ThreadWeaver v3 তাদের Causal Work Graph লঞ্চ করেছে, যা একটি ক্রস-টুল লিনিয়েজ ইঞ্জিন। এটি AI-চালিত কুয়েরির মাধ্যমে কেবল একটি ডকুমেন্ট নয়, বরং Slack চ্যাট, Jira টিকিট, GitHub কমিট এবং অন্যান্য আর্টিফ্যাক্টের মধ্যে সংযোগ স্থাপনকারী প্রমাণের একটি যাচাইযোগ্য শৃঙ্খল প্রদান করে। যেসব টিম এটি গ্রহণ করবে, তারা কেবল অনুমানের ভিত্তিতে কোনো অনুচ্ছেদ না লিখে একটি দৃশ্যমান সাবগ্রাফের মাধ্যমে উত্তর দিতে পারবে যে, “এটি কেন তৈরি করা হয়েছিল?”
প্রেক্ষাপট: বিক্ষিপ্ত ডেটা, বিচ্ছিন্ন সংযোগ
আজকের ইঞ্জিনিয়ারিং গ্রুপগুলো বিভিন্ন প্ল্যাটফর্মের একটি জটিল সমন্বয়ে কাজ করে। একটি গ্রাহকের অভিযোগ থাকে একটি টিকিটিং সিস্টেমে, তার পরবর্তী আলোচনা থাকে একটি চ্যাট অ্যাপে, ডিজাইনের সিদ্ধান্ত থাকে একটি প্রজেক্ট-ম্যানেজমেন্ট বোর্ডে, কোড থাকে একটি রিপোজিটরিতে এবং রিলিজ নোটস থাকে একটি ডকুমেন্টেশন টুলে। কাঁচা তথ্যগুলো সেখানে থাকলেও, তাদের মধ্যে কার্যকারণ সম্পর্কগুলো (causal links) অদৃশ্য থাকে। যখন একজন প্রোডাক্ট ম্যানেজার জিজ্ঞাসা করেন কেন একটি ফিচার রিলিজ করা হয়েছিল, তখন তার উত্তর মেসেজ, ইস্যু এবং কমিটের একটি জটিল জালে লুকিয়ে থাকে। প্রথাগত সার্চ টুলগুলো একই ধরনের কিওয়ার্ডযুক্ত আইটেমগুলো খুঁজে দিতে পারে, কিন্তু কোনটি আসলে পরবর্তীটি ট্রিগার করেছে তা বলতে পারে না।
কেন এটি গুরুত্বপূর্ণ: প্রোভেন্যান্স বনাম হ্যালুসিনেশন
বেশিরভাগ লার্জ ল্যাঙ্গুয়েজ মডেল (LLM) সিম্যান্টিক সিমিলারিটির (semantic similarity) ভিত্তিতে উত্তর দেয়। একটি Jira টিকিট যেখানে একটি Slack চ্যানেলের কথা উল্লেখ আছে, সেটি সম্পর্কিত মনে হতে পারে, কিন্তু মডেলটি প্রমাণ করতে পারে না যে সেই চ্যাটটিই টিকিটটি তৈরি করেছে। এর ফলে ঘটে “হ্যালুসিনেশন” – এমন একটি উত্তর যা শুনতে যুক্তিসঙ্গত মনে হলেও তার কোনো যাচাইযোগ্য উৎস থাকে না। নিয়ন্ত্রিত পরিবেশে, বা যেখানে জবাবদিহিতা গুরুত্বপূর্ণ, সেখানে এই ঘাটতি অত্যন্ত ব্যয়বহুল। Causal Work Graph অনুমানের পরিবর্তে একটি গ্রাফ প্রদান করে যার এজগুলো (edges) সুনির্দিষ্ট প্রমাণের মাধ্যমে সমর্থিত: টাইমস্ট্যাম্প, অ্যাক্টর আইডেন্টিফায়ার, রিলেশনশিপ টাইপ এবং কনফিডেন্স স্কোর।
Causal Work Graph কীভাবে কাজ করে
- ইভেন্ট-কেন্দ্রিক মডেলিং (Event-centric modeling) – প্রতিটি নোড একটি স্ট্যাটিক ডকুমেন্টের পরিবর্তে একটি ইভেন্টকে (যেমন: একটি Slack মেসেজ, একটি Jira ইস্যু তৈরি) উপস্থাপন করে।
- সুনির্দিষ্ট সম্পর্ক (Explicit relationships) – এজগুলো supporting evidence-এর সাথে সুনির্দিষ্ট কার্যকারণ দাবি (“Slack আলোচনা PM-এর সিদ্ধান্তকে প্রভাবিত করেছে”) এনকোড করে।
- প্রোভেন্যান্স মেটাডেটা (Provenance metadata) – প্রতিটি এজ সোর্স, টার্গেট, টাইমস্ট্যাম্প, অ্যাক্টর, কনফিডেন্স লেভেল এবং দাবিটি প্রমাণকারী মূল আর্টিফ্যাক্টের একটি পয়েন্টার সংরক্ষণ করে।
- অনিশ্চয়তা মোকাবিলা (Uncertainty handling) – যদি সিস্টেম কোনো সংযোগকারী ইভেন্ট খুঁজে না পায়, তবে এটি কোনো সংযোগ তৈরি করার পরিবর্তে “Unknown” বা “অজানা” রিটার্ন করে।
- পারমিশন-সচেতন প্রকাশ (Permission-aware exposure) – ব্যবহারকারীরা কেবল সেই এজগুলোই দেখতে পান যেগুলোর অন্তর্নিহিত আর্টিফ্যাক্ট দেখার অনুমতি তাদের আছে; একটি অনুপস্থিত Slack মেসেজ কেবল সংশ্লিষ্ট এজটিকে লুকিয়ে ফেলে।
- LLM ইন্টারপ্রেটার হিসেবে, রিপোজিটরি হিসেবে নয় – ল্যাঙ্গুয়েজ মডেলটি গ্রাফটিকে প্রাকৃতিক ভাষার ব্যাখ্যায় রূপান্তর করে, যেখানে গ্রাফটি নিজেই সত্যের চূড়ান্ত উৎস (authoritative source of truth) হিসেবে থাকে।
যখন একজন ব্যবহারকারী জিজ্ঞাসা করেন, “রিলিজের পেছনে কী ছিল?” ইঞ্জিনটি একটি সাবগ্রাফ তৈরি করে যা দেখতে অনেকটা এরকম হতে পারে:
- গ্রাহকের অভিযোগ → Slack আলোচনা (টাইমস্ট্যাম্প, ইউজার)
- Slack আলোচনা → PM সিদ্ধান্ত (Jira টিকিট)
- PM সিদ্ধান্ত → GitHub কমিট (কোড পরিবর্তন)
- GitHub কমিট → রিলিজ (আর্টিফ্যাক্ট)
প্রতিক্রিয়ার মধ্যে সঠিক Slack মেসেজ এবং Jira কমেন্টের লিঙ্ক অন্তর্ভুক্ত থাকে, যা প্রশ্নকারীকে প্রতিটি ধাপ যাচাই করতে সাহায্য করে।
সারসংক্ষেপ
ThreadWeaver v3-এর Causal Work Graph বিক্ষিপ্ত ইঞ্জিনিয়ারিং আর্টিফ্যাক্টগুলোকে কার্যকারণ সম্পর্কের একটি একক, অডিটেবল শৃঙ্খলে রূপান্তরিত করে। প্রতিটি লিঙ্কের জন্য প্রমাণের দাবি করার মাধ্যমে, এটি বিশুদ্ধ LLM-এর উত্তরের হ্যালুসিনেশন এড়িয়ে চলে এবং টিমগুলোকে প্রতিটি রিলিজের পেছনের “কেন” খুঁজে বের করার একটি সুনির্দিষ্ট উপায় প্রদান করে।