ہم تجربہ بہتر بنانے کے لیے اینالیٹکس استعمال کرتے ہیں۔ آپ اپنی پسند کسی بھی وقت بدل سکتے ہیں۔
شبداولی
جوابدےہ AI ورک آٹومیشن نظام بناتے وقت مہتومکمل شبدوں کی پریبھاشاایں۔
Agent Delegation
security
agent delegation scoped، time-bound authority کو AI agent کو controlled طریقے سے grant کرنا ہے تاکہ وہ user یا دوسرے agent کی طرف سے act کر سکے۔ delegation exact capabilities، tenants، اور permitted actions specify کرتی ہے، اس لیے agent explicit، revocable، auditable limits کے اندر operate کرتا ہے۔
پریایواچی: delegated authority, scoped delegation, agent authorization, agent grant
delegation scope کیا define کرتا ہے؟
وہ capabilities جو agent استعمال کر سکتا ہے، tenant جس کے اندر وہ act کر سکتا ہے، actions جو وہ propose یا execute کر سکتا ہے، اور expiry، تاکہ authority narrow، time-bound، اور revocable رہے۔
delegation accountable کیسے رہتی ہے؟
ہر delegated action agent اور delegating principal دونوں سے attributed ہوتی ہے اور audit trail میں record ہوتی ہے، جبکہ sensitive actions پھر بھی approval policy سے گزرتے ہیں۔
Agent2Agent Protocol (A2A)
ai
Agent2Agent protocol autonomous agents کے لیے open standard ہے تاکہ وہ ایک دوسرے کو discover کریں، tasks exchange کریں، اور organizational boundaries کے پار work coordinate کریں۔ یہ define کرتا ہے کہ agent اپنی capabilities کیسے advertise کرتا ہے اور دوسرا agent task delegate کر کے completion تک کیسے track کرتا ہے۔
MCP model کو tools اور data سے connect کرتا ہے۔ A2A agents کو ایک دوسرے سے connect کرتا ہے، یعنی ایک agent task دوسرے کو کیسے hand کرے اور status follow کرے، نہ کہ model کسی single tool کو کیسے call کرے۔
A2A tasks کیسے tracked ہوتے ہیں؟
A2A task tracked work record پر map ہوتا ہے تاکہ اس کا lifecycle، evidence، اور outcome auditable ہو، بالکل ایسے work کی طرح جو person یا form سے originate ہوا ہو۔
Answer Engine Optimization (AEO)
marketing
answer engine optimization content کو اس طرح structure کرنے کی practice ہے کہ AI answer engines اور chat assistants اسے find، cite، اور accurately summarize کر سکیں۔ SEO ranked links کو target کرتا ہے؛ AEO synthesized answer کو target کرتا ہے، clear definitions، structured data، اور machine-readable source files کے ذریعے۔
پریایواچی: AEO, generative engine optimization, GEO, AI search optimization
AEO، SEO سے کیسے مختلف ہے؟
SEO results page پر clickable link کی ranking optimize کرتا ہے۔ AEO AI-generated answer کے اندر selected، quoted، اور cited ہونے کو optimize کرتا ہے، جہاں precise definitions، structured data، اور clean machine-readable feeds rewarded ہوتے ہیں۔
کون سے signals answer engine کو page cite کرنے میں مدد دیتے ہیں؟
definition-first writing، valid schema.org structured data، llms.txt index، FAQ markup، اور stable canonical URLs content کو answer engine کے لیے retrieve اور attribute کرنا آسان بناتے ہیں۔
Approval Workflow
governance
approval workflow checkpoints کی governed sequence ہے جس سے proposed action کو execute ہونے سے پہلے گزرنا پڑتا ہے۔ ہر step decision کو risk، role، یا policy کے حساب سے right reviewer تک route کرتا ہے اور record کرتا ہے کہ کس نے کیا approve کیا، تاکہ outcome fully accountable رہے۔
پریایواچی: approval flow, review workflow, authorization workflow, sign-off process
approval requirement کیا trigger کر سکتی ہے؟
requirements workflow، channel، risk class، monetary threshold، یا action type کے حساب سے apply ہو سکتی ہیں، تاکہ صرف وہ steps reviewer کے لیے pause ہوں جنہیں واقعی oversight چاہیے۔
approval workflow auditable کیسے رہتا ہے؟
ہر request، approval، edit، اور rejection actor اور timestamp کے ساتھ record ہوتی ہے، جس سے end-to-end trail بنتی ہے جو prove کرتی ہے کہ ہر governed action کس نے authorize کیا۔
Chunking
ai
chunking source documents کو embedding سے پہلے چھوٹی retrieval units میں split کرنے کا process ہے۔ chunk size اور boundary strategy طے کرتے ہیں کہ retriever relevant fact کو کتنی precision سے locate کرے گا، knowledge base میں recall، precision، اور embedding cost کو balance کرتے ہوئے۔
پریایواچی: text chunking, document segmentation, passage splitting, chunk strategy
اچھا chunk کیا بناتا ہے؟
اچھا chunk semantically self-contained ہوتا ہے، ایسا sized ہوتا ہے کہ single fact boundaries کے across split نہ ہو، اور stable metadata carry کرتا ہے تاکہ اسے reliably filter، refresh، اور cite کیا جا سکے۔
chunking answer quality کو کیسے affect کرتی ہے؟
over-large chunks relevance dilute کرتے اور tokens waste کرتے ہیں، جبکہ over-small chunks context fracture کرتے اور meaning کھو دیتے ہیں۔ boundary choices directly recall اور generated answers کی groundedness shape کرتی ہیں۔
Embedding
ai
embedding ایک numeric vector ہے جو text، images، یا other data کے meaning کو high-dimensional space میں represent کرتا ہے۔ similar meaning والے items ایسے vectors بناتے ہیں جو قریب بیٹھتے ہیں، جس سے systems exact matches کے بجائے semantic similarity سے compare، cluster، اور retrieve کر سکتے ہیں۔
پریایواچی: vector embedding, text embedding, semantic vector, dense representation
embedding model version کیوں اہم ہے؟
different models سے vectors comparable نہیں ہوتے۔ ہر embedding کے ساتھ model version store کرنے سے drift detect ہوتا ہے اور embedding model upgrade پر safe reindex ممکن ہوتا ہے۔
کیا embeddings original text میں reverse ہو سکتی ہیں؟
بالکل نہیں، مگر embeddings sensitive information leak کر سکتی ہیں، اس لیے انہیں source content جیسے tenant isolation اور access controls inherit کرنے چاہئیں۔
Evidence Citation
ai
evidence citation ہر claim کے ساتھ verifiable source references attach کرنے کی practice ہے جو AI system بناتا ہے۔ ہر cited passage اس document، record، یا knowledge asset سے link ہوتا ہے جہاں سے وہ آیا، تاکہ person answer پر trust یا act کرنے سے پہلے confirm کر سکے کہ یہ grounded ہے۔
کم از کم source identifier اور exact passage used؛ ideally stable link اور timestamp کے ساتھ تاکہ reviewers confirm کر سکیں کہ evidence answer بنتے وقت current تھا۔
governed automation کے لیے citations کیوں essential ہیں؟
citations answer کو auditable بناتی ہیں۔ ان کے بغیر automated response unaccountable ہے؛ ان کے ساتھ reviewer grounding verify کر سکتا ہے اور audit trail prove کر سکتا ہے کہ decision کس evidence سے چلا۔
Grounding
ai
grounding AI model کے output کو parametric memory کے بجائے verifiable source evidence تک constrain کرنے کی practice ہے۔ grounded answer retrieved passages سے supported ہوتا ہے جنہیں cite اور check کیا جا سکتا ہے، اور یہی fabricated یا confidently wrong responses کے خلاف primary defense ہے۔
retrieval model کو صرف relevant source passages supply کرتی ہے، prompt اسے اسی evidence سے answer کرنے کی ہدایت دیتا ہے، اور verification step supporting citation کے بغیر claims reject کرتی ہے۔
جب grounding evidence نہ ہو تو کیا ہوتا ہے؟
well-designed grounded system response invent کرنے کے بجائے answer decline کرتا یا person تک escalate کرتا ہے، confident guess کے بجائے explicit gap surface کرتا ہے۔
Hallucination
ai
hallucination language model کا confident مگر unsupported یا fabricated output ہے: ایسا claim جو plausible لگتا ہے مگر provided evidence یا reality میں basis نہیں رکھتا۔ hallucinations knowledge work automation کا central risk ہیں، اور cited evidence کے ساتھ grounding primary mitigation ہے۔
پریایواچی: AI hallucination, fabrication, confabulation, ungrounded output
language models hallucinate کیوں کرتے ہیں؟
models verified facts نہیں بلکہ likely text predict کرتے ہیں۔ retrieved evidence کے بغیر جو انہیں constrain کرے، وہ gaps کو statistically plausible مگر unverified statements سے بھر دیتے ہیں۔
hallucination کیسے کم کریں؟
answers کو retrieved sources میں ground کریں، citations require کریں، claims کو evidence کے خلاف verify کریں، اور low-confidence یا unsupported cases کو guess واپس کرنے کے بجائے person تک route کریں۔
Human-in-the-Loop
governance
human-in-the-loop ایسا design pattern ہے جہاں لوگ AI system کی proposals کے اثر لینے سے پہلے انہیں review، approve، یا correct کرتے ہیں۔ یہ high-risk یا low-confidence decisions کے critical path پر human judgement رکھتا ہے، جبکہ automation routine volume handle کرتی ہے۔
پریایواچی: HITL, human in the loop, human oversight, human review
کب کوئی step human-in-the-loop ہونا چاہیے؟
جب decision high-risk، irreversible، low-confidence، یا policy-governed ہو۔ routine، well-grounded، low-risk steps automatically چل سکتے ہیں، human صرف exceptions review کرتا ہے۔
یہ full automation سے کیسے مختلف ہے؟
full automation review کے بغیر act کرتی ہے۔ human-in-the-loop explicit checkpoint insert کرتا ہے جہاں person proposal approve، edit، یا reject کر سکتا ہے، sensitive outcomes کے لیے accountability محفوظ رکھتے ہوئے۔
Hybrid Retrieval
ai
hybrid retrieval relevant passages retrieve کرنے کے لیے semantic vector search کو lexical keyword search کے ساتھ combine کرتی ہے۔ vector search meaning اور paraphrase capture کرتی ہے، keyword search exact terms اور identifiers capture کرتی ہے، اور fusion step دونوں result sets merge کرتا ہے تاکہ precise tokens اور conceptual matches miss نہ ہوں۔
vector search rare exact terms جیسے SKUs یا error codes miss کر سکتی ہے، جبکہ keyword search paraphrases miss کرتی ہے۔ دونوں کو fuse کرنا ہر ایک کی strengths recover کرتا ہے اور real-world queries پر recall بڑھاتا ہے۔
دونوں result sets کیسے combine ہوتے ہیں؟
reciprocal rank fusion یا weighted score blend جیسا fusion method merged candidates کو rerank کرتا ہے، اکثر final precision کے لیے cross-encoder reranker کے بعد۔
Intake Automation
platform
intake automation unstructured inbound requests کو manual data entry کے بغیر structured، machine-readable records میں بدلنے کا process ہے۔ یہ request classify کرتی ہے، important fields extract کرتی ہے، اور result کو workflow میں route کرتی ہے تاکہ work کو consistently answer یا action کیا جا سکے۔
email، chat messages، web forms، uploaded documents، اور connected systems سے synced records سب downstream handling کے لیے ایک ہی structured shape میں normalize ہو سکتے ہیں۔
کیا intake automation لوگوں کی جگہ لیتی ہے؟
نہیں۔ یہ manual data-entry اور triage burden ہٹاتی ہے تاکہ لوگ judgement-heavy exceptions، approvals، اور high-risk decisions پر focus کریں جنہیں policy ان تک route کرتی ہے۔
Intent Classification
ai
intent classification وہ step ہے جو determine کرتا ہے کہ inbound request اصل میں کیا مانگ رہی ہے، unstructured text کو work کی defined category پر map کرتے ہوئے۔ accurate classification ہر WorkItem کو right workflow، evidence sources، اور policy تک route کرتی ہے، اسی لیے reliable automation کی foundation ہے۔
یہ entire downstream path decide کرتی ہے۔ misclassified request wrong evidence retrieve کرتی اور wrong policy apply کرتی ہے، اس لیے classification accuracy ہر اگلے step کی quality gate کرتی ہے۔
classification accuracy کیسے measure ہوتی ہے؟
labeled set پر evaluation gates کے ذریعے، ہر intent کے precision اور recall کو track کرتے ہوئے اور workflow live ہونے سے پہلے similar categories کے بیچ confusion دیکھتے ہوئے۔
Model Context Protocol (MCP)
ai
Model Context Protocol ایک open standard ہے جو AI assistants کو uniform interface کے ذریعے external tools اور data sources سے connect کرنے دیتا ہے۔ MCP server typed tools اور resources expose کرتا ہے جنہیں model client discover اور call کر سکتا ہے، اس لیے capabilities bespoke per-integration code کے بغیر add ہو سکتی ہیں۔
پریایواچی: MCP, model context protocol, MCP server, tool protocol
MCP server کیا expose کرتا ہے؟
typed tools جنہیں model invoke کر سکتا ہے اور resources جنہیں وہ read کر سکتا ہے، ہر ایک schema اور annotations کے ساتھ described تاکہ client capabilities discover کرے اور safely call کرے۔
governed automation کے لیے MCP کیوں matter کرتا ہے؟
یہ external assistants کو platform پر act کرنے کا standard، schema-described طریقہ دیتا ہے، تاکہ tool calls validate ہوں، tenant تک scoped ہوں، اور کسی بھی action کی طرح same approval policy سے گزریں۔
MongoDB Vector Search
infrastructure
content کو vector embeddings میں بدلنے اور انہیں MongoDB Atlas Search vector indexes میں metadata کے ساتھ store کرنے کا process، تاکہ efficient similarity search ہو سکے۔
knowledge retrieval کے لیے MongoDB Atlas Search کیوں استعمال کریں؟
MongoDB Atlas Search fast vector similarity search دیتا ہے، vector اور traditional queries combine کرنے کی ability، integrated metadata filtering، اور existing MongoDB infrastructure کے اندر seamless scaling کے ساتھ۔
کون سا metadata matter کرتا ہے؟
tenant ID، language، URL، content hash، updated timestamp، اور model version store کریں تاکہ filtering، freshness checks، اور controlled reindexing enable ہو۔
Retrieval-Augmented Generation (RAG)
ai
retrieval-augmented generation وہ technique ہے جو language model کے output کو صرف parametric memory پر rely کرنے کے بجائے retrieved source documents میں ground کرتی ہے۔ system knowledge base سے relevant passages fetch کرتا ہے، انہیں context کے طور پر supply کرتا ہے، اور model سے کہتا ہے کہ صرف اسی evidence سے answer کرے۔
RAG knowledge کو external store میں رکھتا ہے جسے فوراً update کیا جا سکتا ہے، اس لیے answers current رہتے ہیں اور ہر claim source تک trace ہو سکتا ہے۔ fine-tuning knowledge کو weights میں bake کرتی ہے، جو refresh میں slower اور attribute کرنے میں harder ہے۔
RAG pipeline میں کیا شامل ہوتا ہے؟
عام طور پر ingestion اور chunking، embedding، vector یا hybrid search کے لیے index، retriever، اور generation step جو model کو retrieved passages پر condition کر کے cited evidence واپس کرتا ہے۔
Single Sign-On (SSO)
security
authentication method جو users کو SAML یا OpenID Connect جیسے identity federation protocols کے ذریعے login credentials کے ایک set سے multiple applications access کرنے دیتا ہے۔
shell-and-pack platforms کے لیے SSO کیوں matter کرتا ہے؟
یہ identity centralize کرتا ہے، enterprise security policies مثل MFA اور conditional access enforce کرتا ہے، اور shells، packs، اور governed workspaces میں user provisioning تیز کرتا ہے۔
SAML vs OIDC؟
SAML XML-based ہے اور older enterprise stacks میں common ہے؛ OIDC، جو OAuth2 پر built ہے، lighter اور modern ہے۔ دونوں support کرنے سے customer IdPs کے ساتھ compatibility زیادہ ہوتی ہے۔
SLA Breach
operations
SLA breach تب ہوتا ہے جب work service-level agreement میں defined commitment miss کرے، جیسے response یا resolution deadline۔ breaches کو automatically detect اور escalate کرنا accountability visible رکھتا ہے اور ensure کرتا ہے کہ at-risk work commitments miss ہونے سے پہلے right people تک پہنچے۔
پریایواچی: service level breach, SLA violation, missed SLA, deadline breach
SLA breaches automatically کیسے detect ہوتے ہیں؟
ہر WorkItem اپنے commitment timers carry کرتا ہے، اور system thresholds کے مقابل elapsed time دیکھتا ہے، deadline قریب آئے تو escalations raise کرتا ہے اور miss ہو تو breach record کرتا ہے۔
جب breach قریب ہو تو کیا ہوتا ہے؟
policy WorkItem کو escalate کر سکتی ہے، owners کو notify کر سکتی ہے، یا queue reprioritize کر سکتی ہے تاکہ commitment واقعی miss ہونے سے پہلے attention at-risk work پر shift ہو۔
Tenant Isolation
security
tenant isolation یہ guarantee ہے کہ multi-tenant system میں ہر customer کا data اور configuration logically separated رہے اور دوسرے tenants کے لیے inaccessible ہو۔ یہ storage، retrieval، اور access control ہر layer پر enforced ہے، تاکہ ایک organization کبھی دوسری کے work کو دیکھ یا influence نہ کر سکے۔
پریایواچی: multi-tenant isolation, tenant scoping, data partitioning, tenancy boundary
retrieval کے دوران tenant isolation کیسے enforce ہوتی ہے؟
ہر query requesting tenant تک scoped ہوتی ہے، اور stored content tenant identifier carry کرتا ہے تاکہ vector اور keyword search صرف اسی tenant کا evidence return کر سکیں۔
کیا isolation صرف data کے بارے میں ہے؟
نہیں۔ یہ configuration، policy، embeddings، اور audit logs کو بھی cover کرتی ہے، تاکہ shared infrastructure پر بھی ایک tenant کے work کا کوئی aspect دوسرے میں leak نہ ہو۔
Vector Search
ai
vector search exact words کے بجائے meaning سے content find کرتی ہے۔ text high-dimensional embeddings میں convert ہوتا ہے، اور cosine distance جیسا similarity metric stored vectors کو query vector سے closeness کے حساب سے rank کرتا ہے، اس لیے keywords match نہ ہوں تب بھی conceptually related passages واپس آتے ہیں۔
embedding numeric vector ہے جو text کے piece کا meaning represent کرتا ہے، embedding model سے produced۔ similar meaning والے texts vector space میں قریب land کرتے ہیں۔
approximate nearest neighbor (ANN) search کیا ہے؟
ANN search accuracy کا تھوڑا سا trade-off دے کر large speed gains لیتی ہے، index structures استعمال کرتے ہوئے تاکہ stored vectors millions میں بڑھیں تب بھی similarity lookups fast رہیں۔
Vertical Pack
platform
vertical pack packaged configuration ہے جو platform کو work کے specific domain کے لیے tailor کرتی ہے: اس کے intents، extraction fields، evidence sources، policies، اور actions۔ packs team کو IT access یا vendor security جیسے focused workflow launch کرنے دیتے ہیں، underlying engine دوبارہ بنائے بغیر۔
وہ intents جو یہ recognize کرتا ہے، fields جو یہ extract کرتا ہے، evidence جس میں answers ground ہوتے ہیں، approval policies جو یہ enforce کرتا ہے، اور governed actions جو یہ اس work domain کے لیے propose کر سکتا ہے۔
کیا packs customize ہو سکتے ہیں؟
ہاں۔ pack starting configuration ہے جسے teams Studio میں adapt کرتی ہیں: intents، prompts، evidence sources، اور policies adjust کر کے اسے اپنے real processes کے مطابق بناتی ہیں۔
Work Packet
platform
work packet وہ context bundle ہے جو WorkItem کے گرد assemble ہوتا ہے تاکہ اس پر reason اور act کیا جا سکے: original request، extracted fields، retrieved evidence، applicable policy، اور proposed actions۔ یہ single piece of work کے لیے complete، self-contained briefing ہے۔
پریایواچی: work bundle, context packet, task packet, work context
work packet، WorkItem سے کیسے different ہے؟
WorkItem request کا tracked record ہے۔ work packet assembled context ہے: evidence، policy، اور proposals جو اس record کے گرد answer یا action drive کرنے کے لیے gather ہوتے ہیں۔
context کو packet میں bundle کیوں کریں؟
self-contained packet model یا reviewer کو systems میں ڈھونڈے بغیر decision لینے دیتا ہے، اور audit trail کے لیے exactly وہ evidence preserve کرتا ہے جو decision time پر available تھا۔
WorkItem
platform
WorkItem Threada میں work کی اکائی ہے: email، chat، document، یا form سے آنے والی single inbound request جو structured، trackable record میں normalize ہوتی ہے۔ ہر WorkItem اپنا intent، extracted fields، evidence، اور اس پر کیے گئے ہر decision اور action کی complete history carry کرتا ہے۔
پریایواچی: work item, task record, tracked request, unit of work
WorkItem support ticket سے کیسے different ہے؟
ticket عموماً conversation track کرتا ہے۔ WorkItem خود work کو track کرتا ہے: classified intent، extracted fields، evidence جو answer ground کرتا ہے، اور governed actions taken؛ سب end to end auditable۔
WorkItem کس lifecycle سے گزرتا ہے؟
intake request کو normalize کرتی ہے، intent classification route کرتی ہے، evidence retrieval proposed response ground کرتی ہے، اور ہر action WorkItem resolve اور record ہونے سے پہلے approval policy سے گزرتا ہے۔
کارروائی کی تجویز
platform
action proposal کسی connected business system کو بدلنے کی structured، reviewable تجویز ہے، جسے automation بناتی ہے مگر ابھی execute نہیں کرتی۔ یہ target system، operation، اور exact parameters نامزد کرتی ہے تاکہ کوئی شخص یا policy کچھ ہونے سے پہلے اسے approve، edit، یا reject کر سکے۔
action کو directly execute کرنے کے بجائے propose کیوں کریں؟
پہلے propose کرنا intent کو effect سے الگ کرتا ہے۔ یہ approval policy اور reviewers کو exact operation اور parameters inspect کرنے دیتا ہے، تاکہ automated mistake system of record تک نہ پہنچے۔
action proposal میں کیا ہوتا ہے؟
target integration، انجام دی جانے والی operation، resolved parameters، supporting evidence، اور policy decision کہ execution سے پہلے approval required ہے یا نہیں۔