کی اجازت نہ دیں۔پائیداری کے لیے ڈیٹا بیس استعمال کریں۔ اپنے ورک فلو کا اسٹیٹس اور ایونٹ لاگز Postgres جیسے ڈیٹا بیس میں محفوظ کریں۔ اگر کوئی ورکر کریش ہو جائے، تو آپ میموری کے بجائے اسٹیٹ (state) سے بحالی حاصل کر سکتے ہیں۔
Idempotency کو یقینی بنائیں۔ ڈیٹا کو تبدیل کرنے والے ہر عمل کے لیے ایک مستحکم کی (key) کی ضرورت ہوتی ہے۔ اگر کوئی مرحلہ دو بار چلے، تو نتیجہ وہی رہنا چاہیے۔
پرمیشنز کو درجوں (tiers) کے ذریعے مینیج کریں۔ مسلسل منظوری نہ مانگیں۔ ریڈ-اونلی (read-only) کاموں، کم خطرے والے رائٹس (low-risk writes)، اور زیادہ اثر ڈالنے والی تبدیلیوں کے لیے مختلف درجے بنائیں۔
آپریشنل میٹرکس کو ٹریک کریں۔ صرف لیٹنسی (latency) اور لاگت کو ٹریک کرنا بند کریں۔ ری ٹرائی کی کامیابی کی شرح، انسانی مداخلت کے مقامات، اور رول بیک (rollback) کی فریکوئنسی کو ٹریک کریں۔
بہترین AI ٹیمیں خود مختار ایجنٹس (autonomous agents) کے بارے میں شیخی نہیں مرحیں گی۔ وہ پائیدار اور قابل مشاہدہ پائپ لائنز (pipelines) بنائیں گی۔ ان کی طاقت جادوئی پرامپٹس نہیں ہوگی، بلکہ منظم سسٹم انجینئرنگ ہوگی۔
ماڈلز ہر ماہ زیادہ ذہین ہوتے جا رہے ہیں۔ آپ کا فائدہ ایسے ورک فلو بنانے سے آئے گا جو چیزیں غلط ہونے پر گھبراتے نہیں ہیں۔
Source: https://dev.to/chrisbuildsonline/your-team-doesnt-need-a-better-ai-model-this-week-2og7
Optional learning community: https://t.me/GyaanSetuAi