2026ରେ ଆଧୁନିକ AI ସିଷ୍ଟମ୍ ପଛରେ ଥିବା ସାତୋଟି ନିର୍ମାଣ ଉପାଦାନ

କେବଳ କଥାବାର୍ତ୍ତା କରୁଥିବା ଏକ ଚାଟ୍‌ବଟ୍ ତିଆରି କରିବା ସହଜ। କିନ୍ତୁ ପ୍ରତିଦିନ ସୁରକ୍ଷିତ ଭାବରେ ପ୍ରକୃତ କାର୍ଯ୍ୟ କରୁଥିବା ଏକ AI ସିଷ୍ଟମ୍ ପାଇଁ ଏକାଠି କାମ କରୁଥିବା ଅନେକଗୁଡ଼ିଏ ଅଂଶର ସମନ୍ୱୟ ଆବଶ୍ୟକ।

ଆଜି ହେଉଛି ୨୨ ଅକ୍ଟୋବର, ୨୦୨୬, ଏବଂ ଏହି ସମୟରେ ଏହା ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କାରଣ ଅଧିକାଂଶ କମ୍ପାନୀ ଏବେ "ଆସନ୍ତୁ ଗୋଟିଏ ଚାଟ୍‌ବଟ୍ ଚେଷ୍ଟା କରିବା" ପର୍ଯ୍ୟାୟ ଅତିକ୍ରମ କରିସାରିଛନ୍ତି। ସେମାନେ ଏବେ ଏପରି AI ଚାହାଁନ୍ତି ଯାହା ସେମାନଙ୍କ ନିଜସ୍ୱ ଡକ୍ୟୁମେଣ୍ଟଗୁଡ଼ିକରୁ ଉତ୍ତର ଦେବ, ସେମାନଙ୍କ ନିଜ ଟୁଲ୍ସରେ ପ୍ରକୃତ ପଦକ୍ଷେପ ନେବ ଏବଂ ସେମାନଙ୍କୁ କୌଣସି ଅପ୍ରସ୍ତୁତ ପରିସ୍ଥିତିରେ ପକାଇବ ନାହିଁ। ଏହି ମାସରେ ଚର୍ଚ୍ଚାରେ ଥିବା ଏକ ଲୋକପ୍ରିୟ ଇନଫୋଗ୍ରାଫିକ୍ ସାତୋଟି ନିର୍ମାଣ ଉପାଦାନ ମାଧ୍ୟମରେ ଏହା କିପରି କାମ କରେ ତାହା ସଂକ୍ଷେପରେ ବର୍ଣ୍ଣନା କରେ, ଯେଉଁଥିରେ ପ୍ରତ୍ୟେକକୁ ଏକ କାରଖାନାର ଅଂଶ ସହିତ ତୁଳନା କରାଯାଇଛି। ଏହି ପୋଷ୍ଟରେ ସେହି ସାତୋଟି ବିଷୟକୁ ସରଳ ଭାଷାରେ ବିସ୍ତୃତ ଭାବରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି ଏବଂ ସେଗୁଡ଼ିକ କିପରି ପରସ୍ପର ସହ ଯୋଡ଼ି ହୋଇଥାନ୍ତି ତାହା ଦର୍ଶାଯାଇଛି।

ମୂଳ ଚିତ୍ରଟି: ଏକ କାରଖାନା କଥା ଭାବନ୍ତୁ

ଏକ ଛୋଟ କାରଖାନା କଳ୍ପନା କରନ୍ତୁ ଯାହା ଅନୁରୋଧଗୁଡ଼ିକୁ ସମ୍ପୂର୍ଣ୍ଣ କାର୍ଯ୍ୟରେ ପରିଣତ କରେ।

• ସେଠାରେ ଏକ ମେସିନ୍ ରହିଛି ଯାହା ପ୍ରକୃତ ନିର୍ମାଣ କାର୍ଯ୍ୟ କରେ।
• ସେଠାରେ ଏକ କଞ୍ଚାମାଲ କୋଠରୀ ରହିଛି ଯେଉଁଠାରୁ ମେସିନ୍ ଆରମ୍ଭ ହେବା ପୂର୍ବରୁ ସଠିକ୍ ସାମଗ୍ରୀ ଅଣାଯାଏ।
• ସେଠାରେ ଏକ ଷ୍ଟୋରେଜ୍ ଗୋଦାମ ରହିଛି ଯେଉଁଠାରେ ସମସ୍ତ ସାମଗ୍ରୀ ରଖାଯାଏ ଏବଂ ସହଜରେ ଖୋଜି ପାଇବା ପାଇଁ ସଜାଇ ରଖାଯାଇଥାଏ।
• ସେଠାରେ ଜଣେ ଫ୍ଲୋର୍ ମ୍ୟାନେଜର ରହିଛନ୍ତି ଯିଏ ପରବର୍ତ୍ତୀ ସମୟରେ କ'ଣ ହେବ ଏବଂ କେଉଁ ଉପକରଣ ବ୍ୟବହାର କରାଯିବ ତାହା ସ୍ଥିର କରନ୍ତି।
• ସେଠାରେ ଏକ ଷ୍ଟାଣ୍ଡାର୍ଡ ପାୱାର୍ ଆଉଟଲେଟ୍ ରହିଛି ଯାହାଫଳରେ ବିନା କୌଣସି କଷ୍ଟମ୍ ୱାୟାରିଂରେ ଯେକୌଣସି ଉପକରଣ ପ୍ଲଗ୍ ଇନ୍ କରାଯାଇପାରିବ।
• ସେଠାରେ ଏକ ସୁରକ୍ଷା ବ୍ୟବସ୍ଥା ରହିଛି ଯାହା ବିପଜ୍ଜନକ କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ରୋକିଥାଏ।
• ସେଠାରେ ଏକ ଗୁଣବତ୍ତା ଯାଞ୍ଚ ବ୍ୟବସ୍ଥା ଶେଷରେ ରହିଛି, ଯାହା ଆଉଟପୁଟ୍ ଉପଯୁକ୍ତ କି ନାହିଁ ତାହା ପରୀକ୍ଷା କରେ।

ଏଥିମଧ୍ୟରୁ ପ୍ରତ୍ୟେକଟି ଏକ ଆଧୁନିକ AI ସିଷ୍ଟମର ଗୋଟିଏ ଗୋଟିଏ ନିର୍ମାଣ ଉପାଦାନ ସହିତ ସମାନ। ଆସନ୍ତୁ ସେଗୁଡ଼ିକୁ ଗୋଟିଏ ପରେ ଗୋଟିଏ ବୁଝିବା।

1. LLM: ମେସିନ୍

ଏକ LLM, ବା ଲାର୍ଜ ଲାଙ୍ଗୁଏଜ୍ ମଡେଲ୍ (large language model), ହେଉଛି ସେହି ଅଂଶ ଯାହା ବିଷୟରେ ଅଧିକାଂଶ ଲୋକ ପୂର୍ବରୁ ହିଁ ଜାଣିଛନ୍ତି। ଏହା ChatGPT, Claude ଏବଂ Gemini ଭଳି ଟୁଲ୍ସ ପଛରେ ଥିବା ମଡେଲ୍। ଏହାକୁ ବିପୁଳ ପରିମାଣର ଟେକ୍ସଟ୍ ଉପରେ ତାଲିମ ଦିଆଯାଇଛି, ତେଣୁ ଏହା ଲେଖିପାରେ, ସାରାଂଶ କରିପାରେ, ବ୍ୟାଖ୍ୟା କରିପାରେ, ଅନୁବାଦ କରିପାରେ ଏବଂ କ୍ରମାନ୍ୱୟରେ କୌଣସି ସମସ୍ୟାର ସମାଧାନ ଖୋଜିପାରେ।

କାରଖାନାର ଚିତ୍ରରେ, LLM ହେଉଛି ମେସିନ୍। ଏହା ଶକ୍ତିଶାଳୀ, କିନ୍ତୁ ଏହାର ନିଜସ୍ୱ ଦୁଇଟି ବଡ଼ ସୀମା ରହିଛି:

• ଏହା କେବଳ ସେତିକି ଜାଣିଛି ଯାହା ତାଲିମ ସମୟରେ ଶିଖିଥିଲା। ଏହା ଆପଣଙ୍କ କମ୍ପାନୀର ଛୁଟି ନୀତି (leave policy), ଗତକାଲିର ବିକ୍ରୟ ପରିମାଣ କିମ୍ବା ଆଜି ସକାଳେ ଜଣେ ଗ୍ରାହକ ଓପନ୍ କରିଥିବା ଟିକେଟ୍ ବିଷୟରେ ଜାଣିନାହିଁ।
• ଭୁଲ୍ ହୋଇଥିଲେ ମଧ୍ୟ ଏହା ଆତ୍ମବିଶ୍ୱାସୀ ଶୁଣାଯାଇପାରେ। ଯେତେବେଳେ ଏହା ପାଖରେ ତଥ୍ୟର ଅଭାବ ଥାଏ, ଏହା ଠିକ୍ ଶୁଣାଯାଉଥିବା କିଛି କଥା କହି ସେହି ଖାଲି ସ୍ଥାନ ପୂରଣ କରିପାରେ। ଏହାକୁ ପ୍ରାୟତଃ ହାଲୁସିନେସନ୍ (hallucination) କୁହାଯାଏ।

ସେଥିପାଇଁ LLM କେବଳ ପ୍ରଥମ ଉପାଦାନ, ସମ୍ପୂର୍ଣ୍ଣ ସିଷ୍ଟମ୍ ନୁହେଁ।

ବାସ୍ତବ ଦୁନିଆର ଉଦାହରଣ: Klarna. ଫେବୃଆରୀ ୨୦୨୪ରେ ପେମେଣ୍ଟ କମ୍ପାନୀ Klarna ଘୋଷଣା କରିଥିଲା ଯେ OpenAI ର ମଡେଲ୍ ଉପରେ ନିର୍ମିତ ଏହାର ଗ୍ରାହକ ସେବା ସହାୟକ ପ୍ରଥମ ମାସରେ ୨.୩ ନିୟୁତ ବାର୍ତ୍ତାଳାପ ପରିଚାଳନା କରିଥିଲା, ଯାହା ଏହାର ସମୁଦାୟ ଗ୍ରାହକ ସେବା ଚାଟ୍‌ର ପ୍ରାୟ ଦୁଇ-ତୃତୀୟାଂଶ ଥିଲା। Klarna କହିଥିଲା ଯେ ଗ୍ରାହକମାନେ ଏଗାର ମିନିଟ୍ ବଦଳରେ ଦୁଇ ମିନିଟରୁ କମ୍ ସମୟ ମଧ୍ୟରେ ସେମାନଙ୍କ ସମସ୍ୟାର ସମାଧାନ କରିପାରିଥିଲେ। ଏଗୁଡ଼ିକ କମ୍ପାନୀର ନିଜସ୍ୱ ଲଞ୍ଚ ତଥ୍ୟ, କୌଣସି ସ୍ୱାଧୀନ ଅଡିଟ୍ ନୁହେଁ, ଏବଂ Klarna ପରବର୍ତ୍ତୀ ସମୟରେ ଗୁରୁତ୍ୱାରୋପ କରିଥିଲା ଯେ ଗ୍ରାହକମାନେ ସର୍ବଦା ଜଣେ ମଣିଷ ସହିତ ଯୋଗାଯୋଗ କରିପାରିବେ। ତଥାପି, ଏହା ଦର୍ଶାଏ ଯେ ଏକ ସଠିକ୍ ଭାବରେ ପ୍ରୟୋଗ କରାଯାଇଥିବା LLM କେତେ ପରିମାଣର ନିୟମିତ ଲେଖା ଏବଂ ବ୍ୟାଖ୍ୟା କାର୍ଯ୍ୟ ନିଜ ଉପରକୁ ନେଇପାରେ।

2. RAG: କଞ୍ଚାମାଲ କୋଠରୀ

RAG ର ଅର୍ଥ ହେଉଛି retrieval-augmented generation। ଧାରଣାଟି ସରଳ: ମଡେଲ୍ ଉତ୍ତର ଦେବା ପୂର୍ବରୁ, ସିଷ୍ଟମ୍ ପ୍ରଥମେ ପ୍ରାସଙ୍ଗିକ ସୂଚନା ଖୋଜି ବାହାର କରେ ଏବଂ ପ୍ରଶ୍ନ ସହିତ ତାହା ମଡେଲ୍‌କୁ ପ୍ରଦାନ କରେ।

ତେଣୁ ମଡେଲ୍‌କୁ "ଆମର ରିଫଣ୍ଡ ପଲିସି କ'ଣ?" ବୋଲି ପଚାରି ଏହା ଅନୁମାନ କରିବ ବୋଲି ଆଶା କରିବା ପରିବର୍ତ୍ତେ, ସିଷ୍ଟମ୍:

1. ରିଫଣ୍ଡ ପଲିସି ପାଇଁ ଆପଣଙ୍କ ଡକ୍ୟୁମେଣ୍ଟଗୁଡ଼ିକ ଖୋଜେ,
2. ଅନୁରୋଧରେ ସବୁଠାରୁ ପ୍ରାସଙ୍ଗିକ ପାରାଗ୍ରାଫ୍‌ଗୁଡ଼ିକୁ ପେଷ୍ଟ କରେ,
3. ସେହି ପାରାଗ୍ରାଫ୍‌ଗୁଡ଼ିକୁ ବ୍ୟବହାର କରି ଉତ୍ତର ଦେବାକୁ ମଡେଲ୍‌କୁ କୁହେ।

କାରଖାନାରେ, ଏହା ହେଉଛି କଞ୍ଚାମାଲ କୋଠରୀ। ମେସିନ୍‌କୁ ପ୍ରଥମେ ସଠିକ୍ ସାମଗ୍ରୀ ଦିଆଗଲେ ଏହା ବହୁତ ଭଲ ଭାବରେ କାମ କରେ। RAG ହେଉଛି ମୁଖ୍ୟ କାରଣ ଯାହା ଯୋଗୁଁ ଏକ AI ସହାୟକ ଆପଣଙ୍କ ନିଜସ୍ୱ ବ୍ୟବସାୟ ବିଷୟରେ ସଠିକ୍ ଉତ୍ତର ଦେଇପାରେ, ଏବଂ ଏହା ଏକ ଉତ୍ତର କେଉଁ ଡକ୍ୟୁମେଣ୍ଟରୁ ଆସିଛି ତାହା ଦର୍ଶାଇବା ମଧ୍ୟ ସମ୍ଭବ କରିଥାଏ।

ବାସ୍ତବ ଦୁନିଆର ଉଦାହରଣ: Morgan Stanley. ସେପ୍ଟେମ୍ବର ୨୦୨୩ରେ Morgan Stanley ତାର ଆର୍ଥିକ ପରାମର୍ଶଦାତାମାନଙ୍କ ପାଇଁ ଏକ ଆଭ୍ୟନ୍ତରୀଣ ସହାୟକ ଆରମ୍ଭ କରିଥିଲା, ଯାହା OpenAI ର GPT-4 ଉପରେ ନିର୍ମିତ। ମଡେଲ୍‌ର ସାଧାରଣ ଜ୍ଞାନ ଉପରେ ନିର୍ଭର କରିବା ପରିବର୍ତ୍ତେ, ଏହା ସଂସ୍ଥାର ପ୍ରାୟ ୧,୦୦,୦୦୦ ଗବେଷଣା ରିପୋର୍ଟ ଏବଂ ଡକ୍ୟୁମେଣ୍ଟ ଥିବା ନିଜସ୍ୱ ଲାଇବ୍ରେରୀରୁ ଉତ୍ତର ଦେଇଥାଏ। ବ୍ୟବହାରିକ କ୍ଷେତ୍ରରେ ଏହା ହିଁ RAG: ପ୍ରଥମେ ସଠିକ୍ ଆଭ୍ୟନ୍ତରୀଣ ଡକ୍ୟୁମେଣ୍ଟ ଖୋଜନ୍ତୁ, ତା'ପରେ ମଡେଲ୍‌କୁ ସେଥିରୁ ଉତ୍ତର ଲେଖିବାକୁ ଦିଅନ୍ତୁ।

3. ଭେକ୍ଟର ଡାଟାବେସ୍: ଷ୍ଟୋରେଜ୍ ଗୋଦାମ

RAG କୁ ସର୍ଚ୍ଚ କରିବା ପାଇଁ ଏକ ସ୍ଥାନ ଆବଶ୍ୟକ। ଏହା ହେଉଛି ଭେକ୍ଟର ଡାଟାବେସ୍‌ର କାମ।

ଏଠାରେ ମୁଖ୍ୟ ଧାରଣାଟି ହେଉଛି। ପ୍ରତ୍ୟେକ ଟେକ୍ସଟ୍, ଯେପରିକି ଏକ ମାନୁଆଲ୍‌ର ଏକ ପାରାଗ୍ରାଫ୍, ସଂଖ୍ୟାର ଏକ ଲମ୍ବା ତାଲିକାରେ ପରିଣତ ହୁଏ ଯାହାକୁ କୁହାଯାଏ ଏକ ଏମ୍ବେଡିଂ (କିମ୍ବା ଭେକ୍ଟର)। ସମାନ ଅର୍ଥ ଥିବା ଟେକ୍ସଟ୍‌ଗୁଡ଼ିକ ସମାନ ସଂଖ୍ୟା ପାଇଥାନ୍ତି। ଯେତେବେଳେ ଏକ ପ୍ରଶ୍ନ ଆସେ, ଏହା ମଧ୍ୟ ସଂଖ୍ୟାରେ ପରିଣତ ହୁଏ, ଏବଂ ଡାଟାବେସ୍ ସେହି ସଂରକ୍ଷିତ ଅଂଶଗୁଡ଼ିକୁ ଖୋଜି ବାହାର କରେ ଯାହାର ସଂଖ୍ୟା ସବୁଠାରୁ ନିକଟତର ହୋଇଥାଏ।

ଏହି କାରଣରୁ ଇନଫୋଗ୍ରାଫିକ୍‌ରେ କୁହାଯାଇଛି ଯେ ଏହା "କୀୱାର୍ଡ ଦ୍ୱାରା ନୁହେଁ, ବରଂ ଅର୍ଥ ଦ୍ୱାରା ତଥ୍ୟ ଖୋଜିଥାଏ"। "ମୁଁ ମୋ ଟଙ୍କା ଫେରସ୍ତ ପାଇପାରିବି କି?" ଭଳି ଏକ ପ୍ରଶ୍ନ "Refunds and returns" ଶୀର୍ଷକ ଥିବା ଏକ ପାରାଗ୍ରାଫ୍ ଖୋଜି ପାଇପାରିବ, ଯଦିଓ କୌଣସି ଶବ୍ଦ ମେଳ ଖାଉ ନାହିଁ।

କାରଖାନାରେ, ଭେକ୍ଟର ଡାଟାବେସ୍ ହେଉଛି ଷ୍ଟୋରେଜ୍ ଗୋଦାମ: ପ୍ରତ୍ୟେକ ଜିନିଷ ଏପରି ଏକ କ୍ରମରେ ସଂରକ୍ଷିତ ହୋଇଥାଏ ଯାହା ସଠିକ୍ ଜିନିଷକୁ ଶୀଘ୍ର ଖୋଜିବା ସହଜ କରିଦିଏ। ୨୦୨୬ରେ ଲୋକପ୍ରିୟ ବିକଳ୍ପଗୁଡ଼ିକ ମଧ୍ୟରେ ସମର୍ପିତ ଭେକ୍ଟର ଡାଟାବେସ୍ ଏବଂ PostgreSQL ଭଳି ସାଧାରଣ ଡାଟାବେସ୍ ପାଇଁ ଭେକ୍ଟର ଆଡ୍-ଅନ୍ ଅନ୍ତର୍ଭୁକ୍ତ।

ବାସ୍ତବ ଦୁନିଆର ଉଦାହରଣ: Spotify. ସଙ୍ଗୀତ ସୁପାରିଶ ପାଇଁ Spotify ଦୀର୍ଘ ଦିନ ଧରି ଏହି "find the nearest neighbours" ଧାରଣା ବ୍ୟବହାର କରିଆସିଛି। ୨୦୨୩ରେ ଏହା Voyager ନାମକ ଏକ ଲାଇବ୍ରେରୀ ଓପନ୍-ସୋର୍ସ କରିଥିଲା, ଯାହା ନିକଟତମ ମେଳ ଖୋଜିବା ପାଇଁ ଭେକ୍ଟରଗୁଡ଼ିକର ବଡ଼ ସଂଗ୍ରହରେ ସର୍ଚ୍ଚ କରିଥାଏ, ଏବଂ Spotify କହିବା ଅନୁଯାୟୀ ଏହାର ପ୍ରଡକ୍ଟଗୁଡ଼ିକ ଭିତରେ ଦୈନିକ ଶହ ଶହ ନିୟୁତ ଥର ଏହା କ୍ୱେରୀ କରାଯାଏ। ଯେଉଁ ଧାରଣା "ଏହି ଗୀତ ଭଳି ଲାଗୁଥିବା ଗୀତ" ଖୋଜିଥାଏ, ତାହା ହିଁ "ଏହି ପ୍ରଶ୍ନର ଅର୍ଥ ସହିତ ସମାନ ଥିବା ପାରାଗ୍ରାଫ୍" ମଧ୍ୟ ଖୋଜି ବାହାର କରିଥାଏ।

4. AI ଏଜେଣ୍ଟ: ଫ୍ଲୋର୍ ମ୍ୟାନେଜର

ଏକ ଏଜେଣ୍ଟ ହେଉଛି ସେହି ବ୍ୟବସ୍ଥା ଯାହା କେବଳ କଥାବାର୍ତ୍ତା କରୁଥିବା ଏକ AI କୁ କାର୍ଯ୍ୟ କରୁଥିବା ଏକ AI ରେ ପରିଣତ କରେ।

ଏକ ଏଜେଣ୍ଟ ହେଉଛି LLM ଚାରିପାଖରେ ନିର୍ମିତ ଏକ ଲୁପ୍। ଏହା ଲକ୍ଷ୍ୟକୁ ଦେଖେ, ପରବର୍ତ୍ତୀ ପଦକ୍ଷେପ ସ୍ଥିର କରେ, ଏକ ଟୁଲ୍ ବ୍ୟବହାର କରେ, ଫଳାଫଳ ଯାଞ୍ଚ କରେ, ଏବଂ କାର୍ଯ୍ୟ ସମାପ୍ତ ନହେବା ପର୍ଯ୍ୟନ୍ତ ଏହାକୁ ଦୋହରାଇଥାଏ। ଉଦାହରଣ ସ୍ୱରୂପ, "ମୋର ଅପରାହ୍ନ ୩ଟାର ମିଟିଂ ପୁନଃନିର୍ଦ୍ଧାରଣ କରନ୍ତୁ ଏବଂ ଅଂଶଗ୍ରହଣକାରୀମାନଙ୍କୁ ଜଣାନ୍ତୁ" କୁହାଗଲେ, ଜଣେ ଏଜେଣ୍ଟ ହୁଏତ:

1. କ୍ୟାଲେଣ୍ଡର ପଢ଼ିପାରେ,
2. ଏକ ଖାଲି ସମୟ ଖୋଜିପାରେ,
3. ମିଟିଂକୁ ଘୁଞ୍ଚାଇପାରେ,
4. ପ୍ରତ୍ୟେକ ଅଂଶଗ୍ରହଣକାରୀଙ୍କୁ ଏକ ସଂକ୍ଷିପ୍ତ ଇମେଲ୍ ପଠାଇପାରେ,
5. ଏହା କ'ଣ କଲା ତାହା ରିପୋର୍ଟ କରି ଜଣାଇପାରେ।

କାରଖାନାରେ, ଏଜେଣ୍ଟ ହେଉଛି ଫ୍ଲୋର୍ ମ୍ୟାନେଜର। ଏହା ନିଜ ହାତରେ ସବୁ କାମ କରେ ନାହିଁ; ଏହା ପରବର୍ତ୍ତୀ ସମୟରେ କ'ଣ ହେବ ତାହା ସ୍ଥିର କରେ ଏବଂ ସଠିକ୍ ଟୁଲ୍‌କୁ କାମ ପଠାଏ। ଏହା ଶକ୍ତିଶାଳୀ, ଏବଂ ଏହିଠାରେ ହିଁ ବିପଦ ମଧ୍ୟ ବଢ଼ିଥାଏ, କାରଣ ଏକ ଏଜେଣ୍ଟ ବର୍ତ୍ତମାନ ବାସ୍ତବ ଜିନିଷଗୁଡ଼ିକୁ ପରିବର୍ତ୍ତନ କରିପାରେ।

ବାସ୍ତବ ଦୁନିଆର ଉଦାହରଣ: GitHub Copilot coding agent. ମେ ୨୦୨୫ରେ GitHub ଏକ କୋଡିଂ ଏଜେଣ୍ଟକୁ ସାର୍ବଜନୀନ ପ୍ରିଭ୍ୟୁରେ ଉପଲବ୍ଧ କରାଇଥିଲା। ଜଣେ ଡେଭଲପର୍ Copilot କୁ ଏକ ଇସ୍ୟୁ ଦିଅନ୍ତି, ଏବଂ ଏଜେଣ୍ଟ ନିଜର କାର୍ଯ୍ୟକ୍ଷମ ପରିବେଶ ପ୍ରସ୍ତୁତ କରେ, କୋଡ୍ ପରିବର୍ତ୍ତନ କରେ, ଏବଂ ସେଗୁଡ଼ିକୁ ଏକ ଡ୍ରାଫ୍ଟ ପୁଲ୍ ରିକ୍ୱେଷ୍ଟକୁ ପୁସ୍ କରେ ଯାହାକୁ କୌଣସି ଜିନିଷ ମର୍ଜ ହେବା ପୂର୍ବରୁ ଲୋକମାନେ ସମୀକ୍ଷା କରନ୍ତି। ଏହା ଯୋଜନା କରେ, ଟୁଲ୍ସ ବ୍ୟବହାର କରେ ଏବଂ ରିପୋର୍ଟ କରେ, ଯାହା ଫ୍ଲୋର୍-ମ୍ୟାନେଜର ପ୍ୟାଟର୍ଣ୍ଣ ଅଟେ, ଯେଉଁଥିରେ ଅନ୍ତିମ ଫଳାଫଳକୁ ଜଣେ ମଣିଷ ହିଁ ଅନୁମୋଦନ କରିଥାଏ।

5. MCP: ପାୱାର୍ ଆଉଟଲେଟ୍ ଷ୍ଟାଣ୍ଡାର୍ଡ

MCP ର ଅର୍ଥ ହେଉଛି Model Context Protocol। ଏହା ୨୦୨୪ ଶେଷ ଭାଗରେ ପ୍ରଥମ ଥର ପ୍ରକାଶିତ ଏକ ଓପନ୍ ଷ୍ଟାଣ୍ଡାର୍ଡ, ଯାହା AI ଆପ୍ଲିକେସନ୍‌ଗୁଡ଼ିକୁ ବିଭିନ୍ନ ଟୁଲ୍ସ ଏବଂ ଡାଟା ସହିତ ସଂଯୋଗ କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୁଏ: ଯେପରିକି ଫାଇଲ୍, ଡାଟାବେସ୍, କ୍ୟାଲେଣ୍ଡର, ଟିକେଟ୍ ସିଷ୍ଟମ୍, କୋଡ୍ ରିପୋଜିଟୋରୀ ଇତ୍ୟାଦି।

ଏହିଭଳି ଷ୍ଟାଣ୍ଡାର୍ଡ ଆସିବା ପୂର୍ବରୁ, ପ୍ରତ୍ୟେକ AI ଟୁଲ୍ ପାଇଁ ପ୍ରତି ଆପ୍ ସହିତ ନିଜସ୍ୱ କଷ୍ଟମ୍ ସଂଯୋଗ ଆବଶ୍ୟକ ଥିଲା। ଦଶଟି AI ଟୁଲ୍ ଏବଂ ଦଶଟି ଆପ୍ ର ଅର୍ଥ ହୋଇପାରେ ଶହେଟି ପୃଥକ ଇଣ୍ଟିଗ୍ରେସନ୍। MCP ସହିତ, ଏକ ଆପ୍‌କୁ ଥରେ ଏକ "MCP server" ଭାବରେ ପ୍ରସ୍ତୁତ କରାଯାଏ, ଏବଂ MCP ବୁଝୁଥିବା ଯେକୌଣସି AI ଆପ୍ଲିକେସନ୍ ଏଥିରେ ସିଧାସଳଖ ପ୍ଲଗ୍ ଇନ୍ ହୋଇପାରିବ।

ଏହି କାରଣରୁ ଇନଫୋଗ୍ରାଫିକ୍ ଏହାକୁ ପାୱାର୍ ଆଉଟଲେଟ୍ ଷ୍ଟାଣ୍ଡାର୍ଡ ବୋଲି କହିଛି: ଗୋଟିଏ ପ୍ଲଗ୍ ଆକାର, ଅନେକ ଉପକରଣ। ଆପଣ ପ୍ରତ୍ୟେକ ଥର ନୂଆ ଉପକରଣ କିଣିବା ସମୟରେ ଘରର ୱାୟାରିଂ ବଦଳାନ୍ତି ନାହିଁ।

ବାସ୍ତବ ଦୁନିଆର ଉଦାହରଣ: Anthropic ଏବଂ OpenAI. Anthropic ୨୫ ନଭେମ୍ବର, ୨୦୨୪ରେ Google Drive, Slack, GitHub, Git ଏବଂ Postgres ପାଇଁ ପ୍ରସ୍ତୁତ କନେକ୍ଟର ସହିତ MCP ଘୋଷଣା କରିଥିଲା। ୨୬ ମାର୍ଚ୍ଚ, ୨୦୨୫ରେ OpenAI ଏହାର Agents SDK ରେ MCP ସପୋର୍ଟ ଯୋଡ଼ିଥିଲା ଏବଂ କହିଥିଲା ଯେ ChatGPT ର ଡେସ୍କଟପ୍ ଆପ୍ ଏହାକୁ ଅନୁସରଣ କରିବ। ଯେତେବେଳେ ଦୁଇଟି ପ୍ରତିଦ୍ୱନ୍ଦ୍ୱୀ AI କମ୍ପାନୀ ସମାନ ପ୍ଲଗ୍‌କୁ ସମର୍ଥନ କରନ୍ତି, ସେତେବେଳେ ଟୁଲ୍ ନିର୍ମାତାମାନେ ଗୋଟିଏ କନେକ୍ଟର ତିଆରି କରି ଉଭୟରେ କାର୍ଯ୍ୟକ୍ଷମ କରାଇପାରିବେ।

6. ଗାର୍ଡରେଲ୍ସ: ସୁରକ୍ଷା ବ୍ୟବସ୍ଥା

ଗାର୍ଡରେଲ୍ସ ହେଉଛି ସେହି ନିୟମ ଏବଂ ଯାଞ୍ଚ ଯାହା ସ୍ଥିର କରେ ଯେ AI କ'ଣ କରିପାରିବ ଏବଂ କ'ଣ କରିପାରିବ ନାହିଁ। ଏଗୁଡ଼ିକ ମଡେଲ୍ ଏବଂ ଏଜେଣ୍ଟର ଚାରିପାଖରେ ଥାଆନ୍ତି, ସେମାନଙ୍କ ଭିତରେ ନୁହେଁ।

ସାଧାରଣ ଗାର୍ଡରେଲ୍ସ ମଧ୍ୟରେ ଅନ୍ତର୍ଭୁକ୍ତ:

• ଇନପୁଟ୍ ଯାଞ୍ଚ ଯାହା କ୍ଷତିକାରକ ଅନୁରୋଧ କିମ୍ବା ମଡେଲ୍‌କୁ ତାର ନିର୍ଦ୍ଦେଶାବଳୀ ଅଣଦେଖା କରିବାକୁ ପ୍ରତାରିତ କରିବାର ପ୍ରୟାସକୁ (ଯାହାକୁ ପ୍ରାୟତଃ prompt injection କୁହାଯାଏ) ବ୍ଲକ୍ କରିଥାଏ।
• ଆଉଟପୁଟ୍ ଯାଞ୍ଚ ଯାହା ଲିକ୍ ହୋଇଥିବା ବ୍ୟକ୍ତିଗତ ତଥ୍ୟ, ଅସୁରକ୍ଷିତ ବିଷୟବସ୍ତୁ କିମ୍ବା ଅନୁମୋଦିତ ପ୍ରସଙ୍ଗ ବାହାରେ ଥିବା ଉତ୍ତରଗୁଡ଼ିକୁ ଧରିଥାଏ।
• କାର୍ଯ୍ୟର ସୀମା ଯାହା ଜଣେ ମଣିଷର ପୂର୍ବ ଅନୁମୋଦନ ବିନା ଏକ ଏଜେଣ୍ଟକୁ ନିଜେ ଉଚ୍ଚ-ବିପଦପୂର୍ଣ୍ଣ କାର୍ଯ୍ୟ କରିବାରୁ ରୋକିଥାଏ, ଯେପରିକି ତଥ୍ୟ ଡିଲିଟ୍ କରିବା, ଟଙ୍କା ପଠାଇବା କିମ୍ବା ଗ୍ରାହକମାନଙ୍କୁ ଇମେଲ୍ କରିବା।
• ଆକ୍ସେସ୍ କଣ୍ଟ୍ରୋଲ୍, ଯାହାଫଳରେ AI କେବଳ ସେହି ତଥ୍ୟ ପର୍ଯ୍ୟନ୍ତ ପହଞ୍ଚିପାରିବ ଯାହା ଦେଖିବାକୁ ଅନୁରୋଧ କରୁଥିବା ବ୍ୟକ୍ତିଙ୍କର ଅନୁମତି ରହିଛି।

କାରଖାନାରେ, ଏହା ହେଉଛି ସୁରକ୍ଷା ବ୍ୟବସ୍ଥା। ମେସିନ୍‌ଗୁଡ଼ିକୁ ଦ୍ରୁତ ଗତିରେ ଚାଲିବାକୁ ଅନୁମତି ଦିଆଯାଏ କାରଣ ସେଠାରେ ସୁରକ୍ଷା ବ୍ୟବସ୍ଥା ଥାଏ।

ବାସ୍ତବ ଦୁନିଆର ଉଦାହରଣ: Air Canada ଏବଂ DPD. ୨୦୨୪ ପ୍ରାରମ୍ଭର ଦୁଇଟି ସାର୍ବଜନୀନ ଘଟଣା ଦର୍ଶାଏ ଯେ ସୁରକ୍ଷା ବ୍ୟବସ୍ଥା ନଥିଲେ କ'ଣ ଘଟେ।

• Air Canada: ଏହାର ୱେବସାଇଟ୍ ଚାଟ୍‌ବଟ୍ ଜଣେ ଯାତ୍ରୀଙ୍କୁ କହିଥିଲା ଯେ ସେ ଯାତ୍ରା କରିବା ପରେ ଶୋକ ରିହାତି (bereavement discount) ଦାବି କରିପାରିବେ, ଯାହା ଏୟାରଲାଇନ୍ସର ନିଜସ୍ୱ ନୀତି ବିରୋଧୀ ଥିଲା। ଫେବୃଆରୀ ୨୦୨୪ରେ ବ୍ରିଟିଶ କଲମ୍ବିଆ ଟ୍ରିବ୍ୟୁନାଲ୍ ରାୟ ଦେଇଥିଲେ ଯେ ଚାଟ୍‌ବଟ୍ ଯାହା କହିଛି ସେଥିପାଇଁ ଏୟାରଲାଇନ୍ସ ଦାୟୀ ଏବଂ ତାଙ୍କୁ କ୍ଷତିପୂରଣ ଦେବାକୁ ନିର୍ଦ୍ଦେଶ ଦେଇଥିଲେ, ଏବଂ ଚାଟ୍‌ବଟ୍ ନିଜ କାର୍ଯ୍ୟ ପାଇଁ ଦାୟୀ ଏକ ପୃଥକ ସଂସ୍ଥା ବୋଲି ଯୁକ୍ତିକୁ ଖାରଜ କରିଦେଇଥିଲେ।
• DPD: ଜାନୁଆରୀ ୨୦୨୪ରେ UK ର ପାର୍ସଲ୍ କମ୍ପାନୀର ଜଣେ ଗ୍ରାହକ ଏହାର ଚାଟ୍‌ବଟ୍‌କୁ ଗାଳି ଦେବା ଏବଂ କମ୍ପାନୀକୁ ସମାଲୋଚନା କରି ଏକ କବିତା ଲେଖିବାକୁ ବାଧ୍ୟ କରିଥିଲେ। DPD କହିଥିଲା ଯେ ଏକ ସିଷ୍ଟମ୍ ଅପଡେଟ୍ ପରେ ଏହି ସମସ୍ୟା ଦେଖାଦେଇଥିଲା ଏବଂ ସମାଧାନ ହେବା ପର୍ଯ୍ୟନ୍ତ ଏହା ଚାଟ୍‌ର AI ଅଂଶକୁ ବନ୍ଦ କରିଦେଇଥିଲା।

କୌଣସି ଘଟଣାରେ ଅଧିକ ସ୍ମାର୍ଟ ମଡେଲ୍‌ର ଆବଶ୍ୟକତା ନଥିଲା। ଉଭୟ କ୍ଷେତ୍ରରେ ସିଷ୍ଟମ୍‌କୁ କ'ଣ କହିବାକୁ ଅନୁମତି ଦିଆଯାଇଛି ତାହା ଉପରେ ଉନ୍ନତ ଯାଞ୍ଚର ଆବଶ୍ୟକତା ଥିଲା।

7. ଇଭାଲ୍ସ: ଗୁଣବତ୍ତା ଯାଞ୍ଚ

ଇଭାଲ୍ସ, evaluations ର ସଂକ୍ଷିପ୍ତ ରୂପ, ହେଉଛି AI ଆଉଟପୁଟ୍ ପାଇଁ ପରୀକ୍ଷା। ସାଧାରଣ ସଫ୍ଟୱେର୍ ପରୀକ୍ଷଣ ଯାଞ୍ଚ କରେ ଯେ ସମାନ ଇନପୁଟ୍ ସମାନ ଆଉଟପୁଟ୍ ଦେଉଛି କି ନାହିଁ। AI କମ୍ ପୂର୍ବାନୁମାନଯୋଗ୍ୟ, ତେଣୁ ଅନେକ ନମୁନା ପ୍ରଶ୍ନ ମାଧ୍ୟମରେ ଉତ୍ତରଗୁଡ଼ିକ ସଠିକ୍, ସୁରକ୍ଷିତ ଏବଂ ଉପଯୋଗୀ କି ନାହିଁ ତାହା ଇଭାଲ୍ସ ଯାଞ୍ଚ କରେ।

ଏକ ସାଧାରଣ ଇଭାଲ୍ ସେଟ୍‌ରେ ଜଣାଶୁଣା ସଠିକ୍ ଉତ୍ତର ଥିବା କିଛି ଶହ ପ୍ରକୃତ ପ୍ରଶ୍ନ ଥାଇପାରେ। ପ୍ରତ୍ୟେକ ଥର ଯେତେବେଳେ ଆପଣ ମଡେଲ୍, ପ୍ରମ୍ପ୍ଟ କିମ୍ବା ଡକ୍ୟୁମେଣ୍ଟଗୁଡ଼ିକୁ ପରିବର୍ତ୍ତନ କରନ୍ତି, ଆପଣ ପୁଣି ଥରେ ଏହି ସେଟ୍ ଚଲାନ୍ତି ଏବଂ ତୁଳନା କରନ୍ତି। ଟିମ୍‌ଗୁଡ଼ିକ ସାଧାରଣତଃ ନିମ୍ନଲିଖିତ ବିଷୟଗୁଡ଼ିକ ମାପନ୍ତି:

• ଗୁଣବତ୍ତା: ଉତ୍ତରଟି ସଠିକ୍ କି ଏବଂ ଏହା ପ୍ରଦତ୍ତ ଉତ୍ସଗୁଡ଼ିକୁ ବ୍ୟବହାର କରୁଛି କି?
• ସୁରକ୍ଷା: ଯାହା ପ୍ରତ୍ୟାଖ୍ୟାନ କରିବା ଉଚିତ୍ ତାହା ଏହା ପ୍ରତ୍ୟାଖ୍ୟାନ କଲା କି?
• ଖର୍ଚ୍ଚ: ପ୍ରତ୍ୟେକ ଉତ୍ତର ପ୍ରସ୍ତୁତ କରିବା ପାଇଁ କେତେ ଖର୍ଚ୍ଚ ହେଲା?
• ଲେଟେନ୍ସି: ବ୍ୟବହାରକାରୀ କେତେ ସମୟ ଅପେକ୍ଷା କଲେ?
• ସଫଳତା: ଏଜେଣ୍ଟମାନଙ୍କ କ୍ଷେତ୍ରରେ, କାର୍ଯ୍ୟଟି ପ୍ରକୃତରେ ସମ୍ପନ୍ନ ହେଲା କି?

କାରଖାନାରେ, ଏହା ହେଉଛି ଉତ୍ପାଦନ ଲାଇନ୍ ଶେଷରେ ଗୁଣବତ୍ତା ଯାଞ୍ଚ। ଏହା ବିନା, କୌଣସି ଜିନିଷ ଖରାପ ଥିବା କଥା ଆପଣ କେବଳ ସେତେବେଳେ ଜାଣିପାରିବେ ଯେତେବେଳେ ଜଣେ ଗ୍ରାହକ ଅଭିଯୋଗ କରନ୍ତି।

ବାସ୍ତବ ଦୁନିଆର ଉଦାହରଣ: ପୁଣି Morgan Stanley. Morgan Stanley ର ପରାମର୍ଶଦାତା ସହାୟକ ସମ୍ବନ୍ଧୀୟ ସାର୍ବଜନୀନ ବିବରଣୀଗୁଡ଼ିକ ମଡେଲ୍ ଭଳି ପରୀକ୍ଷଣକୁ ମଧ୍ୟ ସମାନ ଗୁରୁତ୍ୱ ଦିଅନ୍ତି: ସଂସ୍ଥାଟି ତାର ଡକ୍ୟୁମେଣ୍ଟଗୁଡ଼ିକ ପ୍ରସ୍ତୁତ କରିବାରେ ମାସ ମାସ ସମୟ ବିତାଇଥିଲା ଏବଂ ମାନବ ବିଶେଷଜ୍ଞମାନଙ୍କ ଦ୍ୱାରା ସହାୟକର ଉତ୍ତରଗୁଡ଼ିକୁ ଯାଞ୍ଚ କରାଇଥିଲା, ଏବଂ OpenAI ର ପ୍ରକାଶିତ କେସ୍ ଷ୍ଟଡିରେ ଏକ ମୂଲ୍ୟାଙ୍କନ ଫ୍ରେମୱାର୍କକୁ ପ୍ରକଳ୍ପର ମୁଖ୍ୟ ଅଂଶ ଭାବରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି। ସେହି କେସ୍ ଷ୍ଟଡିରେ ରିପୋର୍ଟ କରାଯାଇଥିବା ଫଳାଫଳ ଅନୁଯାୟୀ ୯୮ ପ୍ରତିଶତରୁ ଅଧିକ ପରାମର୍ଶଦାତା ଟିମ୍ ଏହି ସହାୟକକୁ ବ୍ୟବହାର କରନ୍ତି। ଲୋକମାନେ ପ୍ରତିଦିନ ଏହାକୁ ବ୍ୟବହାର କରିବା ପାଇଁ ଯଥେଷ୍ଟ ବିଶ୍ୱାସ କରିବାର ଏକ ବଡ଼ କାରଣ ହେଉଛି ଯତ୍ନପୂର୍ବକ କରାଯାଇଥିବା ଇଭାଲ୍ସ।

ଏକ ଅନୁରୋଧ ଉପରେ ସାତୋଟି ଉପାଦାନ କିପରି ଏକାଠି କାମ କରନ୍ତି

ଏଠାରେ Acme ନାମକ ଏକ କାଳ୍ପନିକ କମ୍ପାନୀ ପାଇଁ ସମସ୍ତ ସାତୋଟି ଉପାଦାନ ମଧ୍ୟ ଦେଇ ଗତି କରୁଥିବା ଏକ ଅନୁରୋଧର ଉଦାହରଣ ଦିଆଗଲା:

ପଦକ୍ଷେପ ୧: ପ୍ରଶ୍ନ ପହଞ୍ଚିବା

ଜଣେ କର୍ମଚାରୀ ପଚାରନ୍ତି: "ମୋର କେତେ ଦିନର ଛୁଟି ବାକି ଅଛି, ଏବଂ ଆପଣ ଶୁକ୍ରବାର ଦିନ ଛୁଟି ବୁକ୍ କରିପାରିବେ କି?" ଗାର୍ଡରେଲ୍ସ ପ୍ରଥମେ ଯାଞ୍ଚ କରେ ଯେ ଅନୁରୋଧଟି ଅନୁମୋଦିତ ଏବଂ ସେହି ବ୍ୟକ୍ତି ସାଇନ୍ ଇନ୍ କରିଛନ୍ତି।

ପଦକ୍ଷେପ ୨: ଏଜେଣ୍ଟ ଯୋଜନା କରେ

ଏଜେଣ୍ଟ ସ୍ଥିର କରେ ଯେ ଏହାର ଦୁଇଟି ଜିନିଷ ଆବଶ୍ୟକ: ଛୁଟି ନୀତି ଏବଂ କର୍ମଚାରୀଙ୍କ ଛୁଟି ବାଲାନ୍ସ, ଏବଂ ତା'ପରେ ଏକ ବୁକିଂ।

ପଦକ୍ଷେପ ୩: ରିଟ୍ରିଭାଲ୍ (Retrieval)

RAG ଛୁଟି ନୀତି ପାଇଁ ଭେକ୍ଟର ଡାଟାବେସ୍‌ରେ ସର୍ଚ୍ଚ କରେ ଏବଂ ପ୍ରାସଙ୍ଗିକ ପାରାଗ୍ରାଫ୍‌ଗୁଡ଼ିକୁ LLM କୁ ପଠାଏ।

ପଦକ୍ଷେପ ୪: MCP ମାଧ୍ୟମରେ ଟୁଲ୍ସ

ବାଲାନ୍ସ ପଢ଼ିବା ଏବଂ ଛୁଟି ଅନୁରୋଧ ଡ୍ରାଫ୍ଟ କରିବା ପାଇଁ ଏଜେଣ୍ଟ ଏହାର MCP ସର୍ଭର ମାଧ୍ୟମରେ HR ସିଷ୍ଟମ୍‌କୁ କଲ୍ କରେ।

ପଦକ୍ଷେପ ୫: କାର୍ଯ୍ୟ ପୂର୍ବରୁ ସୁରକ୍ଷା

ଅନୁରୋଧ ଦାଖଲ ହେବା ପୂର୍ବରୁ ଏକ ଗାର୍ଡରେଲ୍ କର୍ମଚାରୀଙ୍କୁ ନିଶ୍ଚିତ କରିବାକୁ କୁହେ।

ପଦକ୍ଷେପ ୬: ଉତ୍ତର

LLM ନୀତି ଉଲ୍ଲେଖ କରି ଏବଂ ବୁକିଂ ନିଶ୍ଚିତ କରି ଏକ ସଂକ୍ଷିପ୍ତ, ସ୍ପଷ୍ଟ ଉତ୍ତର ଲେଖେ।

ପଦକ୍ଷେପ ୭: ଏହାର ମୂଲ୍ୟାଙ୍କନ

ଏହି ବାର୍ତ୍ତାଳାପକୁ ଲଗ୍ କରାଯାଏ, ଏବଂ ନୀତି ପରିବର୍ତ୍ତନ ହେବା ସହିତ ଉତ୍ତରଗୁଡ଼ିକ ସଠିକ୍ ରହୁଛି କି ନାହିଁ ତାହା ନିଶ୍ଚିତ କରିବାକୁ ଟିମ୍‌ର ଇଭାଲ୍ସ ନିୟମିତ ଭାବରେ ଏହିଭଳି ପ୍ରଶ୍ନଗୁଡ଼ିକୁ ପରୀକ୍ଷା କରିଥାଏ।

ଉପସଂହାର

LLM ଉପରେ ସମସ୍ତଙ୍କ ଧ୍ୟାନ ରହିଥାଏ, କିନ୍ତୁ ଏହା ମେସିନ୍ ରୁମ୍‌ର କେବଳ ଗୋଟିଏ ଅଂଶ। ବାସ୍ତବ ଦୁନିଆର ଫଳାଫଳ ସମ୍ପୂର୍ଣ୍ଣ ସେଟ୍‌ରୁ ହିଁ ମିଳିଥାଏ: ଚିନ୍ତା କରିବା ଏବଂ ଲେଖିବା ପାଇଁ LLM, ସଠିକ୍ ତଥ୍ୟ ଆଣିବା ପାଇଁ RAG ଏବଂ ଏକ vector database, କାର୍ଯ୍ୟ କରିବା ପାଇଁ ଏକ agent, ଏକ ମାନକ ଉପାୟରେ ଟୁଲ୍ସ ସଂଯୋଗ କରିବା ପାଇଁ MCP, ଏହାକୁ ସୁରକ୍ଷିତ ରଖିବା ପାଇଁ guardrails, ଏବଂ ଏହା କାମ କରୁଛି ବୋଲି ପ୍ରମାଣ କରିବା ପାଇଁ evals। ଯଦି ଆପଣ ଏକ AI ପ୍ରୋଜେକ୍ଟ ଯୋଜନା କରୁଛନ୍ତି, ତେବେ ଏହି ସାତୋଟି ମଧ୍ୟରୁ କେଉଁଗୁଡ଼ିକ ଆପଣଙ୍କ ପାଖରେ ପୂର୍ବରୁ ଅଛି ଏବଂ କେଉଁଗୁଡ଼ିକର ଆବଶ୍ୟକତା ପଡ଼ିବ ନାହିଁ ବୋଲି ଆପଣ ମନେ ମନେ ଆଶା କରୁଛନ୍ତି, ତାହା ଯାଞ୍ଚ କରନ୍ତୁ।

ସୁବିଧାଗୁଡ଼ିକ

• ଉତ୍ତରଗୁଡ଼ିକ ମଡେଲର ମେମୋରୀ ବଦଳରେ ଆପଣଙ୍କର ନିଜସ୍ୱ, ବର୍ତ୍ତମାନର ଡକ୍ୟୁମେଣ୍ଟଗୁଡ଼ିକରୁ ଆସିଥାଏ।
• Agents ଏବଂ MCP, AI କୁ କେବଳ ପରାମର୍ଶ ଦେବା ବଦଳରେ ପ୍ରକୃତ କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ସମ୍ପୂର୍ଣ୍ଣ କରିବାକୁ ଦିଅନ୍ତି।
• MCP ଭଳି ଏକ ସହଭାଗୀ ମାନକ କଷ୍ଟମ୍ ଇଣ୍ଟିଗ୍ରେସନ୍‌ର ସଂଖ୍ୟା ହ୍ରାସ କରେ।
• Guardrails ସୁରକ୍ଷିତ ଭାବରେ AI କୁ ଅଧିକ ଦାୟିତ୍ୱ ଦେବା ସମ୍ଭବ କରିଥାଏ।
• Evals "ଏହା ଠିକ୍ ଲାଗୁଛି" କୁ ଏପରି ସଂଖ୍ୟାରେ ପରିଣତ କରେ ଯାହାକୁ ଆପଣ ସମୟ କ୍ରମେ ଟ୍ରାକ୍ କରିପାରିବେ।

ଅସୁବିଧାଗୁଡ଼ିକ

• ସାତୋଟି ଅଂଶର ଅର୍ଥ ହେଉଛି ତିଆରି କରିବା, ହୋଷ୍ଟ କରିବା ଏବଂ ରକ୍ଷଣାବେକ୍ଷଣ କରିବା ପାଇଁ ଅଧିକ ଗତିଶୀଳ ଉପାଦାନ।
• Retrieval କେବଳ ଏହା ପଛରେ ଥିବା ଡକ୍ୟୁମେଣ୍ଟଗୁଡ଼ିକ ଭଳି ହିଁ ଭଲ କାମ କରେ; ପୁରୁଣା ଫାଇଲଗୁଡ଼ିକ ପୁରୁଣା ଉତ୍ତର ଦେଇଥାଏ।
• କାର୍ଯ୍ୟ କରିପାରୁଥିବା Agents ମଧ୍ୟ ମହଙ୍ଗା ଭୁଲ୍ କରିପାରନ୍ତି ଯଦି ସୀମା କୋହଳ ଥାଏ।
• Guardrails ଅତ୍ୟଧିକ କଠୋର ହୋଇପାରେ ଏବଂ ବୈଧ ଅନୁରୋଧଗୁଡ଼ିକୁ ଅବରୋଧ କରିପାରେ।
• ଭଲ eval ସେଟ୍‌ଗୁଡ଼ିକ ଲେଖିବା ଏବଂ ସେଗୁଡ଼ିକୁ ଅପଡେଟ୍ ରଖିବା ପାଇଁ ପ୍ରକୃତ ପ୍ରୟାସ ଆବଶ୍ୟକ ହୋଇଥାଏ।

ସତର୍କତା

ଏହି ଆର୍ଟିକିଲ୍‌ଟି ଶିକ୍ଷଣୀୟ ଏବଂ ଏକ ଦ୍ରୁତ ଗତିରେ ବଦଳୁଥିବା କ୍ଷେତ୍ରକୁ ସରଳ କରି ବୁଝାଏ। କମ୍ପାନୀ ନାମ Acme ଏବଂ ୱାକ୍-ଥ୍ରୁ ୱାର୍କଫ୍ଲୋ କେବଳ ଉଦାହରଣ ସ୍ୱରୂପ (placeholders), ଏକ ପ୍ରକୃତ ସିଷ୍ଟମ୍ ନୁହେଁ। ଉଲ୍ଲେଖ କରାଯାଇଥିବା ଉଦାହରଣଗୁଡ଼ିକ (Klarna, Morgan Stanley, Spotify, GitHub, Anthropic, OpenAI, Air Canada ଏବଂ DPD) ସେଗୁଡ଼ିକ ଘୋଷଣା ହେବା ସମୟର ସାର୍ବଜନୀନ ଘୋଷଣା ଏବଂ ଖବର ରିପୋର୍ଟରୁ ସଂକ୍ଷେପ କରାଯାଇଛି; ତଥ୍ୟ ବା ପରିସଂଖ୍ୟାନଗୁଡ଼ିକ କମ୍ପାନୀଗୁଡ଼ିକ ରିପୋର୍ଟ କରିବା ଅନୁଯାୟୀ ଅଟେ, ଏବଂ ସେବେଠାରୁ ଉତ୍ପାଦ ତଥା ନୀତିଗୁଡ଼ିକ ବଦଳିଥାଇପାରେ। ଟୁଲ୍ସ, ମାନକ ଏବଂ ସର୍ବୋତ୍ତମ ଅଭ୍ୟାସଗୁଡ଼ିକ ଦ୍ରୁତ ଗତିରେ ପରିବର୍ତ୍ତିତ ହୁଏ, ତେଣୁ ପ୍ରକୃତ ନିଷ୍ପତ୍ତି କିମ୍ବା ପ୍ରକୃତ ଗ୍ରାହକ ତଥ୍ୟ ପାଇଁ କୌଣସି AI ସିଷ୍ଟମ୍ ଉପରେ ନିର୍ଭର କରିବା ପୂର୍ବରୁ ସାମ୍ପ୍ରତିକ ଡକ୍ୟୁମେଣ୍ଟେସନ୍ ଯାଞ୍ଚ କରନ୍ତୁ ଏବଂ ସତର୍କତାର ସହ ପରୀକ୍ଷା କରନ୍ତୁ, ବିଶେଷ କରି guardrails ଏବଂ agent permissions।

ବାରମ୍ବାର ପଚରାଯାଉଥିବା ପ୍ରଶ୍ନଗୁଡ଼ିକ

• ଏକ LLM ଏବଂ ଏକ AI agent ମଧ୍ୟରେ ପାର୍ଥକ୍ୟ କ’ଣ? — LLM ହେଉଛି ସେହି ମଡେଲ ଯାହା ଟେକ୍ସଟ୍ ପଢ଼େ ଏବଂ ଲେଖେ; ଏକ agent ହେଉଛି ମଡେଲ ଚାରିପାଖରେ ଥିବା ଏକ ଲୁପ୍ ଯାହା ପଦକ୍ଷେପଗୁଡ଼ିକର ଯୋଜନା କରେ ଏବଂ ଏକ କାର୍ଯ୍ୟ ସମ୍ପୂର୍ଣ୍ଣ କରିବା ପାଇଁ ଟୁଲ୍ସ ବ୍ୟବହାର କରେ।
• AI ରେ RAG ର ଅର୍ଥ କ’ଣ? — Retrieval-augmented generation: ସିଷ୍ଟମ୍ ପ୍ରଥମେ ପ୍ରାସଙ୍ଗିକ ଡକ୍ୟୁମେଣ୍ଟଗୁଡ଼ିକୁ ଖୋଜି ବାହାର କରେ ଏବଂ ସେଗୁଡ଼ିକୁ ମଡେଲକୁ ଦିଏ, ଯାହା ଫଳରେ ଉତ୍ତରଗୁଡ଼ିକ ପ୍ରକୃତ, ସଦ୍ୟତମ ସୂଚନା ଉପରେ ଆଧାରିତ ହୋଇଥାଏ।
• AI ସିଷ୍ଟମଗୁଡ଼ିକୁ ଏକ vector database ର ଆବଶ୍ୟକତା କାହିଁକି ଥାଏ? — ଏହା ଟେକ୍ସଟ୍‌କୁ embeddings ଭାବରେ ସଂରକ୍ଷଣ କରେ ଯାହା ଫଳରେ ସିଷ୍ଟମ୍ ଅର୍ଥ ଅନୁଯାୟୀ ପରିଚ୍ଛେଦଗୁଡ଼ିକୁ ଖୋଜିପାରେ, ଏବଂ ଏହା ହିଁ RAG ସନ୍ଧାନକୁ ଭଲ ଭାବରେ କାର୍ଯ୍ୟକ୍ଷମ କରିଥାଏ।
• AI ରେ MCP କ’ଣ? — Model Context Protocol ହେଉଛି ଏକ ସାଧାରଣ ଇଣ୍ଟରଫେସ୍ ମାଧ୍ୟମରେ AI ଆପ୍ଲିକେସନ୍‌ଗୁଡ଼ିକୁ ଟୁଲ୍ସ ଏବଂ ଡାଟା ଉତ୍ସଗୁଡ଼ିକ ସହିତ ସଂଯୋଗ କରିବା ପାଇଁ ଏକ ମୁକ୍ତ ମାନକ (open standard)।
• AI guardrails କ’ଣ? — ଏଗୁଡ଼ିକ ହେଉଛି ମଡେଲ ଚାରିପାଖରେ ଥିବା ନିୟମ ଏବଂ ଯାଞ୍ଚ ଯାହା କ୍ଷତିକାରକ ଇନପୁଟ୍‌ଗୁଡ଼ିକୁ ଅବରୋଧ କରେ, ଅସୁରକ୍ଷିତ ଆଉଟପୁଟ୍‌ଗୁଡ଼ିକୁ ଧରେ ଏବଂ ବିପଦପୂର୍ଣ୍ଣ କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ସୀମିତ କରେ।
• AI ରେ evals କ’ଣ? — Evals ହେଉଛି ପୁନରାବୃତ୍ତି ଯୋଗ୍ୟ ପରୀକ୍ଷା ଯାହା ଅନେକ ନମୁନା ପ୍ରଶ୍ନ ମଧ୍ୟରେ AI ର ଉତ୍ତରଗୁଡ଼ିକ ସଠିକ୍, ସୁରକ୍ଷିତ, ଦ୍ରୁତ ଏବଂ ସୁଲଭ ଅଟେ କି ନାହିଁ ତାହା ମାପିଥାଏ।
• Air Canada ଚାଟବଟ୍ ମାମଲାରେ କ’ଣ ଘଟିଥିଲା? — ୨୦୨୪ ରେ ଏକ ଟ୍ରିବ୍ୟୁନାଲ ରାୟ ଦେଇଥିଲେ ଯେ ଏୟାରଲାଇନ୍ସର ୱେବସାଇଟ୍ ଚାଟବଟ୍ ଜଣେ ଯାତ୍ରୀଙ୍କୁ ଦେଇଥିବା ଭୁଲ୍ ରିଫଣ୍ଡ ସୂଚନା ପାଇଁ ଏୟାରଲାଇନ୍ ନିଜେ ଦାୟୀ ଥିଲା, ଯାହା ଏକ ସ୍ପଷ୍ଟ ସ୍ମାରକ ଯେ କମ୍ପାନୀଗୁଡ଼ିକର AI ଯାହା କହେ ତାହାର ଦାୟିତ୍ୱ କମ୍ପାନୀଗୁଡ଼ିକ ନିଜେ ବହନ କରନ୍ତି।
• ମୋତେ କ’ଣ ସମସ୍ତ ସାତୋଟି ବିଲ୍ଡିଂ ବ୍ଲକ୍ ଆବଶ୍ୟକ? — ଏକ ସାଧାରଣ ଚାଟବଟ୍ ପାଇଁ କେବଳ LLM ଏବଂ guardrails ଆବଶ୍ୟକ ହୋଇପାରେ, କିନ୍ତୁ କମ୍ପାନୀ ତଥ୍ୟରୁ ଉତ୍ତର ଦେଉଥିବା କିମ୍ବା କାର୍ଯ୍ୟାନୁଷ୍ଠାନ ଗ୍ରହଣ କରୁଥିବା ଯେକୌଣସି ଆସିଷ୍ଟାଣ୍ଟ ସମସ୍ତ ସାତୋଟିରୁ ଲାଭବାନ ହୋଇଥାଏ।

ଟ୍ୟାଗ୍ସ

#artificialintelligence #llm #rag #vectordatabase #aiagents #mcp #aiguardrails #aievals #generativeai #ai2026