ThreadWeaver v3 نے اپنا Causal Work Graph لانچ کر دیا ہے، جو کہ ایک کراس ٹول لینیج انجن (cross-tool lineage engine) ہے جو AI سے چلنے والی کوئریز کو نہ صرف ایک دستاویز بلکہ Slack چیٹس، Jira ٹکٹس، GitHub کمٹس اور دیگر آرٹفیکٹس کو جوڑنے والے ثبوتوں کی ایک قابلِ اثبات زنجیر فراہم کرنے کی اجازت دیتا ہے۔ جو ٹیمیں اسے اپنائیں گی، وہ کسی قیاس آرائی پر مبنی پیراگراف کے بجائے ایک واضح سب گراف (subgraph) کے ذریعے اس سوال کا جواب دے سکیں گی کہ "یہ کیوں بنایا گیا تھا؟"

سیاق و سباق: بکھرا ہوا ڈیٹا، گمشدہ روابط

آج کل انجینئرنگ گروپس مختلف پلیٹ فارمز کے ایک پیچیدہ مجموعے میں کام کرتے ہیں۔ ایک کسٹمر کی شکایت ٹکٹنگ سسٹم میں ہوتی ہے، اس کے بعد ہونے والی بحث چیٹ ایپ میں ہوتی ہے، ڈیزائن کا فیصلہ پروجیکٹ مینجمنٹ بورڈ میں ہوتا ہے، کوڈ ریپوزٹری (repository) میں ہوتا ہے، اور ریلیز نوٹس ڈاکومنٹیشن ٹول میں ہوتے ہیں۔ خام معلومات موجود تو ہوتی ہیں، لیکن ان کے درمیان وجوہتی روابط (causal links) نظر نہیں آتے۔ جب کوئی پروڈکٹ مینیجر پوچھتا ہے کہ کوئی فیچر کیوں ریلیز کیا گیا، تو اس کا جواب پیغامات، ایشوز اور کمٹس کے جال میں چھپا ہوتا ہے۔ روایتی سرچ ٹولز ایسے آئٹمز سامنے لا سکتے ہیں جن میں ملتے جلتے کی ورڈز ہوں، لیکن وہ یہ نہیں بتا سکتے کہ اصل میں کس چیز نے اگلے مرحلے کا آغاز کیا۔

یہ کیوں اہم ہے: ماخذ بمقابلہ ہالوسینیشن (hallucination)

زیادہ تر لارج لینگویج ماڈلز (LLMs) سیمنٹک مماثلت (semantic similarity) کے ذریعے جواب دیتے ہیں۔ ایک Jira ٹکٹ جو Slack چینل کا ذکر کرتا ہے، وہ متعلقہ معلوم ہو سکتا ہے، لیکن ماڈل یہ ثابت نہیں کر سکتا کہ اس چیٹ کی وجہ سے وہ ٹکٹ بنا۔ اس کا نتیجہ "ہالوسینیشن" کی صورت میں نکلتا ہے – یعنی ایک ایسا جواب جو سننے میں تو درست لگتا ہے لیکن اس کا کوئی قابلِ تصدیق ذریعہ نہیں ہوتا۔ ریگولیٹڈ ماحول میں، یا جہاں بھی جوابدہی اہم ہو، یہ کمی بہت مہنگی پڑ سکتی ہے۔ Causal Work Graph قیاس آرائیوں کو ایک ایسے گراف سے بدل دیتا ہے جس کے کنارے (edges) ٹھوس ثبوتوں: ٹائم اسٹیمپ، ایکٹر آئیڈنٹیفائرز، تعلق کی اقسام اور کنفیڈنس اسکورز سے ثابت ہوتے ہیں۔

Causal Work Graph کیسے کام کرتا ہے

  • ایونٹ پر مبنی ماڈلنگ (Event-centric modeling) – ہر نوڈ (node) ایک ساکن دستاویز کے بجائے ایک ایونٹ (مثلاً، ایک Slack میسج، ایک Jira ایشو کی تخلیق) کی نمائندگی کرتا ہے۔
  • واضح تعلقات (Explicit relationships) – ایجز (edges) معاون ثبوتوں کے ساتھ مخصوص وجوہتی دعوے ("Slack بحث PM کے فیصلے کی بنیاد بنتی ہے") کو انکوڈ کرتے ہیں۔
  • ماخذ میٹا ڈیٹا (Provenance metadata) – ہر ایج (edge) کا ذریعہ (source)، ہدف (target)، ٹائم اسٹیمپ، ایکٹر، کنفیڈنس لیول اور اصل آرٹفیکٹ کا ایک پوائنٹر محفوظ کرتا ہے جو اس دعوے کی تصدیق کرتا ہے۔
  • غیر یقینی صورتحال سے نمٹنا (Uncertainty handling) – اگر سسٹم لنک کرنے والا ایونٹ تلاش نہیں کر پاتا، تو وہ کوئی تعلق گھڑنے کے بجائے "نامعلوم" (Unknown) دکھاتا ہے۔
  • اجازت کے مطابق رسائی (Permission-aware exposure) – صارفین صرف وہی ایجز دیکھ سکتے ہیں جن کے بنیادی آرٹفیکٹس دیکھنے کے وہ مجاز ہوں؛ اگر کوئی Slack میسج دستیاب نہ ہو تو متعلقہ ایج خود بخود چھپ جاتی ہے۔
  • LLM بطور مترجم، نہ کہ ریپوزٹری – لینگویج ماڈل گراف کو قدرتی زبان میں وضاحتوں میں تبدیل کرتا ہے، جبکہ گراف خود حقیقت کا مستند ذریعہ رہتا ہے۔

جب کوئی صارف پوچھتا ہے، "ریلیز کس وجہ سے ہوئی؟" تو انجن ایک سب گراف (subgraph) ترتیب دیتا ہے جو کچھ اس طرح نظر آ سکتا ہے:

  1. کسٹمر کی شکایت → Slack بحث (ٹائم اسٹیمپ، صارف)
  2. Slack بحث → PM کا فیصلہ (Jira ٹکٹ)
  3. PM کا فیصلہ → GitHub کمٹ (کوڈ کی تبدیلی)
  4. GitHub کمٹ → ریلیز (آرٹفیکٹ)

جواب میں عین اسی Slack میسج اور Jira کمنٹ کے لنکس شامل ہوتے ہیں، جس سے پوچھنے والا ہر مرحلے کی تصدیق کر سکتا ہے۔

خلاصہ

ThreadWeaver v3 کا Causal Work Graph بکھرے ہوئے انجینئرنگ آرٹفیکٹس کو وجہ اور اثر کی ایک واحد، قابلِ آڈٹ زنجیر میں بدل دیتا ہے۔ ہر لنک کے لیے ثبوت کا مطالبہ کر کے، یہ ان ہالوسینیشنز سے بچتا ہے جو خالص LLM کے جوابات میں پائے جاتے ہیں اور ٹیموں کو ہر ریلیز کے پیچھے کے "کیوں" کا سراغ لگانے کا ایک ٹھوس طریقہ فراہم کرتا ہے۔