Why connect AI agents with databases and knowledge graphs?

It converts probabilistic language output into verifiable, governed decisions. Databases ensure numerical and transactional correctness, while knowledge graphs provide semantics and provenance, reducing exceptions and enabling safe automation.

How do knowledge graphs improve Retrieval-Augmented Generation (RAG)?

Graphs disambiguate entities, encode relationships, and enforce constraints, complementing vector search that captures similarity. The result is higher grounding precision, better explainability, and fewer hallucinations in complex workflows.

What architecture should I use to build grounded AI agents?

Adopt a four-layer stack: interface (LLM/agent), grounding (hybrid retrieval across text, SQL, and graph), governance (provenance and policy), and action (tool use with idempotent writes). Measure exception rates and provenance coverage as primary KPIs.

Where will competitive advantage emerge in AI agent systems?

Differentiation will concentrate in proprietary semantics and execution. Firms that own high-quality ontologies, entity graphs, and reliable action endpoints will aggregate demand, while foundation models become comparatively interchangeable.

When should an AI agent be allowed to act rather than only draft?

Adopt a "no provenance, no action" threshold and require human-in-the-loop until grounding accuracy and policy compliance meet SLAs. As exception rates fall, progressively expand autonomous actions with audit trails and rollback safeguards.

AI એજન્ટ્સને ડેટાબેઝ અને નોલેજ ગ્રાફ્સ સાથે જોડવું: ઈન્ટરફેસથી સંસ્થાઓ સુધી

પરિચય: ઇન્ટરફેસ પ્રોડક્ટ નથી, સંસ્થા ડેટા છે

કમ્પ્યુટિંગમાં દરેક બદલાવ એક ઇન્ટરફેસ ક્રાંતિ તરીકે શરૂ થાય છે અને સંસ્થાકીય ક્રાંતિ તરીકે સમાપ્ત થાય છે. વેબ પહેલાં એક બ્રાઉઝર હતું; પછી તે Google બન્યું. મોબાઇલ પહેલાં એક ટચસ્ક્રીન હતું; પછી તે Appleનું App Store અને Googleનું Android બન્યું. આજનો AI નો સમય પણ એવો જ છે: મોટા ભાષા મોડેલ્સ (LLMs) ઇન્ટરફેસ છે, પરંતુ ટકાઉ સંસ્થાઓ એ સિસ્ટમ્સ હશે જે AI એજન્ટ્સને સ્ટ્રક્ચર્ડ ડેટા—ડેટાબેઝ અને નોલેજ ગ્રાફ્સ—સાથે જોડે છે અને આમ કરવાથી, મૂલ્ય કેવી રીતે બનાવવામાં આવે છે, મેળવવામાં આવે છે અને સુરક્ષિત કરવામાં આવે છે તે આકાર આપે છે.

આ નિબંધનો દાવો સીધો છે: AI એજન્ટ્સને ડેટાબેઝ અને નોલેજ ગ્રાફ્સ સાથે જોડવું એ માત્ર એક તકનીકી એકીકરણ નથી. તે વ્યૂહાત્મક આધારસ્તંભ છે જે સંભવિત ભાષા મોડેલ્સને વિશ્વસનીય બિઝનેસ સિસ્ટમ્સમાં ફેરવે છે. જે કંપનીઓ આ જોડાણમાં નિપુણતા મેળવશે—સ્પષ્ટ શાસન સાથે પુનઃપ્રાપ્તિ, ગ્રાઉન્ડિંગ અને ક્રિયાને સંરેખિત કરશે—તેઓ એકત્રીકરણના આગલા સ્તરની માલિકી મેળવશે.

આ ત્રણ કારણોસર મહત્વપૂર્ણ છે. પ્રથમ, મોટાભાગનો એન્ટરપ્રાઇઝ ડેટા સ્ટ્રક્ચર્ડ છે, ટેક્સ્ટ્યુઅલ નહીં. બીજું, AI આઉટપુટમાં વિશ્વાસ માટે ચકાસણી અને મૂળની જરૂર પડે છે, જે સ્ટ્રક્ચર્ડ ડેટા—ખાસ કરીને જ્યારે નોલેજ ગ્રાફ્સ તરીકે મોડેલ કરવામાં આવે છે—પ્રદાન કરી શકે છે. ત્રીજું, AI એજન્ટ્સનું યુનિટ ઇકોનોમિક્સ પ્રયોગથી ઉત્પાદનમાં ત્યારે જ બદલાય છે જ્યારે કામગીરી માત્ર doc-stacks સામે જ નહીં પરંતુ ટ્રાન્ઝેક્શનલ સિસ્ટમ્સ સામે પણ સ્વયંસંચાલિત થાય છે. પ્રશ્ન એ નથી કે AI ને ડેટા સાથે જોડવો કે નહીં; પ્રશ્ન એ છે કે તેને એવી રીતે કેવી રીતે જોડવો કે જે નવા દેવાઓ બનાવવાને બદલે ફાયદાઓને વધારે.

આગળ શું છે: AI એજન્ટ્સને ડેટા સિસ્ટમ્સ સાથે મેપ કરવા માટેનું માળખું, નોલેજ ગ્રાફ્સ શા માટે વારંવાર દેખાય છે તે સમજાવવા માટે એક ઐતિહાસિક માર્ગ, ગ્રાઉન્ડેડ એજન્ટ્સ બનાવવા માટેની એક વ્યવહારિક પદ્ધતિ અને આ સ્ટેક પ્રમાણિત થતાં સત્તા અને નફો ક્યાં જમા થશે તેનું વિશ્લેષણ. ધ્યેય એ છે કે LLMs ના ઇન્ટરફેસ ઇનોવેશનને સંસ્થાકીય પાયા—ડેટાબેઝ, ગ્રાફ્સ અને શાસન—થી અલગ પાડવું જે વિજેતાઓને નક્કી કરશે.

પૃષ્ઠભૂમિ: શોધથી માળખા સુધી—ગ્રાફ્સ શા માટે પાછા આવે છે

ઉદ્યોગે આ ફિલ્મ પહેલાં જોઈ છે. મોટા પાયે વેબ શોધ એક ટેક્સ્ટ સમસ્યા તરીકે શરૂ થઈ પરંતુ તે એક ગ્રાફ સમસ્યા બની— PageRank એ સત્તાનો અંદાજ કાઢવા માટે વેબની લિંક સ્ટ્રક્ચરનો ઉપયોગ કર્યો. સામાજિક ઉત્પાદનો સામગ્રી વિતરણ તરીકે શરૂ થયા પરંતુ ગ્રાફ સમસ્યાઓ બની ગયા—નોડ્સ, એજિસ, સેન્ટ્રાલિટી અને પ્રભાવે કોણ શું જોયું તેનું સંચાલન કર્યું. એન્ટરપ્રાઇઝ સોફ્ટવેર કોષ્ટકો પર CRUD એપ્લિકેશન્સ તરીકે શરૂ થયું, પરંતુ ઘણા ડોમેન્સ (દા.ત., પ્રોડક્ટ કેટલોગ્સ, કમ્પ્લાયન્સ, છેતરપિંડી, સપ્લાય ચેઇન) માટે, વાસ્તવિક દુનિયાની જટિલતાને સંબંધો, અવરોધો અને સિમેન્ટિક્સની જરૂર હતી જે પંક્તિઓમાં વ્યવસ્થિત રીતે બંધબેસતા નથી.

LLMs માળખાની જરૂરિયાતને ફરીથી રજૂ કરે છે. તેઓ પેટર્ન મેચિંગ અને ભાષા જનરેશનમાં અસાધારણ છે, પરંતુ તેમની નબળાઈઓ—ભ્રમણા, કામચલાઉ ડ્રિફ્ટ અને નબળી સંખ્યાત્મકતા—લગભગ સંપૂર્ણપણે ત્યાં મેપ થાય છે જ્યાં ડેટાબેઝ મજબૂત હોય છે: ચોક્કસ મૂલ્યો, અવરોધો અને ટકાઉપણું. દરમિયાન, નોલેજ ગ્રાફ્સ LLMs માં આંતરિક રીતે અભાવ ધરાવતી વસ્તુ પ્રદાન કરે છે: સ્પષ્ટ અર્થ. ઓન્ટોલોજીઝ એન્કોડ કરે છે કે કેવી રીતે એન્ટિટીઝ સંબંધિત છે, હકીકતો કેવી રીતે મેળવવામાં આવે છે અને શું મંજૂર છે અથવા ગેરમંજૂર છે. જો LLMs અંતઃસ્ફુરણા એન્જિન છે, તો નોલેજ ગ્રાફ્સ બંધારણો છે. તેમને એકસાથે મૂકવાથી પ્રવાહી સૂચન વિશ્વસનીય ક્રિયામાં ફેરવાય છે.

ગ્રાફ વ્યવહારવાદનો સંક્ષિપ્ત ઇતિહાસ ઉપયોગી છે:

2010 ના દાયકાની શરૂઆતમાં: નોલેજ ગ્રાફ્સ શોધ ગુણવત્તાને શક્તિ આપે છે (Googleનો નોલેજ ગ્રાફ, Facebookનો સોશિયલ ગ્રાફ), પરંતુ ઇન્ટરફેસ પાછળ છુપાયેલ ઇન્ફ્રાસ્ટ્રક્ચર રહે છે.

2010 ના દાયકાના અંતમાં: ગ્રાફ ડેટાબેઝ એન્ટરપ્રાઇઝમાં છેતરપિંડી શોધ, માસ્ટર ડેટા મેનેજમેન્ટ અને ભલામણો માટે વિસ્તરે છે—વિશિષ્ટ સ્થાનો જ્યાં સંબંધની ઘનતા ટેબ્યુલર સરળતાને હરાવે છે.

2020 ના દાયકામાં: રિટ્રીવલ-ઓગમેન્ટેડ જનરેશન (RAG) દર્શાવે છે કે અનસ્ટ્રક્ચર્ડ કોર્પોરા વત્તા એમ્બેડિંગ્સ વત્તા વેક્ટર શોધ LLM ગ્રાઉન્ડિંગમાં સુધારો કરે છે, તેમ છતાં ટેક્સ્ટ-ઓન્લી RAG લોજિક, કાઉન્ટિંગ અને પ્રોવેનન્સ માટે મર્યાદાઓને હિટ કરે છે. સ્ટ્રક્ચર્ડ જોઇન્સ, અવરોધો અને સ્પષ્ટ એન્ટિટી મોડેલ્સ આગામી સીમા બની જાય છે.

પરિણામ એ અભિસરણ છે: AI એજન્ટ્સ જે ટેક્સ્ટમાં તર્ક કરે છે, ફંક્શન્સને કૉલ કરે છે, ડેટાબેઝને ક્વેરી કરે છે, સિમેન્ટિક્સ માટે નોલેજ ગ્રાફ્સનો લાભ લે છે અને પછી ટ્રાન્ઝેક્શનલ સિસ્ટમ્સમાં કાર્ય કરે છે. તે આર્કિટેક્ચર "docs પર ચેટ" થી આગળ વધીને "સંસ્થાઓ પર એજન્ટ્સ" સુધી જાય છે.

એક વ્યૂહાત્મક માળખું: ઇન્ટરફેસ, ગ્રાઉન્ડિંગ, શાસન, ક્રિયા

AI એજન્ટ્સને ડેટાબેઝ અને નોલેજ ગ્રાફ્સ સાથે જોડવા વિશે ચાર સ્તરીય ક્ષમતાઓ તરીકે વિચારવું મદદરૂપ છે, જેમાં દરેકના અલગ-અલગ નિષ્ફળતા મોડ્સ અને આર્થિક અસરો છે:

ઇન્ટરફેસ (LLM/એજન્ટ)

ક્ષમતા: કુદરતી ભાષાની સમજ, આયોજન અને પ્રતિસાદ જનરેશન.

નિષ્ફળતા મોડ: ભ્રમણા, બરડ તર્ક, અતિશય આત્મવિશ્વાસ.

આર્થિક અસર: કોમોડિટાઇઝિંગ—પરંતુ આવશ્યક—ફ્રન્ટ-એન્ડ; વિભેદન ડેટા એક્સેસ અને ગુણવત્તા પર આધાર રાખે છે.

ગ્રાઉન્ડિંગ (પુનઃપ્રાપ્તિ + સિમેન્ટિક્સ)

ક્ષમતા: અનસ્ટ્રક્ચર્ડ ટેક્સ્ટ (વેક્ટર શોધ) અને સ્ટ્રક્ચર્ડ ડેટા (SQL/ગ્રાફ) માંથી સંબંધિત હકીકતો પુનઃપ્રાપ્ત કરો, એન્ટિટીઝને મેપ કરો અને ઓન્ટોલોજી સાથે સંરેખિત કરો.

નિષ્ફળતા મોડ: વપરાશકર્તાના ઇરાદા અને સ્કીમા વચ્ચે મેળ ખાતો નથી; એમ્બેડિંગ ડ્રિફ્ટ; ખૂટતી એન્ટિટીઝ.

આર્થિક અસર: ગ્રાઉન્ડિંગની ગુણવત્તા વિશ્વાસ વધારે છે અને માનવ-ઇન-ધ-લૂપ ખર્ચ ઘટાડે છે.

શાસન (પ્રોવેનન્સ + પોલિસી + એક્સેસ)

ક્ષમતા: સમજાવી શકાય તેવું, વંશાવળી, ભૂમિકા આધારિત એક્સેસ કંટ્રોલ, PII કંટ્રોલ, નિયમનકારી પાલન, ઓડિટ ટ્રેલ્સ.

નિષ્ફળતા મોડ: ડેટા લીકેજ, અનધિકૃત ક્રિયાઓ, ચકાસી ન શકાય તેવા આઉટપુટ.

આર્થિક અસર: ઓપરેટ કરવાનો લાઇસન્સ; પાઇલોટ્સને ઉત્પાદનમાં ફેરવે છે.

ક્રિયા (ટૂલ યુઝ + ટ્રાન્ઝેક્શન્સ)

ક્ષમતા: API દ્વારા વર્કફ્લો ચલાવો, સિસ્ટમ્સ-ઓફ-રેકોર્ડમાં લખો, ગ્રાફ હકીકતો અપડેટ કરો; રાજ્ય જાળવો અને બહુ-પગલાંના કાર્યોનું સંચાલન કરો.

નિષ્ફળતા મોડ: ખોટી લખવાની ક્રિયાઓ, કેસ્કેડિંગ ભૂલો, આઇડેમ્પોટેન્સીનો અભાવ.

આર્થિક અસર: સીધો ઉત્પાદકતા લાભ અને આવકનો લાભ; જ્યાં ROI સમજાય છે.

આ માળખું સ્પષ્ટ કરે છે કે "AI એજન્ટ્સને ડેટાબેઝ અને નોલેજ ગ્રાફ્સ સાથે જોડવાનો" ખરેખર અર્થ શું છે. તે એકલ લક્ષણ નથી; તે એક સ્ટેક છે જે કુદરતી ભાષા, પુનઃપ્રાપ્તિ, સિમેન્ટિક્સ, નીતિ અને અમલને એકીકૃત કરે છે. સફળતા માટે તમામ ચાર સ્તરોમાં સુસંગતતા જરૂરી છે.

પદ્ધતિ: ગ્રાઉન્ડેડ, સંચાલિત AI એજન્ટ્સ કેવી રીતે બનાવવા

બજારમાં પ્રૂફ-ઓફ-કોન્સેપ્ટ્સ પથરાયેલા છે જે સારી રીતે ડેમો આપે છે પરંતુ સ્કીમા વેરિયન્સ, ડેટા ડ્રિફ્ટ અથવા નીતિ જટિલતા પર તૂટી જાય છે. વ્યવહારિક અભિગમ પહેલાં વિશ્વસનીયતા, બીજું સ્કેલ અને ત્રીજું હોંશિયારી પર ધ્યાન કેન્દ્રિત કરે છે. એક સમજદાર પદ્ધતિ આના જેવી દેખાય છે:

તમે પ્રોમ્પ્ટ કરો તે પહેલાં ડોમેન મોડેલ કરો

તમારી ઓન્ટોલોજી અથવા સ્કીમા એક્સટેન્શન્સ વ્યાખ્યાયિત કરો: એન્ટિટીઝ (ગ્રાહક, કરાર, ઉત્પાદન), સંબંધો (ખરીદેલ, માલિકીનું, આધારિત_છે) અને અવરોધો (અનન્ય કીઓ, મંજૂર રાજ્યો).

જ્યાં શક્ય હોય ત્યાં, હાલના MDM મોડેલ્સ અથવા ડેટા વેરહાઉસ પરિમાણોને મિરર કરો; સુસંગતતા નવીનતાને હરાવે છે.

હાલના નોલેજ ગ્રાફ્સ (RDF/OWL) અથવા ગ્રાફ ડેટાબેઝ (પ્રોપર્ટી ગ્રાફ્સ) ને પ્રથમ-વર્ગના સંદર્ભ તરીકે લો.

મોડલિટીઝમાં પુનઃપ્રાપ્તિને એકીકૃત કરો

અનસ્ટ્રક્ચર્ડ ડેટા માટે: યાદ કરવા માટે એમ્બેડિંગ્સ અને વેક્ટર શોધનો ઉપયોગ કરો, પછી ચોકસાઈ સુધારવા માટે હાઇબ્રિડ સિગ્નલ્સ (BM25 + ડેન્સ વેક્ટર્સ) સાથે રેન્ક કરો.

સ્ટ્રક્ચર્ડ ડેટા માટે: મર્યાદિત ડીકોડિંગ અથવા ટૂલફોર્મર પેટર્ન દ્વારા SQL અને ગ્રાફ ક્વેરી જનરેશનનો અમલ કરો; સ્વયંસંચાલિત લિંટિંગ સાથે સ્કીમા સામે માન્ય કરો.

કેનોનિકલ IDs દ્વારા એન્ટિટીઝને સામાન્ય બનાવો; ડુપ્લિકેશન ટાળવા માટે સમાનાર્થી અને ઉપનામોને ગ્રાફ નોડ્સ પર મેપ કરો.

ગ્રાઉન્ડિંગ અને પ્રોવેનન્સ લાગુ કરો

તમામ જનરેટેડ આઉટપુટમાં ટાંકણો હોવા જોઈએ: દસ્તાવેજ પેસેજ, ટેબલ પંક્તિઓ, ગ્રાફ ટ્રિપલ્સ.

"કોઈ પ્રોવેનન્સ નહીં, કોઈ ક્રિયા નહીં" ની નીતિ અપનાવો. જો સિસ્ટમ હકીકત શોધી શકતી નથી, તો તે ડ્રાફ્ટ કરી શકે છે પરંતુ એક્ઝિક્યુટ કરી શકતી નથી.

દરેક એજન્ટ સ્ટેપ માટે લોગ વંશાવળી; ક્વેરી પ્લાન, સ્કીમા વર્ઝન અને વપરાયેલ એમ્બેડિંગ મોડેલ્સ સ્ટોર કરો.

કોડ તરીકે નીતિ રજૂ કરો

મોડેલમાંથી એક્સેસ કંટ્રોલ, PII રિડેક્શન અને ડેટા મિનિમાઇઝેશનને બાહ્ય બનાવો; પુનઃપ્રાપ્તિ અને ક્રિયા સ્તરો પર નીતિ ઇન્જેક્ટ કરો.

ટૂલ ઉપયોગ માટે મંજૂરી-સૂચિઓનો ઉપયોગ કરો; આત્મવિશ્વાસ થ્રેશોલ્ડ પૂરા થાય ત્યાં સુધી દરેક વર્કફ્લોમાં પ્રથમ લખવાની ક્રિયાઓ માટે માનવ મંજૂરીની આવશ્યકતા છે.

ગાર્ડરેલ્સ સાથે ટૂલ્સનું સંચાલન કરો

ગણતરીઓ, તારીખ તર્ક અને યુનિટ રૂપાંતરણો માટે નિર્ધારિત કાર્યોનો અમલ કરો; મોડેલને ગણિતનું "અનુમાન" ન કરવા દો.

બહુ-પગલાંની યોજનાઓ માટે, પ્લાનર-એક્ઝિક્યુટર સ્પ્લિટનો ઉપયોગ કરો: મોડેલ એક યોજના પ્રસ્તાવિત કરે છે, એક માન્યકર્તા શક્યતા તપાસે છે અને એક્ઝિક્યુટર તેને પાર પાડે છે.

કોઈપણ લખવાની ક્રિયાઓ માટે આઇડેમ્પોટેન્સી ટોકન્સ અને વળતર આપનારા વ્યવહારો ઉમેરો.

શું મહત્વનું છે તે માપો

ગ્રાઉન્ડિંગ ચોકસાઈ (પુનઃપ્રાપ્ત હકીકતોની ચોકસાઈ/યાદ), અમલ સફળતા દર, કાર્ય દીઠ ચક્ર સમય અને અપવાદ દરને ટ્રેક કરો.

ખર્ચ મેટ્રિક્સમાં ટોકન્સ, પુનઃપ્રાપ્તિ વિલંબ અને પ્રતિ રિઝોલ્યુશન માનવ-ઇન-ધ-લૂપ મિનિટ્સનો સમાવેશ થવો જોઈએ.

નિષ્ફળતા વિશ્લેષણ અને ઓન્ટોલોજી/સ્કીમા રિફાઇનમેન્ટ વચ્ચે લૂપ બંધ થતાં જ ગુણવત્તામાં સુધારો થાય છે.

ડીપ ડાઇવ: નોલેજ ગ્રાફ્સ સિમેન્ટિક કોન્ટ્રાક્ટ તરીકે

વેક્ટર શોધ પર શા માટે રોકવું નહીં? કારણ કે એમ્બેડિંગ્સ સમાનતાને કેપ્ચર કરે છે, સત્યને નહીં. બિઝનેસ સિસ્ટમ્સને સમય જતાં સુધારણા, અવરોધો અને ફેરફારની કાળજી હોય છે. નોલેજ ગ્રાફ્સ સિમેન્ટિક્સનું સ્પષ્ટ સ્તર પ્રદાન કરે છે જે AI એજન્ટ્સ અને એન્ટરપ્રાઇઝ વાસ્તવિકતા વચ્ચેનો કરાર બની જાય છે.

એક ઉત્પાદન કેટલોગ ધ્યાનમાં લો: "iPhone 15 Pro" અને "A3101" એ જ SKU નો સંદર્ભ આપે છે; "Apple" નો અર્થ વિક્રેતા અથવા બ્રાન્ડ હોઈ શકે છે; એક જ સહાયક બહુવિધ મોડેલો સાથે સુસંગત હોઈ શકે છે. આ માત્ર શોધ સમસ્યા નથી; તે અર્થની સમસ્યા છે. નોલેજ ગ્રાફ આ સંબંધોને એન્કોડ કરે છે. ચૂકવણી ત્રણ ગણી છે:

ગૂંચવણ દૂર કરવી: કુદરતી ભાષાને કેનોનિકલ એન્ટિટીઝ પર મેપ કરો, પુનઃપ્રાપ્તિ ભૂલો ઘટાડે છે.

અનુમાન: ગર્ભિત મોડેલ અનુમાનને બદલે ઓન્ટોલોજીકલ નિયમોના આધારે નવી હકીકતો (દા.ત., સુસંગતતા) મેળવો.

શાસન: નોડ્સ અને એજિસ સાથે પ્રોવેનન્સ જોડો, કામચલાઉ વર્ઝનિંગને સમર્થન આપો અને અવરોધો લાગુ કરો.

વ્યવહારમાં, ગ્રાફ વેરહાઉસ અને લેકહાઉસની બાજુમાં બેસે છે. વેરહાઉસ સુસંગત પરિમાણો અને હકીકતો જાળવે છે; ગ્રાફ એન્ટિટીઝ અને સંબંધોને મોડેલ કરે છે; લેકહાઉસ કાચો અને અર્ધ-સ્ટ્રક્ચર્ડ ડેટા સ્ટોર કરે છે. AI એજન્ટ્સ એકીકૃત એબ્સ્ટ્રેક્શન લેયર દ્વારા ત્રણેયને પાર કરે છે. એજન્ટ ગ્રાફમાં એન્ટિટીઝને ઇરાદાને ઉકેલે છે, વેરહાઉસમાંથી મેટ્રિક્સ મેળવે છે અને બંનેના ટાંકણો સાથે જવાબો સમજાવે છે. જ્યારે તેને કાર્ય કરવાની જરૂર હોય છે—ટિકિટ બનાવો, ગ્રાહક સ્તરને અપડેટ કરો—તે ગ્રાફ-એન્કર કરેલ IDs માંથી મેળવેલ પરિમાણો સાથે ટૂલ્સને કૉલ કરે છે.

RAG સ્ટેક વિકસિત થાય છે: ટેક્સ્ટથી હાઇબ્રિડ પુનઃપ્રાપ્તિ સુધી

RAG ના પ્રથમ તરંગે દરેક વસ્તુને ટેક્સ્ટ તરીકે ગણી. તે નોલેજ બેઝ, સપોર્ટ ડોક્સ અને પોલિસી મેન્યુઅલ્સ માટે ઉપયોગી છે. બીજો તરંગ હાઇબ્રિડ છે:

સંદર્ભ અને સૂચનાઓ માટે ટેક્સ્ટ RAG.

મેટ્રિક્સ અને ચોક્કસ મૂલ્યો માટે ટેબલ RAG (સ્કીમા-અવેર ડીકોડિંગ અને યુનિટ ટેસ્ટ સાથે SQL જનરેશન).

સિમેન્ટિક્સ અને સંબંધો માટે ગ્રાફ RAG (ઓન્ટોલોજી અવરોધો સાથે સાયફર/SPARQL જનરેશન).

એન્જિનિયરિંગ પેટર્ન સીધી છે: એક રાઉટર પ્રશ્ન પ્રકારને ઓળખે છે, એક પ્લાનર કાર્યને વિઘટિત કરે છે અને વિશિષ્ટ પુનઃપ્રાપ્તિકર્તાઓ યોગ્ય સંદર્ભ પ્રદાન કરે છે. નિર્ણાયક રીતે, મોડેલ એકલા સુધારણા માટે જવાબદાર નથી; તે સુધારણા માટે ડિઝાઇન કરેલી સિસ્ટમ્સને સોંપે છે. આ રીતે તમે LLMs ને ભવિષ્યવેત્તાથી ઓર્કેસ્ટ્રેટરમાં ફેરવો છો.

વિશ્વાસ અને ખર્ચ વળાંક

AI એજન્ટ ઇકોનોમિક્સ એક ચલ માટે સંવેદનશીલ છે: અપવાદ દર. જો 30% કાર્યોને માનવ હસ્તક્ષેપની જરૂર હોય, તો ખર્ચ વધે છે અને વપરાશકર્તાનો વિશ્વાસ ઘટે છે. હાઇબ્રિડ પુનઃપ્રાપ્તિ અને ગ્રાફ ગ્રાઉન્ડિંગ સિસ્ટમને ઓછી "ક્રિએટિવ" બનાવીને અપવાદો ઘટાડે છે જ્યાં તે ન હોવી જોઈએ.

વધુમાં, સ્ટ્રક્ચર્ડ પુનઃપ્રાપ્તિ ટોકન વપરાશ ઘટાડે છે. અર્ધ-સંબંધિત ટેક્સ્ટ સાથે લાંબી સંદર્ભ વિન્ડોને સ્ટફ કરવાને બદલે, એજન્ટ્સ ચોક્કસ પંક્તિઓ, કૉલમ્સ અને ગ્રાફ એજિસ મેળવે છે. આ અનુમાન ખર્ચ અને વિલંબને ઘટાડે છે. સમય જતાં, જેમ જેમ ઓન્ટોલોજીમાં સુધારો થાય છે અને વધુ વર્કફ્લો સ્વયંસંચાલિત થાય છે, તેમ તમે સંયોજન અસર જુઓ છો: ઓછા અપવાદો, સસ્તી દોડ અને કાર્યોનો વ્યાપક સમૂહ જે ડ્રાફ્ટ-એન્ડ-રિવ્યૂથી એક્ઝિક્યુટ-વિથ-ઓડિટ સુધી સ્નાતક થાય છે.

ઉદ્યોગ અસરો: એકત્રીકરણ ડેટા પ્લેન પર જાય છે

એકત્રીકરણ સિદ્ધાંત સૂચવે છે કે સૌથી મૂલ્યવાન કંપનીઓ તે છે જે સીધી માંગને નિયંત્રિત કરે છે જ્યારે પુરવઠામાં શૂન્ય નજીવો ખર્ચથી લાભ મેળવે છે. AI એજન્ટ યુગમાં, માંગ એ વપરાશકર્તાનો ઇરાદો છે; પુરવઠો એ ડેટાનો કોર્પસ અને ક્રિયાઓનો સમૂહ છે. LLMs ઇરાદા માટે ઇન્ટરફેસને લોકશાહી બનાવે છે, તેને પોર્ટેબલ બનાવે છે. એકત્રીકરણનું સ્થાન ડેટા નિયંત્રણ અને ક્રિયા અંતિમ બિંદુઓ પર સ્થાનાંતરિત થાય છે.

વ્યવહારમાં તેનો અર્થ શું થાય છે?

મોડેલ વિભેદન ઝાંખું પડે છે: ફાઉન્ડેશન મોડેલ્સ મહત્વપૂર્ણ રહેશે, પરંતુ મોટાભાગના એન્ટરપ્રાઇઝ કાર્યો માટે બદલી શકાય તેવા છે. વિલંબ, ખર્ચ અને ફાઇન-ટ્યુનિંગ વિકલ્પો મહત્વપૂર્ણ છે, તેમ છતાં સ્વિચિંગ ખર્ચ ઓછો છે.

ડેટા અને સિમેન્ટિક્સ અલગ પાડે છે: કંપનીઓ જે માલિકીના ગ્રાફ્સ બનાવે છે—એન્ટિટી વ્યાખ્યાઓ, સંબંધો અને પ્રોવેનન્સ—સંયોજન ખાઈઓ બનાવે છે. તેમના એજન્ટ્સ વધુ ચોક્કસ રીતે જવાબ આપે છે, ઓછા અપવાદો સાથે કાર્ય કરે છે અને સુરક્ષિત રીતે કાર્ય કરે છે.

ક્રિયા અંતિમ બિંદુઓ લૉક-ઇન: જો તમારો એજન્ટ CRM, ERP, ITSM અને DevOps ટૂલ્સમાં શાસન સાથે વિશ્વસનીય રીતે એક્ઝિક્યુટ કરી શકે છે, તો દૂર સ્વિચ કરવાનો ખર્ચ ઊંચો થઈ જાય છે—UI ને કારણે નહીં, પરંતુ એન્કોડ કરેલ વર્કફ્લો અને નીતિઓને કારણે.

સ્પર્ધાત્મક લેન્ડસ્કેપ: પ્લેટફોર્મ્સ, પ્રિમિટિવ્સ અને પ્રોડક્ટ્સ

સ્પર્ધાના ત્રણ સ્તરોની અપેક્ષા રાખો:

પ્લેટફોર્મ્સ: ક્લાઉડ પ્રદાતાઓ અને એન્ટરપ્રાઇઝ સોફ્ટવેર સ્યુટ્સ એકીકૃત એજન્ટ ફ્રેમવર્ક, ડેટા કનેક્ટર્સ, વેક્ટર સ્ટોર્સ અને શાસન ઓફર કરે છે. તેમનો ફાયદો વિતરણ અને ડેટા નજીક ડિફોલ્ટ હાજરી છે.

પ્રિમિટિવ્સ: ડેટાબેઝ (SQL, ગ્રાફ), વેક્ટર સ્ટોર્સ, ઓર્કેસ્ટ્રેટર્સ, વંશાવળી સાધનો. તેમનો ફાયદો પ્રદર્શન અને વિશ્વસનીયતા છે; જ્યારે તેઓ ઘણા સ્ટેક્સમાં ફિટ થાય છે ત્યારે તેઓ જીતે છે.

પ્રોડક્ટ્સ: વર્ટિકલ અને હોરિઝોન્ટલ એપ્લિકેશન્સ જે ચોક્કસ વર્કફ્લોને ઉકેલે છે—ગ્રાહક સપોર્ટ, સેલ્સ ઓપ્સ, ફાઇનાન્સ ક્લોઝ, સપ્લાય ચેઇન અપવાદો—ઓન્ટોલોજીઝ અને ટ્રાન્ઝેક્શનલ ક્રિયાઓને ઊંડાણપૂર્વક એકીકૃત કરીને.

વ્યૂહાત્મક પરિપ્રેક્ષ્યથી, Sider.AI ને બજાર કેવી રીતે આગળ વધી રહ્યું છે તેના ઉદાહરણ તરીકે ધ્યાનમાં લો: AI આઉટપુટને ઓડિટ કરી શકાય તેવું અને કાર્યક્ષમ બનાવવા માટે પુનઃપ્રાપ્તિ, ટૂલ ઉપયોગ અને સ્ટ્રક્ચર્ડ ડેટા ગ્રાઉન્ડિંગ સાથે વિશ્લેષણ-તૈયાર ઇન્ટરફેસને જોડીને. વિભેદક વાતચીત પોતાના ખાતર નથી, પરંતુ સ્પષ્ટ પ્રોવેનન્સ અને ગાર્ડરેલ્સ સાથે રેકોર્ડની સિસ્ટમ્સ સાથે જોડાયેલા પુનરાવર્તિત વર્કફ્લો છે. આ દિશામાં ટકાઉ AI પ્રોડક્ટ્સ સ્પર્ધા કરશે.

ડિઝાઇન પેટર્ન: પાંચ કોંક્રિટ આર્કિટેક્ચર્સ

ગ્રાહક સપોર્ટ રિઝોલ્યુશન એન્જિન

ડેટા: KB લેખો (ટેક્સ્ટ), ઉત્પાદન SKUs (કોષ્ટકો), ઉપકરણ-સુસંગતતા ગ્રાફ (ગ્રાફ).

ફ્લો: ઇરાદાને વર્ગીકૃત કરો → KB પુનઃપ્રાપ્ત કરો → ચોક્કસ ચલો માટે SKU કોષ્ટકને ક્વેરી કરો → સુસંગતતા એજિસને પાર કરો → ટાંકવામાં આવેલા પેસેજ અને ચોક્કસ ભાગ નંબરો સાથે ફિક્સ પ્રસ્તાવિત કરો → જો અધિકૃત હોય, તો RMA બનાવો.

ગાર્ડરેલ્સ: "કોઈ પ્રોવેનન્સ નહીં, કોઈ RMA નહીં." SKU અને સીરીયલ મેળ ખાતા હોવા જોઈએ; તમામ ક્રિયાઓ લોગ કરેલી છે.

સેલ્સ ઓપ્સ અને પ્રાઇસિંગ આસિસ્ટન્ટ

ડેટા: ભાવ યાદીઓ (કોષ્ટકો), ડિસ્કાઉન્ટ નીતિઓ (ટેક્સ્ટ), એકાઉન્ટ વંશવેલો (ગ્રાફ).

ફ્લો: ગ્રાફ દ્વારા એકાઉન્ટ સ્તર નક્કી કરો → SQL દ્વારા વર્તમાન ભાવ ખેંચો → નીતિ અવરોધો લાગુ કરો → લાઇન-આઇટમ પ્રોવેનન્સ સાથે ક્વોટ જનરેટ કરો → API દ્વારા CPQ ને સબમિટ કરો.

ગાર્ડરેલ્સ: થ્રેશોલ્ડ કરતાં વધારે ડિસ્કાઉન્ટ માટે માનવ હસ્તાક્ષરની જરૂર છે; આઇડેમ્પોટેન્ટ ક્વોટ IDs.

IT ઘટના ટ્રાયઝર

ડેટા: લોગ્સ (અર્ધ-સ્ટ્રક્ચર્ડ), રનબુક્સ (ટેક્સ્ટ), સેવા અવલંબન ગ્રાફ (ગ્રાફ), ટિકિટિંગ સિસ્ટમ (ક્રિયાઓ).

ફ્લો: લોગ્સનો સારાંશ આપો → ગ્રાફ દ્વારા પ્રભાવિત સેવાઓનું મેપ કરો → રનબુક સ્ટેપ્સ પુનઃપ્રાપ્ત કરો → રોલબેક સાથે ઉપાય પ્રસ્તાવિત કરો → સલામત આદેશો ચલાવો.

ગાર્ડરેલ્સ: ભૂમિકા દ્વારા ગેટ કરેલી ઉત્પાદન ક્રિયાઓ; સ્વચાલિત રોલબેક ટોકન્સ.

ફાઇનાન્સ ક્લોઝ આસિસ્ટન્ટ

ડેટા: GL એન્ટ્રીઓ (કોષ્ટકો), નીતિઓ (ટેક્સ્ટ), એન્ટિટી સ્ટ્રક્ચર્સ (ગ્રાફ).

ફ્લો: વિસંગતતાઓનું સમાધાન કરો → એન્ટ્રીઓ અને નીતિ કલમો ટાંકવો → એડજસ્ટિંગ જર્નલ એન્ટ્રીઓ જનરેટ કરો → મંજૂરી બાકી ERP ને સબમિટ કરો.

ગાર્ડરેલ્સ: તમામ જર્નલ લખાણો પર ડ્યુઅલ કંટ્રોલ; અપરિવર્તનશીલ ઓડિટ લોગ.

સંશોધન વિશ્લેષક સાથી

ડેટા: ફાઇલિંગ (ટેક્સ્ટ), બજાર ડેટા (કોષ્ટકો), કંપની સંબંધો (ગ્રાફ).

ફ્લો: ટાંકણો સાથે ફાઇલિંગનો સારાંશ આપો → SQL દ્વારા મેટ્રિક્સ ખેંચો → માલિકી અને સેગમેન્ટ ગ્રાફ સાથે સંદર્ભ આપો → લિંક કરેલા સ્ત્રોતો સાથે રોકાણ મેમો ડ્રાફ્ટ તૈયાર કરો.

ગાર્ડરેલ્સ: કોઈ અમલ નહીં; સંશોધન-માત્ર, કડક સ્ત્રોત પ્રોવેનન્સ સાથે.

અમલ વિગતો: એન્જિનિયર્સ શું ખોટું કરે છે

ઓવરસ્ટફ્ડ સંદર્ભ: લાંબા પ્રોમ્પ્ટ્સ ખરાબ પુનઃપ્રાપ્તિને આવરી લે છે. પહેલાં પુનઃપ્રાપ્તિ અને ઓન્ટોલોજીને ઠીક કરો; પછીથી ટોકન્સ ઘટાડો.

ફ્રી-ફોર્મ SQL: મર્યાદિત ડીકોડિંગ અને સ્કીમા-અવેર ટેમ્પ્લેટ્સનો ઉપયોગ કરો; ઑફ-પીક યુનિટ ટેસ્ટ ક્વેરીઝ.

સ્ટેટલેસ એજન્ટ્સ: વર્કિંગ મેમરી અને યોજનાઓ માટે ટકાઉ સ્થિતિ જાળવો; અગાઉના પગલાંની જાગૃતિ સાથે ફરીથી પ્રયાસ કરો.

ખૂટતી બેકપ્રેશર: દર-મર્યાદિત ટૂલ કૉલ્સ; APIs ને અવિશ્વસનીય તરીકે ગણો અને જીટર સાથે પુનઃપ્રયાસો બનાવો.

ડ્રિફ્ટને અવગણવું: એમ્બેડિંગ ડિસ્ટ્રિબ્યુશન અને સ્કીમા ઇવોલ્યુશનને મોનિટર કરો; રી-એમ્બેડિંગ્સ અને વર્ઝન ઓન્ટોલોજીઝનું શેડ્યૂલ કરો.

કોઈ રેડ ટીમ્સ નહીં: નિયમિત રીતે વિરોધી પ્રોમ્પ્ટ્સ, એક્સ્ફિલ્ટ્રેશન પ્રયાસો અને સાધનોના ઝેરી સંયોજનોનું અનુકરણ કરો.

મેટ્રિક્સ અને બેંચમાર્ક્સ: ડેમોથી લઈને SLAs સુધી

જો આ પ્રોડક્શન વર્કફ્લો ચલાવવાનું હોય, તો તેને પ્રોડક્શન મેટ્રિક્સની જરૂર છે:

જવાબની ગુણવત્તા: ગ્રાઉન્ડિંગ ચોકસાઈ/રિકોલ, સ્રોત કવરેજ અને વિરોધાભાસ દર.

ક્રિયા વિશ્વસનીયતા: સફળ ટૂલ કોલ દર, રોલબેક આવર્તન અને અપવાદો માટે સરેરાશ રિઝોલ્યુશન સમય (MTTR).

આર્થિક કાર્યક્ષમતા: ઉકેલાયેલા કાર્ય દીઠ કિંમત, પગલું દીઠ ટોકન ખર્ચ અને અપવાદ દીઠ માનવ મિનિટ.

ગવર્નન્સ હેલ્થ: સંપૂર્ણ પ્રોવેનન્સવાળી ક્રિયાઓની ટકાવારી, અવરોધિત એક્સેસ ઉલ્લંઘનો અને ઑડિટ સંપૂર્ણતા.

ઓન્ટોલોજી સુધારણાઓ, રિટ્રીવલ સ્ટ્રેટેજીસ (હાઇબ્રિડ વિ. ટેક્સ્ટ-ઓન્લી) અને પોલિસી સ્ટ્રિક્ટનેસ દ્વારા આ મેટ્રિક્સનું A/B પરીક્ષણ કરો. આ પેટર્ન સુસંગત છે: વધુ સારા ગ્રાફ અને કડક પ્રોવેનન્સ અપવાદ દરોને ઘટાડે છે, જે ખર્ચને સંકોચે છે અને વપરાશકર્તાના વિશ્વાસમાં વધારો કરે છે.

આગળ જોતાં: સિમેન્ટિક ઈન્ટરફેસનું સ્ટાન્ડર્ડાઈઝેશન

સંભવિત અંતિમ સ્થિતિ એક પ્રમાણિત સિમેન્ટિક ઈન્ટરફેસ છે જે AI એજન્ટો અને એન્ટરપ્રાઇઝ સિસ્ટમ્સ વચ્ચે રહે છે - કનેક્ટર્સનો ભાગ કેટલોગ, ઓન્ટોલોજી માર્કેટપ્લેસનો ભાગ, પોલિસી એન્જિનનો ભાગ. વેન્ડર્સ ડોમેન ઓન્ટોલોજીને પેકેજ તરીકે સપ્લાય કરવા માટે સ્પર્ધા કરશે; એન્ટરપ્રાઇઝ તેમને કસ્ટમાઇઝ અને વિસ્તૃત કરશે; એજન્ટો પાતળું સ્તર બનશે જે હેતુને ગ્રાઉન્ડેડ, ગવર્ન્ડ ક્રિયામાં રૂપાંતરિત કરે છે. વિજેતાઓ ફક્ત મોડેલના વજન જ નહીં, પરંતુ સિમેન્ટિક લેયર અને એક્શન એન્ડપોઇન્ટ્સની ચાવીઓ રાખશે.

આ પરિપ્રેક્ષ્ય મોડેલ સાઇઝ અને ઓપન વિરુદ્ધ ક્લોઝ્ડ વિશેની ચર્ચાઓને પણ ફરીથી રજૂ કરે છે. તે પ્રશ્નો મહત્વપૂર્ણ છે, પરંતુ માત્ર એટલા માટે કે તેઓ સિમેન્ટિક અને એક્શન લેયરના અર્થશાસ્ત્રને અસર કરે છે. સહેજ સારું મોડેલ ઉપયોગી છે; નોંધપાત્ર રીતે વધુ સારી ઓન્ટોલોજી અને પોલિસી સિસ્ટમ નિર્ણાયક છે.

નિષ્કર્ષ: કનેક્ટ કરીને જીતો—પરંતુ શિસ્ત સાથે કનેક્ટ કરો

એન્ટરપ્રાઇઝમાં AIનું ભવિષ્ય ચેટ ઇન્ટરફેસ દ્વારા નક્કી કરવામાં આવશે નહીં પરંતુ જોડાણોની ગુણવત્તા દ્વારા નક્કી કરવામાં આવશે—ચોકસાઈ માટે ડેટાબેસેસ સાથે, અર્થ માટે નોલેજ ગ્રાફ્સ સાથે, સલામતી માટે પોલિસી એન્જિન્સ સાથે અને મૂલ્ય માટે એક્શન એન્ડપોઇન્ટ્સ સાથે. AI એજન્ટોને ડેટાબેસેસ અને નોલેજ ગ્રાફ્સ સાથે જોડવું એ ડેમો અને સંસ્થા વચ્ચેનો તફાવત છે.

પ્લેબુક સ્પષ્ટ છે: તમારા ડોમેનનું મોડેલ બનાવો, ટેક્સ્ટ અને સ્ટ્રક્ચર વચ્ચે રિટ્રીવલને એકીકૃત કરો, પ્રોવેનન્સને લાગુ કરો, પોલિસીને એન્કોડ કરો અને ગાર્ડ્રેલ્સ સાથે ક્રિયાઓનું સંચાલન કરો. ત્યાં રોકાણ કરો જ્યાં મોડેલ જાદુઈ લાગે છે, પરંતુ ત્યાં રોકાણ કરો જ્યાં સિસ્ટમ વિશ્વાસપાત્ર બને છે. એકત્રીકરણ તે લોકો માટે વધશે જેઓ સિમેન્ટિક્સ અને એક્ઝિક્યુશનની માલિકી ધરાવે છે, માત્ર ઇન્ટરફેસની જ નહીં. ત્યાં જ શક્તિ કેન્દ્રિત થાય છે—અને જ્યાં, હંમેશની જેમ ટેક્નોલોજીમાં, સંસ્થાઓ ઇન્ટરફેસને પાછળ છોડી દે છે.

FAQ

Q1: AI એજન્ટોને ડેટાબેસેસ અને નોલેજ ગ્રાફ્સ સાથે શા માટે કનેક્ટ કરવા જોઈએ? તે સંભવિત ભાષા આઉટપુટને ચકાસી શકાય તેવા, સંચાલિત નિર્ણયોમાં રૂપાંતરિત કરે છે. ડેટાબેસેસ આંકડાકીય અને ટ્રાન્ઝેક્શનલ ચોકસાઈની ખાતરી કરે છે, જ્યારે નોલેજ ગ્રાફ્સ સિમેન્ટિક્સ અને પ્રોવેનન્સ પ્રદાન કરે છે, અપવાદો ઘટાડે છે અને સલામત ઓટોમેશનને સક્ષમ કરે છે.

Q2: નોલેજ ગ્રાફ્સ રિટ્રીવલ-ઑગમેન્ટેડ જનરેશન (RAG) ને કેવી રીતે સુધારે છે? ગ્રાફ્સ એન્ટિટીઝને અસ્પષ્ટ કરે છે, સંબંધોને એન્કોડ કરે છે અને અવરોધોને લાગુ કરે છે, જે સમાનતાને કેપ્ચર કરતી વેક્ટર શોધને પૂરક બનાવે છે. પરિણામ ઉચ્ચ ગ્રાઉન્ડિંગ ચોકસાઈ, વધુ સારી રીતે સમજાવી શકાય તેવું અને જટિલ વર્કફ્લોમાં ઓછી હેલ્યુસિનેશન્સ છે.

Q3: ગ્રાઉન્ડેડ AI એજન્ટો બનાવવા માટે મારે કયું આર્કિટેક્ચર વાપરવું જોઈએ? ચાર-સ્તરનો સ્ટેક અપનાવો: ઇન્ટરફેસ (LLM/એજન્ટ), ગ્રાઉન્ડિંગ (ટેક્સ્ટ, SQL અને ગ્રાફમાં હાઇબ્રિડ રિટ્રીવલ), ગવર્નન્સ (પ્રોવેનન્સ અને પોલિસી) અને એક્શન (આઇડેમ્પોટેન્ટ રાઇટ્સ સાથે ટૂલનો ઉપયોગ). પ્રાથમિક KPIs તરીકે અપવાદ દરો અને પ્રોવેનન્સ કવરેજને માપો.

Q4: AI એજન્ટ સિસ્ટમ્સમાં સ્પર્ધાત્મક લાભ ક્યાંથી ઉભરી આવશે? વિભેદન માલિકીના સિમેન્ટિક્સ અને એક્ઝિક્યુશનમાં કેન્દ્રિત થશે. જે કંપનીઓ ઉચ્ચ-ગુણવત્તાવાળી ઓન્ટોલોજી, એન્ટિટી ગ્રાફ્સ અને વિશ્વસનીય એક્શન એન્ડપોઇન્ટ્સની માલિકી ધરાવે છે તે માંગને એકત્રિત કરશે, જ્યારે ફાઉન્ડેશન મોડેલ્સ તુલનાત્મક રીતે બદલી શકાય તેવા બની જશે.

Q5: AI એજન્ટને માત્ર ડ્રાફ્ટ કરવાને બદલે ક્યારે કાર્ય કરવાની મંજૂરી આપવી જોઈએ? "કોઈ પ્રોવેનન્સ નહીં, કોઈ ક્રિયા નહીં" થ્રેશોલ્ડ અપનાવો અને જ્યાં સુધી ગ્રાઉન્ડિંગ ચોકસાઈ અને પોલિસી પાલન SLAsને પૂર્ણ ન કરે ત્યાં સુધી હ્યુમન-ઇન-ધ-લૂપ આવશ્યક છે. જેમ જેમ અપવાદ દરો ઘટે છે, તેમ તેમ ઓડિટ ટ્રેલ્સ અને રોલબેક સેફગાર્ડ્સ સાથે સ્વાયત્ત ક્રિયાઓને ક્રમશઃ વિસ્તૃત કરો.