ThreadWeaver v3 เปิดตัว Causal Work Graph ซึ่งเป็นเอนจินการสืบย้อนสายสัมพันธ์ข้ามเครื่องมือ (cross-tool lineage engine) ที่ช่วยให้การคิวรีด้วย AI ไม่ได้คืนค่ามาเพียงแค่เอกสารเท่านั้น แต่ยังคืนสายโซ่แห่งหลักฐานที่พิสูจน์ได้ ซึ่งเชื่อมโยงตั้งแต่แชทใน Slack, ตั๋ว Jira, GitHub commits ไปจนถึงอาร์ติแฟกต์ (artifacts) อื่นๆ ทีมที่นำสิ่งนี้ไปใช้จะสามารถตอบคำถามที่ว่า “สิ่งนี้ถูกสร้างขึ้นมาเพราะอะไร?” ได้ด้วย subgraph ที่มองเห็นได้ แทนที่จะเป็นเพียงย่อหน้าที่เกิดจากการคาดเดา
บริบท: ข้อมูลที่กระจัดกระจาย และความเชื่อมโยงที่ขาดหายไป
กลุ่มวิศวกรในปัจจุบันต้องทำงานอยู่บนแพลตฟอร์มที่หลากหลายและกระจัดกระจาย ข้อร้องเรียนของลูกค้าอาจอยู่ในระบบจัดการตั๋ว (ticketing system) การสนทนาที่ตามมาอาจอยู่ในแอปแชท การตัดสินใจด้านการออกแบบอาจอยู่ในบอร์ดบริหารจัดการโครงการ โค้ดอาจอยู่ใน repository และ release notes อาจอยู่ในเครื่องมือจัดการเอกสาร ข้อมูลดิบเหล่านั้นมีอยู่จริง แต่ความเชื่อมโยงเชิงเหตุและผล (causal links) ระหว่างกันกลับมองไม่เห็น เมื่อผู้จัดการผลิตภัณฑ์ (product manager) ถามว่าทำไมฟีเจอร์นี้ถึงถูกปล่อยออกมา คำตอบมักจะซ่อนอยู่ในเครือข่ายของข้อความ, ประเด็นปัญหา (issues) และ commits เครื่องมือค้นหาแบบดั้งเดิมอาจดึงรายการที่มีคำสำคัญคล้ายกันขึ้นมาได้ แต่ไม่สามารถบอกได้ว่ารายการใดที่เป็นตัวจุดชนวนให้เกิดรายการถัดไปอย่างแท้จริง
ทำไมเรื่องนี้ถึงสำคัญ: ที่มาที่ไป (provenance) ปะทะ การหลอนของ AI (hallucination)
โมเดลภาษาขนาดใหญ่ (LLMs) ส่วนใหญ่ตอบคำถามโดยการจับคู่ความคล้ายคลึงทางความหมาย (semantic similarity) ตั๋ว Jira ที่กล่าวถึงช่อง Slack อาจดูเหมือนมีความเกี่ยวข้องกัน แต่โมเดลไม่สามารถพิสูจน์ได้ว่าการแชทนั้นเป็นสาเหตุที่ทำให้เกิดตั๋วดังกล่าว ผลลัพธ์ที่ได้คือ “การหลอน” (hallucination) — คำตอบที่ฟังดูสมเหตุสมผลแต่ขาดแหล่งที่มาที่ตรวจสอบได้ ในสภาพแวดล้อมที่มีกฎระเบียบควบคุม หรือเมื่อใดก็ตามที่ความรับผิดชอบ (accountability) เป็นเรื่องสำคัญ ช่องว่างนี้อาจสร้างความเสียหายได้ Causal Work Graph จึงเข้ามาแทนที่การคาดเดาด้วยกราฟที่เส้นเชื่อม (edges) ได้รับการสนับสนุนด้วยหลักฐานที่เป็นรูปธรรม ได้แก่ การประทับเวลา (timestamps), ตัวระบุผู้กระทำ (actor identifiers), ประเภทความสัมพันธ์ และคะแนนความเชื่อมั่น (confidence scores)
Causal Work Graph ทำงานอย่างไร
- การสร้างแบบจำลองที่เน้นเหตุการณ์เป็นศูนย์กลาง (Event-centric modeling) – แต่ละโหนด (node) จะเป็นตัวแทนของเหตุการณ์ (เช่น ข้อความใน Slack, การสร้าง Jira issue) แทนที่จะเป็นเพียงเอกสารที่หยุดนิ่ง
- ความสัมพันธ์ที่ชัดเจน (Explicit relationships) – เส้นเชื่อม (edges) จะเข้ารหัสข้อกล่าวอ้างเชิงเหตุและผลที่เฉพาะเจาะจง (“การสนทนาใน Slack นำไปสู่การตัดสินใจของ PM”) พร้อมกับหลักฐานสนับสนุน
- เมทาดาตาด้านที่มา (Provenance metadata) – ทุกเส้นเชื่อมจะจัดเก็บแหล่งที่มา, เป้าหมาย, การประทับเวลา, ผู้กระทำ, ระดับความเชื่อมั่น และตัวชี้ไปยังอาร์ติแฟกต์ต้นฉบับที่ยืนยันข้อกล่าวอ้างนั้น
- การจัดการความไม่แน่นอน (Uncertainty handling) – หากระบบไม่สามารถระบุเหตุการณ์ที่เชื่อมโยงกันได้ ระบบจะคืนค่าเป็น “Unknown” แทนที่จะสร้างความเชื่อมโยงขึ้นมาเอง
- การแสดงผลตามสิทธิ์การเข้าถึง (Permission-aware exposure) – ผู้ใช้จะเห็นเฉพาะเส้นเชื่อมที่อาร์ติแฟกต์เบื้องหลังนั้นเป็นสิ่งที่พวกเขาได้รับอนุญาตให้ดูเท่านั้น หากข้อความ Slack หายไป เส้นเชื่อมที่เกี่ยวข้องก็จะถูกซ่อนไว้โดยอัตโนมัติ
- LLM ในฐานะผู้ตีความ ไม่ใช่คลังข้อมูล (LLM as interpreter, not repository) – โมเดลภาษาจะทำหน้าที่แปลกราฟให้เป็นคำอธิบายด้วยภาษาธรรมชาติ ในขณะที่ตัวกราฟเองยังคงเป็นแหล่งข้อมูลความจริงที่เชื่อถือได้ (authoritative source of truth)
เมื่อผู้ใช้ถามว่า “อะไรนำไปสู่การออกเวอร์ชันนี้?” เอนจินจะรวบรวม subgraph ที่อาจมีลักษณะดังนี้:
- ข้อร้องเรียนของลูกค้า → การสนทนาใน Slack (การประทับเวลา, ผู้ใช้)
- การสนทนาใน Slack → การตัดสินใจของ PM (ตั๋ว Jira)
- การตัดสินใจของ PM → GitHub commit (การเปลี่ยนแปลงโค้ด)
- GitHub commit → การออกเวอร์ชัน (อาร์ติแฟกต์)
คำตอบจะรวมลิงก์ไปยังข้อความ Slack และความคิดเห็นใน Jira ที่ถูกต้อง เพื่อให้ผู้ถามสามารถตรวจสอบแต่ละขั้นตอนได้
บทสรุป
Causal Work Graph ของ ThreadWeaver v3 เปลี่ยนอาร์ติแฟกต์ทางวิศวกรรมที่กระจัดกระจายให้กลายเป็นสายโซ่แห่งเหตุและผลที่สามารถตรวจสอบได้เพียงหนึ่งเดียว ด้วยการเรียกหาหลักฐานสำหรับทุกความเชื่อมโยง มันจึงช่วยหลีกเลี่ยงปัญหาการหลอน (hallucinations) ที่มักเกิดขึ้นกับคำตอบจาก LLM เพียวๆ และช่วยให้ทีมมีวิธีที่เป็นรูปธรรมในการติดตาม “เหตุผล” เบื้องหลังทุกการออกเวอร์ชัน