எனினும், இணையத்தில் தகவலைத் தேடித் தொகுப்பதன் மூலம் பலர் தனிப்பட்ட சூழலில் டீப் ரிசர்ச்சைப் பயன்படுத்தியிருந்தாலும், நிறுவனச் சூழலில் மிகச் சிலரே அதன் பலனைப் பெற்றுள்ளனர். அது பயனற்றது என்பதால் அல்ல; மாறாக, நம்பகத்தன்மை, வெவ்வேறு தரவு ஆதாரங்கள், பெருமளவிலான சூழலை—பல வகைக் கோப்புகள் ஏராளமாக இருப்பதை நினைத்துப் பாருங்கள்—கையாளும் மாடலின் திறன் ஆகியவை குறித்த கவலைகளே காரணம்.
கடந்த 12 மாதங்களாக நிறுவனத் தர டீப் ரிசர்ச் கருவிகளை உருவாக்கிய எங்கள் அனுபவம், கவனமான பொறியியல் மூலம் அந்தக் கவலைகளைப் பெருமளவு குறைக்க முடியும் என்பதைக் காட்டியுள்ளது. பயனுள்ள நிறுவன டீப் ரிசர்ச் பயன்பாடுகளுக்கான முக்கியத் தடைகள், அவற்றை நாங்கள் எவ்வாறு சமாளிப்போம், 2026 முழுவதும் இத்துறை எவ்வாறு வளரும் எனக் கருதுகிறோம் ஆகியவற்றை இந்த வலைப்பதிவில் விவாதிக்கிறோம்.
செயல்படுத்தும் திறனின் உச்சவரம்பு வியத்தகு அளவில் உயர்ந்துள்ளது. 2025 ஆகஸ்டில் gpt-5 அறிமுகமானது நிறுவன AI-க்கான திருப்புமுனையாக அமைந்தது. உலகின் மிகப்பெரிய மருந்து நிறுவனங்களில் ஒன்றுக்கான மருந்து இலக்கு கண்டறிதல் தளம் உட்பட எங்கள் உற்பத்தி அமைப்புகளில், ஆதாரப் புனைவு 3-4%-இலிருந்து நடைமுறையில் பூஜ்ஜியமாகக் குறைந்தது. பின்னர் டிசம்பரில் gpt-5.2 பயனுள்ள சூழல் நீளத்தை மேலும் அதிகரித்தது. நடைமுறை விளைவு: நம்பகத்தன்மையை இழக்காமல், ஒவ்வொரு ஆராய்ச்சி இயக்கத்திலும் நூற்றுக்கணக்கான ஆதாரங்களிலிருந்து ஆயிரக்கணக்கானவற்றுக்கு இப்போது விரிவாக்க முடிகிறது. தடையாக இருந்த மாடலின் திறன் இப்போது அதற்குரிய இடங்களான உங்கள் தரவு, மதிப்பீடுகள், நிரல் வடிவமைப்பு ஆகியவற்றுக்கு மீண்டும் மாறியுள்ளது.
தரவு உத்தி: ஒருங்கிணைந்திருப்பதைவிட அணுகக்கூடியதாக இருப்பதே சிறந்தது. நிறுவன AI-ஐத் தரவு ஒருங்கிணைப்புச் சிக்கலாகக் கருதுவது புரிந்துகொள்ளத்தக்கது; ஆனால் அது பெரும்பாலும் எதிர்மறை விளைவையே தருகிறது. முழுமையான ஒருங்கிணைப்பு மெதுவானது, அமைப்பு அரசியலுக்கு உட்பட்டது; உண்மையில் எந்தக் கேள்விகள் முக்கியம் என்பதை அறியும் முன்பே ஒரு திசையைத் தேர்ந்தெடுக்கவும் வைக்கிறது. 2026-இல் நடைமுறைக்கு ஏற்ற வழி, குறைந்த இணைப்புகளைக் கொண்ட கட்டமைப்பாகும். எல்லாவற்றையும் ஒருங்கிணைக்க ஆண்டுக்கணக்கில் காத்திருப்பதற்குப் பதிலாக, விவரக்குறிப்புகள், கொள்கைகள், SKU-கள், ஒப்பந்தப் பிரிவுகள் போன்ற உயர்-சமிக்ஞை நங்கூரங்கள் வழியாகத் தரவை அணுகக்கூடியதாக்குங்கள். அதிநவீன மாடல்கள் இப்போது அனுமான நேரத்தில் அமைப்புகளுக்கு இடையே முறைசார்ந்த பொருத்தங்கள் இல்லாமலேயே தொடர்புடைய சொற்களை இணைத்து, ‘மென்-இணைப்பு’ செய்ய முடியும். இதனால் விரைவாகப் பயன்பாட்டுக்குக் கொண்டுவரும் திறனையும், பின்னர் ஆதாரங்களைச் சேர்க்கும் நெகிழ்வையும் தக்கவைக்கலாம்.
வழிகாட்டுதல் அலைந்து திரிவதைத் தடுக்கிறது. நிறுவனத் தரவு இணையத்தைப் போன்றதல்ல. அது சிதறிக் கிடக்கும், உள்ளூர் மரபுகள் நிறைந்தது; ஒரு குறிப்பிட்ட உண்மைக்குப் பெரும்பாலும் ஒரே ஒரு சரியான ஆதாரமே இருக்கும். வழிகாட்டுதல் இல்லாவிட்டால், மேலும் ஒரே ஓர் ஆதாரத்தைக் கண்டுபிடிக்க மாடல்கள் முடிவில்லாத வினவல்களைச் செய்து, தாமதத்தையும் பயனரின் பொறுமையையும் வீணாக்குகின்றன. எளிய பொருள்சார் அடுக்கு ஒன்று—ஹாஷ் வரைபடங்கள், உருப்பொருள் தேடல்கள், மெலிதான உறவு வரைபடங்கள் போன்றவை—சரியான சூழலைத் திறம்பட அடைய அமைப்புக்கு வேகமான, செலவு குறைந்த வழிகளை வழங்குகிறது. அனுபவமுள்ள சக ஊழியர் புதியவரிடம், “இந்தத் தளங்களைப் புத்தகக்குறியிடுங்கள்; AWS சிக்கல்கள் இருந்தால் ராஸிடம் பேசுங்கள்” என்று அறிவுறுத்துவதைப் போல இதைக் கருதுங்கள். இது சிக்கலானதாக இருக்க வேண்டியதில்லை. அமைப்புக்குத் தேவையானதை விரைவாகக் கண்டறிய உதவினால் போதும்.
இயந்திரவியல் (ஒவ்வொரு வினவலிலும் இயக்கப்படும்): மேற்கோள் நலம், கருவிப் பயன்பாட்டு ஒழுங்கு, தாமதம், செலவு. சாதாரணமாகத் தோன்றினாலும் இவை அவசியமான பாதுகாப்புத் தடுப்புகள்.
பகுப்பாய்வு (குறிப்பிட்ட இடைவெளிகளில் இயக்கப்படும்): அமைப்பு சரியான கருவிகளைத் தேர்ந்தெடுக்கிறதா, பொருத்தமான ஆராய்ச்சித் திசைகளைப் பின்பற்றுகிறதா, அதிகாரப்பூர்வ ஆதாரங்களைத் தேர்கிறதா, எப்போது நிறுத்த வேண்டும் என்பதை அறிகிறதா? பொதுவாகக் குறியிடப்பட்ட எடுத்துக்காட்டுகளுடன் ஒப்பிட்டு, LLM-ஐ நடுவராகப் பயன்படுத்தி மதிப்பிடப்படுகிறது.
பயனர் (தொடர்ச்சியானது): பணி நிறைவு விகிதங்கள், தீவிரப் பயனர்களின் தரம்சார் கருத்துகள், பயன்பாட்டுப் பகுப்பாய்வு. இதுவே இறுதிச் சோதனை. மக்கள் பயனுள்ளதாகக் கருதும் ஒன்றை நாம் உருவாக்கியுள்ளோமா?
முதலீட்டு வருவாய் கடினமான சிக்கல்களிலிருந்தே கிடைக்கும்; பாதுகாப்பானவற்றிலிருந்து அல்ல. பெரும்பாலான நிறுவன AI திட்டங்கள் முதலீட்டு வருவாயை அடைவதில்லை என்ற அறிக்கைகளுக்குப் பிறகு, நடைமுறைக்கு வராத கவர்ச்சிகரமான செயல்விளக்கங்களைப் பொறுத்துக்கொள்ளும் மனநிலை மறைந்துவிட்டது. நிர்வாகிகள் விரைவான ஆதாரத்தை எதிர்பார்க்கிறார்கள். முரண்பாடாக, அந்த அழுத்தம் குழுக்களைத் தவறான தேர்வுகளை நோக்கித் தள்ளலாம். பயன்படுத்த எளிதானவை, எதிர்ப்பை ஏற்படுத்தாதவை என்பதால் குறைந்த ஆபத்துள்ள பணிகளிலிருந்து தொடங்கத் தோன்றும். ஆனால் இத்தகைய பயன்பாடுகள் தொடர்ச்சியான முதலீட்டை நியாயப்படுத்தும் அளவுக்கு அரிதாகவே தாக்கம் ஏற்படுத்துகின்றன. ஏற்கெனவே அதிகச் செலவுள்ள பணிகளை இலக்காக்குவதால் நிறுவன டீப் ரிசர்ச் அமைப்புகள் தங்கள் மதிப்பை நிரூபிக்க ஏற்றவை: தற்போதைய முறையின் செலவு வெளிப்படையாகத் தெரியும் சிக்கலான, அதிக ஆபத்துள்ள பணிப்பாய்வுகள். RFP மற்றும் ஏல முன்மொழிவு உருவாக்கம், அறிவியல் துறைப் பகுப்பாய்வு, முதலீட்டு ஆராய்ச்சி ஆகியவற்றிலேயே மிக வலுவான பயன்பாடுகளைக் கண்டுள்ளோம். இங்கு தாக்கம் சேமித்த மணிநேரங்களால் மட்டுமல்லாமல், வெற்றி விகிதம், சோதனைக்குச் செல்லும் வேகம், முடிவெடுக்கும் வேகம் ஆகியவற்றால் அளவிடப்படுகிறது.
பயனர் அனுபவ மாற்றம்: உரையாடலிலிருந்து பணியொப்படைப்புக்கும், பதில்களிலிருந்து உருவாக்கங்களுக்கும். 2026-ஐ வரையறுக்கும் பயனர் அனுபவ மாற்றங்களில் இதுவும் ஒன்று எனக் கருதுகிறோம். அண்மையில் அதிகமாக ஏற்றுக்கொள்ளப்பட்ட உருவாக்கங்களைப் பார்க்கும்போது, சில அம்சங்கள் தனித்து நிற்கின்றன. இந்த அமைப்புகளின் நம்பகத்தன்மை அதிகரித்ததால், பயனர்கள் அவற்றை வினவலுக்கான அரட்டைப் பொறியாக அல்லாமல், பணிகளை ஒப்படைக்கக்கூடிய பகுப்பாய்வாளராகக் கருதத் தொடங்கியுள்ளனர். இரண்டு அம்சங்கள் இதைச் சாத்தியமாக்குகின்றன: குழுக்கள் தங்கள் பணிப்பாய்வுக்கு ஏற்ற வார்ப்புருக்களையும் நிறுத்த விதிகளையும் தனிப்பயனாக்குவது; அரட்டைத் தொடரிலிருந்து இறுதி வெளியீட்டைத் தொகுக்கச் சொல்லாமல், உண்மையில் தேவைப்படும் குறிப்பாணை, விளக்கக்காட்சி, சுருக்கம் போன்ற வடிவங்களுக்கு நேரடியாக ஏற்றுமதி செய்வது. இரண்டும் அமையும்போது, அது மேற்கோள் கருவியாக இருப்பதை நிறுத்தி, பணியைச் செய்து முடிக்கும் முறையாக மாறுகிறது.
கடந்த ஆண்டு, நிறுவனத்துக்கு டீப் ரிசர்ச்சைக் கொண்டுவருவது குறித்து எழுதினோம். இதன் மூலம் OpenAI முதலில் பிரபலப்படுத்திய இணையத்தை மையமாகக் கொண்ட டீப் ரிசர்ச் முறையை எடுத்துக்கொண்டு, மூலத் தடத்தையோ கட்டுப்பாட்டையோ இழக்காமல் நிறுவனங்களின் தனியுரிமைத் தரவு ஆதாரங்களுக்கும் விரிவுபடுத்தினோம். டீப் ரிசர்ச் அமைப்புகளை வழக்கமான RAG அமைப்புகளிலிருந்து விலகியதாக அல்லாமல், அவற்றின் பரிணாமமாகவே கருத வேண்டும் என்றும் குறிப்பிட்டோம்.
2026-ஐ நோக்கிச் செல்லும்போது மாறியிருப்பது டீப் ரிசர்ச் என்ற கருத்தைவிட, அதைச் செயல்படுத்தக்கூடிய திறனின் உச்சவரம்புதான்.
2025 தொடக்கத்தில் இந்த அமைப்புகளை உருவாக்கத் தொடங்கியபோது, அதிநவீன மாடல்களில் o1, gpt-4o, claude-3.5-sonnet ஆகியவை இருந்தன. வெறும் 12 மாதங்களில் வெகுதூரம் வந்துவிட்டோம். ஆண்டின் முதல் சில மாதங்களில் o3, gemini-2.5-pro போன்ற மாடல்கள் பெரும் முன்னேற்றங்களைக் கொண்டுவந்தன. அந்தக் காலத்துக்கு அவை சிறப்பானவை; ஒரு குறிப்பிட்ட அளவு வரை அவற்றைக் கொண்டு வலுவான டீப் ரிசர்ச் பயன்பாடுகளை நிச்சயமாக உருவாக்க முடிந்தது. அந்த அளவு பொதுவாகச் சில நூறு ஆதாரங்கள் வரை இருந்தது. அதன்பின் சூழலைக் கடுமையாகக் குறைக்க வேண்டியிருக்கும்; இல்லையெனில் தகவல் இழந்த பதில், அறிவுறுத்தல்களைப் பின்பற்றுவதில் தோல்வி அல்லது முழுமையான புனைவுகள் ஏற்படும்.
இந்த அமைப்புகளை உருவாக்கியிருந்தால், இத்தகைய தோல்வி முறைகளில் சிலவற்றை நீங்கள் அறிந்திருப்பீர்கள்.
இதற்கு நடைமுறை வடிவம் தர ஓர் எடுத்துக்காட்டு: 2025 நடுப்பகுதியில் உலகின் மிகப்பெரிய மருந்து நிறுவனங்களில் ஒன்றுடன் இணைந்து நிறுவன டீப் ரிசர்ச் தீர்வை உருவாக்கத் தொடங்கினோம். நோய்க்குச் சிகிச்சையளிக்க இலக்காக்கக்கூடிய மரபணுக்கள், ஹார்மோன்கள் அல்லது மனித உடலின் பிற கூறுகளை ஆராய்ச்சியாளர்கள் தேடும் மருந்து இலக்கு கண்டறிதல் செயல்முறையை இது விரைவுபடுத்துகிறது. அப்போது கிடைத்த மிக வலுவான மாடல் o3. அது வலுவான செயல்திறனை வழங்கினாலும், அந்த மாடல் உருவாக்கிய பதில்களில் 3-4% அளவுக்கு, வாடிக்கையாளரின் தனியுரிமைத் தரவு ஆதாரங்களிலிருந்து கருவி அழைப்புகள் மூலம் வழங்கப்படாத ஆதாரங்கள் இடம்பெற்றன. வழங்கப்பட்ட சூழலால் ஆதரிக்கப்படாத பதில் பகுதிகளைக் குறிக்கும் பிந்தைய மேற்கோள் சோதனைகள் மூலம் இதைக் குறைத்தோம். திட்டத்தின் தொடக்கக் கருத்துச் சான்று நிலையில் கருவியின் மீது பங்குதாரர் நம்பிக்கையை உருவாக்க இது உதவியதுடன், விரைவாக முன்னேறவும் வழிவகுத்தது. எனினும், மேலும் ஆதாரங்களை அமைப்பில் சேர்க்க வேண்டுமென்ற பங்குதாரர்களின் கோரிக்கைகளை நிறைவேற்றியபடியே, மாடல்களின் வரம்புகளைக் குறைத்து இந்தப் பிழைகளை மேலும் தணிக்கத் தொடர்ந்து முயன்றோம்.
அதிநவீன டீப் ரிசர்ச் தீர்வுகளையும் பொதுவாக ஏஜென்ட் சார்ந்த தீர்வுகளையும் உருவாக்குவதற்கான முக்கியத் திருப்புமுனை, ஆகஸ்டில் gpt-5 வந்தபோது ஏற்பட்டது. o3-இலிருந்து gpt-5-க்கு மாறியதும், ஆதாரப் புனைவு விகிதம் உடனடியாக 0%-க்குக் குறைந்ததாக எங்கள் மதிப்பீடுகள் காட்டின.
இந்த அளவுகோலைத் துல்லியமாக விளக்கினால், மீட்டெடுக்கப்பட்ட சூழலில் இல்லாத ஆவண அடையாள எண்ணையோ URL-ஐயோ மாடல் மேற்கோள் காட்டுகிறதா என்பதை மட்டுமே இது கண்காணிக்கிறது. o3 காலத்திலும் அதற்கு முன்பும், மாடல்கள் தங்கள் அறிவின் இடைவெளிகளை நிரப்ப நம்பத்தகுந்ததாகத் தோன்றும் கோப்புப் பெயர்களையோ ஆய்வுக் கட்டுரைகளையோ சில நேரங்களில் புனைந்தன. இந்தக் குறிப்பிட்ட குறைபாட்டை நடைமுறையில் முற்றிலும் அகற்ற gpt-5 உதவியது.
இது உண்மைநிலைப் பிழைகளிலிருந்து வேறுபட்டது என்பதை நினைவில் கொள்ளுங்கள். சரியான ஆவணத்தை மேற்கோள் காட்டியும் உரையைத் தவறாகப் புரிந்துகொள்வது இன்னும் ஒரு சவாலாக உள்ளது; முன்பு குறிப்பிட்ட பிந்தைய சோதனைகள் மூலம் அதை நிர்வகிக்கிறோம்.
இது பெரும் வாய்ப்பைத் திறந்தது. இதனால் புதிய தலைமுறை மாடல்களுடன் அமைப்பை எந்த அளவுக்குக் கொண்டு செல்ல முடியும் என்பதைச் சோதிக்கத் தொடங்கினோம். ஒரு டீப் ரிசர்ச் இயக்கத்தில் பரிசீலிக்கக்கூடிய ஆதாரங்களின் எண்ணிக்கையைச் சுமார் பத்து மடங்காக—3,000 முதல் 5,000 வரை—உயர்த்த முடிந்தது. இறுதியில் ஏற்பட்ட வரம்பு அறிவுறுத்தல் பின்பற்றல் சிதைவல்ல; நீண்ட சூழல் செயல்திறன்தான். மாடல்களின் பயனுள்ள சூழல் நீளம், குறிப்பாக அடர்த்தியான மருந்துத் தரவில், அறிவிக்கப்பட்டதைவிடப் பெரும்பாலும் மிகக் குறைவு.
டிசம்பர் நடுப்பகுதியில் gpt-5.2 வெளியானதும் இந்த வரம்பு ஓரளவு தளர்ந்தது. பயனுள்ள நீண்ட-சூழல் செயல்திறனில் இது குறிப்பிடத்தக்க முன்னேற்றத்தை வழங்கியதாக எங்கள் உள் அளவுகோல்கள் காட்டின; இதனால் அதிநவீன டீப் ரிசர்ச் அமைப்புகளை மேலும் முன்னெடுக்க முடிந்தது. பயனருக்கான வெளியீட்டை உருவாக்கும் மாடலுக்கு நேரடியாக அனுப்பக்கூடிய டோக்கன்களின் எண்ணிக்கையை அதிகரித்து, செறிவான பதிலை வழங்க இது உதவியது. எனினும், 2026 முழுவதும் அதிநவீன மாடல்களின் பயனுள்ள சூழல் நீளம் தொடர்ந்து அதிகரிப்பதைக் காண விரும்புகிறோம்.
மாடல்களின் அடிப்படைத் திறனில் ஏற்பட்ட இந்த முன்னேற்றங்களால், திறன்மிக்க டீப் ரிசர்ச் அமைப்புகளை உருவாக்குவதற்கான தடைகள் பல வகைகளில் அவை எப்போதும் இருந்திருக்க வேண்டிய இடங்களுக்கே திரும்பியுள்ளன: உங்கள் தரவு, மதிப்பீடுகள், வணிகத்தில் டீப் ரிசர்ச் திட்டத்தை அமைக்கும் முறை. டீப் ரிசர்ச் உருவாக்கத்தில் உண்மையான தாக்கத்தை ஏற்படுத்துவது எது என்பது குறித்து இந்த ஒவ்வொரு படியிலும் நடைமுறை முடிவுகளை எடுக்க வேண்டும்.
அந்த முடிவுகளை நாங்கள் எவ்வாறு அணுகுகிறோம் என்பதை இந்தக் கட்டுரையின் மீதிப் பகுதி விளக்குகிறது.
நிறுவன ஆராய்ச்சித் திட்டங்களைத் தரவு ஒருங்கிணைப்புச் சிக்கலாகக் கருதத் தோன்றலாம். ஆதாரங்களை ஒருங்கிணைத்து, ஸ்கீமாவைத் தரப்படுத்தி, அதன் மீது மாடல்களைச் சுதந்திரமாக இயங்கவிடலாம்.
தெளிவாகச் சொல்வதானால், சில நேரங்களில் அதுவே சரியான வழி. முக்கிய உருப்பொருள்கள் நிலையாகவும், வினவல்கள் மீண்டும் நிகழக்கூடியவையாகவும் இருந்து, பணிப்பாய்வைத் தொழில்மயமாக்குவதே இறுதி நோக்கமெனில், ஒருங்கிணைப்பு குறிப்பிடத்தக்க பலனைத் தரலாம். வாடிக்கையாளர் மற்றும் வருவாய்த் தரவை இணைத்தல், சந்தை விலைத் தரவு, அமைப்புகளைக் கடந்த நம்பகமான அறிக்கையிடல் தேவைப்படும் பயன்பாடுகள் ஆகியவை வழக்கமான எடுத்துக்காட்டுகள்.
ஆனால் நடைமுறையில், இன்றைய புதுமைத் தலைவர்கள் நிறுவன டீப் ரிசர்ச் அமைப்புகளிடமிருந்து வேறொன்றை எதிர்பார்க்கிறார்கள்.
AI செலவின் முதலீட்டு வருவாயில் கவனம் அதிகரித்து வருவதால், வணிகம் உண்மையில் செயல்படும் குழப்பமான சூழலிலேயே மதிப்பை விரைவாக நிரூபிப்பது முடிவெடுப்போரின் முக்கிய இலக்காகும். அந்த முதல் ஆதாரத்தை அடைவதற்கான மிக மெதுவான வழிகளில் ஒன்று, அனைத்து தரவு ஆதாரங்களையும் ஒருங்கிணைப்பது. அது கடினமான பணி. அது அமைப்பு அரசியலுக்கு உட்படுகிறது. உண்மையில் எந்தக் கேள்விகள் முக்கியம் என்பதை அறிவதற்கு முன்பே ஒரு திசையைத் தேர்ந்தெடுக்கவும் அது அடிக்கடி வைக்கிறது.
எனவே, 2026-இல் அதிநவீன டீப் ரிசர்ச் அமைப்புகளை உருவாக்குவதற்கான நடைமுறை தொடக்கம் பொதுவாக இதுதான்: உங்கள் தரவை அழகுபடுத்தும் முன் அணுகக்கூடியதாக்குங்கள்.
காலப்போக்கில் மேலும் ஆதாரங்களைச் சேர்க்க வாய்ப்பிருந்தால்—பெரும்பாலான நிறுவனங்களுக்கு உள்ளது—குறைந்த இணைப்புள்ள கட்டமைப்புகளின் மதிப்பு குறைத்து மதிப்பிடப்படுகிறது. ஒரே மாதிரியான மீட்டெடுப்பு இடைமுகத்தின் பின்னால் பத்துக்கணக்கான ஆதாரங்களை வழங்கலாம். அமைப்பு தொடர்ந்து செயல்படும்; முக்கியமாக, விரைவாக வழங்கும் திறனையும் நீங்கள் தக்கவைக்கலாம். மேலும் ஆதாரங்களைச் சேர்க்கும்போது அனைத்தையும் மாற்றியமைக்க வேண்டியதில்லை. புதிய இணைப்பியைச் சேர்த்து, அது என்ன, அதை எப்படிப் பயன்படுத்த வேண்டும் என்பதை மைய அமைப்புக்கு விளக்கினால் போதும்; மீதியை மாடல்கள் கவனித்துக்கொள்ளும். இன்றைய அதிநவீன மாடல்கள் அனுமான நேரத்தில் இரண்டு அல்லது அதற்கு மேற்பட்ட தரவு ஆதாரங்களை மென்-இணைப்பு செய்ய முடிவதால் இது சாத்தியமாகிறது. முறைசார்ந்த பொருத்தத்தை யாரும் எழுதாமலேயே ஓர் அமைப்பின் “வாடிக்கையாளர் அடையாள எண்ணை” மற்றொன்றின் “வாடிக்கையாளர் மேற்கோளுடன்” இணைக்க முடியும். இவ்வாறு சிந்திக்கும் ஒரே குழு நாங்கள் அல்ல. இவ்வாறு சிந்திக்கும் ஒரே குழு நாங்கள் அல்ல: OpenAI-யின் உள் தரவு ஏஜென்ட், முன்கூட்டியே முழுமையாக ஒருங்கிணைப்பதற்குப் பதிலாக வினவல் நேரத்தில் சூழலையும் இணைப்புகளையும் அணுகக்கூடியதாக்கி, 70,000 வெவ்வேறு தரவுத்தொகுப்புகளின் மீது மாடல்கள் பகுத்தறியுமாறு வடிவமைக்கப்பட்டுள்ளது.
இங்கு வெளிப்படையாகக் குறிப்பிட வேண்டிய நுட்பம்: குறைவான இணைப்பு என்பது ஆழமற்றது என்று பொருளல்ல.
நீங்கள் உருவாக்கும் இணைப்புகள் பொருளுள்ளவையாகவும், அமைப்பு எளிதில் பயன்படுத்தக்கூடிய வகையில் வெளிப்படுத்தப்பட்டவையாகவும் இருக்கும்போது குறைந்த ஒருங்கிணைப்பு சிறப்பாகச் செயல்படும். விவரக்குறிப்புகள், கொள்கைகள், தயாரிப்பு வரையறைகள், SKU-கள், ஒப்பந்தப் பிரிவுகள் போன்ற குறிப்பிட்ட தகவல்களை நங்கூரங்களாகக் கருதுவது இதைப் புரிந்துகொள்ள நல்ல வழி. இந்த நங்கூரங்களை வலுப்படுத்த ஒவ்வொரு தரவுத்தொகுப்பையும் ஒருங்கிணைக்க வேண்டியதில்லை; சில உயர்-சமிக்ஞை இணைப்புகளைக் கொண்ட நிலையான அடையாளங்காட்டி மட்டும் போதும்.
எடுத்துக்காட்டாக, ஒரு மாடல் அல்லது பயனர் விவரக்குறிப்பைத் தேடுவதாகக் கற்பனை செய்யுங்கள். எளிமையான அமைப்பில், அந்தத் தேடலுடன் தொடர்பு முடிந்துவிடும். விவரக்குறிப்பை மீட்டு, சுருக்கி, ஒருவேளை மேற்கோள் காட்டுவீர்கள். ஆனால் பயனுள்ள தரவுக் கட்டமைப்புகளை உருவாக்கும்போது, அந்தத் தேடலைக் கட்டுப்படுத்தப்பட்ட விரிவாக்கத்தின் தொடக்கமாக மாற்ற விரும்புகிறோம். எடுத்துக்காட்டாக, அந்த விவரக்குறிப்பின் பதிவை வரலாற்றில் தொடர்புடைய உருவாக்கங்களுடன் விருப்பப்படி இணைக்கலாம். இங்கு “தொடர்புடையது” என்பதற்குப் பல பொருள்கள் இருக்கலாம்; பொதுவாக அமைப்பு செய்யும் பணியைச் சார்ந்து அது தீர்மானிக்கப்படும். விவரக்குறிப்பைக் குறிப்பிட்ட RFP-கள், அதற்கான ஏலங்களில் வென்ற முந்தைய பதில்கள், சட்டக் குழு எதிர்த்துத் திருத்திய பகுதிகள் போன்றவை இதில் அடங்கலாம். வினவல் நேரத்தில் மிக முக்கியமான நுண்ணறிவுகளை டீப் ரிசர்ச் அமைப்புக்கு விரைவாக வெளிப்படுத்துவதால், இந்த அணுகுமுறை பதிலின் தரத்திலும் தாமதத்திலும் பெரும் பலன் தரலாம்.
அடுத்து எழும் கேள்வி: சில உயர்-சமிக்ஞை இணைப்புகளுடன் குறைவாக இணைக்கப்பட்ட தரவு ஆதாரங்கள் நிறைந்த சூழலில், டீப் ரிசர்ச் அமைப்பு இனிப்புக் கடையில் அலையும் குழந்தையைப் போலத் திரியாமல், அனுபவமுள்ள பகுப்பாய்வாளரைப் போல வழிசெலுத்தச் செய்வது எப்படி?
நிறுவனத் தரவு ஆதாரங்கள் இணையத்தைப் போலச் செயல்படுவதில்லை. அவை சிதறிக் கிடக்கின்றன, உள்ளூர் மரபுகள் நிறைந்தவை; ஒரு குறிப்பிட்ட உண்மைக்கு பெரும்பாலும் ஒரே ஒரு “சரியான” ஆதாரமே இருக்கும்—அதைக் கண்டுபிடிக்க முடிந்தால். மேலும், தேடல் கேள்விகளில் மீட்பு வீச்சை எப்போதும் உச்சப்படுத்த மாடல்கள் முயல்கின்றன. மேலும் ஒரே ஓர் ஆதாரத்தைக் கண்டுபிடிக்க வினவல்களைத் தொடர்ந்து செய்து, தாமதத்தையும் பயனரின் பொறுமையையும் வீணாக்குகின்றன. கவனமான அறிவுறுத்தல்களால் இதை ஓரளவு குறைக்கலாம்.
குழப்பமான நிறுவனத் தரவுச் சூழலில் மாடல் தன் இருப்பிடத்தைப் புரிந்துகொள்ள உதவும் எளிய கருவியே இதற்கான மிகச் சிறந்த தீர்வு. சில குழுக்கள் இதை இருப்பியல் வகைப்பாடு என்கின்றன. மற்றவர்கள் பொருள்சார் அடுக்கு, தேடல் சேவை, வரைபடம் அல்லது கருத்துக் களஞ்சியம் என்கின்றனர். பெயர் உண்மையில் முக்கியமல்ல.
முடிவில்லாமல் தடுமாறித் தேடுவதற்குப் பதிலாக, சரியான சூழல் பகுதிகளுக்கிடையே மாடல் திறம்படத் தாவ உதவும் வேகமான, செலவு குறைந்த நகர்வுகளை அது அமைப்புக்கு வழங்குவதே முக்கியம்.
புதிய நிறுவனத்திலோ திட்டத்திலோ சேர்ந்தவுடன் சக ஊழியர்கள், “இந்தத் தளங்களைப் புத்தகக்குறியிடுங்கள்; எப்போதும் பயன்படுத்துவீர்கள்” அல்லது “AWS தொடர்பான சிக்கல் வந்தால் ராஸிடம் பேசுங்கள்; உங்களுக்குத் தேவையான தகவலை அவர் தருவார்” என்று சொல்வதை இதற்கான எளிய உருவகமாகக் கருதலாம். அதேபோல், டீப் ரிசர்ச் அமைப்புக்குத் தேவையானதை விரைவாகக் கண்டறிய உதவுவதே இங்குள்ள நோக்கம்.
நடைமுறையில் இந்த அமைப்பு சிக்கலானதாகவோ கையால் பராமரிக்கப்பட வேண்டியதாகவோ இருக்கத் தேவையில்லை. நாங்கள் கண்ட சிறந்த செயலாக்கங்கள், தரவு உட்செலுத்தல் செயல்முறையில் LLM-களால் உருவாக்கப்படுகின்றன—வரைபடத்தைத் தானாக நிரப்ப உருப்பொருள்களைப் பிரித்தெடுப்பது—அல்லது Salesforce API தேடல் போன்ற தற்போதைய பதிவக அமைப்புகளுக்கு நேரடியாகக் கோரிக்கைகளை அனுப்புகின்றன. சில பொதுவான எடுத்துக்காட்டுகள்:
ஹாஷ் வரைபடத் தேடல்கள். எடுத்துக்காட்டாக, தயாரிப்புப் பெயரை வினவி அதன் விளக்கத்தைப் பெறுதல்.
எளிய “பொதுவான” உறவுத் தேடல். எடுத்துக்காட்டாக, காரணவியல் மரபணு உறவு வரைபடத்தில் இந்த மரபணுவுடன் பொதுவாகத் தொடர்புடைய நோய்களைக் கண்டறிதல்.
பெயரிடப்பட்ட உருப்பொருள் அறிதல் மாடல்கள். மருந்துத் துறை போன்ற சிக்கலான உருப்பொருள் வேறுபடுத்தல் தேவைப்படும் பகுதிகளில் இவை பெரிதும் உதவும்.
மிகவும் சிக்கலான தரவு உறவுகளுக்கு, எளிய RDF வரைபடங்கள் இருப்பியல் வகைப்பாட்டுக்கான மிக விரிவாக்கக்கூடிய தீர்வை வழங்கலாம்.
… மேலும் பல.
இது அமைந்ததும், அமைப்பு உங்கள் தரவு ஆதாரங்களுக்குள் திறம்பட நகர முடியும். அடுத்த கேள்வி எளியது: உண்மையான பயன்பாட்டில் அது தொடர்ந்து சரியானதைச் செய்கிறது என்பதை எப்படி அறிவது?
உங்கள் தரவு இப்போது அணுகக்கூடியதாகவும், வழிசெலுத்தல் அடுக்கு வரைபடத்தை வழங்குவதாகவும் இருப்பதால், அமைப்பால் பணியைச் செய்ய முடியும். ஆனால் நிறுவனச் சூழலில் நம்பகத்தன்மையில்லாத திறனால் பயனில்லை.
பெரும்பாலான AI திட்டங்கள் தோல்வியடையும் இடம் இதுதான். பல குழுக்கள் “உள்ளுணர்வு அடிப்படையிலான” மதிப்பீடுகள் என்ற பொறியில் சிக்கியுள்ளன. ஒரு வினவலை இயக்கி, வெளியீட்டைப் படித்து, திருப்தியாகத் தலையசைத்துவிட்டு வெளியிடுவார்கள். பல மில்லியன் டாலர் விநியோகச் சங்கிலி முடிவுக்குப் பரிந்துரை வழங்க 5,000 ஆவணங்களைத் தானாக ஆராயக்கூடிய டீப் ரிசர்ச் அமைப்பை உருவாக்கும்போது இந்த அணுகுமுறை பயன்படாது.
முக்கிய மாற்றம் என்னவென்றால், இப்போது நீங்கள் ஒரு மாடலை அல்ல, ஓர் அமைப்பை மதிப்பிடுகிறீர்கள். கேள்வியைப் புரிந்துகொள்ளுதல், திட்டமிடல், கருவி அழைப்பு, விளக்கம், சூழல் சுருக்கம், மறுதரவரிசை, நேரமுத்திரைகள் போன்ற சலிப்பூட்டுவதாகத் தோன்றும் இணைப்பி விவரங்கள் வரை அனைத்தும் பயனர் அனுபவத்தில் வெளிப்படும்.
கட்டமைக்கப்பட்ட, மீண்டும் செய்யக்கூடிய மதிப்பீடுகள் இச்சிக்கல்களைத் தீர்க்க உதவுகின்றன.
மதிப்பீடுகளை உருவாக்கும்போது, இயந்திரவியல் முதல் கருத்துசார் மதிப்பீடுகள் வரை மூன்று பரந்த பிரிவுகளாக அவற்றைக் கருதலாம்.
இது அலகுச் சோதனைகளுக்கு மிகவும் நெருக்கமான பகுதி; தொடக்கத்திலேயே குழுக்கள் விரைவாக முன்னேறக்கூடிய இடமும் இதுதான். காலப்போக்கில் இவையே பொதுவாக மிக நிலையானவை. அமைத்துவிட்டால், திட்டத்தின் ஆயுள் முழுவதும் தொடர்ந்து பலன் தரும்.
“இயந்திரவியல் மதிப்பீடுகள்” என்பவை பொதுவாக மனிதத் தலையீடின்றி ஒவ்வொரு வினவலிலும் இயக்கக்கூடிய சோதனைகள். உண்மையான பயனர் சுமைகளின்கீழ் அமைப்பு முன்னறியக்கூடியதாகவும் பாதுகாப்பாகவும் செயல்படுகிறது என்ற நம்பிக்கையை இவை உருவாக்குகின்றன.
சில எடுத்துக்காட்டுகள்:
மேற்கோள் நலம்: எல்லா மேற்கோள்களும் உண்மையில் மீட்டெடுக்கப்பட்ட உரைப் பகுதிகளையே சுட்டுகின்றனவா? மேற்கோளில்லாத கூற்றுகள் உள்ளனவா? ஆதாரப் பொருளால் உறுதிப்படுத்தப்படாத கூற்றுகள் உள்ளனவா? மேற்கோள்கள் அளவுக்கதிகமாகப் பொதுவாக உள்ளனவா? எடுத்துக்காட்டாக, ஒரு கூற்றுக்கு முழு ஆவணத்தையும் மேற்கோள் காட்டுவது.
கருவிப் பயன்பாட்டு ஒழுங்கு: பயன்படுத்தியதாகக் கூறிய எல்லாக் கருவிகளையும் அமைப்பு பயன்படுத்தியதா? வழிசெலுத்தல் கருவிகளைச் சரியாகப் பயன்படுத்தியதா? ஏதேனும் கருவிக் கோரிக்கைகளைத் தவறாக வடிவமைத்ததா? பிழைகள் வந்தபோது பொருத்தமான முறையில் மீண்டும் முயன்றதா?
தாமதம் மற்றும் செலவு வரம்புகள்: இலக்கு முதல்-டோக்கன் நேர வரம்புக்குள் இருந்ததா? எதிர்பார்த்த கருவி அழைப்புகள் அல்லது செலவு வரம்பை மீறியதா? மிகச் சிறிய பலனுக்காக அதிக நேரத்தையும் கணிப்பொறி வளத்தையும் செலவிட்டதா?
இவை சாதாரணமாகத் தோன்றலாம்; ஆனால் நிறுவன அமைப்பு சீரழியாமல் காப்பவை துல்லியமாக இத்தகைய சோதனைகளே.
நடைமுறை எடுத்துக்காட்டாக, மருந்து இலக்கு கண்டறிதலுக்கான டீப் ரிசர்ச் திட்டத்தில் ஒவ்வொரு வினவலிலும் இயங்கும் இரண்டு அடுக்கு மேற்கோள் சோதனைகளைப் பயன்படுத்தினோம். முதலில், பதிலை உருவாக்கும்போது அடிக்கடி உரையிடை மேற்கோள்களை வழங்குமாறு மாடலுக்கு அறிவுறுத்துகிறோம். LLM-கள் இதை நம்பகமாகச் செய்ய முடிவதும் ஒப்பீட்டளவில் அண்மைக்கால முன்னேற்றமே; 2025 முதல் பாதியில்தான் இது வந்தது. அதற்கு முன்பு கணிசமான தரவுடன் இதை முயன்றவர்கள், அது எவ்வளவு கடினமாக இருந்தது என்பதை அறிவார்கள். இதன் மூலம், வழங்கப்பட்ட ஆதாரங்களில் இல்லாத கட்டுரை இணைப்பு குறிப்பிடப்பட்டுள்ளதா என்பதைக் கண்டறிய எளிய வழக்கக் கோவைச் சோதனைகளைச் செய்யலாம்.
இரண்டாம் அடுக்குச் சோதனைகள் பதில் தொடர் ஒளிபரப்பப்பட்ட பிறகு செய்யப்படுகின்றன. முதலில் பதில் பகுதிகளாகப் பிரிக்கப்படுகிறது. பின்னர் ஒவ்வொரு பகுதியும் மதிப்பிடப்பட்டு, அதிலுள்ள கூற்றுகளை ஆதரிக்கும் ஆதாரங்கள் மீட்டெடுக்கப்பட்ட தரவில் தேடப்படுகின்றன. ஆதாரச் சான்று கிடைக்காவிட்டால், அது சாத்தியமான புனைவாகக் குறிக்கப்படுகிறது.
இயந்திரவியல் மதிப்பீடுகள் அலகுச் சோதனைகள் என்றால், பகுப்பாய்வு மதிப்பீடுகள் நிரல் மதிப்பாய்வு போன்றவை.
இங்கு அமைப்பு பணியைச் சிறப்பாகச் செய்கிறதா என்பதைப் புரிந்துகொள்ள முயல்கிறோம். அது சரியான கருவிகளைப் பயன்படுத்துகிறதா, பொருத்தமான ஆராய்ச்சித் திசைகளைப் பின்பற்றுகிறதா, மிக அதிகாரப்பூர்வமான ஆதாரங்களைத் தேர்கிறதா, எப்போது நிறுத்த வேண்டும் என்பதை அறிகிறதா என்பன உள்ளிட்டவற்றைப் புரிந்துகொள்ள விரும்புகிறோம்.
நடைமுறையில் இவை பொதுவாகக் கேள்வி-பதில் இணைகளாக அமையும். அவற்றில் பொருத்தமான கருவி அழைப்பு வரிசை தெரிந்திருக்கும் அல்லது முதல் கருவி கண்ட ஆராய்ச்சித் தொகுப்பின் அடிப்படையில் சரியான முடிவு எது என்பது வரையறுக்கப்பட்டிருக்கும். இவை முழு டீப் ரிசர்ச் அமைப்பின் உள்ளீடு-வெளியீட்டுடன் ஒன்றுக்கு ஒன்று பொருந்த வேண்டியதில்லை; துணைச் செயல்முறைகளையும் இவ்வாறு சோதிக்கலாம். மனிதக் குறியீட்டாளர் அல்லது ஒப்பீட்டளவில் வலுவான குறியீட்டு மாடல் உருவாக்கும் இந்தக் குறிச்சொற்களைக் கொண்டு, LLM-ஐ நடுவராகப் பயன்படுத்தி ஆராய்ச்சி இயக்கங்களின் செயல்திறனை மதிப்பிடலாம். காலப்போக்கில் இந்த மதிப்பெண்களைக் கண்காணிப்பதன் மூலம், மாற்றங்கள் அமைப்பை மேம்படுத்துகின்றனவா அல்லது செயல்திறன் பின்னடைவை ஏற்படுத்தியுள்ளனவா என்பதை அறியலாம்.
பணத்திலும் நேரத்திலும் இவற்றின் செலவு அதிகம் என்பதால், குறிப்பிட்ட கால இடைவெளிகளில் அல்லது பதிப்பு புதுப்பிப்புகளுக்கு முன்பு இயக்குவது வழக்கம்.
மேலும் ஒரு மறைமுகப் பலன் உள்ளது: இத்தகைய பகுப்பாய்வு மதிப்பீடுகள் முன்பு விவாதித்த குறைந்த இணைப்புகளை நேரடியாக மேம்படுத்த உதவும். மனிதர்கள் இப்போது அந்த உருவாக்கங்களை வெளிப்படையாக இணைக்காதபோதும், “விவரக்குறிப்பு → வரலாற்றில் தொடர்புடைய RFP எடுத்துக்காட்டுகள்” போன்ற அதே உயர்தரத் தாவலை மாடல் மீண்டும் மீண்டும் செய்தால், அது பயனுள்ள தகவல். அந்தத் தாவலை முதன்மை இணைப்பாக அல்லது குறுக்குவழியாக உயர்த்தலாம்; இதனால் எதிர்கால இயக்கங்கள் குறைந்த தாமதத்துடனும் அதிக நிலைத்தன்மையுடனும் பயனடையும்.
டீப் ரிசர்ச் அமைப்புகளில் அதிகச் செலவை ஏற்படுத்தும் ஒரு குறைபாட்டையும் இங்குதான் கண்டறியலாம்: இயல்பாகவே மீட்பு வீச்சை உச்சப்படுத்தும் போக்கு. ஒரு மாடலால் எப்போதும் மேலும் ஓர் ஆதாரத்தைக் கண்டுபிடிக்க முடியும். ஆனால் அது அவ்வாறு செய்ய வேண்டுமா என்பதே கேள்வி. கூடுதல் மீட்டெடுப்பு முடிவை மாற்ற வாய்ப்பில்லை என்பதை அமைப்பு உணர்ந்து, நன்கு ஆதரிக்கப்பட்டு பயனரின் கேள்விக்குப் பதிலளிக்கும் விடையை வழங்கும் வகையில் பொருத்தமான நிறுத்த நடத்தையை மாடலில் வலுப்படுத்தலாம்.
அமைப்பு பாதுகாப்பானது என்பதை இயந்திரவியல் மதிப்பீடுகள் தெரிவிக்கின்றன. அது திறன்மிக்கது என்பதைப் பகுப்பாய்வு மதிப்பீடுகள் தெரிவிக்கின்றன. அது உண்மையில் பயனுள்ளதா என்பதைப் பயனர் மதிப்பீடுகள் தெரிவிக்கின்றன.
பல குழுக்கள் தடுமாறும் மற்றொரு பகுதி இது. தொழில்நுட்ப ரீதியில் கவர்ச்சிகரமான, ஆனால் இரண்டாம் முறை பயன்படுத்த யாரும் விரும்பாத ஒன்றை அவை உருவாக்குகின்றன. நிறுவனச் சூழலில், வெற்றிகரமான பயன்பாட்டுக்கும் விலையுயர்ந்த ஆராய்ச்சித் திட்டத்துக்கும் இடையிலான வேறுபாடு இதுதான்.
அமைப்பு சரியான சிக்கலைச் சரியான முறையில் தீர்க்கிறதா என்பதைப் புரிந்துகொள்வதே பயனர் மதிப்பீடுகளின் அடிப்படை நோக்கம். அதாவது, “அது சரியான பதிலைப் பெற்றதா?” என்பதைக் கடந்து, “நான் செயல்படுத்தக்கூடிய ஒன்றை அது வழங்கியதா?” என்று கேட்க வேண்டும்.
நடைமுறையில், பயனர் மதிப்பீடுகள் பொதுவாகச் சில வடிவங்களில் அமைகின்றன:
பணி நிறைவு ஆய்வுகள்: அமைப்பைக் கொண்டு பயனர்கள் தங்கள் உண்மையான பணியை வேகமாகவோ சிறப்பாகவோ முடிக்க முடிகிறதா? ஒரு கேள்விக்கு மாடலால் பதிலளிக்க முடியுமா என்பது இதன் நோக்கமல்ல; உண்மையான பணிப்பாய்வில் உண்மையான பயனர் தனக்குத் தேவையானதைப் பெற்றாரா என்பதே முக்கியம்.
தரம்சார் பின்னூட்டச் சுழற்சிகள்: தீவிரப் பயனர்களுடன் வழக்கமாக நடத்தப்படும் கட்டமைக்கப்பட்ட உரையாடல்கள். எந்த வினவல்களை அவர்கள் மீண்டும் மீண்டும் செய்கிறார்கள்? எங்கு அவர்கள் நம்பிக்கையை இழக்கிறார்கள்? எப்போது கைவிட்டுப் பழைய முறைக்குத் திரும்புகிறார்கள்? உங்கள் சோதனைத் தொகுப்புகளில் ஒருபோதும் தோன்றாத தோல்வி முறைகளை இந்த அமர்வுகள் அடிக்கடி வெளிப்படுத்துகின்றன. நீங்கள் எதிர்பாராத வகையில் பயனர்கள் கேள்விகளைக் கேட்கலாம் அல்லது இருப்பதே உங்களுக்குத் தெரியாத மறைமுகத் தரத் தேவைகள் அவர்களிடம் இருக்கலாம்.
பயன்பாட்டுப் பகுப்பாய்வு: எந்த வினவல்கள் மீண்டும் இயக்கப்படுகின்றன? எந்தப் பதில்கள் நகலெடுக்கப்பட்டு வேறிடங்களில் பயன்படுத்தப்படுகின்றன? பயனர்கள் எங்கு விருப்பமின்மைக் குறியைத் தேர்ந்தெடுக்கிறார்கள்? பயன்பாடு குறைவது எப்போதும் தோல்வியல்ல; சில நேரங்களில் பயனர்கள் பதிலைப் பெற்று அடுத்த பணிக்குச் சென்றுவிடுவார்கள். ஆனால் வினவல்களை எப்போது, எப்படிக் கைவிடுகிறார்கள் என்ற போக்குகள் அமைப்பு எங்கு எதிர்பார்ப்புகளை நிறைவேற்றவில்லை என்பதைப் பெரிதும் வெளிப்படுத்துகின்றன.
இவை அனைத்தும் சேர்ந்து, ஊகமின்றிப் பயன்தன்மையை அளவிடவும், பயனர் நம்பிக்கையைச் சிதைக்கும் முன்பே சிக்கல்களைக் கண்டறியவும் உதவுகின்றன.
எனினும், இயந்திரவியல் துல்லியத்தில் முழு மதிப்பெண் பெற்று தொடக்கப் பயனர்களை மகிழ்விக்கும் அமைப்புகூட, வணிகத்தின் முதன்மை வருவாயை உயர்த்தும் இறுதிச் சோதனையில் தோல்வியடையலாம். நம்பகத்தன்மையும் பயனர் திருப்தியும் இதற்கான முன்நிபந்தனைகள் மட்டுமே. வெற்றிகரமான முன்னோடித் திட்டத்திலிருந்து நிறுவனத்தை மாற்றியமைக்கும் சொத்தாக முன்னேற, அமைப்பு எப்படிச் செயல்படுகிறது என்பதைக் கடந்து, அது எங்கு பயன்படுத்தப்படுகிறது என்பதில் கவனம் செலுத்த வேண்டும்.
உங்கள் தரவை அமைப்புக்குப் பயனுள்ளதாக்குவது, பின்னர் அமைப்பைப் பயனர்களுக்குப் பயனுள்ளதாக்குவது எப்படி என்பதைப் பார்த்தோம். இப்போது இந்த அமைப்பை உங்கள் வணிகத்திற்குப் பயனுள்ளதாக்குவது குறித்துப் பேச வேண்டும்.
அண்மையில் வணிகத் தலைவர்கள் இதில் தீவிரக் கவனம் செலுத்தியுள்ளனர்; அது சரியானதே. நிறுவன AI திட்டங்களில் 95% முதலீட்டு வருவாயை அடைவதில்லை என்ற MIT-யின் கூற்று போன்ற அறிக்கைகளுக்குப் பிறகு, பயன்பாட்டுக்கு வராத கவர்ச்சிகரமான செயல்விளக்கங்களைப் பொறுத்துக்கொள்ளும் மனநிலை மறைந்துவிட்டது. மாடல்கள் தயாராக உள்ளன. கட்டமைப்புகள் நிரூபிக்கப்பட்டுள்ளன. இப்போதைய கேள்வி: உங்கள் வணிகத்திற்கு மதிப்பை உருவாக்கும் வகையில் இதை உண்மையில் பயன்பாட்டுக்குக் கொண்டுவர முடியுமா?
மேலுள்ள கோட்பாடுகளின் அடிப்படையில் உருவாக்கப்பட்ட அதிநவீன டீப் ரிசர்ச் அமைப்புகள் இந்தத் தரத்தைக் கடக்கச் சிறந்த நிலையில் இருப்பது நல்ல செய்தி. அவை அனைத்தையும் தானியக்கமாக்கவோ முழு வேலைப் பொறுப்புகளையும் மாற்றவோ முயல்வதில்லை. உங்கள் சிறந்த பணியாளர்கள் ஏற்கெனவே செய்யும் அதிக மதிப்புள்ள பணிகளில் அவர்களின் செயல்திறனை வியத்தகு அளவில் உயர்த்துவதே அவற்றின் நோக்கம்.
ஆனால் “தொழில்நுட்ப ரீதியில் செயல்படுவது” என்பதிலிருந்து “முதலீட்டு வருவாய் வழங்குவது” என்ற நிலையை அடைய மேலும் சில திறப்புகள் தேவை: இது தினசரிக் கருவியாக மாறுமா அல்லது மறக்கப்பட்ட உலாவித் தாவலாகுமா என்பதைத் தீர்மானிக்கும் நிறுவன அமைப்பு, பயனர் அனுபவம், அளவீட்டுத் தேர்வுகள்.
எங்கள் அனுபவத்தில், அவை இரண்டு.
“இந்தக் கூட்டத்தைச் சுருக்குங்கள்” போன்ற குறைந்த ஆபத்துள்ள உள்பணிகளில் தொடங்கத் தோன்றும். அவை பாதுகாப்பானவை என்றாலும், செலவை நியாயப்படுத்தும் அளவுக்கு மதிப்பை அரிதாகவே நிரூபிக்கின்றன.
தரம் அல்லது வேகத்தில் முன்னேற்றம் ஏற்பட்டால் வருவாய் அதிகரிப்பு அல்லது உத்திசார் நன்மை தெளிவாகத் தெரியும் பெரிய, கடினமான, அதிகச் செலவுள்ள பணிகளை இலக்காக்கும்போது டீப் ரிசர்ச் அமைப்புகள் சிறப்பாகப் பலனளிக்கின்றன.
பின்வரும் தொடக்கப் பயன்பாடுகளை நிறுவனங்கள் இலக்காக்கும்போது அதிக முதலீட்டு வருவாயைக் காண்கிறோம்:
சிக்கலான ஏலம் & RFP உருவாக்கம்: வரலாற்றில் மிகவும் ஒத்த வெற்றிகளையும் தோல்விகளையும் தானாகக் கண்டெடுப்பது, எப்போதும் திருத்தத்தைக் கோரும் சில பிரிவுகளைப் பிரித்தெடுப்பது, குறிப்பிட்ட தேவைக்கான வலுவான ஆதாரங்களைக் கண்டறிவது போன்றவற்றைச் செய்து, அனைத்தையும் ஏலத்திற்கான வலுவான, ஒத்திசைவான நிலைப்பாடாக மாற்ற டீப் ரிசர்ச் அமைப்புகள் உதவும். இங்கு அளவுகோல் சேமித்த நேரமல்ல; வெற்றி விகிதம், இலாப விகிதப் பாதுகாப்பு, இறுதிக்கட்டச் சட்ட மற்றும் வணிக அதிர்ச்சிகளின் குறைவு ஆகியவையே.
அறிவியல் துறைப் பகுப்பாய்வு: ஆராய்ச்சி மற்றும் மேம்பாடு அதிகமுள்ள மருந்து, உயிரித் தொழில்நுட்பம், குறைக்கடத்தி நிறுவனங்களில், பல வார இலக்கியத்தையும் உள் அறிவையும் பயனுள்ள ஆராய்ச்சித் திசையாகச் சுருக்குவதே தொடக்கப் பயன்பாடு. ஆயிரக்கணக்கான ஆய்வுக் கட்டுரைகள், காப்புரிமைகள், உள் அறிக்கைகள், ஆய்வகக் குறிப்புகள், முந்தைய திட்ட மதிப்பாய்வுகள் ஆகியவற்றைப் படித்து, அறியப்பட்டதும் சர்ச்சைக்குரியதும் எது என்பதை வரைபடமாக்கி, ஆதாரபூர்வமான துறைக் கண்ணோட்டத்தை டீப் ரிசர்ச் அமைப்பு உருவாக்கலாம். இதனால் விரைவான திருத்தச் சுழற்சிகள், முட்டுச்சந்தை முயற்சிகளின் குறைவு, மிக முக்கியமாக முதல் மனிதச் சோதனைக்கான காலக் குறைவு ஆகியவை கிடைக்கும்.
சந்தை நுண்ணறிவு: வங்கிகளுக்கும் இடர்தவிர்ப்பு நிதியங்களுக்கும், சிதறிய உள் ஆராய்ச்சியையும்—குறிப்புகள், மாடல்கள், உரைத்தொகுப்புகள், தரகர் கருத்துகள்—வெளிப்புறச் சமிக்ஞைகளையும்—தாக்கல்கள், வருவாய், பேரியல் பொருளாதாரத் தரவு, செய்திகள்—முடிவெடுக்கத் தகுந்த வர்த்தக ஆதரவாக மாற்றுவதில்தான் மதிப்பு உள்ளது. ஒரு நிறுவனம், கருப்பொருள் அல்லது பேரியல் பொருளாதாரக் கேள்வி குறித்த கண்ணோட்டத்தை டீப் ரிசர்ச் அமைப்பு தொடர்ந்து உருவாக்கிப் புதுப்பிக்கலாம்; கடந்த வாரத்துக்குப் பிறகான முக்கிய மாற்றங்களை வெளிக்கொண்டு வரலாம், முரண்பட்ட ஆதாரங்களை ஒத்திசைக்கலாம், முழுமையான மூலத் தடத்துடன் முதலீட்டுக் குறிப்பாணை அல்லது வர்த்தகத் தொகுப்பை உருவாக்கலாம்.
இவற்றின் பொதுவான அம்சம், இவை அரட்டைகள் அல்ல என்பதே. வழக்கமாக விலையுயர்ந்த வெளி ஆலோசகர்கள் அல்லது மூத்த ஊழியர்களின் பல வார உழைப்பு தேவைப்படும் சிக்கலான பணிப்பாய்வுகள் இவை. இந்தச் சிக்கல்களில் டீப் ரிசர்ச் அமைப்பைப் பயன்படுத்தும்போது அதன் மதிப்பு மறுக்க முடியாததாகிறது.
2026-ஐ வரையறுக்கும் பயனர் அனுபவ மாற்றங்களில் இதுவும் ஒன்று.
உங்கள் டீப் ரிசர்ச் அமைப்பு தகவல்களைக் கண்டறிய பயனர்கள் வினவும் அரட்டைப் பொறியாக மட்டுமே இருந்தால், அதன் பயன்பாடு விரைவில் அவ்வப்போது மட்டுமே நடப்பதாகக் குறையலாம். அது மேற்கோள் கருவியாகவே இருக்கும்; விரும்பிய இறுதி வெளியீட்டைப் பெற அதன் பதில்களைப் பயனர்களே தொகுக்க வேண்டியிருக்கும். ஆனால் எப்போதும் தயாராக இருக்கும், பணி ஒப்படைக்கக்கூடிய பகுப்பாய்வாளரைப் போல இருந்தால், குழுவின் செயல்பாட்டு முறையே முழுமையாக மாறலாம்.
“அரட்டையடிப்பதிலிருந்து”—குறுகிய தொடர் உரையாடல்கள்—பணியொப்படைப்பை நோக்கி—வரம்பு, வார்ப்புரு, இலக்கை வரையறுத்து அமைப்பை இயங்கவிடுதல்—மாற்றம் நிகழ்கிறது.
மூன்று குறிப்பிட்ட மாற்றங்கள் இதைச் சாத்தியமாக்குகின்றன:
வெளியீடுகளே உருவாக்கங்கள்: அதிக மதிப்புள்ள பணி அரட்டைச் சாளரத்தில் இருப்பதில்லை; ஆவணங்கள், குறிப்பாணைகள், விளக்கக்காட்சிகளில்தான் இருக்கும். நவீன டீப் ரிசர்ச் அமைப்புகள் அரட்டைக் கட்டத்தைத் தவிர்த்து இறுதி வணிக உருவாக்கத்தை நேரடியாக உருவாக்க வேண்டும். “எங்கள் நிறுவன வடிவில் மூன்று பக்க முதலீட்டுக் குறிப்பாணை” என்று கேட்டு, தொடர்ச்சியான உரைக்குப் பதிலாகப் பதிவிறக்கக்கூடிய கோப்பைப் பெறும்போது, மதிப்பைப் பெறும் நேரம் பெருமளவு குறைகிறது. இது பொதுவாகத் திட்டமிட்ட உருவாக்கங்களுக்கும் நீள்கிறது. புதிய தரவு கிடைக்கும்போது புதிய நுண்ணறிவுகளுடன் மின்னஞ்சல்கள் அல்லது அறிக்கைகளைத் தானாக உருவாக்கி தொடர்புடையவர்களுக்கு அனுப்புமாறு பயனர்கள் கோரலாம்.
தனிப்பயன் வார்ப்புருக்கள் மூலம் உள்ளூர் உகப்பாக்கம்: அமைப்பைச் சீர்குலைக்காமல் வணிகப் பிரிவுகளோ தனிப்பட்ட பயனர்களோ தங்கள் அறிவுறுத்தல்களையும் நடத்தைகளையும் வடிவமைக்கக்கூடிய அளவுக்கு மாடல்கள் வலுவடைந்துள்ளன. லண்டனிலுள்ள இடர் அறிக்கையும் நியூயார்க்கிலுள்ள இடர் அறிக்கையும் ஒரே மாதிரியாக இருக்காது. குழுக்கள் தங்கள் கட்டமைப்பு வார்ப்புருக்களைப் பதிவேற்றவோ வடிவமைக்கவோ, “எப்போதும் இந்த மூன்று உள் தரவுத்தளங்களைச் சரிபார்க்கவும்” போன்ற நிறுத்த விதிகளையும் வெளியீட்டு வடிவத்தையும் வரையறுக்கவோ அனுமதித்தால், பயனர்கள் அமைப்பிலிருந்து அதிக மதிப்பைப் பெற்று அதை மேலும் பயன்படுத்த விரும்புவார்கள்.
இடைமுகமாக நம்பிக்கை: 20 நிமிடங்களுக்கு மேல் இயங்கும் பணியைப் பயனர் ஒப்படைக்கும்போது, நம்பிக்கை மிக முக்கியமான சிக்கலாகிறது. ஒளிவுமறைவான அமைப்பை வழங்க முடியாது. எந்தக் கருவிகள் பயன்படுத்தப்படுகின்றன, மேற்கோள்கள் எவ்வாறு உருவாகின்றன என்பன உள்ளிட்ட அமைப்பின் சிந்தனையையும் தேர்வுகளையும் இடைமுகம் பயனருக்குக் காட்ட வேண்டும். இத்தகைய அமைப்புகளுக்கான சிறந்த பயனர் அனுபவம் இயல்பாகவே ஆராய்ச்சி முன்னேற்றத்தின் உயர்நிலை நுண்ணறிவுகளைக் காட்டி, பக்கப்பட்டி போன்றவற்றில் விரிவாக்கி மேலும் ஆழமான தகவலைப் பார்க்கும் வாய்ப்பையும் வழங்குவதாக இருப்பதை அடிக்கடி காண்கிறோம்.
ஒவ்வொரு முன்னணி நிறுவனத்தின் மிக முக்கியமான பணிப்பாய்வுகளுக்குப் பின்னாலும் அதற்கேற்ற டீப் ரிசர்ச் அமைப்பு இயங்கும் எதிர்காலத்தை நாங்கள் கற்பனை செய்கிறோம். ஆயிரக்கணக்கான உள் உருவாக்கங்களை நம்பகமாக ஆராய்ந்து, மக்கள் செயல்படுத்தக்கூடிய முடிவுகளையும் வெளியீடுகளையும் வழங்கும், எப்போதும் இயங்கும் பகுப்பாய்வாளர்களின் தொடராக இது அமையும். அதிநவீன மாடல்கள் செயல்படுத்தும் திறனின் உச்சவரம்பை உயர்த்தும்போது, வேறுபாட்டை ஏற்படுத்துவது அடிப்படைகளே: தரவை அணுகக்கூடியதாக்குதல், அமைப்புக்கு வரைபடம் வழங்குதல், மதிப்பீடுகள் மூலம் நம்பகத்தன்மையைச் செயல்பாட்டில் நிலைநிறுத்துதல்.
கடந்த ஆண்டில் மாடல் திறனில் கண்ட முன்னேற்றங்களே இது செல்லும் திசைக்கான மிகத் தெளிவான சமிக்ஞை. 2026-இல் தலைவர்களுக்கான வாய்ப்பு, முன்கூட்டியே செயல்படுவதுதான். மதிப்பு தெளிவாகத் தெரியும் தொடக்கப் பயன்பாட்டைத் தேர்ந்தெடுத்து, மூலத் தடம் மற்றும் பாதுகாப்புத் தடுப்புகள் மூலம் நம்பிக்கையைப் பெற்று, நிறுவன டீப் ரிசர்ச் தீர்வை முன்னோடித் திட்டத்திலிருந்து வணிகம் தினமும் பயன்படுத்தும், தொடர்ந்து பலன் பெருக்கும் திறனாக மாற்றுங்கள்.