நம்பகமான செயற்கை நுண்ணறிவு முடிவுகளுக்கு LLM-களையும் முறையான தீர்விகளையும் இணைத்தல்

இயல்பான மொழியைப் புரிந்துகொள்வதிலும், சரளமான பதில்களை உருவாக்குவதிலும், முற்றிலும் புதிய வாடிக்கையாளர் மற்றும் பணியாளர் அனுபவங்களை வழங்குவதிலும் பெரிய மொழி மாடல்கள் (LLM-கள்) அபார முன்னேற்றம் கண்டுள்ளன. எனினும், LLM-கள் இயல்பிலேயே நிகழ்தகவு சார்ந்தவை என்பதால், சிக்கலான எண் கணக்கீடு அல்லது தர்க்க ரீஸனிங்கிற்கு அவற்றைப் பயன்படுத்தும்போது, அவற்றின் வெளியீடுகள் விதிகளுக்கு இணங்கும் அல்லது உகந்ததாக இருக்கும் என்பதற்கு வரையறுக்கப்பட்ட உத்தரவாதங்களே உள்ளன. எடுத்துக்காட்டாக:

• ஒரு மேலாளர் செயற்கை நுண்ணறிவுத் திட்டமிடல் உதவியாளரிடம், “செலவுகளைக் குறைவாக வைத்துக்கொண்டு அடுத்த வாரம் முடிந்த அளவு சரக்குகளை அனுப்பு” என்கிறார். செயல்திறன் மிக்கதாகத் தோன்றும் தீவிரமான திட்டத்தை அமைப்பு வழங்கினாலும், அது கிடங்கின் கொள்ளளவை மறைமுகமாக மீறி, விநியோக உத்தரவாதங்களைப் பாதிக்கிறது.

• ஒரு ஒருங்கிணைப்பாளர் செயற்கை நுண்ணறிவு உதவியாளரிடம், “இரவு தங்குவதைக் குறைக்கவும் இடையூறுகளைக் கட்டுப்படுத்தவும் பணிக்குழுக்களை மறுஒதுக்கீடு செய்” என்கிறார். மாடல் உகந்ததாகத் தோன்றும் குறைந்த செலவிலான அட்டவணையை உருவாக்கினாலும், அது கட்டாயப் பணிநேர அல்லது ஓய்வு வரம்புகளை மீறுகிறது.

• கடுமையான பிராந்திய மற்றும் இடர் வரம்புகளுக்கு உட்பட்டு பரிவர்த்தனைகளுக்கு நிதிச் செயல்பாட்டு செயற்கை நுண்ணறிவு உதவியாளர் ஒப்புதல் அளிக்க வேண்டும். ஆனால் உள்கொள்கையை மீறியபடியே விதிகளுக்கு இணங்குவதாகத் தோன்றும் காரணத்தைப் புனைந்து, சந்தேகத்திற்குரிய பரிவர்த்தனையை அது அனுமதிக்கிறது.

கடுமையான செயல்பாட்டுத் தேவைகளைக் கொண்ட சூழல்களில், LLM-களை முறையான தீர்விகளுடன் இணைப்பது, இயல்பான மொழியால் வழிநடத்தப்படும் முடிவுகள் வரையறுக்கப்பட்ட எல்லைகளுக்குள் இருப்பதையும், நடைமுறைப்படுத்த இயலாத, உகந்ததல்லாத அல்லது விதிகளுக்கு இணங்காத விளைவுகளைத் தவிர்ப்பதையும் உறுதிசெய்ய உதவுகிறது.

LLM-களின் படைப்பாற்றல் மற்றும் நெகிழ்வுத்தன்மையை Z3, Pyomo, OR-Tools போன்ற முறையான கணிதத் தீர்விகளின் துல்லியம், உத்தரவாதங்கள் மற்றும் வெளிப்படைத்தன்மையுடன் இணைக்கும் கலப்பு அணுகுமுறையை எங்கள் ஆராய்ச்சி மற்றும் மேம்பாட்டுக் குழு ஆய்வு செய்து வருகிறது. இந்தத் திறனை நிறுவனத் தொழில்நுட்பக் கட்டமைப்பின் நிலையான பகுதியாக்க, மீண்டும் பயன்படுத்தக்கூடிய முறையான செயற்கை நுண்ணறிவு இயந்திரத்தையும் உருவாக்கி வருகிறோம். நிறுவனங்கள் தங்கள் தற்போதைய அமைப்புகளிலிருந்து வணிக விதிகளை நேரடியாகப் பெறவும், அந்த விதிகளுக்கு எதிராக முடிவுகளைத் தொடர்ந்து சரிபார்க்கவும், தெளிவாக வரையறுக்கப்பட்ட எல்லைகளுக்குள் செயற்கை நுண்ணறிவு முகவர்களைப் பாதுகாப்பாகப் பயன்படுத்தவும் இந்தத் தளம் உதவும்.

பெருமளவிலான முடிவெடுப்பை விரைவுபடுத்தியபடியே செயல்பாட்டு இடரைக் குறைப்பதே எங்கள் தொலைநோக்கு. இயல்பான மொழி உள்ளீடுகளிலிருந்து தலைவர்கள் வேகமான, கொள்கைக்கு இணக்கமான முடிவுகளைப் பெறுகின்றனர். அதேவேளையில், அட்டவணையிடல், விநியோகச் சங்கிலி வள ஒதுக்கீடு, நிதிச் செயல்பாடுகள், கொள்கைச் சரிபார்ப்பு, காணொளி அல்லது முப்பரிமாண வடிவமைப்பு ஆகியவற்றில் தேவைக்கேற்ப செய்யப்படும் மாற்றங்களை நிறுவனங்கள் தானியக்கமாக்கலாம். உள்ளமைந்த பாதுகாப்பு ஏற்பாடுகள், நடைமுறைப்படுத்த இயலாத, விதிகளுக்கு இணங்காத அல்லது பாதுகாப்பற்ற விளைவுகள் உற்பத்திச் சூழலை அடைவதைத் தடுக்கின்றன.

சரக்குப் போக்குவரத்து சார்ந்த உகப்பாக்கச் சிக்கல்கள் மற்றும் மூன்று பொதுத் தரஅளவுகோல்களில் நடத்தப்பட்ட கட்டுப்படுத்தப்பட்ட சோதனைகளில், எங்கள் கலப்பு அணுகுமுறை தொடர்ந்து பின்வருவனவற்றை வெளிப்படுத்தியது:

• அதிகத் துல்லியம்

• அதிக விளக்கத்தன்மையும் தணிக்கைத்தன்மையும்

“எல்லாவற்றையும் LLM செய்கிறது” என்ற வழக்கமான அணுகுமுறையை எங்கள் முறை தலைகீழாக மாற்றி, பின்வரும் வடிவமைப்பைப் பின்பற்றுகிறது:

இந்த அணுகுமுறை பொறுப்புகளைத் தெளிவாகப் பிரிக்கிறது: இயல்பான மொழியிலிருந்து விதிகளையும் வரம்புகளையும் LLM-கள் பிரித்தெடுக்கின்றன; OR-Tools, Z3, Pyomo போன்ற தீர்மானகரமான தீர்விகள் உகப்பாக்கத்தையும் சரிபார்ப்பையும் மேற்கொள்கின்றன. இதன் விளைவு இரு அணுகுமுறைகளின் பலங்களையும் ஒருங்கிணைக்கிறது:

எங்கள் வாடிக்கையாளர்களில் சிலர் எதிர்கொள்ளும் ஒரு சவாலுடன் தொடங்கினோம்:

செயல்பாடு, கொள்கை மற்றும் செலவு வரம்புகளைத் தீவிரமாகக் கட்டாயமாக்கியபடி, இயல்பான மொழிக் கோரிக்கைகளை உகந்த நிகழ்நேர வள முடிவுகளாக மாற்றுதல்.

பணியாளர் அட்டவணையிடல், சொத்து ஒதுக்கீடு, வழித்தடத் திட்டமிடல், நிறைவேற்றத் திட்டமிடல், கொள்ளளவு மேலாண்மை உள்ளிட்ட நவீன சரக்குப் போக்குவரத்து மற்றும் விநியோகச் சங்கிலிகளின் மையத்தில் இந்தச் சவால் உள்ளது. நம்பகமான அமைப்புகளை உருவாக்க LLM-களும் முறையான தீர்விகளும் இணைந்து செயல்பட வேண்டிய இடமும் இதுவே. எங்கள் மதிப்பீட்டிற்காகக் கட்டுப்படுத்தப்பட்ட சோதனைக் காட்சிகள், தரவு மூலங்கள், வரம்புகள் மற்றும் 240 செயற்கைக் கோரிக்கைகளை உருவாக்கினோம். எடுத்துக்காட்டுகள்:

• ரத்துசெய்யப்பட்டதைத் தொடர்ந்து தற்போதைய அட்டவணையைத் திருத்தவும். இலக்கு நிலையத்திற்கு 24 டிசம்பர் 2025-க்குள் முழுமையாகப் பொருட்கள் வழங்கப்பட வேண்டும். இயன்றால், அருகிலுள்ள கிடங்கிலிருந்து சரக்குகளைப் பெற்று, குறிப்பிட்ட ஒருங்கிணைப்பு மையம் வழியாக அனுப்பவும். அனுமதிக்கப்பட்ட மிக முந்தைய தொடக்கத் தேதி 14 டிசம்பர் 2025.

• கடைசி நேரக் கோரிக்கை: ஒரு முக்கியப் பிரமுகர் மூன்று மணிநேரத்தில் இடம் A-க்கு வருவார். தேவையான பணியாளர்கள் இரண்டு மணிநேரத்திற்குள் அங்கு இருக்க வேண்டும். தற்போதைய அட்டவணையில் செய்யும் மாற்றங்களைக் குறைத்தபடி பணியாளர் ஒதுக்கீடுகளைச் சரிசெய்யவும்.

இந்தக் கோரிக்கைகளிலிருந்து, அமைப்பு இயல்பான மொழிக் கோரிக்கைகளிலுள்ள கடின மற்றும் மென்மையான வரம்புகளை நேரடியாக நம்பகமாகப் பிரித்தெடுத்துக் கட்டாயமாக்க வேண்டும் என்பது தெரிகிறது:

• கடின வரம்புகளில் சமரசம் செய்ய முடியாது. எடுத்துக்காட்டாக, மிக முந்தைய தொடக்கத் தேதிகள், ஒப்பந்த நிபந்தனைகள் மற்றும் கொள்ளளவு உச்சவரம்புகள். அவற்றில் ஒன்றை மீறினாலும் தீர்வு செல்லாததாகிவிடும்.

• மென்மையான வரம்புகள் தாமதங்களைக் குறைத்தல், செலவுகளைக் கட்டுப்படுத்துதல், மாற்றங்களைக் குறைத்தல் போன்ற விருப்பங்களைக் குறிக்கின்றன. கடின எல்லைகளை மீறாமல் உகப்பாக்குவதே நோக்கம்.

இந்த உகப்பாக்கச் சிக்கல்களின் சில அம்சங்களை முன்கூட்டியே முழுமையாக வரையறுக்க முடியாது. கட்டமைக்கப்பட்ட வணிகத் தர்க்கம், உள் ஆவணங்கள், செயல்பாட்டுத் தரவு ஆகியவற்றிலுள்ள முன்வரையறுக்கப்பட்ட வரம்புகள் மற்றும் நோக்கங்களுடன் பயனரின் கோரிக்கையையும் இணைத்து, அவை மாறும் சூழலுக்கேற்ப உருவாக்கப்பட வேண்டும்.

இந்தச் சூழலில் வெவ்வேறு நுட்பங்கள் எவ்வாறு செயல்படுகின்றன என்பதைப் புரிந்துகொள்ள, மூன்று அணுகுமுறைகளைச் செயல்படுத்தி ஒப்பிட்டோம்.

1. தூய LLM: இந்த எளிய அணுகுமுறை, தொடர்புடைய அனைத்துத் தரவுகளையும் பயனரின் இயல்பான மொழிக் கோரிக்கையையும் ஒரே LLM ப்ராம்ப்ட்டிற்கு வழங்கி, உகந்த திட்டம் அல்லது ஒதுக்கீட்டை உருவாக்கச் சொல்கிறது. சிறிய அல்லது குறைவான வரம்புகளைக் கொண்ட சிக்கல்களுக்கு இது செயல்படலாம். ஆனால் சிக்கல்தன்மை அதிகரிக்கும்போது செயலிழக்கிறது. மாடல் வரம்புகளைப் புறக்கணிக்கலாம், தவறான நோக்கத்திற்கு முன்னுரிமை அளிக்கலாம் அல்லது நியாயமானதாகத் தோன்றினாலும் நடைமுறைப்படுத்த இயலாத திட்டங்களை உருவாக்கலாம். தோல்விகளைக் கண்டறியவோ தடுக்கவோ நம்பகமான வழியும் இல்லை.

2. LLM + கோட் இன்டர்பிரிட்டர்: இந்த அணுகுமுறையில், LLM கோரிக்கையைப் புரிந்துகொண்டு, தரவு மூலங்களை அணுகவும் செயல்படுத்தக்கூடிய உகப்பாக்கக் குறிமுறையை உருவாக்கவும் கருவிகளைப் பயன்படுத்துகிறது. இது நெகிழ்வுத்தன்மையையும் கவனிக்கக்கூடிய தன்மையையும் சேர்க்கிறது. ஆனால் நம்பகத்தன்மை இன்னும் சிக்கலாகவே உள்ளது. LLM இன்னும் வரம்புகளைச் சரியான குறிமுறையாக மாற்ற வேண்டும். குறிப்பாக வரம்புகளின் எண்ணிக்கை அதிகரிக்கும்போது, சிறிய ரீஸனிங் அல்லது குறிமுறைப் பிழைகள்கூட செல்லாத அல்லது உகந்ததல்லாத விளைவுகளை உருவாக்கலாம்.

3. கலப்பு: LLM → கட்டமைக்கப்பட்ட வரம்புகள் → தீர்மானகரமான தீர்வி: மூன்றாவது அணுகுமுறை பொறுப்புகளைப் பிரிக்கிறது. விளைவை LLM ஒருபோதும் “முடிவு” செய்வதில்லை; மாறிகள், வரம்புகள் மற்றும் நோக்கங்களை முறையாக வடிவமைக்க மட்டுமே அது உதவுகிறது. நிரூபிக்கப்பட்ட உகப்பாக்கத் தீர்வி வரம்புகளைக் கட்டாயமாக்கி, நடைமுறைச் சாத்தியத்தை உறுதிசெய்து, சரிபார்த்து தணிக்கை செய்யக்கூடிய விளைவுகளை உருவாக்குகிறது. முன்வரையறுக்கப்பட்ட திட்டவடிவங்களைப் பயன்படுத்தி, இயல்பான மொழிக் கோரிக்கைகளை வெளிப்படையான, கட்டமைக்கப்பட்ட வரம்புகளாக மாற்றுவதுடன் LLM-இன் பங்கு முடிகிறது. அந்த வரம்புகள் OR-Tools போன்ற தீர்விக் குறிமுறையாகத் தானாகத் தொகுக்கப்படுகின்றன. அது நடைமுறைப்படுத்தக்கூடிய உகந்த தீர்வைத் தீர்மானகரமாகக் கணக்கிடுகிறது.

GPT-5, GPT-5.1, GPT-5.2 உள்ளிட்ட பல LLM-களைப் பயன்படுத்தி முறைகளைச் சோதித்தோம். எதிர்பார்த்தபடி, கலப்பு அணுகுமுறை மற்றவற்றைவிடச் சிறப்பாகச் செயல்பட்டது:

எங்கள் கலப்பு முறை துல்லியத்தில் கணிசமான உயர்வையும், 4 மடங்குக்கும் அதிகமான டோக்கன் செயல்திறனையும், தாமதத்தில் பத்து மடங்கு குறைப்பையும் காட்டுகிறது.

இயல்பான மொழியைக் கட்டமைக்கப்பட்ட பொருள்சார் பிரதிநிதித்துவங்களாக மாற்றும், பொதுமைப்படுத்தி மீண்டும் பயன்படுத்தக்கூடிய இடைமுகத்தை உருவாக்குவது எங்கள் அடுத்த படியாகும். எங்கள் பின்புலம் அவற்றைத் தீர்விக்குத் தயாரான குறிமுறையாக மாற்றும். இந்தச் சோதனையில் நேரியல் உகப்பாக்கச் சிக்கல்களில் கவனம் செலுத்தி, மூன்று பொதுத் தரவுத்தொகுப்புகளுக்கு எதிராக அணுகுமுறையை மதிப்பிட்டோம் (NLP4LP, NL4OPT மற்றும் IndustryOR).

1. தனித்தியங்கும் LLM

2. கலப்பு முறை (LLM → கட்டமைக்கப்பட்ட விதிகள் → தீர்வி → சரிபார்க்கப்பட்ட வெளியீடு)

• உள்ளீட்டிலிருந்து மாறிகள், வரம்புகள் மற்றும் நோக்கங்களைப் பிரித்தெடுத்து, கட்டமைக்கப்பட்ட உகப்பாக்கச் சிக்கலை வடிவமைக்க LLM-ஐப் பயன்படுத்துதல்.

• சுயசரிபார்ப்புக்காகக் கட்டமைக்கப்பட்ட சிக்கலையும் அசல் கோரிக்கையையும் LLM-க்கு வழங்குதல்.

• உகந்த ஒதுக்கீட்டைக் கணக்கிட, கட்டமைக்கப்பட்ட சிக்கலை OR-Tools குறிமுறையாக மாற்றுதல்.

GPT-5.1, GPT-5 mini, GPT-5.1-Codex-Max, GPT-5.2 உள்ளிட்ட தனியுரிம அதிநவீன மாடல்களுடனும், Kimi K2, GPT-OSS மாடல்கள், MiniMax M2 போன்ற திறந்த மூல மாடல்களுடனும் இந்த அணுகுமுறையை மதிப்பிட்டோம். ஒவ்வொரு முறைக்குமான முடிவுகளைப் பெட்டி வரைபடங்கள் சுருக்கமாகக் காட்டுகின்றன.

மதிப்பிடப்பட்ட அடிப்படை மொழி மாடல்கள் ஏறக்குறைய அனைத்திலும், தனித்தியங்கும் LLM அடிப்படையுடன் ஒப்பிடும்போது கலப்பு அணுகுமுறை தொடர்ந்து அதிகத் துல்லியமான, நிலையான, சரிபார்க்கக்கூடிய முடிவுகளை உருவாக்குகிறது. மாடல்களுக்கு இடையே ஒட்டுமொத்தச் செயல்திறன் மாறினாலும், கலப்பு அணுகுமுறை தரும் ஒப்பீட்டு முன்னேற்றங்கள் சீராக உள்ளன. எந்தவொரு தனிப்பட்ட மாடலின் ரீஸனிங் திறனையும் சார்ந்திருப்பதற்குப் பதிலாக, இயல்பான மொழிப் புரிதலை முறையான உகப்பாக்கத்திலிருந்து பிரிப்பதாலேயே இந்த முன்னேற்றங்கள் கிடைக்கின்றன என்பதை இது காட்டுகிறது.

துல்லியம்

முக்கியமாக நேரியல் நிரலாக்கச் சிக்கல்களைக் கொண்ட NLP4LP மற்றும் NL4OPT-இல், கலப்பு முறை உச்சவரம்புக்கு நெருக்கமான துல்லியத்தை அடைந்து, தனித்தியங்கும் LLM ப்ராம்ப்ட்டைவிடச் சிறப்பாகச் செயல்படுகிறது. “ஏறக்குறைய சரியான” ரீஸனிங்கை உருவாக்குவதற்குப் பதிலாக, கலப்பு அமைப்பு செல்லுபடியாகும், முறையாக வடிவமைக்கப்பட்ட கணித வடிவமைப்புகளை மிகவும் சீராக உருவாக்குகிறது. மிகவும் சவாலான IndustryOR தரவுத்தொகுப்பில் இரு முறைகளின் துல்லியமும் குறைகிறது. ஆனால் அதற்கான காரணங்கள் வேறுபடுகின்றன. பல IndustryOR சிக்கல்களில் வாகன வழித்தடத் திட்டமிடல், பணிகளை வரிசைப்படுத்துதல், பணியாளர் ஒதுக்கீடு போன்ற சேர்மானக் கட்டமைப்புகள் உள்ளன. அவை தற்போது எங்கள் தீர்விப் பின்புலம் ஆதரிக்கும் நேரியல் உகப்பாக்கத் திறன்களுக்கு அப்பாற்பட்டவை.

தோல்வி முறைகளின் பகுப்பாய்வு, கீழே காட்டியுள்ளபடி தனித்தியங்கும் LLM-கள் தேவையான வரம்புகளை அடிக்கடி மீறுகின்றன என்பதைக் காட்டுகிறது:

எடுத்துக்காட்டு 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?"

தனித்தியங்கும் LLM குறைந்த மொத்தக் கொழுப்பைக் கொண்ட தீர்வை உருவாக்குகிறது. ஆனால் வான்கோழி உணவுகள் மொத்த உணவுகளில் 40%-க்கு மேல் இருக்கக்கூடாது என்ற தேவையை அது மீறுகிறது. கலப்பு அணுகுமுறை இந்தக் கடின வரம்பைச் சரியாகக் கட்டாயமாக்கி, செல்லுபடியாகும் பதிலை வழங்குகிறது.

எடுத்துக்காட்டு 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?"

தனித்தியங்கும் LLM மீண்டும் குறைந்த வெளியேற்றத்தைக் கொண்ட தீர்வை உருவாக்குகிறது. ஆனால் அனுமதிக்கப்பட்ட அதிகபட்ச வலி மருந்து வரம்பை அது மீறுகிறது. கலப்பு அணுகுமுறை அந்தக் கடின வரம்பைச் சரியாகக் கட்டாயமாக்கி, செல்லுபடியாகும் பதிலை வழங்குகிறது.

தாமதமும் டோக்கன் பயன்பாடும்

தாமதம் மற்றும் டோக்கன் பயன்பாட்டுத் தரவு ஒரு முக்கியமான வேறுபாட்டை வெளிப்படுத்துகிறது. ஒரே முயற்சியில் செயல்படும் LLM ப்ராம்ப்ட்டைவிட கலப்பு அணுகுமுறையின் சராசரித் தாமதமும் டோக்கன் பயன்பாடும் அதிகம். ஆனால் இது செயல்திறனின்மையைக் காட்டாமல், கட்டமைப்புத் தேர்வுகளையே பிரதிபலிக்கிறது.

கலப்புச் செயலாக்கத் தொடரில் அடங்குபவை:

1. கட்டமைக்கப்பட்ட மாறிகள், வரம்புகள் மற்றும் நோக்கங்களைப் பிரித்தெடுக்க ஒன்று அல்லது அதற்கு மேற்பட்ட LLM அழைப்புகள்.

2. உள்ளக முரண்பாடுகளைக் கண்டறியும் சுயசரிபார்ப்புப் படிநிலை.

ஒரே ப்ராம்ப்ட்டுடன் ஒப்பிடும்போது இவை கூடுதல் சுமையை ஏற்படுத்தினாலும், தாமதம் வரம்புக்குட்பட்டதாகவும் கணிக்கக்கூடியதாகவும் உள்ளது. சிக்கல் முறையாக வடிவமைக்கப்பட்டதும் தீர்வியின் செயல்பாடு பொதுவாக வேகமாக இருக்கும். இந்தக் கூடுதல் பணி வெளிப்படையான, மீண்டும் பயன்படுத்தக்கூடிய, தணிக்கை செய்யக்கூடிய இடைநிலைப் பிரதிநிதித்துவங்களை உருவாக்குகிறது. இதற்கு மாறாக, தனித்தியங்கும் LLM அணுகுமுறைகள் ரீஸனிங்கை ஒரே ஒளிவுமறைவான உருவாக்கத்திற்குள் சுருக்கி, மறுமுயற்சிகள், கைமுறைச் சோதனைகள் மற்றும் பிந்தைய தோல்விகளுக்குச் செலவுகளை மாற்றுகின்றன. எதிர்காலப் பதிப்புகள் பின்வருவனவற்றின் மூலம் இந்தக் கூடுதல் சுமையைக் குறைக்கலாம்:

• பிரித்தெடுக்கப்பட்ட திட்டவடிவங்களை இடைநினைவகத்தில் சேமித்தல்.

• வரம்புகளைப் படிப்படியாகப் புதுப்பித்தல்.

• ப்ராம்ப்ட் மற்றும் அழைப்பு ஒருங்கிணைப்பை மேம்படுத்துதல்.

வெளிப்படைத்தன்மையும் தணிக்கைத்தன்மையும்

இறுதியாக, இரு முறைகளும் தோல்வியடையும் சூழல்களில்கூட, தோல்வியின் தன்மையே அடிப்படையில் வேறுபடுகிறது.

• தனித்தியங்கும் LLM-இல் தோல்விகள் பெரும்பாலும் வெளிப்படுவதில்லை: மாடல் நுட்பமாகத் தவறான முடிவை வழங்கக்கூடும்.

• கலப்பு அணுகுமுறையில், சிக்கல் வெளிப்படையாக வடிவமைக்கப்படுவதால் தோல்விகள் தெளிவாகத் தெரிகின்றன; பிழையை ஏற்படுத்திய வடிவமைப்புப் பகுதியைக் குழுக்கள் கண்டறியவும் முடிகிறது.

எதிர்காலப் பதிப்புகள் இந்த வடிவமைப்புகளை ஓர் இடைமுகத்தில் காட்டி, தீர்வி இயங்குவதற்கு முன் பயனர்கள் அவற்றைத் தணிக்கை செய்யவோ சரிபார்க்கவோ அனுமதிக்கலாம். இந்த வெளிப்படைத்தன்மை அளவிடப்பட்ட துல்லியத்தை மேம்படுத்துவதுடன், அமைப்பில் பிழைநீக்கம் செய்து செம்மைப்படுத்துவதையும் எளிதாக்குகிறது. நிஜ உலகப் பயன்பாட்டுக்கு இது இன்றியமையாதது.

முக்கியக் கருத்து

அனைத்துத் தரஅளவுகோல்களிலும், சோதிக்கப்பட்ட அடிப்படை மாடல்களில் பெரும்பாலானவற்றிலும், எங்கள் பணியின் மைய முடிவை விளைவுகள் உறுதிப்படுத்துகின்றன:

நோக்கத்தைப் புரிந்துகொண்டு மொழிமாற்றம் செய்வதில் LLM-கள் வலிமையானவை; ஆனால் துல்லியத்தைக் கட்டாயமாக்க தீர்மானகரமான தீர்விகள் இன்றியமையாதவை.

கலப்பு அணுகுமுறை, தெளிவின்மைக்கான மூலமாக இருந்த இயல்பான மொழியை கணிதரீதியாக உறுதியான முடிவெடுப்புக்கான நம்பகமான இடைமுகமாக மாற்றுகிறது. இதன் மூலம் நிறுவனச் செயற்கை நுண்ணறிவு, அறிவாற்றல் மட்டுமின்றி நம்பகத்தன்மையும் கொண்ட அமைப்புகளுக்கு மேலும் ஒரு படி நெருங்குகிறது.

நிறுவன வரம்புகள் அரிதாகவே நேர்த்தியான திட்டவடிவங்களிலோ கச்சிதமாக எழுதப்பட்ட ப்ராம்ப்ட்களிலோ காணப்படுகின்றன. அவை தரவுத்தளங்கள், விரிதாள்கள், உள்கொள்கைகள் மற்றும் ஒப்பந்தங்களில் சிதறிக் கிடக்கின்றன. பயனர் கோரிக்கைகள் முழுமையற்றவையாகவோ, தெளிவற்றவையாகவோ, வணிக விதிகளுடன் முரண்படுபவையாகவோ இருக்கலாம். இந்த அணுகுமுறையைப் பெருமளவில் செயல்படுத்த, இச்சிக்கல்களை நம்பகமான நிறுவனத் திறனாக மாற்றும், மீண்டும் பயன்படுத்தக்கூடிய பின்புல இயந்திரத்தை உருவாக்கி வருகிறோம்.

இந்த இயந்திரம் அதன் அடிப்படையில், செயற்கை நுண்ணறிவால் இயக்கப்படும் முடிவெடுப்பு அமைப்புகளுக்கான முறையான முதுகெலும்பாகச் செயல்பட்டு, பின்வருவனவற்றை வழங்குகிறது:

• வணிக விதிகள், வரம்புகள், மாறிகள் மற்றும் நோக்கங்களைப் பெறும் இணைப்பிகளைக் கொண்ட குறியீட்டு அறிவுத்தளம்.

• திட்டவடிவங்களைத் தீர்விக் குறிமுறையாகத் தொகுக்கும் மொழிமாற்ற அடுக்கு.

• வரம்புகளை ஆய்வு செய்யவும், தணிக்கை செய்யவும், மாற்றவும் குழுக்களை அனுமதிக்கும் இடைமுகங்கள்.

இந்தச் சோதனைகள் தற்போது உகப்பாக்கத்தில் கவனம் செலுத்தினாலும், இதே முறையைத் தர்க்கச் சரிபார்ப்புக்கும் விரிவாக்கலாம். சாத்தியமான வணிகப் பயன்பாடுகள்:

• ஒவ்வொரு செயல்பாட்டு வரம்பையும் கட்டாயமாக்கியபடி, தேவைக்கேற்ப மாறும் அட்டவணையிடல், வழித்தடத் திட்டமிடல் மற்றும் வள ஒதுக்கீட்டை மேற்கொள்ளுதல்.

• வணிக விதிகளைத் தொடர்ந்து மதிக்கும் பதில்களையும் பரிந்துரைகளையும் உருவாக்குதல்.

• நடைமுறைப்படுத்த இயலாத வடிவமைப்புகளை உற்பத்திக்கு முன்பே கண்டறிந்தபடி, சிக்கலான முப்பரிமாணப் பொருட்கள், காணொளிகள் மற்றும் கட்டமைப்புகளை வடிவமைத்துச் சரிபார்த்தல்.

இன்றைய செயற்கை நுண்ணறிவு வலிமையானது. ஆனால் நிறுவனங்களுக்கு வலிமை மட்டும் போதாது; துல்லியம், நிலைத்தன்மை மற்றும் கட்டுப்பாடும் தேவை. எங்கள் கலப்பு LLM மற்றும் தீர்வி அமைப்பு, பின்வருவன சாத்தியமாகும் உலகை நோக்கிய ஒரு படியாகும்:

• முகவர்கள் இல்லாத விதிகளையோ வரம்புகளையோ புனைவதில்லை.

• தர்க்க முடிவுகளும் உகப்பாக்கமும் கணிதரீதியாக உறுதியானவை.

• தீர்மானகரமான அமைப்புகளுக்கான பொதுவான இடைமுகமாக இயல்பான மொழி செயல்படுகிறது.