AI തീരുമാനങ്ങൾ രസീത് ലഭിക്കണം: AI ഭരണത്തിൽ നഷ്ടമായ പാളിയാണ് തീരുമാന ട്രേസിംഗ്
തീരുമാന ട്രേസിംഗ്

AI തീരുമാനങ്ങൾ രസീത് ലഭിക്കണം: AI ഭരണത്തിൽ നഷ്ടമായ പാളിയാണ് തീരുമാന ട്രേസിംഗ്

പ്രതിയൊരു സാമ്പത്തിക ഇടപാടും രസീത് ലഭിക്കുന്നു. പ്രതിയൊരു നിയമ കരാറും ഒപ്പിടുന്നു. എന്നാൽ ലക്ഷക്കണക്കിന് ആളുകളെ ബാധിക്കുന്ന AI തീരുമാനങ്ങൾ? ദൃശ്യരഹിതം. ഓരോ AI തീരുമാനത്തിന്റെയും പിന്നിലെ എന്തുകൊണ്ട് പിടിച്ചെടുക്കുന്നതിലൂടെ തീരുമാന ട്രേസിംഗ് അത് മാറ്റുന്നു — പരിഗണിച്ച ഓപ്ഷനുകൾ, പരിശോധിച്ച തെളിവുകൾ, weighed arguments, and reasoning chains followed.

AI
AIAgentree ടീം
AI ഭരണകൂടം
2026, ജൂലൈ 6
14 മിനിറ്റ് വായിക്കുക

AI തീരുമാന ട്രേസിംഗ് എന്താണ്?

തീരുമാന ട്രേസിംഗ് ഓരോ AI ഏജന്റിന്റെ തീരുമാനത്തിന്റെ പിന്നിലെ സമ്പൂർണ്ണ ചിന്തനം ഘടിതമായ, ഓഡിറ്റുചെയ്യാവുന്ന ആർട്ടിഫാക്റ്റുകൾ ആയി പിടിച്ചെടുക്കാനുള്ള പ്രാക്ടീസാണ്. സംഭവിച്ച കാര്യങ്ങൾ രേഖപ്പെടുത്തുന്ന എക്സിക്യൂഷൻ ലോഗുകൾക്കു വ്യത്യസ്തമായി, തീരുമാന ട്രേസുകൾ എന്തുകൊണ്ട് സംഭവിച്ചു എന്നത് രേഖപ്പെടുത്തുന്നു — പരിഗണിച്ച ഓപ്ഷനുകൾ, പരിശോധിച്ച തെളിവുകൾ, weighed arguments, and selected rationale. AIAgentree തീരുമാന പാക്കറ്റുകൾ വഴി തീരുമാന ട്രേസിംഗ് നടപ്പിലാക്കുന്നു: sealed records containing the proposition, argument tree, evidence snapshots, selected rationale, and outcome tracking. EU AI നിയമം 12-14 ലേഖനങ്ങൾക്കൊപ്പം അനുസരണയുണ്ടാക്കാൻ തീരുമാന ട്രേസിംഗ് സഹായിക്കുന്നു, Three Modes of Trust (Human-in-the-Loop, Human-on-the-Loop, Full Autonomy) പിന്തുണയ്ക്കുന്നു, and creates institutional memory through precedent-as-infrastructure. The architecture distinguishes normative relationships (supports/opposes) from descriptive relationships (mentions/related to), making AI reasoning queryable, comparable, and citable.

Share:
TL;DR

ഏകദേശം എല്ലാ സംഘടനകളും ലോഗിംഗ് (ഏജന്റ് എന്തു ചെയ്തു) തീരുമാന ട്രേസിംഗ് (എന്തു തീരുമാനിച്ചു, എന്തുകൊണ്ട്) എന്നതിൽ തെറ്റിക്കുന്നു. വ്യത്യാസം പ്രധാനമാണ് കാരണം നിയന്ത്രണം, ഭരണകൂടം, and institutional memory all depend on the latter.

  • •ലോഗുകൾ പ്രവർത്തന സംഭവങ്ങൾ രേഖപ്പെടുത്തുന്നു — API വിളികൾ, വൈകിയ സമയം, പിഴവുകൾ
  • •നിർണ്ണയ പാതകൾ ഘടനാപരമായ ചിന്തനം പിടിച്ചെടുക്കുന്നു — ഓപ്ഷനുകൾ, തെളിവുകൾ, കാരണം, ഫലങ്ങൾ
  • •നിർണ്ണയ പാക്കറ്റുകൾ ഓഡിറ്റർമാർ ചോദ്യം ചെയ്യാനും പുനരാവൃതം ചെയ്യാനും കഴിയുന്ന മുദ്രയിട്ട കലാപങ്ങളാണ്.
  • •പ്രതിച്ഛായ ഘടിതമായ തീരുമാനങ്ങളിൽ നിന്ന് സ്വയം ഉദ്ഭവിക്കുന്നു — അടിസ്ഥാനസൗകര്യമായി സ്ഥാപനസ്മൃതി

ഒരു നിയന്ത്രകൻ നിങ്ങളുടെ എഐ എടുത്ത അവസാന 100 തീരുമാനങ്ങൾ ചോദിച്ചു.

നിങ്ങൾക്ക് പ്രതികരിക്കാൻ 30 ദിവസം ഉണ്ട്. നിങ്ങൾക്ക് യഥാർത്ഥത്തിൽ എന്താണ് ഉള്ളത്?

ആദ്യ തത്ത്വം, പുനരാവിഷ്കൃതം

എഐ തീരുമാനങ്ങൾക്ക് രസീത് ആവശ്യമാണ്. ലോഗിംഗ് ഉത്തരവാദിത്വം അല്ല. ചൈനിന്റെ ചിന്തകൾ യാഥാർത്ഥ്യമായിട്ടല്ല.

ഈ പ്രസ്താവനകൾ സത്യമാണ്. എന്നാൽ അവ അപൂർണ്ണമാണ്.

ചോദ്യം "ഞങ്ങൾ തീരുമാനങ്ങൾ എങ്ങനെ പിടിച്ചെടുക്കണം?" എന്നതിന് വ്യക്തമായ ഉത്തരം ഉണ്ട്: അനുസരണം, ഉത്തരവാദിത്വം, ഡീബഗ്ഗിംഗ്. കൂടുതൽ കഠിനമായ ചോദ്യം: "ഞങ്ങൾ അത് ചെയ്താൽ എന്താണ് സംഭവിക്കുന്നത്?"

ഉത്തരം പ്രതീക്ഷിക്കാത്തതാണ്: സ്ഥാപന സ്മൃതി സ്വാഭാവികമായി ആകുന്നു. നിങ്ങൾ നിർമ്മിക്കുന്ന ഒരു സവിശേഷതയായി അല്ല. പിന്നീട് ചേർക്കുന്ന ഒരു മോഡ്യൂളായി അല്ല. ഡാറ്റാ മോഡലിന്റെ സ്വാഭാവിക ഫലമായി.

"നിർണ്ണയം" യഥാർത്ഥത്തിൽ എന്തിനെ സൂചിപ്പിക്കുന്നു

ഒരു തീരുമാനമാണ് മാതൃകയുടെ ഔട്ട്‌പുട്ട്. ഇത് API പ്രതികരണം അല്ല. ഇത് ഫംഗ്ഷൻ തിരികെ നൽകുന്ന മൂല്യം അല്ല.

ഒരു നിർണ്ണയം എന്നത് അടങ്ങിയിരിക്കുന്ന ഒരു ഘടനാപരമായ കലാപമാണ്:

  • •പ്രസ്താവന — എന്താണ് തീരുമാനിക്കുന്നത് (ലോൺ #1234 അംഗീകരിക്കുക)
  • •ഭാരം വെച്ച തെളിവുകൾ — പരിഗണിച്ച വസ്തുതകൾ, തീരുമാന സമയത്ത് നിർത്തിയിരിക്കുന്നു
  • •പരിശോധിച്ച മാറ്റങ്ങൾ — വിലയിരുത്തിയതും നിരസിച്ചതും ആയ ഓപ്ഷനുകൾ
  • •തിരഞ്ഞെടുത്ത കാരണം — ഏത് വാദങ്ങൾ തീരുമാനത്തെ കൈവശപ്പെടുത്തി
  • •രേഖപ്പെടുത്തിയ ഫലങ്ങൾ — പിന്നീട് എന്താണ് സംഭവിച്ചത് (തത്സമയം, 6 മാസം, 1 വർഷം)

ഇത് AIAgentree Decision Packet എന്ന് വിളിക്കുന്നതാണ് — ഓഡിറ്റർമാർ ചോദ്യം ചെയ്യാൻ, പുനരാവിഷ്കരിക്കാൻ, ഉദ്ധരിക്കാൻ കഴിയുന്ന ഒരു മുദ്രവച്ച, മാറ്റം വരുത്താനാകാത്ത രേഖ.

ലോഗുകൾ നിങ്ങളെ അറിയിക്കാത്തത്

നടപ്പാക്കൽ ലോഗ്നിർണ്ണയ പാത
അംഗീകൃത_കടവ്(application_id=1234, score=0.87)
timestamp: 2026-07-01T14:32:11Z
latency_ms: 247
status: 200		പ്രസ്താവന: വായ്പ #1234 അംഗീകരിക്കുക
പ്രോ: വരുമാനത്തിന്റെ സ്ഥിരീകരണം വിജയിച്ചു (ഭാരം: 0.92)
പ്രോ: 3 വർഷത്തെ തൊഴിൽ ചരിത്രം (ഭാരം: 0.85)
കൺ: ക്രെഡിറ്റ് സ്കോർ താത്കാലികതയുടെ താഴെ (ഭാരം: 0.78)
ഓവർറൈഡ്: സീനിയർ അനലിസ്റ്റ് അംഗീകരിച്ച മാനുവൽ വ്യത്യാസം
കാരണം: തൊഴിൽ സ്ഥിരത ക്രെഡിറ്റ് ആശങ്കയെ മറികടക്കുന്നു
ഫലങ്ങൾ (6മോ): 0 നഷ്ടപ്പെട്ട പണമടവുകൾ
എന്താണ് സംഭവിച്ചത്. എപ്പോൾ സംഭവിച്ചു. എത്ര സമയം എടുത്തു.എന്തുകൊണ്ടാണ് ഇത് തീരുമാനിച്ചത്. എന്താണ് പരിഗണിച്ചത്. ശേഷം എന്താണ് സംഭവിച്ചത്.

ലോഗ് നിങ്ങൾക്ക് വായ്പ അംഗീകരിച്ചതായി പറയുന്നു. ട്രേസ് നിങ്ങൾക്ക് എന്തുകൊണ്ട് ക്രെഡിറ്റ് സ്കോർ ആശങ്കയുണ്ടായിട്ടും അത് അംഗീകരിക്കപ്പെട്ടുവെന്ന്, ആരാണ് വ്യത്യാസം അനുവദിച്ചത്, ആ തീരുമാനത്തിന്റെ ഫലം എങ്ങനെയായിരുന്നുവെന്ന് പറയുന്നു.

രണ്ടു പ്രിമിറ്റീവ്‌സ്

മൊത്തം തീരുമാന നിരീക്ഷണ സംവിധാനം രണ്ട് അടിസ്ഥാനങ്ങളിലേയ്ക്ക് ആശ്രയിക്കുന്നു:

1

പ്രാഥമികം 1: ദൃഢമായ തർക്കത്തിന്റെ രേഖ

"മോഡൽ പറഞ്ഞത്" അല്ല. ഒരു സംഘടിത വാദ ഗ്രാഫ് അവകാശങ്ങൾ, ബന്ധങ്ങൾ (സഹായിക്കുന്നു/വിരുദ്ധമാണ്), തെളിവുകളുടെ ഉദ്ധരണികൾ, കൂടാതെ പദവിയുള്ളതും.

2

പ്രാഥമികം 2: ഫലങ്ങളുടെ ദൃഢമായ രേഖ

"മോഡൽ 200 OK തിരിച്ചു നൽകിയില്ല." ഒരു മൂടിയ തീരുമാന രേഖ ഫലവും, കാരണം വാദങ്ങളും, തീരുമാനമെടുക്കുന്ന വ്യക്തിയും, മൂന്ന് ഹൊറിസോൺ ട്രാക്കിംഗും ഉള്ളതാണ്.

ഒരു തവണ നിങ്ങൾക്ക് ഇരുവരും ഉണ്ടാകുമ്പോൾ, മുൻഗാമി ഇനി നിങ്ങൾ "ഓർമ്മിക്കുന്ന" ഒന്നല്ല. ഇത് നിങ്ങൾക്ക് ചോദിക്കാനും, താരതമ്യം ചെയ്യാനും, ഉദ്ധരിക്കാനും കഴിയുന്ന ഒന്നായി മാറുന്നു.

എന്തുകൊണ്ട് നോർമറ്റീവ് വിവരണത്തെ മറികടക്കുന്നു

സന്ദർഭ ഗ്രാഫുകൾ വിവരണാത്മക ബന്ധങ്ങൾ സൂക്ഷിക്കുന്നു: "ബന്ധമുള്ള," "ഉള്ളടക്കത്തിൽ," "ഉടമസ്ഥതയിലുള്ള." തീരുമാന വാദ ഗ്രാഫുകൾ നിർണായക ബന്ധങ്ങൾ സൂക്ഷിക്കുന്നു: "അനുകൂലിക്കുന്നു," "വിരുദ്ധമാണ്."

വ്യത്യാസം അടിസ്ഥാനപരമാണ്:

  • •വിവരണാത്മകമായ: "ഈ ടിക്കറ്റ് ഈ ഉപഭോക്താവിനെ പരാമർശിക്കുന്നു"
  • •നിർണായകമായ: "ഈ തെളിവ് അംഗീകരണം പിന്തുണയ്ക്കുന്നു, കാരണം ഇത് സ്ഥിരമായ പണമടയ്ക്കൽ ചരിത്രം കാണിക്കുന്നു"

നോർമറ്റീവ് ഘടന വിശദീകരണം, ഭരണകൂടം, മുൻഗണന എന്നിവയെ സാധ്യമാക്കുന്നു. വിവരണാത്മക ഘടന തിരച്ചിൽയും കണ്ടെത്തലും സാധ്യമാക്കുന്നു. ഇരുവരും വിലമതിക്കപ്പെടുന്നു. ഒരു മാത്രം സ്ഥാപന വിധി സാധ്യമാക്കുന്നു.

എങ്ങനെ പ്രീസിഡന്റ് മെക്കാനിക്കലായി ഉദയം ചെയ്യുന്നു

ഫ്ലൈവീൽ

1

എജന്റ് പ്രോ/കോൺ വാദം മരത്തോട് സൃഷ്ടിക്കുന്നു

2

മനുഷ്യർ അംഗീകരിക്കുന്നു/അംഗീകരിക്കുന്നില്ല + തിരഞ്ഞെടുക്കുന്ന യുക്തി വാദങ്ങൾ

3

നിർണ്ണയം മുദ്രവെച്ചിരിക്കുന്നു → കേസ് രേഖ തണുത്തിരിക്കുന്നു

4

അടുത്ത തീരുമാനമ്: ഏജന്റ് ആ കേസിനെക്കുറിച്ച് അന്വേഷിക്കുകയും ഉദ്ധരിക്കുകയും ചെയ്യുന്നു

5

മുൻകൂർ വിധി പുതിയ കേസിൽ ഒരു വാദ നോട് ആയി മാറുന്നു

6

സംഘടന "ഞങ്ങൾ എങ്ങനെ തീരുമാനിക്കുന്നു" മാതൃകകളുടെ ഒരു ലൈബ്രറി നിർമ്മിക്കുന്നു

7

പാറ്റേണുകൾ സുരക്ഷിതമായ ഓട്ടോമേഷൻ (പ്രസംഗം-ചലിപ്പിച്ച സ്വയംഭരണ) സാധ്യമാക്കുന്നു

നിങ്ങൾക്ക് സ്ഥാപന ഓർമ്മ സാധാരണ ഉപയോഗത്തിന്റെ ഉപോല്പന്നമായി ലഭിക്കുന്നു, വേറിട്ട ഒരു ശ്രമമായി അല്ല.

സേവ് ചെയ്തതിൽ നിന്ന് ലഭ്യമാക്കുന്നതിലേക്ക്: ഒരു ഗ്രാഫ് ആയി തീരുമാനങ്ങൾ

നിർണ്ണയങ്ങൾ പിടിച്ചെടുക്കുന്നത് മൂല്യത്തിന്റെ അർദ്ധം മാത്രമാണ്. മറ്റൊരു അർദ്ധം അവയെ തിരികെ നേടുന്നതാണ് — അതാണ് ഡാറ്റാ മോഡൽ അതിന്റെ വില നേടുന്നത്. ഓരോ തീരുമാനവും ഒരു മാനദണ്ഡ വാദ ഗ്രാഫ് (ക്ലെയിമുകൾ സഹായിക്കുന്നു/വിരുദ്ധമാണ് എഡ്ജുകൾ കൊണ്ട് ബന്ധിപ്പിച്ചിരിക്കുന്നു) എന്ന രൂപത്തിൽ സൂക്ഷിക്കപ്പെടുന്നതിനാൽ, ഇത് ഒരു ആദ്യക്ലാസ് തിരികെ നേടൽ അടിസ്ഥാനമായി മാറുന്നു, വെറും ഒരു ശേഖരം മാത്രമല്ല.

കച്ചവട ലോഗുകളിലേക്ക് ഒരു വെക്ടർ തിരച്ചിൽ നടത്തുമ്പോൾ നിങ്ങൾക്ക് "ചങ്ക് സൂപ്പ്" ലഭിക്കും — ഒരു നിഗമനം ഉദ്ധരിക്കുന്ന, എന്നാൽ പ്രതിവാദം, അംഗീകാരം, മുൻഗാമി എന്നിവയെ ഒഴിവാക്കുന്ന ബന്ധമില്ലാത്ത ഭാഗങ്ങൾ. പകരം തീരുമാന ഗ്രാഫിൽ നിന്ന് തിരിച്ചു വാങ്ങുമ്പോൾ നിങ്ങൾക്ക് ഒരു പരിധിയുള്ള നിർണ്ണയ പാക്കറ്റ് ലഭിക്കും: പ്രസ്ഥാവന, അതിന് എതിരായും വേണ്ടി ഉള്ള വാദങ്ങൾ, തെളിവുകൾ, ഫലങ്ങൾ എന്നിവ എല്ലാം അശ്രുതമായി. ഇത് AI തീരുമാനങ്ങൾക്കായുള്ള GraphRAG ആണ് — മുൻഗാമി നിങ്ങൾക്ക് ചോദിക്കാനും ഉദ്ധരിക്കാനും കഴിയുന്ന ഒരു കാര്യം, വെറും ഓർമ്മിക്കാൻ ആഗ്രഹിക്കുന്ന ഒന്നല്ല. (തിരിച്ചെടുക്കൽ അടിത്തറയെക്കുറിച്ച് കൂടുതൽ: നിർണ്ണയ തിരിച്ചെടുക്കൽ എന്താണ്.)

വിശ്വാസത്തിന്റെ മൂന്ന് രീതികൾ

എന്റർപ്രൈസുകൾ ഒരു രാത്രിയിൽ AI-യ്ക്ക് തീരുമാനങ്ങൾ കൈമാറുന്നില്ല. അവ മുറ്റങ്ങൾ വഴി പുരോഗമിക്കുന്നു:

മോഡ് 1

മനുഷ്യൻ-ഇൻ-ദി-ലൂപ്പ്

ഏജന്റ് സഹായിക്കുന്നു, മനുഷ്യൻ തീരുമാനിക്കുന്നു. ഏജന്റ് യുക്തി സൃഷ്ടിക്കുന്നു; മനുഷ്യൻ അന്തിമ തീരുമാനമെടുക്കുന്നു.

മോഡ് 2

മനുഷ്യൻ-ഓൺ-ദി-ലൂപ്പ്

ഏജന്റ് തീരുമാനിക്കുന്നു, മനുഷ്യൻ മേൽനോട്ടം വഹിക്കുന്നു. ഏജന്റ് തീരുമാനങ്ങൾ എടുക്കുന്നു; ഒരു മനുഷ്യൻ അവയെ അവലോകനം ചെയ്ത് മാറ്റിവയ്ക്കാൻ കഴിയും.

മോഡ് 3

പൂർണ്ണ സ്വാതന്ത്ര്യം

ഏജന്റ് തീരുമാനിക്കുന്നു, മനുഷ്യൻ കാലാനുസൃതമായി ഓഡിറ്റ് ചെയ്യുന്നു. സ്വയം പ്രവർത്തനത്തിന് ആവശ്യമായ മതിയായ ഉദാഹരണങ്ങൾ നിലവിലുണ്ട്.

മോഡ് പുരോഗതി സാക്ഷ്യാധാരിതമാണ്: ആത്മവിശ്വാസം ≥ 95%, സമാനമായ മുൻകൂർ സംഭവങ്ങൾ ≥ 5 സ്ഥിരമായ ഫലങ്ങളോടെ, മാതൃക സ്ഥാപിതവും സ്ഥിരീകരിതവുമാണ്. ഇത് "വിശ്വസിക്കുക, പക്ഷേ സ്ഥിരീകരിക്കുക" അല്ല. ഇത് "സ്ഥിരീകരിക്കുക, പിന്നെ വിശ്വസിക്കുക, പിന്നെ വീണ്ടും സ്ഥിരീകരിക്കുക."

ഇത് എന്റർപ്രൈസ് എഐ സ്റ്റാക്കിന് എന്താണ് അർത്ഥം

എന്റർപ്രൈസ് കോൺടെക്സ്റ്റ് സ്റ്റാക്ക്

  • •LAYER C: DELIBERATION — ഇത് എന്തുകൊണ്ടാണ് തീരുമാനിച്ചത്? പ്രോ/കോൺ മരങ്ങൾ, മുൻഗണന ഉദ്ധരണികൾ, തെളിവുകളുടെ ഉറവിടം
  • •LAYER B: DECISION LINEAGE — എന്ത് തീരുമാനിക്കപ്പെട്ടു? ഫലങ്ങൾ, ആത്മവിശ്വാസം, നയങ്ങൾ വിലയിരുത്തപ്പെട്ടു, അംഗീകാരം
  • •ലെയർ എ: പ്രവർത്തന സാഹചര്യങ്ങൾ — ആരാണ്/എന്താണ് ഉൾപ്പെട്ടിരിക്കുന്നത്? സങ്കേതങ്ങൾ, ബന്ധങ്ങൾ, താത്കാലിക അവസ്ഥ (CRM, ERP)

ഏകദേശം എല്ലാ ടീമുകളും A നിർമ്മിക്കുന്നു. ചിലർ B നിർമ്മിക്കുന്നു. Almost nobody builds C well. AIAgentree C നൽകുന്നു.

കണക്റ്റ് ചെയ്യാനുള്ള മൂന്ന് മാർഗങ്ങൾ — SDK ഒരു മാത്രമാണ്

നിർണ്ണയ ട്രേസിംഗ് 6-മാസത്തെ കൺസൾട്ടിംഗ് ഏർപ്പാടല്ല — ഇത് നമ്മുടെ SDK ആവശ്യമായില്ല. ബന്ധപ്പെടാൻ മൂന്ന് മാർഗങ്ങൾ ഉണ്ട്:

  • •MCP (എജന്റ്-നേറ്റീവ്) — ഉപകരണങ്ങളായ മുഴുവൻ ജീവിതചക്രം, തുടക്കത്തിൽ നിന്ന് അവസാനം വരെ: ഒരു ട്രേസ് സൃഷ്ടിക്കുക, കാരണം രേഖപ്പെടുത്തുക, തീരുമാനത്തെ മുദ്രവയ്ക്കുക (create_trace, append_events, seal_decision) കൂടാതെ ഉടൻ തീരുമാന പാക്കറ്റ് പുനഃപ്രാപ്തി ചെയ്യുക (get_packet, search_precedents) — ഇൻസ്റ്റാൾ ചെയ്യേണ്ട ലൈബ്രറി ഇല്ല
  • •REST API — ഏത് ഭാഷ, ഏത് റൺടൈം, ശൂന്യമായ ആശ്രിതങ്ങൾ (SDK ഈ എൻഡ്‌പോയിന്റുകൾക്കു മേൽ ഒരു തരം തൂവൽ ആണ്)
  • •SDK (Python / TypeScript) — നിങ്ങളുടെ ഏജന്റിന്റെ ഔട്ട്‌പുട്ടിൽ നിന്ന് യുക്തിയുടെ സ്വയം-നികാലനം നടത്തുന്നതോടെ എർഗോണമിക് ഓപ്ഷൻ

SDK പാത എഴുതാൻ ഏറ്റവും ചെറുതാണ് — ഏകദേശം പത്ത് വരികളിൽ ഒരു തീരുമാനത്തിന്റെ പാത:

from aiagentree import AgentreeClient

client = AgentreeClient(api_key="ask_...", base_url="https://api.aiagentree.com", tenant_id="acme")

# Trace your agent's decision point
trace = client.start_trace(
    agent_id="discount-agent",
    workflow_id="discount_approval",
    entity_type="request",
    entity_id="4521",
)
trace.add_input("discount", 0.18, source="crm")
trace.add_step("s1", title="SEV-1 incident yesterday", category="evidence", confidence=0.9)
trace.add_step("s2", title="Customer flagged as churn risk", category="evidence", confidence=0.85)
trace.add_step("s3", title="Exceeds standard 15% threshold", category="risk", confidence=0.7)
trace.seal("d1", action="approved", confidence=0.9)

അവലംബം മുദ്രവെച്ചതാണ്, സമയമുദ്രയുള്ളതാണ്, കൂടാതെ ചോദ്യം ചെയ്യാവുന്നതാണ്. അടുത്ത സമാനമായ അഭ്യർത്ഥന എത്തുമ്പോൾ, ആ മുൻഗണന വീണ്ടെടുക്കാനും ഉദ്ധരിക്കാനും കഴിയും.

അനുസരണത്തിന്റെ കോണം

EU AI നിയമം ഉയർന്ന അപകടം ഉള്ള AI സിസ്റ്റങ്ങൾക്കായി പ്രത്യേക ആവശ്യങ്ങൾ നിർദ്ദേശിക്കുന്നു:

  • •ലേഖനം 12 — തീരുമാനങ്ങളുടെ പാതയിടലും അപകടങ്ങളുടെ തിരിച്ചറിയലും സാധ്യമാക്കുന്ന സ്വയം രേഖപ്പെടുത്തൽ
  • •ലേഖനം 13 — വിനിയോഗകരും ഉപയോക്താക്കളും അറിയേണ്ട വിവരങ്ങളുടെ വ്യക്തതയും നൽകലും
  • •ലേഖനം 14 — ഇടപെടലും മനസ്സിലാക്കലും സാധ്യമാക്കുന്ന മനുഷ്യ നിരീക്ഷണ നടപടികൾ

നിർണ്ണയ പാതകൾ ഈ ആവശ്യങ്ങൾ നിറവേറ്റുന്നു, ഘടനാപരമായ ചിന്തനം, തെളിവുകളുടെ ഉത്ഭവം, മനുഷ്യ നിരീക്ഷണ പ്രവർത്തനങ്ങൾ, ഫല രേഖകൾ എന്നിവ പിടിച്ചെടുക്കുന്നുവെന്ന് — നിയന്ത്രകർ യാഥാർത്ഥ്യത്തിൽ ചോദ്യം ചെയ്യാനും മനസ്സിലാക്കാനും കഴിയുന്ന ഒരു ഫോർമാറ്റിൽ.

ഡിസംബർ 2027 അവസാനത്തിയ്ക്ക്: അനക്‌സ് III യിൽ ഉൾപ്പെടുന്ന ഉയർന്ന അപകടസാധ്യതയുള്ള AI സിസ്റ്റങ്ങൾ ലോഗിംഗ്, ട്രേസബിലിറ്റി ആവശ്യകതകൾ പാലിക്കണം. നിങ്ങളുടെ AI ഏജന്റുകൾ ക്രെഡിറ്റ്, തൊഴിൽ, വിദ്യാഭ്യാസം, അല്ലെങ്കിൽ ആരോഗ്യപരിചരണത്തെക്കുറിച്ച് തീരുമാനങ്ങൾ എടുക്കുന്നുവെങ്കിൽ, സമയം ഓടുകയാണ്.

എന്താണ് ഡെസിഷൻ ട്രേസിംഗ് പരിഹരിക്കാത്തത്

നിർണ്ണയ ട്രേസിംഗ് പ്രവർത്തന സാഹചര്യത്തിന്റെ മുകളിൽ ഇരിക്കുന്നു. ഇത് മാറ്റുന്നില്ല:

  • •CRM/ERP സിസ്റ്റങ്ങൾ — നിങ്ങൾക്ക് ഇപ്പോഴും നിങ്ങളുടെ രേഖാ സിസ്റ്റങ്ങൾ ആവശ്യമുണ്ട്
  • •പരീക്ഷണശേഷി ഉപകരണങ്ങൾ — LangSmith, W&B, Arize മോഡൽ ആരോഗ്യത്തെ ഇപ്പോഴും നിരീക്ഷിക്കുന്നു
  • •അവതാര പരിഹാരം — നിങ്ങൾക്ക് ഇപ്പോഴും സിസ്റ്റങ്ങൾക്കിടയിൽ എന്റിറ്റി ബന്ധം ആവശ്യമുണ്ട്

ഈ ഉപകരണങ്ങൾ വ്യത്യസ്ത പാളികളിൽ വ്യത്യസ്ത പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നു. AIAgentree അവരിൽ എല്ലാവർക്കും ആവശ്യമുള്ള, എന്നാൽ ചരിത്രപരമായി സംഭരിച്ചിട്ടില്ലാത്ത ഒരു കലാപ്രവർത്തനം പിടിച്ചെടുക്കുന്നു: തീരുമാനം തന്നെ.

എങ്ങനെ ആരംഭിക്കാം

1

നിങ്ങളുടെ ഉയർന്ന അപകടസാധ്യതയുള്ള തീരുമാന ബിന്ദുക്കൾ തിരിച്ചറിയുക

എന്ത് ഏജന്റ് തീരുമാനങ്ങൾ ഉപഭോക്താക്കളെ, അനുസരണയെ, അല്ലെങ്കിൽ വരുമാനത്തെ ബാധിക്കുന്നു? അവിടെ തുടങ്ങുക.

2

10-ലൈൻ SDK സംയോജിപ്പിക്കുക

നിങ്ങളുടെ നിലവിലുള്ള ഏജന്റ് ലജിക് ട്രേസ് ക്യാപ്ചർ ഉപയോഗിച്ച് ചുറ്റിക്കൊള്ളുക. പുനരാഖ്യാനം ആവശ്യമില്ല.

3

നിയമനിർമ്മാതാവിന്റെ ചോദ്യത്തിന് ഉത്തരം നൽകുക

ഒരു ഏജന്റിനെ തിരഞ്ഞെടുക്കുക, കൂടാതെ ചോദിക്കുക: "ഒരു നിയന്ത്രണകാർൻ അവസാന 100 തീരുമാനങ്ങൾക്കായി ചോദിച്ചാൽ, ഞാൻ മറുപടി നൽകാൻ കഴിയുമോ?"

അവശ്യമായ ചോദ്യങ്ങൾ

AI ഏജന്റുമാർക്കുള്ള തീരുമാന ട്രേസിംഗ് എന്താണ്?

നിർണ്ണയ ട്രേസിംഗ് ഓരോ എഐ തീരുമാനത്തിന്റെയും സമ്പൂർണ്ണ വാദം പിടിച്ചെടുക്കുന്നു — പരിഗണിച്ച ഓപ്ഷനുകൾ, പരിശോധിച്ച തെളിവുകൾ, തൂത്തുവലിച്ച വാദങ്ങൾ, തിരഞ്ഞെടുക്കപ്പെട്ട കാരണം — നിർണ്ണയ പാക്കറ്റുകൾ എന്ന പേരിൽ ഘടിതമായ, ഓഡിറ്റ് ചെയ്യാവുന്ന ആർട്ടിഫാക്റ്റുകൾ ആയി. സംഭവിച്ച കാര്യങ്ങൾ രേഖപ്പെടുത്തുന്ന ലോഗുകൾക്കു വ്യത്യസ്തമായി, തീരുമാന ട്രേസുകൾ എന്തുകൊണ്ടാണ് സംഭവിച്ചത് എന്ന് രേഖപ്പെടുത്തുന്നു.

നിർണ്ണയ ട്രേസിംഗ് ലോഗിംഗ് അല്ലെങ്കിൽ നിരീക്ഷണത്തിൽ നിന്ന് എങ്ങനെ വ്യത്യസ്തമാണ്?

ലോഗുകൾ പ്രവർത്തന സംഭവങ്ങൾ (API വിളികൾ, വൈകിയ സമയം, പിഴവുകൾ) രേഖപ്പെടുത്തുന്നു. നിരീക്ഷണ ഉപകരണങ്ങൾ സിസ്റ്റത്തിന്റെ ആരോഗ്യത്തെ നിരീക്ഷിക്കുന്നു. തീരുമാന ട്രേസിംഗ് ന്യായീകരണത്തിന്റെ മാനദണ്ഡ ഘടന പിടിച്ചെടുക്കുന്നു — ഒരു തീരുമാനത്തെ പിന്തുണച്ചതോ എതിരായതോ ആയ വാദങ്ങൾ, ഏത് തെളിവുകൾ ഉദ്ധരിക്കപ്പെട്ടു, ഏത് ന്യായീകരണം ഫലത്തെ കൈവശപ്പെടുത്തി. 'ലോൺ അംഗീകരിച്ചു' എന്നതും 'ക്രെഡിറ്റ് സ്കോർ ആശങ്കയുണ്ടായിട്ടും ഈ ലോൺ എങ്ങനെ അംഗീകരിക്കപ്പെട്ടു' എന്നതും അറിയുന്നതിൽ വ്യത്യാസമാണ്.

നിർണ്ണയ പാക്കറ്റ് എന്താണ്?

ഒരു തീരുമാന പാക്കറ്റ് AIAgentree-യുടെ പ്രധാന കല്പനയാണ്: sealed, immutable രേഖ, ഇതിൽ നിർദ്ദേശം (എന്താണ് തീരുമാനിച്ചത്), വാദ വൃക്ഷം (പ്രതി/സമ്മതം കാരണം), തെളിവുകളുടെ സ്നാപ്ഷോട്ടുകൾ (തീരുമാന സമയത്ത് മുറിച്ചെടുത്തത്), തിരഞ്ഞെടുക്കപ്പെട്ട കാരണം (എന്ത് വാദങ്ങൾ തീരുമാനത്തെ കൈകാര്യം ചെയ്തു), ഫല നിരീക്ഷണം (ശേഷം എന്താണ് സംഭവിച്ചത്) എന്നിവ ഉൾപ്പെടുന്നു. ഒരു നിയന്ത്രകൻ അല്ലെങ്കിൽ ഓഡിറ്റർ ഒരു തീരുമാനത്തെ മനസ്സിലാക്കാനും പുനരാവിഷ്കരിക്കാനും ആവശ്യമായ എല്ലാം ഇതിൽ ഉൾപ്പെടുന്നു.

EU AI നിയമത്തിന്റെ അനുസരണയിൽ തീരുമാന ട്രേസിംഗ് എങ്ങനെ സഹായിക്കുന്നു?

EU AI നിയമത്തിന്റെ 12-14 ലേഖനങ്ങൾ ഉയർന്ന അപകടസാധ്യതയുള്ള AI സിസ്റ്റങ്ങൾ തീരുമാനങ്ങളുടെ ട്രേസബിലിറ്റിക്ക് അനുമതിയുള്ള ലോഗുകൾ നിലനിര്‍ത്തണമെന്ന് ആവശ്യപ്പെടുന്നു. തീരുമാനങ്ങളുടെ ട്രേസുകൾ ഈ ആവശ്യങ്ങൾ നിറവേറ്റുന്നു, കാരണം അവ ഘടനാപരമായ തർക്കം, തെളിവുകളുടെ ഉത്ഭവം, മനുഷ്യ നിരീക്ഷണ പ്രവർത്തനങ്ങൾ, ഫല രേഖകൾ എന്നിവ പിടിച്ചെടുക്കുന്നു — നിയന്ത്രകങ്ങൾ യാഥാർത്ഥ്യത്തിൽ ചോദ്യം ചെയ്യാനും മനസ്സിലാക്കാനും കഴിയുന്ന ഒരു ഫോർമാറ്റിൽ.

എഐ ഭരണത്തിൽ വിശ്വാസത്തിന്റെ മൂന്ന് മോഡുകൾ എന്തെല്ലാമാണ്?

മൂന്ന് മോഡുകൾ ഒരു പുരോഗതിയെ പ്രതിനിധീകരിക്കുന്നു: മോഡ് 1 (മനുഷ്യൻ-ലൂപ്പിൽ) ഏജന്റുകൾ സഹായിക്കുന്നുവെങ്കിലും മനുഷ്യർ തീരുമാനിക്കുന്നു; മോഡ് 2 (മനുഷ്യൻ-ലൂപ്പിൽ) ഏജന്റുകൾ മനുഷ്യന്റെ മേൽനോട്ടത്തിൽ തീരുമാനിക്കുന്നു; മോഡ് 3 (പൂർണ്ണ സ്വാതന്ത്ര്യം) ഏജന്റുകൾ കാലാനുസൃതമായ ഓഡിറ്റുകളോടെ തീരുമാനിക്കുന്നു. മോഡുകൾക്കിടയിലെ പുരോഗതി തെളിവ് അടിസ്ഥാനമാക്കിയുള്ളതാണ്, ആത്മവിശ്വാസ സ്കോറുകൾ, മുൻഗണനയുടെ സ്ഥിരത, ഫലങ്ങൾ നിരീക്ഷിക്കൽ എന്നിവയാൽ പ്രേരിതമാണ്.

നിർണ്ണയ ട്രേസിംഗിൽ മുൻഗാമികൾ എങ്ങനെ പ്രവർത്തിക്കുന്നു?

നിർണ്ണയങ്ങൾ ഘടിതമായ കല്പനകളായി പിടിച്ചെടുക്കുമ്പോൾ, മുൻഗാമിത്വം സ്വയം ഉദ്ഭവിക്കുന്നു. സമാനമായ പഴയ തീരുമാനങ്ങൾ വിഭാഗം, entidade ഉദ്ധരണികൾ, വാദ ടാഗുകൾ, അല്ലെങ്കിൽ നയ നിയന്ത്രണങ്ങൾ വഴി തിരികെ ലഭിക്കാം. ഈ മുൻഗാമിത്വങ്ങൾ പുതിയ തീരുമാനങ്ങളിൽ ഒന്നാംക്ലാസ്സ് വാദ നോടുകളായി മാറുന്നു — അവയെ ഉദ്ധരിക്കാം, വെല്ലുവിളിക്കാം, അല്ലെങ്കിൽ മറ്റ് ഏതെങ്കിലും കാരണം പോലെ മറികടക്കാം. സ്ഥാപനത്തിന്റെ ഓർമ്മ ഓരോ തീരുമാനത്തോടും കൂടിയുള്ളത് കൂടുന്നു.

AIAgentree സംയോജിപ്പിക്കാൻ എത്ര സമയം എടുക്കും?

നിങ്ങൾ മൂന്ന് വഴികളിൽ ബന്ധപ്പെടാം: MCP വഴി ഏജന്റ്-നേറ്റീവ് ടൂളുകൾ (SDK ഇല്ല, ലൈബ്രറി ഇല്ല), REST API (ഏതെങ്കിലും ഭാഷ, ശൂന്യ ആശ്രിതങ്ങൾ), അല്ലെങ്കിൽ Python/TypeScript SDK (സാധാരണയായി പത്ത് വരികൾ, സ്വയമേവ നിഗമനത്തിന്റെ എക്സ്ട്രാക്ഷൻ). മുഴുവൻ ജീവിതചക്രം — ഒരു ട്രേസ് സൃഷ്ടിക്കുക, നിഗമനം രേഖപ്പെടുത്തുക, തീരുമാനത്തെ മുദ്രവയ്ക്കുക, ഉടൻ തീരുമാന പാക്കറ്റ് തിരികെ എടുക്കുക — MCP മാത്രം, തുടക്കത്തിൽ മുതൽ അവസാനം വരെ, ഒരു ലൈബ്രറിയും ഇല്ലാതെ പ്രവർത്തിക്കുന്നു. 6-മാസം കൺസൾട്ടിംഗ് ഏർപ്പാടുകൾ ഇല്ല; ഇത് നിങ്ങളുടെ നിലവിലുള്ള ഏജന്റ് സ്റ്റാക്കിലേക്ക് നിങ്ങൾ ചേർക്കുന്ന ഒരു അടിസ്ഥാന ഘടകമാണ്.

ബന്ധപ്പെട്ട വിഷയങ്ങൾ

നിർണ്ണയ വീണ്ടെടുക്കൽ എന്താണ്?
എഐ തീരുമാനങ്ങളെ ഘടനാപരമായ കല്പനകളായി പുനഃപ്രാപ്തി ചെയ്യുന്നതിനുള്ള സമ്പൂർണ്ണ മാർഗ്ഗദർശനം
EU AI നിയമം അനുസരണ
എങ്ങനെ തീരുമാന ട്രേസിംഗ് ലേഖനങ്ങൾ 12-14 ന്റെ ആവശ്യകതകൾ നിറവേറ്റുന്നു

ബന്ധപ്പെട്ട ലേഖനങ്ങൾ

AI തീരുമാനങ്ങൾക്കായി GraphRAG: ഏജന്റ് മെമ്മറിയ്ക്ക് വെക്ടർ തിരച്ചിലിനെക്കാൾ ഗ്രാഫുകൾ എങ്ങനെ മികച്ചതാണ്

വെക്ടർ RAG ലോഗുകൾക്കു മേൽ "ചങ്ക് സൂപ്പ്" എന്നതിനെ തിരിച്ചറിയുന്നു — എതിര്‍പ്പുകൾ, അംഗീകൃതങ്ങൾ, ഒരു തീരുമാനത്തെ പ്രതിരോധിക്കാവുന്ന വിധത്തിൽ ഉണ്ടാക്കിയ മുൻഗണനകൾ എന്നിവയെ നഷ്ടപ്പെടുത്തുന്ന ബന്ധമില്ലാത്ത എഴുത്ത് ഭാഗങ്ങൾ. തീരുമാനങ്ങൾ ഒരു മാനദണ്ഡ വാദ ഗ്രാഫ് ആയി സംഭരിക്കുമ്പോൾ, തിരികെ ലഭിക്കുന്നത് ഒരു പരിധിയുള്ള, ഓഡിറ്റ് ചെയ്യാവുന്ന തീരുമാന പാക്കറ്റാണ്.

EU AI നിയമം ലേഖനം 6: ഉയർന്ന അപകടം വർഗ്ഗീകരണം നിങ്ങളുടെ AI ഏജന്റുകൾക്കായി എന്താണ് അർത്ഥം

EU AI നിയമത്തിന്റെ ആർട്ടിക്കിൾ 6 നിങ്ങളുടെ AI സിസ്റ്റം "ഉയർന്ന അപകടം" ആണോ എന്ന് നിശ്ചയിക്കുന്നു — കൂടാതെ നിർബന്ധമായ ഓഡിറ്റ് ട്രെയിൽ ആവശ്യകതകൾ പ്രാബല്യത്തിൽ വരുന്നു. നിങ്ങളുടെ ഏജന്റുകൾ ക്രെഡിറ്റ്, തൊഴിൽ, വിദ്യാഭ്യാസം, അല്ലെങ്കിൽ ആരോഗ്യപരിചയം സംബന്ധിച്ച തീരുമാനങ്ങൾ എടുക്കുന്നുവെങ്കിൽ, 2027 ഡിസംബർ മുമ്പ് അനക്സ്സ് III വർഗീകരണം മനസ്സിലാക്കേണ്ടതാണ്.

നിർണ്ണയ ഓഡിറ്റ് പാത എന്താണ്?

AI പത്രികകളുടെ മനുഷ്യ-നിർണ്ണയ സമാനമായത്: ആരാണ് എന്ത് തീരുമാനിച്ചത്, എന്തുകൊണ്ടാണ് തീരുമാനിച്ചത് എന്നതിന്റെ സമ്പൂർണ്ണ, അവലോകനയോഗ്യമായ രേഖ.

AI

AIAgentree ടീം

AI ഭരണകൂടം

AIAgentree ടീം AI ഏജന്റുകൾക്കായി തീരുമാന ട്രേസിംഗ് അടിസ്ഥാനസൗകര്യം നിർമ്മിക്കുന്നു. AI യുടെ ചിന്തനം ദൃശ്യമായ, ഓഡിറ്റുചെയ്യാവുന്ന, മെച്ചപ്പെടുത്താവുന്നവയാക്കുക എന്നതാണ് നമ്മുടെ ദൗത്യം.

നിങ്ങളുടെ AI തീരുമാനങ്ങൾ ട്രേസ് ചെയ്യാൻ തയ്യാറാണോ?

ഇന്ന് തീരുമാന ട്രെയിലുകൾ പിടിച്ചെടുക്കാൻ ആരംഭിക്കുക. സൗജന്യ തരം ലഭ്യമാണ് — ക്രെഡിറ്റ് കാർഡ് ആവശ്യമില്ല.

സൗജന്യ പരീക്ഷണം ആരംഭിക്കുക