LLM ലോഗിംഗ് പ്രോംപ്റ്റുകളും പൂർത്തീകരണങ്ങളും പിടിച്ചെടുക്കുന്നു - സംഭവിച്ച കാര്യങ്ങളെക്കുറിച്ചുള്ള വിവരണാത്മക ഡാറ്റ. നിർണ്ണയ ട്രേസിംഗ് തീരുമാനങ്ങൾ എങ്ങനെ എടുത്തുവെന്ന് പിടിച്ചെടുക്കുന്നു - പ്രോ/കൺ വാദങ്ങൾ, മുൻകൂട്ടി, ആസൂത്രണം എന്നിവയോടൊപ്പം ഘടനാപരമായ യുക്തി. ലോഗിംഗ് ഡീബഗ്ഗിംഗ് സാധ്യമാക്കുന്നു. നിർണ്ണയ ട്രേസിംഗ് സ്ഥാപന സ്മരണം, മുൻകൂട്ടി തിരയൽ, വിശദീകരണയോഗ്യമായ AI സാധ്യമാക്കുന്നു. AI ഏജൻട്രി ലോഗിംഗ് മാറ്റാൻ കഴിയാത്ത നിർണ്ണയ ട്രേസിംഗ് പാളി നൽകുന്നു.
TL;DR: ലോഗിംഗ് മോഡൽ പറഞ്ഞത് പിടിച്ചെടുക്കുന്നു. നിർണ്ണയ ട്രേസിംഗ് തീരുമാനമെടുക്കാൻ കാരണം പിടിച്ചെടുക്കുന്നു. മുൻകൂട്ടി തിരയലും സ്ഥാപന സ്മരണയും സാധ്യമാക്കുന്നത് ഒറ്റത്തവണയാണ്.
ലോഗിംഗ് ആവശ്യമാണ്, പക്ഷേ മതിയല്ല. ഇതിൽ എന്താണ് കുറവായിരിക്കുന്നത്.
വിവരണാത്മക: "ഇത് സംഭവിച്ചു"
// Log entry
{
"prompt": "Should we approve...",
"completion": "Yes, approved...",
"tokens": 847,
"latency_ms": 1234
}
നിങ്ങൾ ഈ ലോഗ് കണ്ടെത്താൻ കഴിയും. എന്നാൽ സമാന കേസുകൾ എങ്ങനെ തീരുമാനിച്ചുവെന്ന് നിങ്ങൾ കണ്ടെത്താൻ കഴിയുമോ?
നോർമറ്റീവ്: "ഇത് പിന്തുണയ്ക്കുന്നു/വിരുദ്ധമാണ് കാരണം..."
// Decision trace
{
"decision": "APPROVED",
"pro_arguments": [...],
"con_arguments": [...],
"precedent_cited": "D-1234",
"rationale_ids": [...]
}
യുക്തി മാതൃകയാൽ ചോദ്യം ചെയ്യാവുന്നവ. മുൻകൂട്ടിയായി ഉദ്ധരിക്കാവുന്നവ.
| അംഗം | LLM ലോഗിംഗ് | നിർണ്ണയ ട്രേസിംഗ് |
|---|---|---|
| എന്താണ് ഇത് പിടിച്ചെടുക്കുന്നത് | പ്രോംപ്റ്റുകൾ, പൂർത്തീകരണങ്ങൾ, ടോക്കണുകൾ, വൈകിയ സമയം | കാരണം ഘടന, മുൻഗാമികൾ, തത്വം |
| ഡാറ്റാ ഘടന | അസംഘടിത വാചകം, സമതല മെറ്റാഡാറ്റ | ഘടിത വാദ വൃക്ഷങ്ങൾ, മാനദണ്ഡ ബന്ധങ്ങൾ |
| ക്വറി ശേഷി | 'X അടങ്ങിയ ലോഗുകൾ കണ്ടെത്തുക' | 'കാരണം മാതൃകയുടെ അടിസ്ഥാനത്തിൽ Y-നോട് സമാനമായ തീരുമാനങ്ങൾ കണ്ടെത്തുക' |
| മുൻഗാമിയെ പിന്തുണയ്ക്കുന്നു | ||
| സ്ഥാപന ഓർമ്മ | ||
| വ്യാഖ്യാനശേഷി | മോഡൽ പറഞ്ഞത് കാണിക്കുന്നു | തീരുമാനം എങ്ങനെ എടുത്തു എന്ന് കാണിക്കുന്നു |
| അനുസരണ മൂല്യം | സംഭവങ്ങളുടെ ഓഡിറ്റ് പാത | കാരണം ഓഡിറ്റ് പാത |
"സമാനമായ തിരിച്ചടവ് അഭ്യർത്ഥനകൾ എങ്ങനെ കൈകാര്യം ചെയ്തു?" എന്നത് വാചക തിരച്ചിലല്ല, മറിച്ച് ചിന്തന ഘടന ആവശ്യമാണ്. ലോഗുകൾ പൊരുത്തമുള്ള വാക്കുകൾ കണ്ടെത്തുന്നു. ട്രേസുകൾ പൊരുത്തമുള്ള മാതൃകകൾ കണ്ടെത്തുന്നു.
കാലക്രമേണ കൂട്ടിച്ചേർന്ന അറിവിന് ഘടനാപരമായ തീരുമാനങ്ങൾ ആവശ്യമാണ്. ലോഗുകൾ പുരാവസ്തുശാസ്ത്രമാണ്. ട്രേസുകൾ ശില്പശാസ്ത്രമാണ്.
കഴിഞ്ഞ തീരുമാനങ്ങൾ ഉദ്ധരിക്കുന്ന ഏജന്റുകൾക്ക് ഘടനാപരമായ precedents ആവശ്യമുണ്ട്. "സമാന സാഹചര്യങ്ങളിൽ D-1234 അംഗീകരിച്ചു" എന്നത് തീരുമാന ട്രേസുകൾ ആവശ്യമാണ്.
"എന്തുകൊണ്ട് AI X തീരുമാനിച്ചു?" എന്നത് ഘടനാപരമായ കാരണം ആവശ്യമാണ്. ചിന്തന ശൃംഖല പോസ്റ്റ്-ഹോക്ക് ആണ്. തീരുമാന ട്രേസുകൾ ഭൂമിശാസ്ത്ര സത്യമാണ്.
ഏത് ചിന്തന മാതൃകകൾ നല്ല ഫലങ്ങളിലേക്ക് നയിക്കുന്നു എന്നത് ട്രാക്ക് ചെയ്യാൻ ഘടന ആവശ്യമാണ്. ലോഗുകൾ വാദങ്ങളെ ഫലങ്ങളുമായി ബന്ധിപ്പിക്കാൻ കഴിയുന്നില്ല.
മനുഷ്യൻ-ഇൻ-ലൂപ്പ് മുതൽ പൂർണ്ണ സ്വാതന്ത്ര്യത്തിലേക്ക് നീങ്ങാൻ തെളിവുകൾ ആവശ്യമാണ്. തീരുമാന ട്രേസുകൾ തീരുമാനത്തിന്റെ ഗുണമേന്മ തെളിയിക്കുന്നു. ലോഗുകൾ നടപ്പാക്കലിന്റെ ഗുണമേന്മ തെളിയിക്കുന്നു.
LLM ലോഗിംഗ് പ്രോംപ്റ്റുകൾ, പൂർത്തീകരണങ്ങൾ, മെറ്റാഡാറ്റ (ടോക്കൺ, ലേറ്റൻസി) എന്നിവ പിടിച്ചെടുക്കുന്നു. തീരുമാന ട്രേസിംഗ് ഘടനാപരമായ ചിന്തനം പിടിച്ചെടുക്കുന്നു: പ്രോ/കൺ വാദങ്ങൾ, ഉദ്ധരിച്ച മുൻകൂട്ടലുകൾ, ആത്മവിശ്വാസത്തിന്റെ നിലകൾ, തീരുമാനത്തെ പിന്തുണയ്ക്കുന്ന കാരണം. ലോഗിംഗ് വിവരണാത്മകമാണ്; ട്രേസിംഗ് മാനദണ്ഡപരമാണ്.
പ്രോംപ്റ്റ്/ഔട്ട്പുട്ട് ലോഗുകൾ ചിന്തന ഘടന പിടിച്ചെടുക്കുന്നില്ല. നിങ്ങൾക്ക് 'സമാന കേസുകൾ എങ്ങനെ കൈകാര്യം ചെയ്തു?' അല്ലെങ്കിൽ 'ഈ തീരുമാനത്തെ പിന്തുണയ്ക്കുന്ന എന്തെല്ലാം മുൻകൂട്ടലുകൾ ഉണ്ട്?' എന്നത് കച്ചവട വാചകങ്ങളിൽ നിന്ന് ചോദിക്കാൻ കഴിയില്ല. തീരുമാന ട്രേസിംഗ് മുൻകൂട്ടലുകൾ തിരയാനും സ്ഥാപനത്തിന്റെ ഓർമ്മയെ സജീവമാക്കാനും സഹായിക്കുന്ന ഘടനാപരമായ കലാപങ്ങൾ സൃഷ്ടിക്കുന്നു.
ഇല്ല. ചിന്തനത്തിന്റെ ശൃംഖല മോഡലിന്റെ പോസ്റ്റ്-ഹോക്ക് ഉൽപ്പന്നമാണ് — ഇത് ആന്തരിക കണക്കാക്കലിന് വിശ്വസനീയമല്ല. രണ്ട് പ്രോംപ്റ്റുകൾ വ്യത്യസ്ത 'വിവരണങ്ങൾ' ഉപയോഗിച്ച് സമാനമായ ഉത്തരം നൽകാം. തീരുമാന ട്രേസിംഗ് തീരുമാനത്തിന്റെ നിമിഷത്തിൽ ഘടനാപരമായ കലാപങ്ങൾ പിടിച്ചെടുക്കുന്നു, പുനർനിർമ്മിത കഥകൾ അല്ല.
പ്രഭാവിതമായി അല്ല. മുൻകൂട്ടലുകൾ മാനദണ്ഡപരമായ ബന്ധങ്ങൾ (പിന്തുണയ്ക്കുന്നു/വിരുദ്ധമാണ്) ആവശ്യമാണ്, വിവരണാത്മകമായവ (ഉള്ളടക്കമുണ്ട്/ഉൾക്കൊള്ളുന്നു) അല്ല. ലോഗ് അടിസ്ഥാനമാക്കിയുള്ള തിരച്ചിൽ സമാനമായ വാചകം കണ്ടെത്തുന്നു; തീരുമാന ട്രേസിംഗ് സമാനമായ ചിന്തന മാതൃകകൾ കണ്ടെത്തുന്നു. വ്യത്യാസം അടിസ്ഥാനപരമാണ്.
അതെ. ഡീബഗ്ഗിംഗ്, ചെലവ് ട്രാക്കിംഗ്, അനുസരണത്തിനായി നിങ്ങളുടെ ലോഗിംഗ് നിലനിർത്തുക. വിശദീകരണം, മുൻകൂട്ടലുകൾ, സ്ഥാപനത്തിന്റെ ഓർമ്മയ്ക്കായി തീരുമാന ട്രേസിംഗ് ചേർക്കുക. അവ വ്യത്യസ്ത ലക്ഷ്യങ്ങൾ സേവിക്കുന്നു, കൂടെയുണ്ടാകും.
നിയമങ്ങൾ എഐ തീരുമാനങ്ങൾ വിശദീകരിക്കാൻ കൂടുതൽ ആവശ്യമാണ്. ലോഗുകൾ മോഡൽ എന്ത് പറഞ്ഞുവെന്ന് കാണിക്കുന്നു. തീരുമാന ട്രേസുകൾ തീരുമാനമെടുക്കാൻ എന്തുകൊണ്ട്, എന്തെല്ലാം ഓർമ്മയിൽ എടുത്തു, എന്തെല്ലാം തെളിവുകൾ പിന്തുണച്ചുവെന്ന് കാണിക്കുന്നു. ഇത് ഓഡിറ്റർമാർക്കും നിയന്ത്രണകാർക്കും ആവശ്യമായതാണ്.
നിങ്ങളുടെ AI എന്ത് പറയുന്നു എന്നതല്ല, എന്തുകൊണ്ടാണ് തീരുമാനിക്കുന്നത് പിടിച്ചെടുക്കുക.