அனுபவத்தை மேம்படுத்த analytics-ஐ பயன்படுத்துகிறோம். உங்கள் தேர்வை எப்போது வேண்டுமானாலும் புதுப்பிக்கலாம்.
Glossary
Definitions க்கான விதிமுறைகள் அது matter போது building பொறுப்புடைமை கொண்ட AI வேலை தன்னியக்கம் systems.
Agent Delegation
security
Agent delegation என்பது user அல்லது மற்றொரு agent சார்பில் செயல்பட AI agent க்கு அளவிடப்பட்ட, காலவரையறை கொண்ட authority ஐ கட்டுப்பாட்டுடன் வழங்குவது. எந்த capabilities, tenants, actions அனுமதிக்கப்படுகின்றன என்பதை delegation தெளிவாகக் குறிப்பிடுகிறது; எனவே agent வெளிப்படையான, revoke செய்யக்கூடிய, audit செய்யக்கூடிய வரம்புகளுக்குள் செயல்படும்.
இணைச்சொற்கள்: delegated authority, scoped delegation, agent authorization, agent grant
delegation scope என்ன வரையறுக்கிறது?
agent பயன்படுத்தக்கூடிய capabilities, அது செயல்படக்கூடிய tenant, அது முன்மொழியக்கூடிய அல்லது செயல்படுத்தக்கூடிய actions, மற்றும் expiry ஆகியவற்றை scope வரையறுக்கிறது; authority குறுகியதாகவும் காலவரையறை உடையதாகவும் revocable ஆகவும் இருக்கும்.
delegation எப்படி accountable ஆகத் தங்குகிறது?
ஒவ்வொரு delegated action ம் agent கும் delegation வழங்கிய principal கும் attributed ஆகி audit trail இல் பதிவு செய்யப்படும்; sensitive actions இன்னும் approval policy வழியே செல்கின்றன.
Agent2Agent Protocol (A2A)
ai
Agent2Agent protocol என்பது autonomous agents ஒருவரை ஒருவர் கண்டறியவும், tasks பரிமாறிக்கொள்ளவும், organizational boundaries ஐத் தாண்டி work ஐ ஒருங்கிணைக்கவும் உதவும் open standard. ஒரு agent தனது capabilities ஐ எப்படி advertise செய்கிறது, மற்றொரு agent task ஐ எப்படி delegate செய்து completion வரை track செய்கிறது என்பதைக் குறிக்கிறது.
MCP model ஐ tools மற்றும் data உடன் இணைக்கிறது. A2A agents ஐ agents உடன் இணைக்கிறது; model ஒரு tool ஐ call செய்வதை விட, ஒரு agent மற்றொரு agent க்கு task ஒப்படைத்து அதன் status ஐப் பின்தொடரும் முறையை வரையறுக்கிறது.
A2A tasks எப்படி track செய்யப்படுகின்றன?
A2A task tracked work record க்கு map செய்யப்படுகிறது; அதன் lifecycle, evidence, outcome ஆகியவை மனிதர் அல்லது form மூலம் வந்த work போலவே audit செய்யக்கூடியவை.
Answer Engine Optimization (AEO)
marketing
Answer engine optimization என்பது AI answer engines மற்றும் chat assistants content ஐக் கண்டுபிடித்து, cite செய்து, துல்லியமாக summarize செய்யும் வகையில் content ஐ கட்டமைப்பது. SEO ranked links ஐ இலக்காகக் கொண்டால், AEO synthesized answer ஐயே இலக்காகக் கொண்டு தெளிவான definitions, structured data, machine-readable source files க்காக optimize செய்கிறது.
இணைச்சொற்கள்: AEO, generative engine optimization, GEO, AI search optimization
AEO, SEO விலிருந்து எப்படி வேறுபடுகிறது?
SEO results page இல் clickable link ஆக rank ஆக optimize செய்கிறது. AEO AI-generated answer உள்ளே selected, quoted, cited ஆக optimize செய்கிறது; precise definitions, structured data, clean machine-readable feeds இதற்கு உதவும்.
answer engine ஒரு page ஐ cite செய்ய எந்த signals உதவும்?
Definition-first writing, valid schema.org structured data, llms.txt index, FAQ markup, stable canonical URLs ஆகியவை answer engine content ஐ retrieve செய்து attribute செய்ய எளிதாக்கும்.
Approval Workflow
governance
Approval workflow என்பது proposed action செயல்படுவதற்கு முன் கடக்க வேண்டிய governed checkpoints வரிசை. ஒவ்வொரு step ம் risk, role, அல்லது policy அடிப்படையில் decision ஐ சரியான reviewer க்கு route செய்கிறது; யார் எதை approve செய்தார்கள் என்பதைக் பதிவு செய்து outcome முழுமையாக accountable ஆகிறது.
இணைச்சொற்கள்: approval flow, review workflow, authorization workflow, sign-off process
approval requirement ஐ எது trigger செய்யலாம்?
workflow, channel, risk class, monetary threshold, அல்லது action type அடிப்படையில் requirements அமல்படுத்தலாம்; உண்மையில் oversight தேவைப்படும் steps மட்டும் reviewer காக pause ஆகும்.
approval workflow எப்படி auditable ஆக இருக்கும்?
ஒவ்வொரு request, approval, edit, rejection actor மற்றும் timestamp உடன் record செய்யப்படும்; ஒவ்வொரு governed action ஐ யார் authorize செய்தார்கள் என்பதை நிரூபிக்கும் end-to-end trail உருவாகும்.
Chunking
ai
Chunking என்பது source documents ஐ embedding செய்வதற்கு முன் சிறிய retrieval units ஆகப் பிரிக்கும் செயல்முறை. chunk size மற்றும் boundary strategy knowledge base முழுவதும் recall, precision, embedding cost ஆகியவற்றை balance செய்து, retriever தொடர்புடைய fact ஐ எவ்வளவு துல்லியமாக கண்டறிய முடியும் என்பதை நிர்ணயிக்கின்றன.
இணைச்சொற்கள்: text chunking, document segmentation, passage splitting, chunk strategy
நல்ல chunk என்றால் என்ன?
நல்ல chunk semantically self-contained ஆக இருக்கும், ஒரு fact boundaries இடையில் split ஆகாத அளவில் size செய்யப்படும், மேலும் filter, refresh, cite செய்ய stable metadata உடையதாக இருக்கும்.
chunking answer quality ஐ எப்படி பாதிக்கிறது?
மிகப் பெரிய chunks relevance ஐ dilute செய்து tokens வீணாக்கும்; மிகச் சிறிய chunks context ஐ உடைத்து meaning இழக்கும். Boundary choices generated answers இன் recall மற்றும் groundedness ஐ நேரடியாக வடிவமைக்கின்றன.
Embedding
ai
Embedding என்பது text, images, அல்லது பிற data வின் meaning ஐ high-dimensional space இல் பிரதிநிதித்துவப்படுத்தும் numeric vector. ஒத்த meaning கொண்ட items அருகருகே இருக்கும் vectors ஐ உருவாக்குகின்றன; இதனால் systems exact matches அல்லாமல் semantic similarity அடிப்படையில் content ஐ compare, cluster, retrieve செய்ய முடியும்.
இணைச்சொற்கள்: vector embedding, text embedding, semantic vector, dense representation
embedding model version ஏன் முக்கியம்?
வேறு models இலிருந்து வரும் vectors comparable அல்ல. ஒவ்வொரு embedding உடன் model version ஐச் சேமிப்பது drift கண்டறியவும் embedding model upgrade செய்யும்போது safely reindex செய்யவும் உதவும்.
embeddings ஐ original text ஆகத் திருப்ப முடியுமா?
துல்லியமாக முடியாது; ஆனால் embeddings sensitive information leak செய்யக்கூடும், எனவே அவை represent செய்யும் source content உடைய tenant isolation மற்றும் access controls அதற்கும் பொருந்த வேண்டும்.
Evidence Citation
ai
Evidence citation என்பது AI system கூறும் ஒவ்வொரு claim க்கும் verify செய்யக்கூடிய source references இணைப்பது. ஒவ்வொரு cited passage ம் அது வந்த document, record, அல்லது knowledge asset க்கு link ஆகிறது; எனவே ஒருவர் answer grounded என்று உறுதிப்படுத்தி பின்னரே அதை நம்பவோ அதன்படி செயல்படவோ முடியும்.
குறைந்தபட்சம் source identifier மற்றும் பயன்படுத்தப்பட்ட exact passage இருக்க வேண்டும்; stable link மற்றும் timestamp இருந்தால் answer உருவான நேரத்தில் evidence current ஆக இருந்தது என்பதை reviewers உறுதிப்படுத்த முடியும்.
governed automation க்கு citations ஏன் அவசியம்?
Citations answer ஐ auditable ஆக்குகின்றன. அவற்றில்லாமல் automated response unaccountable; அவற்றுடன் reviewer grounding verify செய்ய முடியும், audit trail எந்த evidence decision ஐ இயக்கியது என்பதை நிரூபிக்க முடியும்.
Grounding
ai
Grounding என்பது AI model output ஐ அதன் parametric memory க்கு பதிலாக verify செய்யக்கூடிய source evidence க்கு கட்டுப்படுத்தும் practice. Grounded answer retrieved passages மூலம் supported ஆகி cite செய்து check செய்யக்கூடியது; fabricated அல்லது confidently wrong responses க்கு இது முதன்மை பாதுகாப்பு.
நடைமுறையில் grounding எப்படி enforce செய்யப்படுகிறது?
Retrieval model க்கு relevant source passages மட்டும் வழங்குகிறது, prompt அந்த evidence இலிருந்தே answer செய்யச் சொல்கிறது, verification step supporting citation இல்லாத claims ஐ reject செய்கிறது.
grounding evidence இல்லையெனில் என்ன நடக்கும்?
நன்றாக வடிவமைக்கப்பட்ட grounded system response invent செய்யாமல் answer செய்ய மறுக்கும் அல்லது ஒருவருக்கு escalate செய்யும்; confident guess க்கு பதிலாக explicit gap ஐ surface செய்கிறது.
Hallucination
ai
Hallucination என்பது language model இலிருந்து வரும் confident ஆனால் unsupported அல்லது fabricated output - கேட்க plausible ஆக இருந்தாலும் provided evidence அல்லது reality இல் ஆதாரம் இல்லாத claim. Knowledge work automation இல் hallucinations மைய risk; cited evidence உடன் grounding முதன்மை mitigation.
இணைச்சொற்கள்: AI hallucination, fabrication, confabulation, ungrounded output
language models ஏன் hallucinate செய்கின்றன?
Models verified facts அல்ல, likely text ஐ predict செய்கின்றன. Retrieved evidence அவற்றை constrain செய்யாவிட்டால், statistically plausible ஆனால் unverified statements மூலம் gaps ஐ நிரப்புகின்றன.
hallucination ஐ எப்படி குறைக்கலாம்?
Answers ஐ retrieved sources இல் ground செய்யவும், citations அவசியப்படுத்தவும், claims ஐ evidence க்கு எதிராக verify செய்யவும், low-confidence அல்லது unsupported cases ஐ guess கொடுக்காமல் ஒருவரிடம் route செய்யவும்.
Human-in-the-Loop
governance
Human-in-the-loop என்பது AI system proposals விளைவாகும் முன் people அவற்றை review, approve, அல்லது correct செய்யும் design pattern. High-risk அல்லது low-confidence decisions க்கு human judgement ஐ critical path இல் வைத்துக்கொள்கிறது; routine volume ஐ automation கையாள்கிறது.
இணைச்சொற்கள்: HITL, human in the loop, human oversight, human review
எப்போது ஒரு step human-in-the-loop ஆக இருக்க வேண்டும்?
Decision high-risk, irreversible, low-confidence, அல்லது policy governed ஆக இருந்தால். Routine, well-grounded, low-risk steps தானாக இயங்கலாம்; human exceptions ஐ review செய்வார்.
இது full automation இலிருந்து எப்படி வேறுபடுகிறது?
Full automation review இல்லாமல் act செய்கிறது. Human-in-the-loop explicit checkpoint ஒன்றைச் சேர்க்கிறது; ஒருவர் proposal ஐ approve, edit, அல்லது reject செய்ய முடியும், sensitive outcomes க்கு accountability நிலைக்கும்.
Hybrid Retrieval
ai
Hybrid retrieval relevant passages ஐ retrieve செய்ய semantic vector search மற்றும் lexical keyword search ஐ இணைக்கிறது. Vector search meaning மற்றும் paraphrase ஐப் பிடிக்கிறது, keyword search exact terms மற்றும் identifiers ஐப் பிடிக்கிறது, fusion step இரண்டு result sets ஐ merge செய்கிறது; precise tokens அல்லது conceptual matches எதுவும் தவறாது.
vector மற்றும் keyword search ஐ ஏன் இணைக்க வேண்டும்?
Vector search SKUs அல்லது error codes போன்ற rare exact terms ஐ miss செய்யலாம்; keyword search paraphrases ஐ miss செய்கிறது. இரண்டையும் fuse செய்வது ஒவ்வொன்றின் பலத்தையும் மீட்டெடுத்து real-world queries இல் recall ஐ உயர்த்தும்.
இரண்டு result sets எப்படி combine செய்யப்படுகின்றன?
reciprocal rank fusion அல்லது weighted score blend போன்ற fusion method merged candidates ஐ rerank செய்கிறது; final precision க்கு பலமுறை cross-encoder reranker தொடர்கிறது.
Intake Automation
platform
Intake automation என்பது unstructured inbound requests ஐ manual data entry இல்லாமல் structured, machine-readable records ஆக மாற்றும் செயல்முறை. இது request ஐ classify செய்து, முக்கியமான fields ஐ extract செய்து, result ஐ workflow க்கு route செய்கிறது; அதனால் work ஐ consistently answer அல்லது action செய்ய முடியும்.
Email, chat messages, web forms, uploaded documents, connected systems இலிருந்து synced records ஆகிய அனைத்தையும் downstream handling க்காக ஒரே structured shape ஆக normalize செய்யலாம்.
intake automation people ஐ replace செய்கிறதா?
இல்லை. இது manual data-entry மற்றும் triage burden ஐ அகற்றுகிறது; people judgement-heavy exceptions, approvals, policy அவர்கள் நோக்கி route செய்யும் high-risk decisions மீது கவனம் செலுத்துவர்.
Intent Classification
ai
Intent classification என்பது inbound request உண்மையில் என்ன கேட்கிறது என்பதைத் தீர்மானிக்கும் step; unstructured text ஐ defined category of work க்கு map செய்கிறது. Accurate classification ஒவ்வொரு WorkItem ஐ சரியான workflow, evidence sources, policy க்கு route செய்கிறது; reliable automation க்கு இது foundation.
இது முழு downstream path ஐ தீர்மானிக்கிறது. Misclassified request wrong evidence ஐ retrieve செய்து wrong policy ஐ apply செய்யும்; ஆகவே classification accuracy அடுத்த அனைத்திற்குமான quality gate ஆகிறது.
classification accuracy எப்படி அளவிடப்படுகிறது?
labeled set மீது evaluation gates மூலம், ஒவ்வொரு intent க்கும் precision மற்றும் recall track செய்து, workflow live ஆகும் முன் similar categories இடையிலான confusion ஐ கண்காணிப்பதன் மூலம்.
Model Context Protocol (MCP)
ai
Model Context Protocol என்பது AI assistants external tools மற்றும் data sources உடன் uniform interface வழியாக connect ஆக உதவும் open standard. MCP server typed tools மற்றும் resources ஐ expose செய்கிறது; model client அவற்றைக் discover செய்து call செய்ய முடியும், bespoke per-integration code இல்லாமல் capabilities சேர்க்க முடியும்.
இணைச்சொற்கள்: MCP, model context protocol, MCP server, tool protocol
MCP server என்ன expose செய்கிறது?
model invoke செய்யக்கூடிய typed tools மற்றும் read செய்யக்கூடிய resources; ஒவ்வொன்றும் schema மற்றும் annotations உடன் described ஆகும், client capabilities discover செய்து safely call செய்ய முடியும்.
governed automation க்கு MCP ஏன் முக்கியம்?
External assistants platform மீது act செய்ய standard, schema-described வழி இது தருகிறது; tool calls validate செய்யலாம், tenant க்கு scope செய்யலாம், மற்ற action போலவே approval policy வழியாக route செய்யலாம்.
MongoDB Vector Search
infrastructure
Content ஐ vector embeddings ஆக மாற்றி, efficient similarity search க்காக metadata உடன் MongoDB Atlas Search vector indexes இல் சேமிக்கும் செயல்முறை.
knowledge retrieval க்கு MongoDB Atlas Search ஏன் பயன்படுத்த வேண்டும்?
MongoDB Atlas Search வேகமான vector similarity search, vector மற்றும் traditional queries இணைக்கும் திறன், integrated metadata filtering, existing MongoDB infrastructure இல் seamless scaling ஆகியவற்றை வழங்குகிறது.
எந்த metadata முக்கியம்?
filtering, freshness checks, controlled reindexing க்காக tenant ID, language, URL, content hash, updated timestamp, model version ஆகியவற்றைச் சேமிக்கவும்.
Retrieval-Augmented Generation (RAG)
ai
Retrieval-augmented generation என்பது language model output ஐ அதன் parametric memory மேல் மட்டும் சாராமல் retrieved source documents இல் ground செய்யும் technique. System knowledge base இலிருந்து relevant passages fetch செய்து context ஆக கொடுத்து, model அந்த evidence மட்டும் பயன்படுத்தி answer செய்யச் சொல்கிறது.
fine-tuning க்கு பதிலாக RAG ஏன் பயன்படுத்த வேண்டும்?
RAG knowledge ஐ உடனே update செய்யக்கூடிய external store இல் வைத்திருக்கிறது; answers current ஆக இருக்கும், ஒவ்வொரு claim ம் source க்கு trace செய்யப்படும். Fine-tuning knowledge ஐ weights இல் bake செய்கிறது; refresh மெதுவாகவும் attribution கடினமாகவும் இருக்கும்.
RAG pipeline இல் என்ன அடங்கும்?
பொதுவாக ingestion மற்றும் chunking, embedding, vector அல்லது hybrid search க்கான index, retriever, retrieved passages மீது model ஐ condition செய்து cited evidence உடன் answer return செய்யும் generation step ஆகியவை.
Single Sign-On (SSO)
security
SAML அல்லது OpenID Connect போன்ற identity federation protocols வழியாக ஒரே login credentials கொண்டு users பல applications ஐ access செய்ய அனுமதிக்கும் authentication method.
இது identity ஐ centralize செய்கிறது, enterprise security policies (MFA, conditional access) enforce செய்கிறது, shells, packs, governed workspaces முழுவதும் user provisioning ஐ வேகப்படுத்துகிறது.
SAML vs OIDC?
SAML XML-based மற்றும் பழைய enterprise stacks இல் பொதுவானது; OIDC (OAuth2 மீது கட்டப்பட்டது) இலகுவானதும் modern ஆனதும். இரண்டையும் support செய்வது customer IdPs உடன் compatibility ஐ maximize செய்கிறது.
SLA Breach
operations
SLA breach என்பது service-level agreement இல் வரையறுக்கப்பட்ட commitment ஐ work தவறும்போது நடக்கும், உதாரணமாக response அல்லது resolution deadline. Breaches ஐ automatically detect செய்து escalate செய்வது accountability ஐ visible ஆக வைத்துக் கொண்டு, commitments தவறுவதற்கு முன் at-risk work சரியான people க்கு செல்வதை உறுதிப்படுத்துகிறது.
இணைச்சொற்கள்: service level breach, SLA violation, missed SLA, deadline breach
SLA breaches automatically எப்படி detect செய்யப்படுகின்றன?
ஒவ்வொரு WorkItem தன் commitment timers ஐ கொண்டிருக்கும்; system elapsed time ஐ thresholds உடன் பார்க்கிறது, deadline அணுகும்போது escalations raise செய்கிறது, deadline தவறினால் breach ஐ record செய்கிறது.
breach imminent ஆக இருந்தால் என்ன நடக்கும்?
Policy WorkItem ஐ escalate செய்யலாம், owners க்கு notify செய்யலாம், அல்லது queue ஐ reprioritize செய்யலாம்; commitment உண்மையில் தவறுவதற்கு முன் attention at-risk work க்கு மாறும்.
Tenant Isolation
security
Tenant isolation என்பது multi-tenant system இல் ஒவ்வொரு customer's data மற்றும் configuration மற்ற tenants க்கு inaccessible ஆக logically separated ஆக இருக்கும் guarantee. Storage, retrieval, access control ஆகிய ஒவ்வொரு layer இலும் இது enforce செய்யப்படுகிறது; ஒரு organization மற்றொன்றின் work ஐ பார்க்கவோ பாதிக்கவோ முடியாது.
இணைச்சொற்கள்: multi-tenant isolation, tenant scoping, data partitioning, tenancy boundary
retrieval போது tenant isolation எப்படி enforce செய்யப்படுகிறது?
ஒவ்வொரு query requesting tenant க்கு scope செய்யப்படுகிறது; stored content tenant identifier உடையதாக இருக்கும், எனவே vector மற்றும் keyword search அந்த tenant உடைய evidence மட்டுமே return செய்ய முடியும்.
isolation data பற்றியது மட்டுமா?
இல்லை. இது configuration, policy, embeddings, audit logs ஆகியவற்றையும் கவர்கிறது; shared infrastructure இல் இருந்தாலும் ஒரு tenant இன் work மற்றொன்றுக்கு leak ஆகாது.
Vector Search
ai
Vector search exact words அல்லாமல் meaning அடிப்படையில் content ஐ கண்டறிகிறது. Text high-dimensional embeddings ஆக மாற்றப்படுகிறது; cosine distance போன்ற similarity metric query vector க்கு stored vectors எவ்வளவு அருகில் உள்ளன என்பதை rank செய்கிறது, keywords match ஆகாவிட்டாலும் conceptually related passages return ஆகும்.
Embedding என்பது text துண்டின் meaning ஐ represent செய்யும் numeric vector; embedding model அதை உருவாக்குகிறது. Similar meaning உடைய texts vector space இல் அருகருகே land ஆகின்றன.
approximate nearest neighbor (ANN) search என்றால் என்ன?
ANN search பெரிய speed gains க்காக சிறிய accuracy trade-off ஏற்கிறது; stored vectors எண்ணிக்கை millions ஆக வளர்ந்தாலும் similarity lookups fast ஆக இருக்க index structures பயன்படுத்துகிறது.
Vertical Pack
platform
Vertical pack என்பது platform ஐ குறிப்பிட்ட work domain க்கு tailor செய்யும் packaged configuration - அதன் intents, extraction fields, evidence sources, policies, actions. IT access அல்லது vendor security போன்ற focused workflow ஐ underlying engine ஐ மறுபடியும் கட்டாமல் launch செய்ய packs உதவுகின்றன.
அது அடையாளம் காணும் intents, extract செய்யும் fields, answers ஐ ground செய்யும் evidence, enforce செய்யும் approval policies, அந்த work domain க்கு propose செய்யக்கூடிய governed actions ஆகியவற்றை configure செய்கிறது.
packs customize செய்ய முடியுமா?
ஆம். Pack ஒரு starting configuration; teams Studio இல் intents, prompts, evidence sources, policies ஆகியவற்றை adjust செய்து தங்களின் real processes க்கு பொருந்தச் செய்கின்றனர்.
Work Packet
platform
Work packet என்பது WorkItem சுற்றி assemble செய்யப்பட்ட context bundle; அதைப் பற்றி reason செய்து act செய்ய உதவும்: original request, extracted fields, retrieved evidence, applicable policy, proposed actions. ஒரு single piece of work க்கான complete, self-contained briefing இதுவே.
இணைச்சொற்கள்: work bundle, context packet, task packet, work context
work packet, WorkItem இலிருந்து எப்படி வேறுபடுகிறது?
WorkItem என்பது request itself இன் tracked record. Work packet என்பது அந்த record சுற்றி gathered context - evidence, policy, proposals - answer அல்லது action ஐ இயக்க assemble செய்யப்பட்டது.
context ஐ packet ஆக ஏன் bundle செய்ய வேண்டும்?
Self-contained packet model அல்லது reviewer systems முழுவதும் தேடாமல் decision எடுக்க உதவுகிறது; audit trail க்காக decision time இல் எந்த evidence available இருந்தது என்பதை துல்லியமாக preserve செய்கிறது.
WorkItem
platform
WorkItem என்பது Threada இல் unit of work: email, chat, document, அல்லது form மூலம் வரும் single inbound request, structured, trackable record ஆக normalized செய்யப்படுகிறது. ஒவ்வொரு WorkItem ம் அதன் intent, extracted fields, evidence, அதில் எடுக்கப்பட்ட ஒவ்வொரு decision மற்றும் action இன் complete history ஆகியவற்றை கொண்டிருக்கும்.
இணைச்சொற்கள்: work item, task record, tracked request, unit of work
WorkItem support ticket இலிருந்து எப்படி வேறுபடுகிறது?
Ticket பொதுவாக conversation ஐ track செய்கிறது. WorkItem work itself ஐ track செய்கிறது: classified intent, extracted fields, answer ஐ ground செய்யும் evidence, governed actions - அனைத்தும் end to end auditable.
WorkItem எந்த lifecycle வழியாக நகர்கிறது?
Intake request ஐ normalize செய்கிறது, intent classification route செய்கிறது, evidence retrieval proposed response ஐ ground செய்கிறது, எந்த action ம் WorkItem resolve மற்றும் record ஆகும் முன் approval policy வழியாக செல்கிறது.
செயல் முன்மொழிவு
platform
செயல் முன்மொழிவு என்பது இணைக்கப்பட்ட வணிக அமைப்பை மாற்ற automation உருவாக்கும், ஆனால் இன்னும் செயல்படுத்தப்படாத, கட்டமைக்கப்பட்டு பரிசீலிக்கக்கூடிய பரிந்துரை. அது இலக்கு அமைப்பு, செய்ய வேண்டிய operation, சரியான parameters ஆகியவற்றைத் தெளிவாகக் கூறுகிறது; எனவே எதுவும் நடக்கும் முன் ஒருவர் அல்லது policy அதை அங்கீகரிக்க, திருத்த, அல்லது நிராகரிக்க முடியும்.
இணைச்சொற்கள்: முன்மொழியப்பட்ட செயல், செயல் பரிந்துரை, வரைவு செயல், நிலுவை செயல்
செயலை நேரடியாகச் செயல்படுத்தாமல் ஏன் முன்மொழிய வேண்டும்?
முன்மொழிவது intent ஐ effect இலிருந்து பிரிக்கிறது. approval policy மற்றும் reviewers சரியான operation மற்றும் parameters ஐப் பார்க்க முடியும்; இதனால் automated தவறு system of record வரை செல்வதைத் தடுக்கிறது.
செயல் முன்மொழிவில் என்ன இருக்கும்?
இலக்கு integration, செய்ய வேண்டிய operation, resolved parameters, ஆதரிக்கும் evidence, மற்றும் செயல்படுத்துவதற்கு முன் approval தேவையா என்பதைப் பற்றிய policy decision ஆகியவை இருக்கும்.