ThreadWeweaver v3 એ તેનું Causal Work Graph લોન્ચ કર્યું છે, જે એક ક્રોસ-ટૂલ લિનિયેજ એન્જિન છે જે AI-સંચાલિત ક્વેરીઝને માત્ર એક દસ્તાવેજ જ નહીં, પરંતુ Slack ચેટ્સ, Jira ટિકિટ્સ, GitHub કમિટ્સ અને અન્ય આર્ટિફેક્ટ્સને જોડતી પુરાવાઓની સાબિત કરી શકાય તેવી સાંકળ પણ આપે છે. જે ટીમો તેને અપનાવે છે તેઓ અનુમાનિત ફકરાને બદલે દૃશ્યમાન સબગ્રાફ સાથે “આ શા માટે બનાવવામાં આવ્યું હતું?” જેવા પ્રશ્નોના જવાબ આપી શકે છે.
સંદર્ભ: વિખરાયેલ ડેટા, ખૂટતા જોડાણો
એન્જિનિયરિંગ ગ્રુપ્સ આજે વિવિધ પ્લેટફોર્મ્સના મિશ્રણમાં કામ કરે છે. ગ્રાહકની ફરિયાદ ટિકિટિંગ સિસ્ટમમાં હોય છે, તેની પછીની ચર્ચા ચેટ એપમાં હોય છે, ડિઝાઇન નિર્ણય પ્રોજેક્ટ-મેનેજમેન્ટ બોર્ડમાં હોય છે, કોડ રિપોઝિટરીમાં હોય છે, અને રિલીઝ નોટ્સ ડોક્યુમેન્ટેશન ટૂલમાં હોય છે. કાચી માહિતી ત્યાં છે, પરંતુ તેમની વચ્ચેના કારણભૂત જોડાણો (causal links) અદૃશ્ય છે. જ્યારે પ્રોડક્ટ મેનેજર પૂછે છે કે કોઈ ફીચર શા માટે રિલીઝ કરવામાં આવ્યું હતું, ત્યારે તેનો જવાબ મેસેજ, ઇશ્યૂ અને કમિટ્સના જાળમાં છુપાયેલો હોય છે. પરંપરાગત સર્ચ ટૂલ્સ સમાન કીવર્ડ્સ ધરાવતી વસ્તુઓ શોધી શકે છે, પરંતુ તેઓ કઈ વસ્તુએ ખરેખર આગલી વસ્તુને ટ્રિગર કરી હતી તે જણાવી શકતા નથી.
તે શા માટે મહત્વનું છે: પ્રોવેનન્સ વિરુદ્ધ હેલ્યુસિનેશન
મોટાભાગના લાર્જ લેંગ્વેજ મોડલ્સ (LLMs) અર્થપૂર્ણ સમાનતા (semantic similarity) મેળવીને જવાબ આપે છે. એક Jira ટિકિટ જે Slack ચેનલનો ઉલ્લેખ કરે છે તે સંબંધિત દેખાઈ શકે છે, છતાં મોડલ એ સાબિત કરી શકતું નથી કે તે ચેટને કારણે જ ટિકિટ બની હતી. તેનું પરિણામ “હેલ્યુસિનેશન” (hallucination) છે – એક એવો જવાબ જે સાંભળવામાં વ્યાજબી લાગે છે પરંતુ તેમાં ચકાસી શકાય તેવો સ્ત્રોત હોતો નથી. નિયંત્રિત વાતાવરણમાં, અથવા જ્યારે જવાબદારી મહત્વની હોય ત્યારે, આ ખામી ખર્ચાળ સાબિત થાય છે. Causal Work Graph અનુમાનને બદલે એવા ગ્રાફ દ્વારા બદલે છે જેના એજિસ (edges) નક્કર પુરાવા દ્વારા સમર્થિત હોય છે: ટાઇમસ્ટેમ્પ, એક્ટર આઇડેન્ટિફાયર્સ, રિલેશનશિપ પ્રકારો અને કોન્ફિડન્સ સ્કોર્સ.
Causal Work Graph કેવી રીતે કામ કરે છે
- Event-centric modeling – દરેક નોડ એક સ્થિર દસ્તાવેજને બદલે એક ઇવેન્ટ (દા.ત., એક Slack મેસેજ, એક Jira ઇશ્યૂ ક્રિએશન) દર્શાવે છે.
- Explicit relationships – એજિસ (edges) સહાયક પુરાવા સાથે ચોક્કસ કારણભૂત દાવો (“Slack ચર્ચા PM નિર્ણયને માર્ગદર્શન આપે છે”) એન્કોડ કરે છે.
- Provenance metadata – દરેક એજ સ્ત્રોત, ટાર્ગેટ, ટાઇમસ્ટેમ્પ, એક્ટર, કોન્ફિડન્સ લેવલ અને દાવાને સાબિત કરતા મૂળ આર્ટિફેક્ટ તરફનો પોઇન્ટર સ્ટોર કરે છે.
- Uncertainty handling – જો સિસ્ટમ લિંકિંગ ઇવેન્ટ શોધી શકતી નથી, તો તે ખોટું જોડાણ બનાવવાને બદલે “Unknown” પરત કરે છે.
- Permission-aware exposure – વપરાશકર્તાઓ ફક્ત એવા જ એજ જોઈ શકે છે જેના અંતર્ગત આર્ટિફેક્ટ્સ જોવાની તેમને પરવાનગી છે; ખૂટતો Slack મેસેજ ફક્ત સંબંધિત એજને છુપાવી દે છે.
- LLM as interpreter, not repository – લેંગ્વેજ મોડલ ગ્રાફને કુદરતી ભાષામાં સમજૂતીમાં રૂપાંતરિત કરે છે, જ્યારે ગ્રાફ પોતે સત્યના અધિકૃત સ્ત્રોત તરીકે રહે છે.
જ્યારે વપરાશકર્તા પૂછે છે, “રિલીઝ તરફ શું દોરી ગયું?”, ત્યારે એન્જિન એક સબગ્રાફ તૈયાર કરે છે જે કંઈક આવો દેખાઈ શકે છે:
- ગ્રાહકની ફરિયાદ → Slack ચર્ચા (ટાઇમસ્ટેમ્પ, યુઝર)
- Slack ચર્ચા → PM નિર્ણય (Jira ટિકિટ)
- PM નિર્ણય → GitHub કમિટ (કોડ ફેરફાર)
- GitHub કમિટ → રિલીઝ (આર્ટિફેક્ટ)
પ્રતિસાદમાં ચોક્કસ Slack મેસેજ અને Jira કોમેન્ટની લિંક્સ સામેલ હોય છે, જે પૂછનારને દરેક સ્ટેપ ચકાસવાની મંજૂરી આપે છે.
મુખ્ય વાત (Takeaway)
ThreadWeaver v3 નું Causal Work Graph વિખરાયેલા એન્જિનિયરિંગ આર્ટિફેક્ટ્સને કારણ અને અસરની એક સિંગલ, ઓડિટેબલ સાંકળમાં ફેરવે છે. દરેક લિંક માટે પુરાવા માંગવાથી, તે શુદ્ધ-LLM જવાબોમાં જોવા મળતા હેલ્યુસિનેશનથી બચાવે છે અને ટીમોને દરેક રિલીઝ પાછળના “શા માટે” ને ટ્રેસ કરવાની નક્કર રીત આપે છે.