ವಿಶ್ವಾಸಾರ್ಹ AI ನಿರ್ಧಾರಗಳಿಗಾಗಿ LLMಗಳು ಮತ್ತು ಔಪಚಾರಿಕ ಪರಿಹಾರಕಗಳ ಸಂಯೋಜನೆ

ದೊಡ್ಡ ಭಾಷಾ ಮಾಡೆಲ್‌ಗಳು (LLMಗಳು) ಸಹಜ ಭಾಷೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು, ನಿರರ್ಗಳ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ರಚಿಸುವುದು ಮತ್ತು ಗ್ರಾಹಕರು ಹಾಗೂ ಉದ್ಯೋಗಿಗಳಿಗೆ ಸಂಪೂರ್ಣ ಹೊಸ ಅನುಭವಗಳನ್ನು ಒದಗಿಸುವುದರಲ್ಲಿ ಅಸಾಧಾರಣ ಪ್ರಗತಿ ಸಾಧಿಸಿವೆ. ಆದರೆ LLMಗಳು ಮೂಲತಃ ಸಂಭವನೀಯ ಸ್ವರೂಪದ್ದಾಗಿರುವುದರಿಂದ, ಸಂಕೀರ್ಣ ಸಂಖ್ಯಾತ್ಮಕ ಅಥವಾ ತಾರ್ಕಿಕ ರೀಜನಿಂಗ್‌ಗೆ ಅವುಗಳನ್ನು ಬಳಸಿದಾಗ ಫಲಿತಾಂಶಗಳು ನಿಯಮಾನುಸಾರ ಅಥವಾ ಅತ್ಯುತ್ತಮವಾಗಿರುತ್ತವೆ ಎಂಬ ಖಾತರಿ ಸೀಮಿತವಾಗಿರುತ್ತದೆ. ಉದಾಹರಣೆಗೆ:

• ವ್ಯವಸ್ಥಾಪಕರೊಬ್ಬರು AI ಯೋಜನಾ ಸಹಾಯಕನಿಗೆ, “ವೆಚ್ಚವನ್ನು ಕಡಿಮೆ ಇಟ್ಟುಕೊಂಡು ಮುಂದಿನ ವಾರ ಸಾಧ್ಯವಾದಷ್ಟು ಹೆಚ್ಚು ಸರಕು ರವಾನಿಸಿ,” ಎಂದು ಹೇಳುತ್ತಾರೆ. ವ್ಯವಸ್ಥೆಯು ಸಮರ್ಥವಾಗಿ ಕಾಣುವ ಆಕ್ರಮಣಕಾರಿ ಯೋಜನೆಯನ್ನು ನೀಡುತ್ತದೆ, ಆದರೆ ಅದು ಗೊತ್ತಾಗದಂತೆ ಗೋದಾಮಿನ ಸಾಮರ್ಥ್ಯವನ್ನು ಮೀರಿ ವಿತರಣಾ ಖಾತರಿಗಳನ್ನು ಉಲ್ಲಂಘಿಸುತ್ತದೆ.

• ಸಂಯೋಜಕರೊಬ್ಬರು AI ಸಹಾಯಕನಿಗೆ, “ರಾತ್ರಿ ವಾಸಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಮತ್ತು ಅಡಚಣೆಯನ್ನು ಕನಿಷ್ಠಗೊಳಿಸಲು ಸಿಬ್ಬಂದಿ ತಂಡಗಳನ್ನು ಮರುನಿಯೋಜಿಸಿ,” ಎಂದು ಹೇಳುತ್ತಾರೆ. ಮಾಡೆಲ್ ಅತ್ಯುತ್ತಮವಾಗಿ ಕಾಣುವ ಕಡಿಮೆ ವೆಚ್ಚದ ವೇಳಾಪಟ್ಟಿಯನ್ನು ರೂಪಿಸುತ್ತದೆ, ಆದರೆ ಅದು ಕಡ್ಡಾಯ ಕರ್ತವ್ಯಾವಧಿ ಅಥವಾ ವಿಶ್ರಾಂತಿ ನಿರ್ಬಂಧಗಳನ್ನು ಉಲ್ಲಂಘಿಸುತ್ತದೆ.

• ಹಣಕಾಸು ಕಾರ್ಯಾಚರಣೆಗಳ AI ಸಹಾಯಕವು ಕಠಿಣ ಪ್ರಾದೇಶಿಕ ಮತ್ತು ಅಪಾಯದ ನಿರ್ಬಂಧಗಳ ಅಡಿಯಲ್ಲಿ ವಹಿವಾಟುಗಳನ್ನು ಅನುಮೋದಿಸಬೇಕು. ಆದರೆ ಅದು ಆಂತರಿಕ ನೀತಿಯನ್ನು ಉಲ್ಲಂಘಿಸುತ್ತಲೇ ನಿಯಮಾನುಸಾರವಾಗಿದೆ ಎಂದು ಕೇಳಿಸುವ ಕಾರಣವನ್ನು ಕಲ್ಪಿಸಿ, ಅನುಮಾನಾಸ್ಪದ ವಹಿವಾಟನ್ನು ಅನುಮೋದಿಸುತ್ತದೆ.

ಕಠಿಣ ಕಾರ್ಯಾಚರಣಾ ಅವಶ್ಯಕತೆಗಳಿರುವ ಪರಿಸರಗಳಲ್ಲಿ, LLMಗಳನ್ನು ಔಪಚಾರಿಕ ಪರಿಹಾರಕಗಳೊಂದಿಗೆ ಸಂಯೋಜಿಸುವುದರಿಂದ ಸಹಜ ಭಾಷೆ ಆಧಾರಿತ ನಿರ್ಧಾರಗಳು ನಿಗದಿತ ಮಿತಿಗಳೊಳಗೆ ಉಳಿದು, ಅಸಾಧ್ಯ, ಕಳಪೆ ಅಥವಾ ನಿಯಮಬಾಹಿರ ಫಲಿತಾಂಶಗಳನ್ನು ತಪ್ಪಿಸುವುದನ್ನು ಖಚಿತಪಡಿಸಬಹುದು.

ನಮ್ಮ ಸಂಶೋಧನೆ ಮತ್ತು ಅಭಿವೃದ್ಧಿ ತಂಡವು LLMಗಳ ಸೃಜನಶೀಲತೆ ಹಾಗೂ ಹೊಂದಿಕೊಳ್ಳುವಿಕೆಯನ್ನು Z3, Pyomo ಮತ್ತು OR-Tools ಮುಂತಾದ ಔಪಚಾರಿಕ ಗಣಿತೀಯ ಪರಿಹಾರಕಗಳ ಕಟ್ಟುನಿಟ್ಟು, ಖಾತರಿ ಮತ್ತು ಪಾರದರ್ಶಕತೆಯೊಂದಿಗೆ ಸಂಯೋಜಿಸುವ ಮಿಶ್ರ ವಿಧಾನವನ್ನು ಪರಿಶೀಲಿಸುತ್ತಿದೆ. ಈ ಸಾಮರ್ಥ್ಯವನ್ನು ಉದ್ಯಮ ತಂತ್ರಜ್ಞಾನ ವ್ಯವಸ್ಥೆಯ ಪ್ರಮಾಣಿತ ಭಾಗವಾಗಿಸಲು ಮರುಬಳಕೆ ಮಾಡಬಹುದಾದ ಔಪಚಾರಿಕ AI ಎಂಜಿನ್ ಅನ್ನೂ ನಾವು ನಿರ್ಮಿಸುತ್ತಿದ್ದೇವೆ. ಈ ವೇದಿಕೆಯು ಸಂಸ್ಥೆಗಳು ತಮ್ಮ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ವ್ಯವಸ್ಥೆಗಳಿಂದಲೇ ವ್ಯವಹಾರ ನಿಯಮಗಳನ್ನು ಪಡೆದುಕೊಳ್ಳಲು, ನಿರ್ಧಾರಗಳನ್ನು ಆ ನಿಯಮಗಳೊಂದಿಗೆ ನಿರಂತರವಾಗಿ ಪರಿಶೀಲಿಸಲು ಮತ್ತು ಸ್ಪಷ್ಟವಾಗಿ ನಿರ್ಧರಿಸಿದ ಮಿತಿಗಳೊಳಗೆ AI ಏಜೆಂಟ್‌ಗಳನ್ನು ಸುರಕ್ಷಿತವಾಗಿ ನಿಯೋಜಿಸಲು ನೆರವಾಗುತ್ತದೆ.

ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲಿ ನಿರ್ಧಾರ ಕೈಗೊಳ್ಳುವಿಕೆಯನ್ನು ವೇಗಗೊಳಿಸುತ್ತಲೇ ಕಾರ್ಯಾಚರಣಾ ಅಪಾಯವನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು ನಮ್ಮ ದೂರದೃಷ್ಟಿ. ನಾಯಕರು ಸಹಜ ಭಾಷೆಯ ಮಾಹಿತಿಯಿಂದ ವೇಗವಾದ, ನೀತಿಗೆ ಅನುಗುಣವಾದ ನಿರ್ಧಾರಗಳನ್ನು ಪಡೆಯುತ್ತಾರೆ. ಸಂಸ್ಥೆಗಳು ವೇಳಾಪಟ್ಟಿ, ಪೂರೈಕೆ ಸರಪಳಿಯ ಸಂಪನ್ಮೂಲ ಹಂಚಿಕೆ, ಹಣಕಾಸು ಕಾರ್ಯಾಚರಣೆ, ನೀತಿ ಪರಿಶೀಲನೆ ಮತ್ತು ವೀಡಿಯೊ ಅಥವಾ 3D ವಿನ್ಯಾಸದಲ್ಲಿನ ತಾತ್ಕಾಲಿಕ ಬದಲಾವಣೆಗಳನ್ನೂ ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸಬಹುದು. ಅಂತರ್ನಿರ್ಮಿತ ಸುರಕ್ಷತಾ ಕ್ರಮಗಳು ಅಸಾಧ್ಯ, ನಿಯಮಬಾಹಿರ ಅಥವಾ ಅಸುರಕ್ಷಿತ ಫಲಿತಾಂಶಗಳು ಬಳಕೆಗೆ ಬರುವುದನ್ನು ತಡೆಯುತ್ತವೆ.

ಸರಕು ಸಾಗಣೆ ಮಾದರಿಯ ಅತ್ಯುತ್ತಮೀಕರಣ ಸಮಸ್ಯೆಗಳು ಮತ್ತು ಮೂರು ಸಾರ್ವಜನಿಕ ಮಾನದಂಡಗಳ ನಿಯಂತ್ರಿತ ಪ್ರಯೋಗಗಳಲ್ಲಿ, ನಮ್ಮ ಮಿಶ್ರ ವಿಧಾನವು ಸತತವಾಗಿ ಇವುಗಳನ್ನು ತೋರಿಸಿತು:

• ಹೆಚ್ಚಿನ ನಿಖರತೆ

• ಹೆಚ್ಚಿನ ಅರ್ಥವಿವರಣಾ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಲೆಕ್ಕಪರಿಶೋಧನಾ ಸಾಧ್ಯತೆ

ನಮ್ಮ ವಿಧಾನವು ಸಾಮಾನ್ಯವಾದ “LLM ಎಲ್ಲವನ್ನೂ ಮಾಡುತ್ತದೆ” ಎಂಬ ಮಾದರಿಯನ್ನು ತಿರುವುಮುರುವುಗೊಳಿಸಿ, ಈ ವಿನ್ಯಾಸವನ್ನು ಅನುಸರಿಸುತ್ತದೆ:

ಈ ವಿಧಾನವು ಜವಾಬ್ದಾರಿಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಪ್ರತ್ಯೇಕಿಸುತ್ತದೆ: LLMಗಳು ಸಹಜ ಭಾಷೆಯಿಂದ ನಿಯಮಗಳು ಮತ್ತು ನಿರ್ಬಂಧಗಳನ್ನು ಹೊರತೆಗೆಯುತ್ತವೆ; OR-Tools, Z3 ಮತ್ತು Pyomo ಮುಂತಾದ ನಿರ್ಣಾಯಕ ಪರಿಹಾರಕಗಳು ಅತ್ಯುತ್ತಮೀಕರಣ ಮತ್ತು ಪರಿಶೀಲನೆಯನ್ನು ನಿರ್ವಹಿಸುತ್ತವೆ. ಫಲಿತಾಂಶವು ಎರಡೂ ವಿಧಾನಗಳ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ:

ನಮ್ಮ ಕೆಲವು ಗ್ರಾಹಕರು ಎದುರಿಸುವ ಈ ಸವಾಲಿನಿಂದ ನಾವು ಆರಂಭಿಸಿದೆವು:

ಕಾರ್ಯಾಚರಣೆ, ನೀತಿ ಮತ್ತು ವೆಚ್ಚದ ನಿರ್ಬಂಧಗಳನ್ನು ಕಟ್ಟುನಿಟ್ಟಾಗಿ ಜಾರಿಗೊಳಿಸುತ್ತಲೇ ಸಹಜ ಭಾಷೆಯ ವಿನಂತಿಗಳನ್ನು ಅತ್ಯುತ್ತಮ, ತಕ್ಷಣದ ಸಂಪನ್ಮೂಲ ನಿರ್ಧಾರಗಳಾಗಿ ಪರಿವರ್ತಿಸುವುದು.

ಈ ಸವಾಲು ಸಿಬ್ಬಂದಿ ವೇಳಾಪಟ್ಟಿ, ಸ್ವತ್ತು ಹಂಚಿಕೆ, ಮಾರ್ಗನಿರ್ಧಾರ, ಪೂರೈಕೆ ಯೋಜನೆ ಮತ್ತು ಸಾಮರ್ಥ್ಯ ನಿರ್ವಹಣೆ ಸೇರಿದಂತೆ ಆಧುನಿಕ ಸರಕು ಸಾಗಣೆ ಹಾಗೂ ಪೂರೈಕೆ ಸರಪಳಿಗಳ ಕೇಂದ್ರದಲ್ಲಿದೆ. ನಂಬಲರ್ಹ ವ್ಯವಸ್ಥೆಗಳನ್ನು ರೂಪಿಸಲು LLMಗಳು ಮತ್ತು ಔಪಚಾರಿಕ ಪರಿಹಾರಕಗಳು ಒಟ್ಟಾಗಿ ಕೆಲಸ ಮಾಡಬೇಕಾದ ಕ್ಷೇತ್ರವೂ ಇದೇ ಆಗಿದೆ. ನಮ್ಮ ಮೌಲ್ಯಮಾಪನಕ್ಕಾಗಿ 240 ಕೃತಕ ಪ್ರಶ್ನೆಗಳೊಂದಿಗೆ ನಿಯಂತ್ರಿತ ಪರೀಕ್ಷಾ ಸನ್ನಿವೇಶಗಳು, ದತ್ತಾಂಶ ಮೂಲಗಳು ಮತ್ತು ನಿರ್ಬಂಧಗಳನ್ನು ರೂಪಿಸಿದೆವು. ಉದಾಹರಣೆಗಳು:

• ರದ್ದತಿಯ ನಂತರ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ವೇಳಾಪಟ್ಟಿಯನ್ನು ಪರಿಷ್ಕರಿಸಿ. ಗುರಿ ಸೌಲಭ್ಯಕ್ಕೆ 2025ರ ಡಿಸೆಂಬರ್ 24ರ ಒಳಗೆ ಸಂಪೂರ್ಣ ಸರಬರಾಜಾಗಬೇಕು. ಸಾಧ್ಯವಾದಾಗ ಸಮೀಪದ ಗೋದಾಮಿನಿಂದ ದಾಸ್ತಾನು ಪಡೆದು, ನಿರ್ದಿಷ್ಟ ಒಟ್ಟುಗೂಡಿಸುವ ಕೇಂದ್ರದ ಮೂಲಕ ಸಾಗಿಸಿ. ಅನುಮತಿಸಲಾದ ಅತಿ ಮೊದಲ ಆರಂಭ ದಿನಾಂಕ 2025ರ ಡಿಸೆಂಬರ್ 14.

• ಕೊನೆಯ ಕ್ಷಣದ ವಿನಂತಿ: ಅತಿ ಗಣ್ಯ ವ್ಯಕ್ತಿಯೊಬ್ಬರು ಮೂರು ಗಂಟೆಗಳಲ್ಲಿ ಎ ಸ್ಥಳಕ್ಕೆ ಆಗಮಿಸಲಿದ್ದಾರೆ. ಅಗತ್ಯ ಸಿಬ್ಬಂದಿ ಎರಡು ಗಂಟೆಗಳೊಳಗೆ ಸ್ಥಳದಲ್ಲಿರಬೇಕು. ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ವೇಳಾಪಟ್ಟಿಯ ಬದಲಾವಣೆಗಳನ್ನು ಕನಿಷ್ಠಗೊಳಿಸುತ್ತಲೇ ಸಿಬ್ಬಂದಿ ಹಂಚಿಕೆಯನ್ನು ಸರಿಹೊಂದಿಸಿ.

ವ್ಯವಸ್ಥೆಯು ಸಹಜ ಭಾಷೆಯ ವಿನಂತಿಗಳಿಂದಲೇ ಕಠಿಣ ಮತ್ತು ಮೃದು ನಿರ್ಬಂಧಗಳನ್ನು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ಹೊರತೆಗೆದು ಜಾರಿಗೊಳಿಸಬೇಕು ಎಂಬುದು ಪ್ರಶ್ನೆಗಳಿಂದ ತಿಳಿಯುತ್ತದೆ:

• ಕಠಿಣ ನಿರ್ಬಂಧಗಳ ಕುರಿತು ರಾಜಿ ಸಾಧ್ಯವಿಲ್ಲ. ಉದಾಹರಣೆಗೆ, ಅತಿ ಮೊದಲ ಆರಂಭ ದಿನಾಂಕಗಳು, ಒಪ್ಪಂದದ ಷರತ್ತುಗಳು ಮತ್ತು ಸಾಮರ್ಥ್ಯದ ಗರಿಷ್ಠ ಮಿತಿಗಳು. ಅವುಗಳಲ್ಲಿ ಒಂದನ್ನು ಉಲ್ಲಂಘಿಸಿದರೂ ಪರಿಹಾರ ಅಮಾನ್ಯವಾಗುತ್ತದೆ.

• ಮೃದು ನಿರ್ಬಂಧಗಳು ವಿಳಂಬಗಳನ್ನು ಕನಿಷ್ಠಗೊಳಿಸುವುದು, ವೆಚ್ಚಗಳನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು ಮತ್ತು ಬದಲಾವಣೆಗಳನ್ನು ಮಿತಿಗೊಳಿಸುವಂತಹ ಆದ್ಯತೆಗಳನ್ನು ಸೂಚಿಸುತ್ತವೆ. ಕಠಿಣ ಮಿತಿಗಳನ್ನು ದಾಟದೆ ಅತ್ಯುತ್ತಮೀಕರಿಸುವುದೇ ಉದ್ದೇಶ.

ಈ ಅತ್ಯುತ್ತಮೀಕರಣ ಸಮಸ್ಯೆಗಳ ಕೆಲವು ಅಂಶಗಳನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಮೊದಲೇ ನಿರ್ಧರಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ. ಅವುಗಳನ್ನು ರಚನಾತ್ಮಕ ವ್ಯವಹಾರ ತರ್ಕ, ಆಂತರಿಕ ದಾಖಲೆಗಳು ಮತ್ತು ಕಾರ್ಯಾಚರಣಾ ದತ್ತಾಂಶದಲ್ಲಿನ ಪೂರ್ವನಿರ್ಧರಿತ ನಿರ್ಬಂಧಗಳು ಹಾಗೂ ಉದ್ದೇಶಗಳಿಂದ ಮಾತ್ರವಲ್ಲದೆ ಬಳಕೆದಾರರ ವಿನಂತಿಯಿಂದಲೂ ಪಡೆದು ಕ್ರಿಯಾತ್ಮಕವಾಗಿ ಜೋಡಿಸಬೇಕು.

ಈ ಸನ್ನಿವೇಶದಲ್ಲಿ ವಿಭಿನ್ನ ತಂತ್ರಗಳು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ತಿಳಿಯಲು ನಾವು ಮೂರು ವಿಧಾನಗಳನ್ನು ಅಳವಡಿಸಿ ಹೋಲಿಸಿದೆವು.

1. ಶುದ್ಧ LLM: ಅತ್ಯಂತ ಸರಳ ವಿಧಾನವು ಎಲ್ಲ ಸಂಬಂಧಿತ ದತ್ತಾಂಶ ಮತ್ತು ಬಳಕೆದಾರರ ಸಹಜ ಭಾಷೆಯ ವಿನಂತಿಯನ್ನು ಒಂದೇ LLM ಪ್ರಾಂಪ್ಟ್‌ಗೆ ನೀಡಿ, ಅತ್ಯುತ್ತಮ ಯೋಜನೆ ಅಥವಾ ಹಂಚಿಕೆಯನ್ನು ರೂಪಿಸಲು ಕೇಳುತ್ತದೆ. ಇದು ಸಣ್ಣ ಅಥವಾ ಕಡಿಮೆ ನಿರ್ಬಂಧಿತ ಸಮಸ್ಯೆಗಳಿಗೆ ಕೆಲಸ ಮಾಡಬಹುದಾದರೂ, ಸಂಕೀರ್ಣತೆ ಹೆಚ್ಚಿದಂತೆ ವಿಫಲವಾಗುತ್ತದೆ. ಮಾಡೆಲ್ ನಿರ್ಬಂಧಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸಬಹುದು, ತಪ್ಪಾದ ಉದ್ದೇಶಕ್ಕೆ ಆದ್ಯತೆ ನೀಡಬಹುದು ಅಥವಾ ಸಮಂಜಸವೆಂದು ಕೇಳಿಸುವ ಆದರೆ ಅಸಾಧ್ಯವಾದ ಯೋಜನೆಗಳನ್ನು ರೂಪಿಸಬಹುದು. ವೈಫಲ್ಯಗಳನ್ನು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ಪತ್ತೆಹಚ್ಚಲು ಅಥವಾ ತಡೆಯಲು ಮಾರ್ಗವಿರುವುದಿಲ್ಲ.

2. LLM + ಕೋಡ್ ಇಂಟರ್‌ಪ್ರೆಟರ್: ಈ ವಿಧಾನದಲ್ಲಿ LLM ವಿನಂತಿಯನ್ನು ಅರ್ಥೈಸಿ, ದತ್ತಾಂಶ ಮೂಲಗಳನ್ನು ಪ್ರವೇಶಿಸಲು ಮತ್ತು ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದಾದ ಅತ್ಯುತ್ತಮೀಕರಣ ಸಂಕೇತವನ್ನು ರಚಿಸಲು ಉಪಕರಣಗಳನ್ನು ಬಳಸುತ್ತದೆ. ಇದು ಹೊಂದಿಕೊಳ್ಳುವಿಕೆ ಮತ್ತು ಗಮನಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ಆದರೂ ವಿಶ್ವಾಸಾರ್ಹತೆಯ ಸಮಸ್ಯೆ ಉಳಿಯುತ್ತದೆ. LLM ಇನ್ನೂ ನಿರ್ಬಂಧಗಳನ್ನು ಸರಿಯಾದ ಸಂಕೇತವಾಗಿ ಅನುವಾದಿಸಬೇಕು. ಸಣ್ಣ ರೀಜನಿಂಗ್ ಅಥವಾ ಸಂಕೇತ ರಚನೆಯ ದೋಷಗಳು, ವಿಶೇಷವಾಗಿ ನಿರ್ಬಂಧಗಳು ಹೆಚ್ಚಿದಂತೆ, ಅಮಾನ್ಯ ಅಥವಾ ಕಳಪೆ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡಬಹುದು.

3. ಮಿಶ್ರ: LLM → ರಚನಾತ್ಮಕ ನಿರ್ಬಂಧಗಳು → ನಿರ್ಣಾಯಕ ಪರಿಹಾರಕ: ಮೂರನೇ ವಿಧಾನವು ಜವಾಬ್ದಾರಿಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸುತ್ತದೆ. LLM ಫಲಿತಾಂಶವನ್ನು ಎಂದಿಗೂ “ನಿರ್ಧರಿಸುವುದಿಲ್ಲ”; ಅದು ಚರಾಂಶಗಳು, ನಿರ್ಬಂಧಗಳು ಮತ್ತು ಉದ್ದೇಶಗಳನ್ನು ಔಪಚಾರಿಕಗೊಳಿಸಲು ನೆರವಾಗುತ್ತದೆ. ಸಾಬೀತಾದ ಅತ್ಯುತ್ತಮೀಕರಣ ಪರಿಹಾರಕವು ನಿರ್ಬಂಧಗಳನ್ನು ಜಾರಿಗೊಳಿಸಿ, ಕಾರ್ಯಸಾಧ್ಯತೆಯನ್ನು ಖಾತರಿಪಡಿಸಿ, ಪರಿಶೀಲಿಸಬಹುದಾದ ಮತ್ತು ಲೆಕ್ಕಪರಿಶೋಧಿಸಬಹುದಾದ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡುತ್ತದೆ. ಪೂರ್ವನಿರ್ಧರಿತ ವಿನ್ಯಾಸಗಳನ್ನು ಬಳಸಿ ಸಹಜ ಭಾಷೆಯ ವಿನಂತಿಗಳನ್ನು ಸ್ಪಷ್ಟ, ರಚನಾತ್ಮಕ ನಿರ್ಬಂಧಗಳಾಗಿ ಅನುವಾದಿಸುವುದಕ್ಕಷ್ಟೇ LLMನ ಪಾತ್ರ ಸೀಮಿತವಾಗಿದೆ. ಆ ನಿರ್ಬಂಧಗಳನ್ನು OR-Tools ಮುಂತಾದ ಪರಿಹಾರಕ ಸಂಕೇತವಾಗಿ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಸಂಕಲಿಸಲಾಗುತ್ತದೆ. ಅದು ಕಾರ್ಯಸಾಧ್ಯವಾದ ಅತ್ಯುತ್ತಮ ಪರಿಹಾರವನ್ನು ನಿರ್ಣಾಯಕವಾಗಿ ಲೆಕ್ಕಹಾಕುತ್ತದೆ.

GPT-5, GPT-5.1 ಮತ್ತು GPT-5.2 ಸೇರಿದಂತೆ ಹಲವು LLMಗಳನ್ನು ಬಳಸಿ ನಾವು ವಿಧಾನಗಳನ್ನು ಪರೀಕ್ಷಿಸಿದೆವು. ನಿರೀಕ್ಷಿಸಿದಂತೆ, ಮಿಶ್ರ ವಿಧಾನವು ಪರ್ಯಾಯಗಳಿಗಿಂತ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿತು:

ನಮ್ಮ ಮಿಶ್ರ ವಿಧಾನವು ನಿಖರತೆಯಲ್ಲಿ ಗಣನೀಯ ಹೆಚ್ಚಳ, 4 ಪಟ್ಟಿಗಿಂತ ಹೆಚ್ಚಿನ ಟೋಕನ್ ದಕ್ಷತೆ ಮತ್ತು ಸುಪ್ತತೆಯಲ್ಲಿ ಸುಮಾರು ಹತ್ತು ಪಟ್ಟು ಇಳಿಕೆ ತೋರಿಸುತ್ತದೆ.

ಸಹಜ ಭಾಷೆಯನ್ನು ರಚನಾತ್ಮಕ ಅರ್ಥನಿರೂಪಣೆಗಳಾಗಿ ಪರಿವರ್ತಿಸುವ ಸಾಮಾನ್ಯೀಕರಿಸಬಹುದಾದ, ಮರುಬಳಕೆಯ ಸಂಪರ್ಕಸಾಧನವನ್ನು ನಿರ್ಮಿಸುವುದು ನಮ್ಮ ಮುಂದಿನ ಹೆಜ್ಜೆ. ನಮ್ಮ ಹಿಂಬದಿ ವ್ಯವಸ್ಥೆಯು ಅವುಗಳನ್ನು ಪರಿಹಾರಕಕ್ಕೆ ಸಿದ್ಧವಾದ ಸಂಕೇತವಾಗಿ ಅನುವಾದಿಸಬಹುದು. ಈ ಪ್ರಯೋಗದಲ್ಲಿ ನಾವು ರೇಖೀಯ ಅತ್ಯುತ್ತಮೀಕರಣ ಸಮಸ್ಯೆಗಳ ಮೇಲೆ ಗಮನಹರಿಸಿ, ಮೂರು ಸಾರ್ವಜನಿಕ ದತ್ತಾಂಶ ಸಂಗ್ರಹಗಳೊಂದಿಗೆ ವಿಧಾನವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದೆವು (NLP4LP, NL4OPT ಮತ್ತು IndustryOR).

1. ಸ್ವತಂತ್ರ LLM

2. ಮಿಶ್ರ ವಿಧಾನ (LLM → ರಚನಾತ್ಮಕ ನಿಯಮಗಳು → ಪರಿಹಾರಕ → ಪರಿಶೀಲಿಸಿದ ಫಲಿತಾಂಶ)

• ಒಳಮಾಹಿತಿಯಿಂದ ಚರಾಂಶಗಳು, ನಿರ್ಬಂಧಗಳು ಮತ್ತು ಉದ್ದೇಶಗಳನ್ನು ಹೊರತೆಗೆದು ರಚನಾತ್ಮಕ ಅತ್ಯುತ್ತಮೀಕರಣ ಸಮಸ್ಯೆಯನ್ನು ರೂಪಿಸಲು LLM ಬಳಸಿ.

• ಸ್ವಯಂ ಪರಿಶೀಲನೆಗಾಗಿ ರಚನಾತ್ಮಕ ಸಮಸ್ಯೆ ಮತ್ತು ಮೂಲ ವಿನಂತಿಯನ್ನು LLMಗೆ ನೀಡಿ.

• ಅತ್ಯುತ್ತಮ ಹಂಚಿಕೆಯನ್ನು ಲೆಕ್ಕಹಾಕಲು ರಚನಾತ್ಮಕ ಸಮಸ್ಯೆಯನ್ನು OR-Tools ಸಂಕೇತವಾಗಿ ಅನುವಾದಿಸಿ.

GPT-5.1, GPT-5 mini, GPT-5.1-Codex-Max ಮತ್ತು GPT-5.2 ಸೇರಿದಂತೆ ಸ್ವಾಮ್ಯದ ಅತ್ಯಾಧುನಿಕ ಮಾಡೆಲ್‌ಗಳ ಜೊತೆಗೆ Kimi K2, GPT-OSS ಮಾಡೆಲ್‌ಗಳು ಮತ್ತು MiniMax M2 ಮುಂತಾದ ಮುಕ್ತ ಆಕರದ ಮಾಡೆಲ್‌ಗಳನ್ನು ಬಳಸಿ ಈ ವಿಧಾನವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದೆವು. ಪೆಟ್ಟಿಗೆ ನಕ್ಷೆಗಳು ಪ್ರತಿ ವಿಧಾನದ ಫಲಿತಾಂಶಗಳನ್ನು ಸಂಕ್ಷೇಪಿಸುತ್ತವೆ.

ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದ ಬಹುತೇಕ ಎಲ್ಲ ಆಧಾರಿತ ಭಾಷಾ ಮಾಡೆಲ್‌ಗಳಲ್ಲಿ, ಸ್ವತಂತ್ರ LLM ಮೂಲಮಟ್ಟಕ್ಕಿಂತ ಮಿಶ್ರ ವಿಧಾನವು ಸತತವಾಗಿ ಹೆಚ್ಚು ನಿಖರ, ಸ್ಥಿರ ಮತ್ತು ಪರಿಶೀಲಿಸಬಹುದಾದ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡುತ್ತದೆ. ಮಾಡೆಲ್‌ಗಳ ನಡುವೆ ಒಟ್ಟಾರೆ ಕಾರ್ಯಕ್ಷಮತೆ ಬದಲಾಗಿದ್ದರೂ, ಮಿಶ್ರ ವಿಧಾನದಿಂದ ದೊರೆಯುವ ಸಾಪೇಕ್ಷ ಲಾಭಗಳು ಸ್ಥಿರವಾಗಿವೆ. ಯಾವುದೇ ಒಂದು ಮಾಡೆಲ್‌ನ ರೀಜನಿಂಗ್ ಸಾಮರ್ಥ್ಯವನ್ನು ಅವಲಂಬಿಸುವ ಬದಲು ಸಹಜ ಭಾಷೆಯ ತಿಳಿವಳಿಕೆಯನ್ನು ಔಪಚಾರಿಕ ಅತ್ಯುತ್ತಮೀಕರಣದಿಂದ ಪ್ರತ್ಯೇಕಿಸುವುದರಿಂದ ಈ ಸುಧಾರಣೆಗಳು ಬರುತ್ತವೆ ಎಂದು ಇದು ಸೂಚಿಸುತ್ತದೆ.

ನಿಖರತೆ

ಪ್ರಮುಖವಾಗಿ ರೇಖೀಯ ಕ್ರಮವಿಧಾನ ಸಮಸ್ಯೆಗಳನ್ನು ಒಳಗೊಂಡ NLP4LP ಮತ್ತು NL4OPTಗಳಲ್ಲಿ, ಮಿಶ್ರ ವಿಧಾನವು ಗರಿಷ್ಠ ಮಟ್ಟಕ್ಕೆ ಸಮೀಪದ ನಿಖರತೆ ಸಾಧಿಸಿ, ಸ್ವತಂತ್ರ LLM ಪ್ರಾಂಪ್ಟ್‌ಗಿಂತ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. “ಸರಿಸುಮಾರು ಸರಿಯಾದ” ರೀಜನಿಂಗ್ ನೀಡುವ ಬದಲು, ಮಿಶ್ರ ವ್ಯವಸ್ಥೆಯು ಸತತವಾಗಿ ಮಾನ್ಯವಾದ, ಸರಿಯಾಗಿ ರೂಪಿಸಲಾದ ಗಣಿತೀಯ ಸೂತ್ರೀಕರಣಗಳನ್ನು ರಚಿಸುತ್ತದೆ. ಹೆಚ್ಚು ಸವಾಲಿನ IndustryOR ದತ್ತಾಂಶ ಸಂಗ್ರಹದಲ್ಲಿ ಎರಡೂ ವಿಧಾನಗಳ ನಿಖರತೆ ಕಡಿಮೆಯಾಗುತ್ತದೆ, ಆದರೆ ಕಾರಣಗಳು ವಿಭಿನ್ನವಾಗಿವೆ. ಅನೇಕ IndustryOR ಸಮಸ್ಯೆಗಳು ವಾಹನ ಮಾರ್ಗನಿರ್ಧಾರ, ಕಾರ್ಯಗಳ ಅನುಕ್ರಮ ಮತ್ತು ಸಿಬ್ಬಂದಿ ನಿಯೋಜನೆಯಂತಹ ಸಂಯೋಜನಾತ್ಮಕ ರಚನೆಗಳನ್ನು ಒಳಗೊಂಡಿವೆ. ಇವು ನಮ್ಮ ಪರಿಹಾರಕದ ಹಿಂಬದಿ ವ್ಯವಸ್ಥೆ ಪ್ರಸ್ತುತ ಬೆಂಬಲಿಸುವ ರೇಖೀಯ ಅತ್ಯುತ್ತಮೀಕರಣ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಮೀರಿವೆ.

ವೈಫಲ್ಯದ ಸ್ವರೂಪಗಳ ವಿಶ್ಲೇಷಣೆಯು ಕೆಳಗೆ ತೋರಿಸಿದಂತೆ ಸ್ವತಂತ್ರ LLMಗಳು ಅಗತ್ಯ ನಿರ್ಬಂಧಗಳನ್ನು ಪದೇಪದೇ ಉಲ್ಲಂಘಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತದೆ:

ಉದಾಹರಣೆ 1:

1"A bodybuilder buys prepared meals: a turkey dinner and a tuna salad sandwich. The turkey dinner contains 20 grams of protein, 30 grams of carbohydrates, and 12 grams of fat. The tuna salad sandwich contains 18 grams of protein, 25 grams of carbohydrates, and 8 grams of fat. The bodybuilder needs at least 150 grams of protein and 200 grams of carbohydrates. Because turkey dinners are expensive, no more than 40% of the meals should be turkey dinners. How many of each meal should the bodybuilder eat to minimize total fat intake?"

ಸ್ವತಂತ್ರ LLM ಕಡಿಮೆ ಒಟ್ಟು ಕೊಬ್ಬು ಹೊಂದಿರುವ ಪರಿಹಾರವನ್ನು ನೀಡುತ್ತದೆ. ಆದರೆ ಟರ್ಕಿ ಭೋಜನವು ಒಟ್ಟು ಊಟಗಳ 40%ಗಿಂತ ಹೆಚ್ಚಿರಬಾರದು ಎಂಬ ಅವಶ್ಯಕತೆಯನ್ನು ಅದು ಉಲ್ಲಂಘಿಸುತ್ತದೆ. ಮಿಶ್ರ ವಿಧಾನವು ಈ ಕಠಿಣ ನಿರ್ಬಂಧವನ್ನು ಸರಿಯಾಗಿ ಜಾರಿಗೊಳಿಸಿ ಮಾನ್ಯ ಉತ್ತರವನ್ನು ನೀಡುತ್ತದೆ.

ಉದಾಹರಣೆ 2:

1"A hospitalized patient can take two pills: Pill 1 and Pill 2. Each Pill 1 provides 0.2 units of pain medication and 0.3 units of anxiety medication. Each Pill 2 provides 0.6 units of pain medication and 0.2 units of anxiety medication. Pill 1 causes 0.3 units of discharge, while Pill 2 causes 0.1 units. At most 6 units of pain medication may be provided, and at least 3 units of anxiety medication must be provided. How many of each pill should the patient receive to minimize total discharge?"

ಸ್ವತಂತ್ರ LLM ಮತ್ತೆ ಕಡಿಮೆ ಬಿಡುಗಡೆಯಿರುವ ಪರಿಹಾರವನ್ನು ನೀಡುತ್ತದೆ. ಆದರೆ ಅದು ಅನುಮತಿಸಲಾದ ನೋವು ನಿವಾರಕ ಔಷಧದ ಗರಿಷ್ಠ ಮಿತಿಯನ್ನು ಮೀರುತ್ತದೆ. ಮಿಶ್ರ ವಿಧಾನವು ಆ ಕಠಿಣ ನಿರ್ಬಂಧವನ್ನು ಸರಿಯಾಗಿ ಜಾರಿಗೊಳಿಸಿ ಮಾನ್ಯ ಉತ್ತರವನ್ನು ನೀಡುತ್ತದೆ.

ಸುಪ್ತತೆ ಮತ್ತು ಟೋಕನ್ ಬಳಕೆ

ಸುಪ್ತತೆ ಮತ್ತು ಟೋಕನ್ ಬಳಕೆಯ ದತ್ತಾಂಶವು ಮಹತ್ವದ ವ್ಯತ್ಯಾಸವೊಂದನ್ನು ತೋರಿಸುತ್ತದೆ. ಒಂದೇ ಪ್ರಯತ್ನದ LLM ಪ್ರಾಂಪ್ಟ್‌ಗಿಂತ ಮಿಶ್ರ ವಿಧಾನದಲ್ಲಿ ಸರಾಸರಿ ಸುಪ್ತತೆ ಮತ್ತು ಟೋಕನ್ ಬಳಕೆ ಹೆಚ್ಚಿದೆ. ಆದರೆ ಇದು ಅಸಮರ್ಥತೆಯ ಬದಲು ವಿನ್ಯಾಸದ ಆಯ್ಕೆಗಳನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ.

ಮಿಶ್ರ ಪ್ರಕ್ರಿಯೆಯು ಇವುಗಳನ್ನು ಒಳಗೊಂಡಿದೆ:

1. ರಚನಾತ್ಮಕ ಚರಾಂಶಗಳು, ನಿರ್ಬಂಧಗಳು ಮತ್ತು ಉದ್ದೇಶಗಳನ್ನು ಹೊರತೆಗೆಯಲು ಒಂದು ಅಥವಾ ಹೆಚ್ಚು LLM ಕರೆಗಳು.

2. ಆಂತರಿಕ ಅಸಂಗತತೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಸ್ವಯಂ ಪರಿಶೀಲನೆಯ ಹಂತ.

ಒಂದೇ ಪ್ರಾಂಪ್ಟ್‌ಗೆ ಹೋಲಿಸಿದರೆ ಈ ಹಂತಗಳು ಹೆಚ್ಚುವರಿ ವೆಚ್ಚವನ್ನು ಸೇರಿಸಿದರೂ, ಸುಪ್ತತೆ ಮಿತಿಯೊಳಗೆ ಮತ್ತು ಊಹಿಸಬಹುದಾದಂತೆ ಉಳಿಯುತ್ತದೆ. ಸಮಸ್ಯೆಯನ್ನು ಸರಿಯಾಗಿ ರೂಪಿಸಿದ ನಂತರ ಪರಿಹಾರಕದ ಕಾರ್ಯಗತಗೊಳಿಸುವಿಕೆ ಸಾಮಾನ್ಯವಾಗಿ ವೇಗವಾಗಿರುತ್ತದೆ. ಈ ಹೆಚ್ಚುವರಿ ಕೆಲಸವು ಸ್ಪಷ್ಟವಾದ, ಮರುಬಳಕೆ ಮಾಡಬಹುದಾದ ಮತ್ತು ಲೆಕ್ಕಪರಿಶೋಧಿಸಬಹುದಾದ ಮಧ್ಯಂತರ ನಿರೂಪಣೆಗಳನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ. ಇದಕ್ಕೆ ವಿರುದ್ಧವಾಗಿ, ಸ್ವತಂತ್ರ LLM ವಿಧಾನಗಳು ರೀಜನಿಂಗ್ ಅನ್ನು ಒಂದೇ ಅಪಾರದರ್ಶಕ ರಚನೆಯಲ್ಲಿ ಸಂಕುಚಿತಗೊಳಿಸಿ, ಮರುಪ್ರಯತ್ನಗಳು, ಕೈಪರಿಶೀಲನೆಗಳು ಮತ್ತು ನಂತರದ ವೈಫಲ್ಯಗಳಿಗೆ ವೆಚ್ಚವನ್ನು ವರ್ಗಾಯಿಸುತ್ತವೆ. ಮುಂದಿನ ಆವೃತ್ತಿಗಳಲ್ಲಿ ಈ ಹೆಚ್ಚುವರಿ ವೆಚ್ಚವನ್ನು ಹೀಗೆ ಕಡಿಮೆ ಮಾಡಬಹುದು:

• ಹೊರತೆಗೆದ ವಿನ್ಯಾಸಗಳನ್ನು ತಾತ್ಕಾಲಿಕವಾಗಿ ಸಂಗ್ರಹಿಸುವುದು.

• ನಿರ್ಬಂಧಗಳನ್ನು ಹಂತ ಹಂತವಾಗಿ ನವೀಕರಿಸುವುದು.

• ಪ್ರಾಂಪ್ಟ್ ಮತ್ತು ಕರೆಗಳ ಸಂಯೋಜನೆಯನ್ನು ಸುಧಾರಿಸುವುದು.

ಪಾರದರ್ಶಕತೆ ಮತ್ತು ಲೆಕ್ಕಪರಿಶೋಧನಾ ಸಾಧ್ಯತೆ

ಕೊನೆಯದಾಗಿ, ಎರಡೂ ವಿಧಾನಗಳು ವಿಫಲವಾದ ಸಂದರ್ಭಗಳಲ್ಲಿಯೂ ವೈಫಲ್ಯದ ಸ್ವರೂಪವೇ ಮೂಲಭೂತವಾಗಿ ಭಿನ್ನವಾಗಿರುತ್ತದೆ.

• ಸ್ವತಂತ್ರ LLMನಲ್ಲಿ ವೈಫಲ್ಯಗಳು ಅನೇಕ ಬಾರಿ ಗೋಚರಿಸುವುದಿಲ್ಲ: ಮಾಡೆಲ್ ಸೂಕ್ಷ್ಮವಾಗಿ ತಪ್ಪಾಗಿರುವ ಫಲಿತಾಂಶವನ್ನು ನೀಡಬಹುದು.

• ಮಿಶ್ರ ವಿಧಾನದಲ್ಲಿ ಸಮಸ್ಯೆಯ ಸ್ಪಷ್ಟ ರೂಪಣೆಯು ವೈಫಲ್ಯಗಳನ್ನು ಪಾರದರ್ಶಕವಾಗಿಸುತ್ತದೆ ಮತ್ತು ರೂಪಣೆಯ ಯಾವ ಭಾಗವು ದೋಷಕ್ಕೆ ಕಾರಣವಾಯಿತು ಎಂಬುದನ್ನು ತಂಡಗಳು ಗುರುತಿಸಲು ನೆರವಾಗುತ್ತದೆ.

ಮುಂದಿನ ಆವೃತ್ತಿಗಳು ಈ ರೂಪಣೆಗಳನ್ನು ಸಂಪರ್ಕಸಾಧನದಲ್ಲಿ ತೋರಿಸಬಹುದು. ಇದರಿಂದ ಪರಿಹಾರಕವನ್ನು ಚಲಾಯಿಸುವ ಮೊದಲು ಬಳಕೆದಾರರು ಅವುಗಳನ್ನು ಲೆಕ್ಕಪರಿಶೋಧಿಸಬಹುದು ಅಥವಾ ಪರಿಶೀಲಿಸಬಹುದು. ಈ ಪಾರದರ್ಶಕತೆಯು ಅಳೆಯಲಾದ ನಿಖರತೆಯನ್ನು ಹೆಚ್ಚಿಸಿ, ವ್ಯವಸ್ಥೆಯ ದೋಷನಿವಾರಣೆ ಮತ್ತು ಸುಧಾರಣೆಯನ್ನು ಸುಲಭಗೊಳಿಸುತ್ತದೆ. ನೈಜ ಜಗತ್ತಿನ ನಿಯೋಜನೆಗೆ ಇದು ಅತ್ಯಗತ್ಯ.

ಪ್ರಮುಖ ಸಾರಾಂಶ

ಎಲ್ಲ ಮಾನದಂಡಗಳು ಮತ್ತು ಪರೀಕ್ಷಿಸಲಾದ ಬಹುತೇಕ ಆಧಾರಿತ ಮಾಡೆಲ್‌ಗಳ ಫಲಿತಾಂಶಗಳು ನಮ್ಮ ಕೆಲಸದ ಪ್ರಮುಖ ತೀರ್ಮಾನವನ್ನು ದೃಢಪಡಿಸುತ್ತವೆ:

ಉದ್ದೇಶವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಮತ್ತು ಅನುವಾದಿಸಲು LLMಗಳು ಶಕ್ತಿಶಾಲಿಯಾಗಿವೆ. ಆದರೆ ನಿಖರತೆಯನ್ನು ಜಾರಿಗೊಳಿಸಲು ನಿರ್ಣಾಯಕ ಪರಿಹಾರಕಗಳು ಅತ್ಯಗತ್ಯ.

ಮಿಶ್ರ ವಿಧಾನವು ಸಹಜ ಭಾಷೆಯನ್ನು ಅಸ್ಪಷ್ಟತೆಯ ಮೂಲದಿಂದ ಗಣಿತೀಯವಾಗಿ ಸಮರ್ಥ ನಿರ್ಧಾರ ಕೈಗೊಳ್ಳುವಿಕೆಯ ವಿಶ್ವಾಸಾರ್ಹ ಸಂಪರ್ಕಸಾಧನವಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ. ಇದರಿಂದ ಉದ್ಯಮ AI ಕೇವಲ ಬುದ್ಧಿವಂತವಷ್ಟೇ ಅಲ್ಲದೆ ನಂಬಲರ್ಹವೂ ಆದ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಇನ್ನೊಂದು ಹೆಜ್ಜೆ ಹತ್ತಿರವಾಗುತ್ತದೆ.

ಉದ್ಯಮದ ನಿರ್ಬಂಧಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಅಚ್ಚುಕಟ್ಟಾದ ವಿನ್ಯಾಸಗಳಲ್ಲಿ ಅಥವಾ ಪರಿಪೂರ್ಣವಾಗಿ ಬರೆದ ಪ್ರಾಂಪ್ಟ್‌ಗಳಲ್ಲಿ ಇರುವುದಿಲ್ಲ. ಅವು ದತ್ತಸಂಚಯಗಳು, ಲೆಕ್ಕಪಟ್ಟಿಗಳು, ಆಂತರಿಕ ನೀತಿಗಳು ಮತ್ತು ಒಪ್ಪಂದಗಳಾದ್ಯಂತ ಚದುರಿರುತ್ತವೆ. ಬಳಕೆದಾರರ ವಿನಂತಿಗಳು ಅಪೂರ್ಣವಾಗಿರಬಹುದು, ಅಸ್ಪಷ್ಟವಾಗಿರಬಹುದು ಅಥವಾ ವ್ಯವಹಾರ ನಿಯಮಗಳಿಗೆ ಹೊಂದಿಕೆಯಾಗದಿರಬಹುದು. ಈ ವಿಧಾನವನ್ನು ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲಿ ಕಾರ್ಯಗತಗೊಳಿಸಲು, ಈ ಸಂಕೀರ್ಣತೆಯನ್ನು ವಿಶ್ವಾಸಾರ್ಹ ಉದ್ಯಮ ಸಾಮರ್ಥ್ಯವಾಗಿ ಪರಿವರ್ತಿಸುವ ಮರುಬಳಕೆ ಮಾಡಬಹುದಾದ ಹಿಂಬದಿ ಎಂಜಿನ್ ಅನ್ನು ನಾವು ನಿರ್ಮಿಸುತ್ತಿದ್ದೇವೆ.

ಮೂಲತಃ ಈ ಎಂಜಿನ್ AI ಆಧಾರಿತ ನಿರ್ಧಾರ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಔಪಚಾರಿಕ ಬೆನ್ನೆಲುಬಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿ, ಇವುಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ:

• ವ್ಯವಹಾರ ನಿಯಮಗಳು, ನಿರ್ಬಂಧಗಳು, ಚರಾಂಶಗಳು ಮತ್ತು ಉದ್ದೇಶಗಳನ್ನು ಪಡೆದುಕೊಳ್ಳುವ ಹೊಂದಾಣಿಕೆ ಘಟಕಗಳಿರುವ ಸಾಂಕೇತಿಕ ಜ್ಞಾನಕೋಶ.

• ವಿನ್ಯಾಸಗಳನ್ನು ಪರಿಹಾರಕದ ಸಂಕೇತವಾಗಿ ಸಂಕಲಿಸುವ ಅನುವಾದ ಪದರ.

• ನಿರ್ಬಂಧಗಳನ್ನು ಪರಿಶೀಲಿಸಲು, ಲೆಕ್ಕಪರಿಶೋಧಿಸಲು ಮತ್ತು ಮಾರ್ಪಡಿಸಲು ತಂಡಗಳಿಗೆ ಅವಕಾಶ ನೀಡುವ ಸಂಪರ್ಕಸಾಧನಗಳು.

ಈ ಪ್ರಯೋಗಗಳು ಪ್ರಸ್ತುತ ಅತ್ಯುತ್ತಮೀಕರಣದ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿದ್ದರೂ, ಇದೇ ವಿಧಾನವನ್ನು ತಾರ್ಕಿಕ ಪರಿಶೀಲನೆಗೂ ವಿಸ್ತರಿಸಬಹುದು. ಸಂಭಾವ್ಯ ವ್ಯವಹಾರಿಕ ಬಳಕೆಗಳು:

• ಪ್ರತಿಯೊಂದು ಕಾರ್ಯಾಚರಣಾ ನಿರ್ಬಂಧವನ್ನು ಜಾರಿಗೊಳಿಸುತ್ತಲೇ ಅಗತ್ಯಾನುಸಾರ ಕ್ರಿಯಾತ್ಮಕ ವೇಳಾಪಟ್ಟಿ, ಮಾರ್ಗನಿರ್ಧಾರ ಮತ್ತು ಸಂಪನ್ಮೂಲ ಹಂಚಿಕೆಯನ್ನು ನಿರ್ವಹಿಸುವುದು.

• ವ್ಯವಹಾರ ನಿಯಮಗಳನ್ನು ಸತತವಾಗಿ ಪಾಲಿಸುವ ಉತ್ತರಗಳು ಮತ್ತು ಶಿಫಾರಸುಗಳನ್ನು ರಚಿಸುವುದು.

• ಅಸಾಧ್ಯ ವಿನ್ಯಾಸಗಳನ್ನು ಉತ್ಪಾದನೆಗೂ ಮುನ್ನ ಪತ್ತೆಹಚ್ಚುತ್ತಲೇ ಸಂಕೀರ್ಣ 3D ವಸ್ತುಗಳು, ವೀಡಿಯೊಗಳು ಮತ್ತು ವಾಸ್ತು ವಿನ್ಯಾಸಗಳನ್ನು ರೂಪಿಸಿ ಮೌಲ್ಯೀಕರಿಸುವುದು.

ಇಂದಿನ AI ಶಕ್ತಿಶಾಲಿಯಾಗಿದೆ. ಆದರೆ ಉದ್ಯಮಗಳಿಗೆ ಶಕ್ತಿಗಿಂತ ಹೆಚ್ಚಿನದು ಬೇಕು: ನಿಖರತೆ, ಸ್ಥಿರತೆ ಮತ್ತು ನಿಯಂತ್ರಣ. ನಮ್ಮ ಮಿಶ್ರ LLM ಮತ್ತು ಪರಿಹಾರಕ ವ್ಯವಸ್ಥೆಯು ಈ ಕೆಳಗಿನ ಜಗತ್ತಿನತ್ತ ಒಂದು ಹೆಜ್ಜೆಯಾಗಿದೆ:

• ಏಜೆಂಟ್‌ಗಳು ನಿಯಮಗಳು ಅಥವಾ ನಿರ್ಬಂಧಗಳನ್ನು ಕಲ್ಪಿಸಿಕೊಳ್ಳುವುದಿಲ್ಲ.

• ತಾರ್ಕಿಕ ನಿಗಮನ ಮತ್ತು ಅತ್ಯುತ್ತಮೀಕರಣವು ಗಣಿತೀಯವಾಗಿ ಸಮರ್ಥವಾಗಿರುತ್ತವೆ.

• ಸಹಜ ಭಾಷೆಯು ನಿರ್ಣಾಯಕ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಸಾರ್ವತ್ರಿಕ ಸಂಪರ್ಕಸಾಧನವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ.