Značajke umjetne inteligencije često se predstavljaju kao problem odabira modela: odaberite pružatelja usluge, osmislite prompt, dodajte okvir za razgovor i izmjerite rezultat. To je samo vidljivi sloj. Koristan odgovor mnogo više ovisi o tome može li sustav pronaći, protumačiti i sigurno postupati na temelju pouzdanih informacija.

To čini pozadinski sustav ponovno vidljivim. On više nije samo mehanizam iza obrazaca i nadzornih ploča. Postaje temelj istine za umjetnu inteligenciju: sloj koji određuje koji podaci postoje, što znače, tko ih smije vidjeti i jesu li dovoljno aktualni da podrže odgovor ili radnju.

Modeli zaključuju na temelju konteksta, a ne vaših namjera

Jezični model ne razumije automatski vaše evidencije kupaca, pravila proizvoda, račune ili operativne procese. Vidi samo kontekst koji mu je dostavljen. Ako je taj kontekst nepotpun, zastario, dvosmislen ili neovlašten, uglađen odgovor i dalje može biti pogrešan.

Zamislite pomoćnika za podršku kojemu je postavljeno pitanje zašto narudžba nije poslana. Koristan odgovor može zahtijevati najnoviji status narudžbe, status plaćanja, dodjelu zaliha, događaje ispunjavanja narudžbe, informacije prijevoznika i prava pristupa kupca. Ako se ovo tretira kao problem pretraživanja jednog dokumenta, gube se važne razlike. „Plaćeno”, „dodijeljeno” i „poslano” zasebne su činjenice s različitim vlasnicima i putovima ažuriranja.

Čvrst pozadinski sustav pretvara te činjenice u pouzdane mogućnosti. Izlaže usku operaciju poput getOrderStatus(orderId, customerId), provodi autorizaciju, razrješava trenutačno stanje iz mjerodavnih sustava i vraća strukturirane podatke. Model može objasniti rezultat, ali ne bi trebao biti odgovoran za rekonstruiranje poslovne istine iz raspršenog teksta.

Definirajte sustave evidencije prije izgradnje dohvaćanja

Dohvaćanje je vrijedno za pravila, priručnike, ugovore, članke baze znanja i drugi objašnjavajući materijal. Manje je prikladno kao primarni izvor za promjenjivo transakcijsko stanje. PDF može točno opisivati politiku povrata, a istodobno biti loše mjesto za utvrđivanje je li određeni povrat odobren prije pet minuta.

Započnite klasificiranjem informacija prema njihovoj ulozi:

• Transakcijska istina: narudžbe, salda, dozvole, status računa, zalihe i stanje tijeka rada. Dohvaćajte je putem kontroliranih aplikacijskih ili domenskih API-ja.
• Referentno znanje: dokumentacija, pravila, vodiči i opisi proizvoda. Indeksirajte ga za dohvaćanje uz jasno vlasništvo i pravila osvježavanja.
• Izvedeni uvid: sažeci, preporuke, klasifikacije i izvještaji. Označite ga kao izvedenog i zadržite dovoljno podrijetla za njegovu provjeru.
• Stanje razgovora: korisničke postavke i prethodne razmjene. Držite ga odvojeno od trajnih poslovnih činjenica i promišljeno primjenjujte pravila zadržavanja.

Ta razlika čini arhitekturu mirnijom. Umjesto da od jedne komponente umjetne inteligencije tražite da pretražuje sve, izračunava bilo što i ažurira zapise, dajete joj jasne putove do pouzdanih informacija. Model postaje sučelje prema vašoj domeni, a ne njezina nekontrolirana zamjena.

Učinite podatkovne ugovore korisnima ljudima i modelima

Dobar dizajn API-ja oduvijek je zahtijevao eksplicitne ugovore. Umjetna inteligencija čini tu disciplinu još važnijom jer nejasna polja potiču nejasno zaključivanje. Odgovor koji sadrži status: "active" može biti tehnički valjan, ali operativno nejasan. Aktivan u kojem smislu? Smije li račun kupovati, može li primati poruke ili jednostavno nije izbrisan?

Dajte prednost nazivima specifičnima za domenu, predvidljivim identifikatorima, eksplicitnim vremenskim oznakama i ograničenim enumeracijama. Uključite informacije potrebne za tumačenje činjenice, poput valute za novčane iznose te vremenske zone ili pomaka za rok. Izbjegavajte otkrivanje sirovih shema baze podataka samo zato što ih je jednostavno serijalizirati.

final class OrderStatus
{
    public function __construct(
        public readonly string $orderId,
        public readonly string $fulfillmentState,
        public readonly ?string $trackingNumber,
        public readonly \DateTimeImmutable $updatedAt,
    ) {}
}

Ovaj mali PHP vrijednosni objekt komunicira jasnije od netipiziranog asocijativnog polja sastavljenog iz rezultata upita. Također daje aplikacijskom kodu prirodno mjesto za provjeru prijelaza stanja i normalizaciju podataka prije nego što stignu do API-ja, reda čekanja ili alata umjetne inteligencije.

Sačuvajte podrijetlo

Svaki smisleni odgovor trebao bi se moći pratiti do kategorije izvora, identifikatora izvora i vremena dohvaćanja. To ne znači izlaganje internih pojedinosti implementacije svakom korisniku. Znači da vaš sustav može objasniti zašto je proizveo odgovor, otkriti zastarjeli materijal i podržati otklanjanje pogrešaka kada se odgovor ospori.

Za indeksirani sadržaj pohranite vlasništvo nad dokumentom, verziju, status objave i vremensku oznaku indeksiranja uz dijelove i ugrađene vektore. Kada se pravilo promijeni, staru verziju trebalo bi biti moguće ukloniti ili je jasno označiti kao zamijenjenu. U protivnom dohvaćanje može isporučiti dva uvjerljiva, ali proturječna odgovora, a nijedna formulacija prompta ne može pouzdano ispraviti taj neuspjeh upravljanja.

Autorizacija pripada ispod prompta

Upute u promptu mogu usmjeravati model, ali nisu granica autorizacije. Kontrolu pristupa mora provoditi pozadinski sustav koji dohvaća podatke ili izvršava radnju. Identitet zahtjeva, zakupac, uloge i relevantna pravila vlasništva trebali bi pratiti svako pozivanje alata.

Praktično je pravilo jednostavno: model može zatražiti operaciju, ali aplikacija odlučuje je li ta operacija dopuštena. Isto pravilo vrijedi za destruktivne radnje. Pomoćnik može pripremiti otkazivanje, sastaviti poruku ili objasniti posljedice, dok pozadinski sustav zahtijeva eksplicitnu potvrdu i provjerava trenutačno stanje prije potvrđivanja promjene.

Tragovi revizije ovdje su važni. Zabilježite korisnika koji je pokrenuo radnju, zatraženu radnju, provjerene parametre, ishod i relevantnu verziju domenskog pravila. Nemojte bilježiti tajne ni nepotrebne osobne podatke. Cilj su odgovorne operacije, a ne neselektivno prikupljanje podataka.

Gradite za zastarjele podatke i djelomičan neuspjeh

Radni tokovi umjetne inteligencije dodaju ovisnosti: pružatelja modela, spremište za dohvaćanje, redove čekanja, interne API-je i često vanjske usluge. Neuspjeh je uobičajen, a ne izniman. Pozadinski sustav koji pretpostavlja da svaki poziv uspijeva pretvara privremeni prekid rada u obmanjujući odgovor ili nesigurnu radnju.

Oblikujte odgovore prema onome što je poznato. Ako pretraga prijevoznika uživo ne uspije, recite da trenutačno ažuriranje dostave nije dostupno umjesto da stari procijenjeni rok predstavite kao svjež. Koristite vremenska ograničenja, ograničene ponovne pokušaje kada je zahtjeve sigurno ponoviti, ključeve idempotentnosti za naredbe i redove čekanja za rad koji ne mora biti dovršen u putanji korisničkog zahtjeva.

Docker pomaže učiniti te granice ponovljivima, ali sam po sebi ne stvara pouzdanost. Kontejnerizirajte usluge s eksplicitnom konfiguracijom, provjerama stanja i odvojenim odgovornostima za web-zahtjeve, pozadinske radnike i migracije. Održavajte migracije kompatibilnima s postupnim implementacijama: implementirajte kod koji može podnijeti obje verzije sheme, migrirajte, a zatim uklonite zastarjele putove u kasnijem izdanju.

Mjerite cjevovod, a ne samo odgovor

Timovi često procjenjuju izlaz umjetne inteligencije prema tonu i točnosti, a pritom zanemaruju put pozadinskog sustava koji ga je stvorio. Mjerite svježinu dohvaćanja, odbijanja autorizacije, pogreške alata, latenciju po ovisnosti i stopu po kojoj korisnici moraju ispraviti odgovor. Pregledajte reprezentativne slučajeve neuspjeha: zapise koji nedostaju, proturječne izvore, zastarjele dokumente, dvosmislene zahtjeve i nedostupne usluge.

Rad na performansama slijedi isto načelo. Pažljivo predmemorirajte stabilne referentne podatke, ali izbjegavajte predmemoriranje istine osjetljive na autorizaciju ili istine koja se brzo mijenja bez jasne strategije poništavanja. Optimizirajte upite baze podataka prije nego što neučinkovit pristup sakrijete iza sloja umjetne inteligencije. Brz pogrešan odgovor i dalje je pogrešan.

Trajna prednost je pouzdan kontekst

Modeli će se mijenjati. Sučelja će se mijenjati. Dugotrajno ulaganje u pozadinski sustav jest dobro definirana domena, podaci s vlasništvom i sljedivošću, API-ji koji izražavaju stvarne poslovne operacije te kontrole koje nesigurne radnje čine teškima.

Kada su ti temelji postavljeni, umjetna inteligencija može postati istinski korisna: može objasniti složene sustave, voditi korisnike kroz odluke i s pouzdanjem automatizirati ograničeni rad. Najvrjednija značajka umjetne inteligencije nije ona koja zvuči najpametnije. To je ona kojoj vaši korisnici mogu vjerovati jer pozadinski sustav zna što je istinito, što je dopušteno i što još treba provjeriti.