2026-இல் நவீன AI அமைப்புகளுக்குப் பின்னால் உள்ள ஏழு அடிப்படைக் கூறுகள்

வெறுமனே பேசும் ஒரு chatbot-ஐ உருவாக்குவது எளிது. ஆனால் உண்மையில் பணிகளைப் பாதுகாப்பாகவும், ஒவ்வொரு நாளும் செய்து முடிக்கும் ஓர் AI அமைப்புக்கு, பல பாகங்கள் ஒன்றிணைந்து செயல்பட வேண்டியது அவசியம்.

இன்று அக்டோபர் 22, 2026, இது தற்போது மிக முக்கியமானது; ஏனெனில் பெரும்பாலான நிறுவனங்கள் "ஒரு chatbot-ஐப் பயன்படுத்திப் பார்ப்போம்" என்ற நிலையைத் தாண்டிவிட்டன. தங்கள் சொந்த ஆவணங்களிலிருந்து பதிலளிக்கும், தங்கள் சொந்தக் கருவிகளில் உண்மையான நடவடிக்கைகளை எடுக்கும், தங்களுக்குத் தர்மசங்கடத்தை ஏற்படுத்தாத AI-ஐ அவை இப்போது விரும்புகின்றன. இந்த மாதம் பரவலாகப் பகிரப்படும் ஒரு பிரபலமான விளக்கப்படம் (infographic), ஒரு தொழிற்சாலையின் பாகங்களோடு ஒப்பிட்டு, அது எவ்வாறு ஏழு அடிப்படைக் கூறுகளில் செயல்படுகிறது என்பதைச் சுருக்கமாக விளக்குகிறது. இந்தப் பதிவு அந்த ஏழு கூறுகளையும் எளிய மொழியில் விரிவாக விளக்குவதோடு, அவை எவ்வாறு ஒன்றிணைகின்றன என்பதையும் காட்டுகிறது.

முழுமையான பார்வை: ஒரு தொழிற்சாலையை நினைத்துப் பாருங்கள்

கோரிக்கைகளை முடிக்கப்பட்ட பணிகளாக மாற்றும் ஒரு சிறிய தொழிற்சாலையைக் கற்பனை செய்து பாருங்கள்.

• அங்கே ஒரு இயந்திரம் உள்ளது, அது உண்மையான தயாரிப்பைச் செய்கிறது.
• அங்கே ஒரு மூலப்பொருள் அறை உள்ளது, அங்கு இயந்திரம் தொடங்குவதற்கு முன்பே சரியான பொருட்கள் கொண்டுவரப்படுகின்றன.
• அங்கே ஒரு சேமிப்புக் கிடங்கு உள்ளது, அங்கு அனைத்துப் பொருட்களும் எளிதாகக் கண்டறியும் வகையில் ஒழுங்கமைத்து வைக்கப்பட்டுள்ளன.
• அங்கே ஒரு தள மேலாளர் இருக்கிறார், அவர் அடுத்ததாக என்ன நடக்க வேண்டும் மற்றும் எந்தக் கருவிகளைப் பயன்படுத்த வேண்டும் என்பதைத் தீர்மானிக்கிறார்.
• அங்கே ஒரு நிலையான மின் இணைப்பு உள்ளது, இதனால் எந்தவொரு கருவியையும் தனிப்பயன் வயரிங் தேவையின்றி இணைக்க முடியும்.
• அங்கே ஒரு பாதுகாப்பு அமைப்பு உள்ளது, அது ஆபத்தான செயல்களைத் தடுக்கிறது.
• அங்கே ஒரு தரப் பரிசோதனை இறுதியில் உள்ளது, அது வெளியீடு தரமானதாக உள்ளதா என்பதைச் சோதிக்கிறது.

இவை ஒவ்வொன்றும் நவீன AI அமைப்பின் ஓர் அடிப்படைக் கூறோடு பொருந்துகின்றன. அவற்றை ஒவ்வொன்றாகப் பார்ப்போம்.

1. LLM: இயந்திரம்

LLM, அல்லது large language model என்பது பெரும்பாலான மக்கள் ஏற்கனவே அறிந்த பகுதியாகும். இது ChatGPT, Claude மற்றும் Gemini போன்ற கருவிகளுக்குப் பின்னால் உள்ள மாடலாகும். இது பெருமளவிலான உரைகளில் பயிற்றுவிக்கப்பட்டுள்ளது, எனவே இதனால் எழுதவும், சுருக்கித் தரவும், விளக்கமளிக்கவும், மொழிபெயர்க்கவும் மற்றும் ஒரு சிக்கலை படிப்படியாக ஆய்வு செய்து தீர்வு காணவும் முடியும்.

தொழிற்சாலை உவமையில், LLM என்பது இயந்திரமாகும். இது சக்தி வாய்ந்தது, ஆனால் தனித்து இயங்கும்போது இதற்கு இரண்டு பெரிய வரம்புகள் உள்ளன:

• பயிற்சியின் போது தான் கற்றுக்கொண்டதை மட்டுமே இது அறியும். உங்கள் நிறுவனத்தின் விடுப்புக் கொள்கை, நேற்றைய விற்பனை விவரங்கள் அல்லது இன்று காலை ஒரு வாடிக்கையாளர் திறந்த டிக்கெட் போன்றவற்றை இது அறியாது.
• தவறாக இருக்கும்போதும் கூட இது மிகுந்த நம்பிக்கையுடன் பேசுவது போலத் தோன்றலாம். உண்மைகள் இல்லாதபோது, சரியெனத் தோன்றும் எதையாவது கொண்டு அந்த இடைவெளியை இது நிரப்பக்கூடும். இது பெரும்பாலும் hallucination என அழைக்கப்படுகிறது.

அதனால்தான் LLM என்பது முதல் கூறு மட்டுமே தவிர, முழு அமைப்பும் அல்ல.

நிஜ உலக உதாரணம்: Klarna. பிப்ரவரி 2024-இல், பணம் செலுத்தும் நிறுவனமான Klarna, OpenAI-இன் மாடல்களில் உருவாக்கப்பட்ட தனது வாடிக்கையாளர் சேவை உதவியாளர் அதன் முதல் மாதத்திலேயே 2.3 மில்லியன் உரையாடல்களைக் கையாண்டதாக அறிவித்தது; இது அதன் மொத்த வாடிக்கையாளர் சேவை அரட்டைகளில் சுமார் மூன்றில் இரண்டு பங்காகும். வாடிக்கையாளர்கள் தங்கள் பிரச்சினைகளை பதினொரு நிமிடங்களுக்குப் பதிலாக இரண்டு நிமிடங்களுக்குள் தீர்த்துக்கொண்டதாக Klarna கூறியது. இவை நிறுவனத்தின் சொந்த வெளியீட்டுப் புள்ளிவிவரங்கள் தானே தவிர, சுயேச்சையான தணிக்கை அல்ல, மேலும் வாடிக்கையாளர்கள் எப்போதும் ஒரு மனிதரைத் தொடர்பு கொள்ளலாம் என்பதையும் Klarna பின்னர் வலியுறுத்தியது. இருப்பினும், சரியான இடத்தில் பயன்படுத்தப்படும் ஓர் LLM வழக்கமான எழுத்து மற்றும் விளக்கப் பணிகளை எந்த அளவிற்குத் தன்வசம் எடுத்துக்கொள்ள முடியும் என்பதை இது காட்டுகிறது.

2. RAG: மூலப்பொருள் அறை

RAG என்பது retrieval-augmented generation என்பதைக் குறிக்கிறது. இதன் யோசனை எளிமையானது: மாடல் பதிலளிப்பதற்கு முன், கணினி முதலில் தொடர்புடைய தகவல்களைத் தேடி, அதை கேள்வியுடன் சேர்த்து மாடலிடம் ஒப்படைக்கிறது.

எனவே மாடலிடம் "எங்கள் பணத்தைத் திரும்பப் பெறும் கொள்கை என்ன?" என்று கேட்டுவிட்டு, அது ஊகித்துப் பதிலளிக்கும் என்று எதிர்பார்ப்பதற்குப் பதிலாக, கணினி:

1. பணத்தைத் திரும்பப் பெறும் கொள்கைக்காக உங்கள் ஆவணங்களைத் தேடுகிறது,
2. மிகவும் தொடர்புடைய பத்திகளை இந்தக் கோரிக்கையில் இணைக்கிறது,
3. அந்தப் பத்திகளைப் பயன்படுத்திப் பதிலளிக்குமாறு மாடலைக் கேட்கிறது.

தொழிற்சாலையில், இது மூலப்பொருள் அறையாகும். சரியான பொருட்கள் முதலில் வழங்கப்படும்போது இயந்திரம் மிகச் சிறப்பாகச் செயல்படுகிறது. உங்கள் சொந்த வணிகத்தைப் பற்றி ஓர் AI உதவியாளர் சரியாகப் பதிலளிக்க முடிவதற்கு RAG தான் முக்கியக் காரணம்; மேலும் ஒரு பதில் எந்த ஆவணத்திலிருந்து வந்தது என்பதைக் காட்டுவதையும் இது சாத்தியமாக்குகிறது.

நிஜ உலக உதாரணம்: Morgan Stanley. செப்டம்பர் 2023-இல், Morgan Stanley தனது நிதி ஆலோசகர்களுக்காக OpenAI-இன் GPT-4 அடிப்படையில் உருவாக்கப்பட்ட ஓர் உள்நாட்டு உதவியாளரை அறிமுகப்படுத்தியது. மாடலின் பொதுவான அறிவை நம்பியிருப்பதற்குப் பதிலாக, இந்நிறுவனத்தின் சொந்த நூலகத்தில் உள்ள சுமார் 100,000 ஆராய்ச்சி அறிக்கைகள் மற்றும் ஆவணங்களிலிருந்து அது பதிலளிக்கிறது. நடைமுறையில் RAG என்பது இதுதான்: முதலில் சரியான உள் ஆவணங்களைக் கண்டறிந்து, பின்னர் அவற்றிலிருந்து மாடலைப் பதிலளிக்க வைப்பது.

3. Vector database: சேமிப்புக் கிடங்கு

RAG தேடுவதற்கு ஓர் இடம் தேவை. அதுதான் vector database-இன் பணியாகும்.

இதோ முக்கியக் கருத்து. கையேட்டில் உள்ள ஒரு பத்தி போன்ற ஒவ்வொரு உரைத் துண்டும், எண்களின் நீண்ட பட்டியலாக மாற்றப்படுகிறது; இது embedding (அல்லது vector) என்று அழைக்கப்படுகிறது. ஒரே மாதிரியான பொருளைக் கொண்ட உரைகள் ஒரே மாதிரியான எண்களைப் பெறுகின்றன. ஒரு கேள்வி வரும்போது, அதுவும் எண்களாக மாற்றப்படுகிறது, மேலும் எந்தப் பகுதிகளின் எண்கள் மிக நெருக்கமாக உள்ளனவோ அவற்றை தரவுத்தளம் கண்டறிகிறது.

அதனால்தான் விளக்கப்படம் இது "முக்கியச் சொற்களின் அடிப்படையில் அல்லாமல், பொருளின் அடிப்படையில் மீட்டெடுக்கிறது" என்று கூறுகிறது. எந்த வார்த்தைகளும் பொருந்தவில்லை என்றாலும் கூட, "நான் செலுத்திய பணத்தைத் திரும்பப் பெற முடியுமா?" போன்ற ஒரு கேள்வி, "Refunds and returns" என்ற தலைப்பிலான பத்தியைக் கண்டறிய முடியும்.

தொழிற்சாலையில், vector database என்பது சேமிப்புக் கிடங்காகும்: சரியான பொருளை விரைவாகக் கண்டறியும் வகையில் அனைத்தும் ஒரு வரிசையில் சேமித்து வைக்கப்படுகின்றன. 2026-இல் பிரபலமான தேர்வுகளில் பிரத்யேக vector database-களும், PostgreSQL போன்ற சாதாரண தரவுத்தளங்களுக்கான vector துணை நிரல்களும் (add-ons) அடங்கும்.

நிஜ உலக உதாரணம்: Spotify. இசைப் பரிந்துரைகளுக்காக Spotify இந்த "அருகிலுள்ள அண்டை கூறுகளைக் கண்டறிதல்" என்ற யோசனையை நீண்ட காலமாகப் பயன்படுத்தி வருகிறது. 2023-இல், இது மிக நெருக்கமான பொருத்தங்களைக் கண்டறிய வெக்டார்களின் பெரிய தொகுப்புகளைத் தேடும் Voyager என்ற லைப்ரரியை ஓப்பன் சோர்ஸாக வெளியிட்டது, மேலும் தனது தயாரிப்புகளுக்குள் இது ஒரு நாளைக்கு நூற்றுக்கணக்கான மில்லியன் முறை வினவப்படுவதாக Spotify கூறுகிறது. "இந்தப் பாடலைப் போன்ற உணர்வைத் தரும் பாடல்களைக்" கண்டறியும் அதே யோசனைதான், "இந்தக் கேள்வியின் அதே பொருளைத் தரும் பத்திகளையும்" கண்டறிகிறது.

4. AI agent: தள மேலாளர்

வெறுமனே பேசும் ஓர் AI-ஐ, செயல்களைச் செய்யும் ஓர் AI-ஆக மாற்றுவதுதான் ஓர் agent ஆகும்.

ஓர் agent என்பது LLM-ஐச் சுற்றி உருவாக்கப்பட்ட ஒரு சுழற்சியாகும் (loop). இது இலக்கைப் பார்க்கிறது, அடுத்த படியைத் தீர்மானிக்கிறது, ஒரு கருவியைப் பயன்படுத்துகிறது, முடிவைச் சரிபார்க்கிறது, மேலும் வேலை முடியும் வரை இதை மீண்டும் மீண்டும் செய்கிறது. உதாரணமாக, "எனது பிற்பகல் 3 மணி கூட்டத்தை மறுதிட்டமிட்டு, பங்கேற்பாளர்களுக்குத் தெரிவிக்கவும்" என்ற கட்டளை வழங்கப்பட்டால், ஓர் agent பின்வருவனவற்றைச் செய்யலாம்:

1. நாட்காட்டியைப் (calendar) படித்தல்,
2. நேரம் இருக்கும் இடைவெளியைக் கண்டறிதல்,
3. கூட்டத்தின் நேரத்தை மாற்றுதல்,
4. ஒவ்வொரு பங்கேற்பாளருக்கும் ஒரு சிறிய மின்னஞ்சலை அனுப்புதல்,
5. தான் செய்ததை மீண்டும் அறிக்கையிடுதல்.

தொழிற்சாலையில், agent என்பது தள மேலாளரைப் போன்றது. இது ஒவ்வொரு வேலையையும் தானே செய்வதில்லை; அடுத்ததாக என்ன நடக்க வேண்டும் என்பதைத் தீர்மானித்து, வேலையைச் சரியான கருவிக்கு அனுப்புகிறது. இது சக்தி வாய்ந்தது, அதே சமயம் இங்குதான் அபாயங்களும் அதிகரிக்கின்றன, ஏனெனில் ஓர் agent இப்போது உண்மையான விஷயங்களை மாற்றியமைக்க முடியும்.

நிஜ உலக உதாரணம்: GitHub Copilot coding agent. மே 2025-இல் GitHub ஒரு coding agent-ஐப் பொது முன்னோட்டத்தில் (public preview) வெளியிட்டது. ஒரு டெவலப்பர் Copilot-இடம் ஒரு சிக்கலை (issue) ஒதுக்குகிறார், மேலும் அந்த agent தனது சொந்த பணிச்சூழலை அமைத்து, குறியீட்டு மாற்றங்களைச் செய்து, எதையும் ஒன்றிணைப்பதற்கு (merge) முன் மனிதர்கள் மதிப்பாய்வு செய்யும் வகையில் ஒரு வரைவு pull request-ஆகப் பதிவேற்றுகிறது. இது திட்டமிடுகிறது, கருவிகளைப் பயன்படுத்துகிறது மற்றும் மீண்டும் அறிக்கையளிக்கிறது; இதுவே தள மேலாளர் அமைப்பாகும், இதில் இறுதி முடிவை மனிதரே அங்கீகரிக்கிறார்.

5. MCP: மின் இணைப்புத் தரநிலை

MCP என்பது Model Context Protocol என்பதைக் குறிக்கிறது. இது கருவிகள் மற்றும் தரவுகளுடன் (கோப்புகள், தரவுத்தளங்கள், காலெண்டர்கள், டிக்கெட் அமைப்புகள், குறியீட்டுக் களஞ்சியங்கள் போன்றவை) AI பயன்பாடுகளை இணைப்பதற்காக 2024-இன் பிற்பகுதியில் முதன்முதலில் வெளியிடப்பட்ட ஓர் திறந்த தரநிலையாகும் (open standard).

இதுபோன்ற தரநிலைகளுக்கு முன்பு, ஒவ்வொரு AI கருவிக்கும் ஒவ்வொரு செயலியுடனும் அதற்கென பிரத்யேக தனிப்பயன் இணைப்பு தேவைப்பட்டது. பத்து AI கருவிகள் மற்றும் பத்து செயலிகள் என்றால் நூறு தனித்தனி ஒருங்கிணைப்புகள் (integrations) தேவைப்படலாம். ஆனால் MCP மூலம், ஒரு செயலி ஒருமுறை "MCP server" ஆக இணைக்கப்பட்டால், MCP-ஐ ஆதரிக்கும் எந்தவொரு AI பயன்பாடும் அதனுடன் எளிதாக இணைந்துகொள்ள முடியும்.

அதனால்தான் விளக்கப்படம் இதை மின் இணைப்புத் தரநிலை என்று அழைக்கிறது: ஒரே பிளக் வடிவம், பல சாதனங்கள். நீங்கள் ஒரு புதிய சாதனத்தை வாங்கும் போதெல்லாம் கட்டிடத்திற்கு மீண்டும் புதிதாக வயரிங் செய்வதில்லை.

நிஜ உலக உதாரணம்: Anthropic மற்றும் OpenAI. Anthropic நிறுவனம் நவம்பர் 25, 2024 அன்று Google Drive, Slack, GitHub, Git மற்றும் Postgres ஆகியவற்றுக்கான ஆயத்த இணைப்பிகளுடன் (connectors) MCP-ஐ அறிவித்தது. மார்ச் 26, 2025 அன்று, OpenAI தனது Agents SDK-இல் MCP ஆதரவைச் சேர்த்ததுடன், ChatGPT-இன் டெஸ்க்டாப் செயலியும் இதைத் தொடர்ந்து ஆதரிக்கும் என்று கூறியது. போட்டியிடும் இரண்டு AI நிறுவனங்கள் ஒரே இணைப்பை ஆதரிக்கும் போது, கருவி உருவாக்குநர்கள் ஒரே ஒரு இணைப்பியை உருவாக்கி, அதை இரண்டிலும் வேலை செய்ய வைக்க முடியும்.

6. Guardrails: பாதுகாப்பு அமைப்பு

Guardrails என்பது AI என்ன செய்யலாம் மற்றும் என்ன செய்யக்கூடாது என்பதைத் தீர்மானிக்கும் விதிகள் மற்றும் சோதனைகள் ஆகும். அவை மாடல் மற்றும் agent-க்கு உள்ளே இல்லாமல், அவற்றைச் சுற்றி அமைந்திருக்கின்றன.

பொதுவான guardrails பின்வருவனவற்றை உள்ளடக்குகின்றன:

• உள்ளீட்டுச் சோதனைகள் தீங்கு விளைவிக்கும் கோரிக்கைகள் அல்லது மாடலின் வழிமுறைகளைப் புறக்கணிக்கும்படி ஏமாற்றும் முயற்சிகளைத் (பெரும்பாலும் prompt injection என அழைக்கப்படுகிறது) தடுக்கின்றன.
• வெளியீட்டுச் சோதனைகள் கசிந்த தனிப்பட்ட தரவு, பாதுகாப்பற்ற உள்ளடக்கம் அல்லது அனுமதிக்கப்பட்ட தலைப்புக்கு அப்பாற்பட்ட பதில்களைக் கண்டறிகின்றன.
• செயல் வரம்புகள் மனிதரின் முன் அனுமதியின்றி, தரவை நீக்குதல், பணம் அனுப்புதல் அல்லது வாடிக்கையாளர்களுக்கு மின்னஞ்சல் அனுப்புதல் போன்ற அதிக ஆபத்துள்ள காரியங்களை ஓர் agent தானாகவே செய்வதைத் தடுக்கின்றன.
• அணுகல் கட்டுப்பாடு, இதன் மூலம் கேள்வி கேட்கும் நபர் பார்க்க அனுமதிக்கப்பட்ட தரவை மட்டுமே AI அணுக முடியும்.

தொழிற்சாலையில், இது பாதுகாப்பு அமைப்பாகும். பாதுகாப்பு அரண்கள் இருப்பதால் மட்டுமே இயந்திரங்கள் வேகமாக இயங்க அனுமதிக்கப்படுகின்றன.

நிஜ உலக உதாரணங்கள்: Air Canada மற்றும் DPD. 2024-இன் தொடக்கத்தில் நடந்த இரண்டு பொது வழக்குகள், இந்த பாதுகாப்பு அரண்கள் இல்லாதபோது என்ன நடக்கும் என்பதைக் காட்டுகின்றன.

• Air Canada: அதன் இணையதள chatbot, ஒரு பயணியிடம் அவர் பயணம் செய்த பிறகு துக்ககாலத் தள்ளுபடியைக் (bereavement discount) கோரலாம் என்று கூறியது; இது அந்த விமான நிறுவனத்தின் சொந்தக் கொள்கைக்கே எதிரானது. பிப்ரவரி 2024-இல், British Columbia தீர்ப்பாயம், தனது chatbot கூறியதற்கு விமான நிறுவனமே பொறுப்பு என்று தீர்ப்பளித்து, அவருக்கு நஷ்டஈடு வழங்குமாறு உத்தரவிட்டது; அத்துடன் அந்த chatbot தனது சொந்தச் செயல்களுக்குப் பொறுப்பான ஒரு தனி அமைப்பு என்ற வாதத்தையும் நிராகரித்தது.
• DPD: ஜனவரி 2024-இல், UK பார்சல் நிறுவனத்தின் வாடிக்கையாளர் ஒருவர், அதன் chatbot-ஐ கெட்ட வார்த்தைகளைப் பேசவும் நிறுவனத்தை விமர்சித்து ஒரு கவிதை எழுதவும் வைத்தார். கணினிப் புதுப்பிப்பைத் (system update) தொடர்ந்து இந்தப் பிரச்சனை ஏற்பட்டதாகக் கூறிய DPD, அது சரிசெய்யப்படும் வரை அரட்டையின் AI பகுதியை முடக்கியது.

இந்த இரண்டு வழக்குகளிலுமே மேலும் சிறந்த அறிவார்ந்த மாடல் தேவைப்படவில்லை. மாறாக கணினி என்ன பேச அனுமதிக்கப்படுகிறது என்பதில் சிறந்த சோதனைகளே தேவைப்பட்டன.

7. Evals: தரப் பரிசோதனை

Evaluations என்பதன் சுருக்கமான Evals என்பது AI வெளியீட்டிற்கான சோதனைகள் ஆகும். வழக்கமான மென்பொருள் சோதனைகள் ஒரே உள்ளீடு ஒரே வெளியீட்டைத் தருகிறதா என்பதைச் சரிபார்க்கின்றன. ஆனால் AI-இன் வெளியீடுகளை அவ்வளவு எளிதாகக் கணிக்க முடியாது, எனவே evals பல மாதிரி வினாக்களில் பதில்கள் சரியானவையா, பாதுகாப்பானவையா மற்றும் பயனுள்ளவையா என்பதைச் சோதிக்கின்றன.

ஒரு பொதுவான eval தொகுப்பில் ஏற்கனவே அறியப்பட்ட சரியான பதில்களுடன் கூடிய சில நூறு உண்மையான கேள்விகள் இருக்கலாம். ஒவ்வொரு முறையும் நீங்கள் மாடல், prompt அல்லது ஆவணங்களை மாற்றும்போது, இந்தத் தொகுப்பை மீண்டும் இயக்கி ஒப்பிட்டுப் பார்க்கிறீர்கள். குழுக்கள் பொதுவாகப் பின்வருவனவற்றை அளவிடுகின்றன:

• தரம்: பதில் சரியானதா மற்றும் கொடுக்கப்பட்ட ஆதாரங்களைப் பயன்படுத்துகிறதா?
• பாதுகாப்பு: எதை மறுக்க வேண்டுமோ அதை மறுத்ததா?
• செலவு: ஒவ்வொரு பதிலையும் உருவாக்க எவ்வளவு செலவானது?
• தாமத நேரம்: பயனர் எவ்வளவு நேரம் காத்திருந்தார்?
• வெற்றி: agents-ஐப் பொறுத்தவரை, பணி உண்மையில் முடிவடைந்ததா?

தொழிற்சாலையில், இது உற்பத்திப் பாதையின் இறுதியில் செய்யப்படும் தரப் பரிசோதனையாகும். இது இல்லையென்றால், ஒரு வாடிக்கையாளர் புகார் செய்யும்போதுதான் ஏதோ தவறு நடந்துள்ளது என்பதைக் கண்டறிய முடியும்.

நிஜ உலக உதாரணம்: மீண்டும் Morgan Stanley. Morgan Stanley-இன் ஆலோசகர் உதவியாளர் பற்றிய பொது அறிக்கைகள், மாடலைப் போலவே அதன் சோதனையையும் பெரிதும் முன்னிலைப்படுத்துகின்றன: இந்நிறுவனம் தனது ஆவணங்களைத் தயாரிக்க பல மாதங்களைச் செலவழித்தது மற்றும் மனித நிபுணர்களைக் கொண்டு உதவியாளரின் பதில்களைச் சரிபார்த்தது; மேலும் OpenAI வெளியிட்ட வழக்கு ஆய்வு, ஒரு மதிப்பீட்டுக் கட்டமைப்பே (evaluation framework) இத்திட்டத்தின் மையமாக இருந்தது என்று விவரிக்கிறது. அந்த ஆய்வில் தெரிவிக்கப்பட்ட முடிவு என்னவென்றால், 98 சதவீதத்திற்கும் அதிகமான ஆலோசகர் குழுக்கள் இந்த உதவியாளரைப் பயன்படுத்துகின்றன. மக்கள் அதைத் தினமும் பயன்படுத்தும் அளவுக்கு நம்பியதற்கு கவனமான evals-களே முக்கியக் காரணமாகும்.

ஒரே கோரிக்கையில் இந்த ஏழும் எவ்வாறு இணைந்து செயல்படுகின்றன

Acme என்ற கற்பனையான நிறுவனத்திற்கான ஒரு கோரிக்கை இந்த ஏழு கூறுகளின் வழியே எவ்வாறு பயணிக்கிறது என்பது இதோ:

படி 1: கேள்வி வருகிறது

ஒரு பணியாளர் கேட்கிறார்: "எனக்கு இன்னும் எத்தனை நாட்கள் விடுப்பு மீதமுள்ளது, வெள்ளிக்கிழமை விடுப்பை முன்பதிவு செய்ய முடியுமா?" Guardrails முதலில் இந்தக் கோரிக்கை அனுமதிக்கப்பட்டதா என்பதையும், அந்த நபர் உள்நுழைந்துள்ளாரா என்பதையும் சரிபார்க்கின்றன.

படி 2: agent திட்டமிடுகிறது

தனக்கு இரண்டு விஷயங்கள் தேவை என agent தீர்மானிக்கிறது: விடுப்புக் கொள்கை மற்றும் பணியாளரின் விடுப்பு இருப்பு; அதன் பிறகு ஒரு முன்பதிவு.

படி 3: மீட்டெடுத்தல்

RAG விடுப்புக் கொள்கைக்காக vector database-இல் தேடி, தொடர்புடைய பத்திகளை LLM-க்கு அனுப்புகிறது.

படி 4: MCP வழியாகக் கருவிகள்

விடுப்பு இருப்பைப் படிக்கவும் விடுப்புக் கோரிக்கையை வரைவு செய்யவும் agent தனது MCP server வழியாக HR அமைப்பை அழைக்கிறது.

படி 5: நடவடிக்கைக்கு முன் பாதுகாப்பு

கோரிக்கை சமர்ப்பிக்கப்படுவதற்கு முன், பணியாளரிடம் உறுதிப்படுத்துமாறு ஒரு guardrail கேட்கிறது.

படி 6: பதில்

LLM கொள்கையைக் குறிப்பிட்டு, முன்பதிவை உறுதிப்படுத்தி ஒரு சுருக்கமான, தெளிவான பதிலை எழுதுகிறது.

படி 7: அதை அளவிடுதல்

இந்த உரையாடல் பதிவு செய்யப்படுகிறது, மேலும் கொள்கைகள் மாறும்போது பதில்கள் சரியாக இருப்பதை உறுதிசெய்ய, குழுவின் evals இது போன்ற கேள்விகளைத் தொடர்ந்து சோதிக்கின்றன.

முடிவுரை

LLM அனைவரின் கவனத்தையும் ஈர்க்கிறது, ஆனால் அது இயந்திர அறையின் ஒரு பகுதி மட்டுமே. நிஜ உலக முடிவுகள் முழுமையான தொகுப்பிலிருந்தே கிடைக்கின்றன: சிந்திக்கவும் எழுதவும் LLM, சரியான உண்மைகளைக் கொண்டுவர RAG மற்றும் ஒரு vector database, செயல்பட ஓர் agent, கருவிகளை ஒரு நிலையான முறையில் இணைக்க MCP, அதைப் பாதுகாப்பாக வைத்திருக்க guardrails, மற்றும் அது வேலை செய்கிறது என்பதை நிரூபிக்க evals. நீங்கள் ஓர் AI திட்டத்தைத் திட்டமிடுகிறீர்கள் என்றால், இந்த ஏழில் எவை உங்களிடம் ஏற்கனவே உள்ளன என்பதையும், எவை உங்களுக்குத் தேவைப்படாது என்று நீங்கள் அமைதியாக நம்புகிறீர்கள் என்பதையும் சரிபாருங்கள்.

நன்மைகள்

• மாதிரியின் நினைவகத்திற்குப் பதிலாக, உங்களுடைய சொந்த, தற்போதைய ஆவணங்களிலிருந்தே பதில்கள் கிடைக்கின்றன.
• Agents மற்றும் MCP ஆகியவை AI-ஐ வெறும் பரிந்துரைகளை வழங்குவதோடு நிறுத்தாமல், உண்மையான பணிகளைச் செய்து முடிக்கவும் அனுமதிக்கின்றன.
• MCP போன்ற ஒரு பகிரப்பட்ட தரநிலை, தனிப்பயன் ஒருங்கிணைப்புகளின் எண்ணிக்கையைக் குறைக்கிறது.
• Guardrails, AI-க்கு கூடுதல் பொறுப்புகளைப் பாதுகாப்பாக வழங்குவதை சாத்தியமாக்குகின்றன.
• Evals "நன்றாக இருப்பது போல் தெரிகிறது" என்பதை நீங்கள் காலப்போக்கில் கண்காணிக்கக்கூடிய எண்களாக மாற்றுகின்றன.

குறைபாடுகள்

• ஏழு பகுதிகள் என்றால் உருவாக்க, ஹோஸ்ட் செய்ய மற்றும் பராமரிக்க கூடுதல் நகரும் பாகங்கள் உள்ளன என்று பொருள்.
• மீட்டெடுப்பு (Retrieval) என்பது அதன் பின்னணியில் உள்ள ஆவணங்களைப் பொறுத்தே அமையும்; காலாவதியான கோப்புகள் காலாவதியான பதில்களையே தரும்.
• வரம்புகள் தளர்வாக இருந்தால், செயல்படக்கூடிய Agents அதிக இழப்பை ஏற்படுத்தும் தவறுகளையும் செய்யக்கூடும்.
• Guardrails மிகவும் கடுமையாக இருந்து, முறையான கோரிக்கைகளையும் தடுத்துவிடக்கூடும்.
• சிறந்த eval தொகுப்புகளை உருவாக்கவும், அவற்றை உடனுக்குடன் புதுப்பித்த நிலையில் வைத்திருக்கவும் உண்மையான உழைப்பு தேவைப்படுகிறது.

எச்சரிக்கை

இந்தக் கட்டுரை கல்வி நோக்கத்திற்கானது மற்றும் வேகமாக வளர்ந்து வரும் ஒரு துறையை எளிமைப்படுத்துகிறது. Acme என்ற நிறுவனத்தின் பெயரும், விளக்கப்பட்டுள்ள பணிப்பாய்வும் (walk-through workflow) மாதிரி ஒதுக்கிடங்களே (placeholders) தவிர, உண்மையான அமைப்பு அல்ல. குறிப்பிடப்பட்டுள்ள உதாரணங்கள் (Klarna, Morgan Stanley, Spotify, GitHub, Anthropic, OpenAI, Air Canada மற்றும் DPD) அவை வெளியிடப்பட்ட நேரத்தில் வெளியான பொது அறிவிப்புகள் மற்றும் செய்தி அறிக்கைகளிலிருந்து சுருக்கப்பட்டவை; புள்ளிவிவரங்கள் அந்நிறுவனங்கள் தெரிவித்தபடியே உள்ளன, மேலும் தயாரிப்புகளும் கொள்கைகளும் அதன்பிறகு மாறியிருக்கலாம். கருவிகள், தரநிலைகள் மற்றும் சிறந்த நடைமுறைகள் வேகமாக மாறுகின்றன, எனவே உண்மையான முடிவுகளுக்கோ அல்லது உண்மையான வாடிக்கையாளர் தரவுகளுக்கோ எந்தவொரு AI அமைப்பையும் நம்பியிருப்பதற்கு முன், தற்போதைய ஆவணங்களைச் சரிபார்த்து, குறிப்பாக guardrails மற்றும் agent அனுமதிகளைக் கவனமாகச் சோதிக்கவும்.

அடிக்கடி கேட்கப்படும் கேள்விகள்

• ஓர் LLM-க்கும் ஓர் AI agent-க்கும் என்ன வித்தியாசம்? — LLM என்பது உரையைப் படிக்கவும் எழுதவும் செய்யும் மாதிரியாகும்; agent என்பது ஒரு பணியை முடிப்பதற்காகப் படிகளைத் திட்டமிட்டு கருவிகளைப் பயன்படுத்தும் மாதிரியைச் சுற்றியுள்ள ஒரு சுழற்சியாகும் (loop).
• AI-யில் RAG என்றால் என்ன? — Retrieval-augmented generation: கணினி முதலில் தொடர்புடைய ஆவணங்களைக் கண்டறிந்து அவற்றை மாதிரிக்கு வழங்குகிறது, இதனால் பதில்கள் உண்மையான, தற்போதைய தகவல்களின் அடிப்படையில் அமைகின்றன.
• AI அமைப்புகளுக்கு ஏன் vector database தேவைப்படுகிறது? — இது உரையை embeddings ஆகச் சேமிக்கிறது, இதன் மூலம் கணினியால் பத்திகளை அவற்றின் பொருளின் அடிப்படையில் கண்டறிய முடிகிறது; இதுவே RAG தேடலை சிறப்பாகச் செயல்பட வைக்கிறது.
• AI-யில் MCP என்றால் என்ன? — Model Context Protocol என்பது ஒரு பொதுவான இடைமுகம் வழியாக AI பயன்பாடுகளைக் கருவிகள் மற்றும் தரவு மூலங்களுடன் இணைப்பதற்கான ஒரு திறந்த தரநிலையாகும்.
• AI guardrails என்றால் என்ன? — அவை தீங்கிழைக்கும் உள்ளீடுகளைத் தடுக்கும், பாதுகாப்பற்ற வெளியீடுகளைக் கண்டறியும் மற்றும் ஆபத்தான நடவடிக்கைகளைக் கட்டுப்படுத்தும் மாதிரியைச் சுற்றியுள்ள விதிகள் மற்றும் சோதனைகள் ஆகும்.
• AI-யில் evals என்றால் என்ன? — Evals என்பது பல மாதிரி கேள்விகளில் AI-யின் பதில்கள் சரியானவையா, பாதுகாப்பானவையா, வேகமானவையா மற்றும் கட்டுப்படியாகக்கூடியவையா என்பதை அளவிடும் மீண்டும் மீண்டும் செய்யக்கூடிய சோதனைகள் ஆகும்.
• Air Canada chatbot வழக்கில் என்ன நடந்தது? — 2024-ஆம் ஆண்டில் ஒரு தீர்ப்பாயம், ஒரு பயணியிடம் அதன் இணையதள chatbot வழங்கிய தவறான பணத்தைத் திரும்பப்பெறும் (refund) தகவலுக்கு அந்த விமான நிறுவனமே பொறுப்பு என்று தீர்ப்பளித்தது; நிறுவனங்கள் தங்களின் AI கூறும் விஷயங்களுக்குத் தாமே பொறுப்பேற்க வேண்டும் என்பதற்கான தெளிவான நினைவூட்டல் இதுவாகும்.
• எனக்கு இந்த ஏழு கட்டுமானக் கூறுகளும் தேவையா? — ஒரு எளிய chatbot-க்கு LLM மற்றும் guardrails மட்டுமே போதுமானதாக இருக்கலாம், ஆனால் நிறுவனத்தின் தரவுகளிலிருந்து பதிலளிக்கும் அல்லது நடவடிக்கைகளை மேற்கொள்ளும் எந்தவொரு உதவியாளருக்கும் (assistant) இந்த ஏழுமே பயனளிக்கும்.

குறிச்சொற்கள்

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