ThreadWeaver v3 imezindua Causal Work Graph yake, injini ya ufuatiliaji wa asili (lineage engine) inayovuka zana mbalimbali ambayo inaruhusu maswali yanayoendeshwa na AI kurudisha si tu hati, bali mnyororo wa ushahidi unaoweza kuthibitishwa unaounganisha mazungumzo ya Slack, tiketi za Jira, GitHub commits na artifacts nyinginezo. Timu zinazozitumia zinaweza kujibu swali “Kwa nini kitu hiki kilijengwa?” kwa kutumia subgraph inayoonekana badala ya aya ya kubahatisha.

Muktadha: data zilizotawanyika, miunganisho iliyopotea

Vikundi vya uhandisi leo vinaishi katika mchanganyiko wa majukwaa mbalimbali. Malalamiko ya mteja yapo kwenye mfumo wa tiketi, mjadala unaofuata upo kwenye programu ya mazungumzo, uamuzi wa usanifu upo kwenye ubao wa usimamizi wa miradi, kodi ipo kwenye ghala (repository), na maelezo ya toleo (release notes) yapo kwenye zana ya nyaraka. Taarifa ghafi zipo, lakini miunganisho ya kisababishi kati yake haionekani. Meneja wa bidhaa anapouliza kwa nini kipengele fulani kilitolewa, jibu hufichwa katika mtandao wa ujumbe, masuala (issues) na commits. Zana za utafutaji za kawaida zinaweza kuonyesha vitu vyenye maneno yanayofanana, lakini haziwezi kusema ni kitu gani hasa kilichochochea kinachofuata.

Kwa nini ni muhimu: asili dhidi ya hallucination

Model nyingi kubwa za lugha (LLMs) hujibu kwa kulinganisha ufanano wa kimaana (semantic similarity). Tiketi ya Jira inayotaja chaneli ya Slack inaweza kuonekana kuhusiana, lakini modeli haiwezi kuthibitisha kuwa mazungumzo hayo yalisababisha tiketi hiyo. Matokeo yake ni “hallucination” – jibu ambalo linaonekana kuwa la mantiki lakini halina chanzo kinachoweza kuthibitishwa. Katika mazingira yanayodhibitiwa, au wakati wowote uwajibikaji unapohitajika, pengo hilo linagharimu sana. Causal Work Graph inachukua nafasi ya kubahatisha kwa kutumia graph ambayo edges zake zimeungwa mkono na ushahidi thabiti: muda (timestamps), utambulisho wa wahusika, aina za uhusiano na alama za uaminifu (confidence scores).

Jinsi Causal Work Graph inavyofanya kazi

  • Event-centric modeling – kila node inawakilisha tukio (mfano, ujumbe wa Slack, uundaji wa Jira issue) badala ya hati tuli.
  • Explicit relationships – edges hurekodi dai mahususi la kisababishi (“mazungumzo ya Slack yanatoa taarifa kwa uamuzi wa PM”) pamoja na ushahidi unaounga mkono.
  • Provenance metadata – kila edge huhifadhi chanzo, lengo, muda (timestamp), mhusika, kiwango cha uaminifu na kiunganishi cha artifact asilia inayothibitisha dai hilo.
  • Uncertainty handling – ikiwa mfumo hauwezi kupata tukio linalounganisha, unarudisha “Unknown” badala ya kutunga uhusiano.
  • Permission-aware exposure – watumiaji wanaona tu edges ambazo artifacts zake za msingi wamepewa ruhusa ya kuziona; ujumbe wa Slack uliopotea unaficha tu edge inayohusika.
  • LLM as interpreter, not repository – modeli ya lugha inatafsiri graph kuwa maelezo ya lugha ya asili, wakati graph yenyewe inabaki kuwa chanzo cha ukweli cha kuaminika.

Mtumiaji anapouliza, “Ni nini kilisababisha toleo hili?” injini huunda subgraph ambayo inaweza kuonekana hivi:

  1. Malalamiko ya mteja → Mazungumzo ya Slack (muda, mtumiaji)
  2. Mazungumzo ya Slack → Uamuzi wa PM (tiketi ya Jira)
  3. Uamuzi wa PM → GitHub commit (mabadiliko ya kodi)
  4. GitHub commit → Release (artifact)

Jibu linajumuisha viungo vya ujumbe kamili wa Slack na maoni ya Jira, likimruhusu muulizaji kuhakiki kila hatua.

Muhtasari

Causal Work Graph ya ThreadWeaver v3 inageuza artifacts za uhandisi zilizotawanyika kuwa mnyororo mmoja wa sababu na athari unaoweza kukaguliwa. Kwa kudai ushahidi kwa kila kiunganishi, inaepuka hali ya hallucination inayozidi majibu ya LLM pekee na kuipa timu njia thabiti ya kufuatilia “sababu” nyuma ya kila toleo.