🤖 AI

Do Enterprise Systems Need Learned World Models? The Importance of Context to Infer Dynamics

यह शोध पत्र तर्क देता है कि कॉन्फ़िगर करने योग्य एंटरप्राइज़ सिस्टम में, एजेंटों को केवल भंगुर (brittle), ऑफलाइन-प्रशिक्षित वर्ल्ड मॉडल्स पर निर्भर रहने के बजाय सक्रिय बिजनेस लॉजिक की रनटाइम डिस्कवरी को प्राथमिकता देनी चाहिए, जो नए CascadeBench बेंचमार्क के माध्यम से यह प्रदर्शित करता है कि यह दृष्टिकोण डिप्लॉयमेंट शिफ्ट्स के विरुद्ध मजबूती (robustness) में महत्वपूर्ण सुधार करता है।

मूल लेखक: Jishnu Sethumadhavan Nair, Patrice Bechard, Rishabh Maheshwary, Surajit Dasgupta, Sravan Ramachandran, Aakash Bhagat, Shruthan Radhakrishna, Pulkit Pattnaik, Johan Obando-Ceron, Shiva Krishna Reddy Ma

प्रकाशित 2026-05-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jishnu Sethumadhavan Nair, Patrice Bechard, Rishabh Maheshwary, Surajit Dasgupta, Sravan Ramachandran, Aakash Bhagat, Shruthan Radhakrishna, Pulkit Pattnaik, Johan Obando-Ceron, Shiva Krishna Reddy Malay, Sagar Davasam, Seganrasan Subramanian, Vipul Mittal, Sridhar Krishna Nemala, Christopher Pal, Srinivas Sunkara, Sai Rajeswar

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ दिए गए पेपर का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।

बड़ा सवाल: क्या हमें नियमों को याद करने की ज़रूरत है?

कल्पना कीजिए कि आप एक विशाल, जटिल कार्यालय भवन (एंटरप्राइज सिस्टम) में एक नए कर्मचारी हैं। हर बार जब आप कुछ करते हैं—जैसे कोई रिपोर्ट फाइल करना या किसी अनुरोध को मंजूरी देना—तो अपने आप कई चीज़ें होती हैं। शायद एक नोटिफिकेशन भेजा जाता है, बजट अपडेट होता है, या मैनेजर को एक अलर्ट मिलता है।

एक सामान्य ऑफिस में, ये नियम तय होते हैं। लेकिन इस विशिष्ट प्रकार के एंटरप्राइज सिस्टम में, हर ऑफिस ब्रांच के अपने अनूठे नियम होते हैं।

न्यूयॉर्क ब्रांच फ़ाइल सेव होने पर एक ईमेल भेज सकती है।
लंदन ब्रांच इसे बस एक स्प्रेडशीट में दर्ज कर सकती है।
टोक्यो ब्रांच एक मीटिंग का आमंत्रण ट्रिगर कर सकती है।

इसके अलावा, मैनेजर इन नियमों को किसी भी समय बदल सकते हैं। आज, फ़ाइल सेव करने से ईमेल जाता है; कल, वे इसे टेक्स्ट मैसेज भेजने में बदल सकते हैं।

पेपर एक सरल प्रश्न पूछता है: अगली चीज़ क्या होगी, इसका अनुमान लगाने के लिए, क्या एक AI एजेंट को इन सभी नियमों को पहले से "याद" (सीखने) की आवश्यकता है, या वह ज़रूरत पड़ने पर उन्हें बस देख (लुक अप) सकता है?

दो दृष्टिकोण

शोधकर्ताओं ने AI के लिए इस स्थिति को संभालने के दो अलग-अलग तरीकों का परीक्षण किया:

1. "याद करने वाला" (Learned World Model)

यह उस छात्र की तरह है जो काम शुरू करने से पहले कंपनी की हर ब्रांच की हर एक रूलबुक को पढ़ने और याद करने की कोशिश करता है। वे उस तर्क (लॉजिक) को अपने दिमाग में आत्मसात करने की कोशिश करते हैं।

यह कैसे काम करता है: AI को ऐतिहासिक डेटा (पिछले कार्यों और परिणामों) पर प्रशिक्षित किया जाता है ताकि सिस्टम कैसे काम करता है, इसका एक मानसिक मॉडल बनाया जा सके।
समस्या: यदि कंपनी एक नियम बदल देती है (एक "डिप्लॉयमेंट शिफ्ट"), तो छात्र का दिमाग पुराने नियमों पर अटका रहता है। वे अनुमान लगा सकते हैं कि एक ईमेल भेजा जाएगा, लेकिन नया नियम कहता है कि एक टेक्स्ट भेजा जाएगा। क्योंकि वे याददाश्त पर निर्भर थे, इसलिए वे गलत हो जाते हैं। वे बदलाव आने पर "भंगुर" (brittle - आसानी से टूटने वाले) हो जाते हैं।

2. "जासूस" (Enterprise Discovery Agent)

यह उस नए कर्मचारी की तरह है जो रूलबुक को याद करने की कोशिश नहीं करता। इसके बजाय, वे अपने पास एक फोन रखते हैं।

यह कैसे काम करता है: जब कर्मचारी को यह जानने की ज़रूरत होती है कि रिपोर्ट फाइल करने पर क्या होगा, तो वे याददाश्त के आधार पर अंदाज़ा नहीं लगाते। वे तुरंत ऑफिस मैनेजर को कॉल करते हैं या अपनी स्क्रीन पर मौजूद वर्तमान डिजिटल रूलबुक को देखते हैं ताकि देख सकें कि वर्तमान नियम क्या कहते हैं।
लाभ: भले ही नियम कल बदल जाएं, जासूस बस नई रूलबुक देख लेता है। वे "मजबूत" (robust) हैं क्योंकि वे अतीत की याददाश्त के बजाय वर्तमान की वास्तविकता पर आधारित हैं।

प्रयोग: "CascadeBench"

इस परीक्षण के लिए, शोधकर्ताओं ने CascadeBench नामक एक प्लेग्राउंड बनाया।

सेटअप: उन्होंने अलग-अलग, जटिल नियमों के साथ हजारों नकली ऑफिस परिदृश्य बनाए। कुछ नियम सरल थे (जैसे "यदि X, तो Y")। अन्य जटिल श्रृंखलाएं थीं (जैसे "यदि X, तो Y, जिससे Z ट्रिगर होता है, जिससे एक मीटिंग ट्रिगर होती है")।
परीक्षण: उन्होंने अलग-अलग AI से एक क्रिया का परिणाम बताने के लिए कहा।
- कुछ AI को अपने प्रशिक्षण (ट्रेनिंग) पर निर्भर रहना था (याद करने वाले)।
- कुछ AI को वास्तविक समय में नियमों को देखने (लुक अप करने) की अनुमति दी गई (जासूस)।
- कुछ AI को उनके सामने सीधे रूलबुक दी गई थी ("ओरेकल")।

उन्हें क्या पता चला

परिणाम स्पष्ट और आश्चर्यजनक थे:

याद करने वाले घर में अच्छे, लेकिन बाहर बुरे: "याद करने वाले" AI ने ठीक उसी नियमों पर बहुत अच्छा प्रदर्शन किया जिनका उन्होंने अध्ययन किया था। लेकिन जैसे ही नियम थोड़े भी बदले (एक नई ब्रांच, एक नया कॉन्फ़िगरेशन), उनका प्रदर्शन गिर गया। वे अनुकूलन (adapt) नहीं कर सके।
जासूस जीतता है: "डिस्कवरी एजेंट" (वह जो वास्तविक समय में नियमों को देखता है) ने नियमों के बदलने पर बहुत बेहतर प्रदर्शन किया। भले ही वे नियमों को कंठस्थ नहीं जानते थे, लेकिन वे उन्हें तुरंत खोजने में सक्षम थे।
"ओरेकल" की सीमा: जब AI को सीधे रूलबुक दी गई थी (उसे खोजने की आवश्यकता के बिना), तो उन्होंने सबसे अच्छा प्रदर्शन किया। इससे सिद्ध हुआ कि जानकारी वहां मौजूद थी; समस्या केवल यह थी कि "याद करने वाले" संदर्भ बदलने पर सही जानकारी तक नहीं पहुँच सके।

कठिनाई के तीन स्तर

शोधकर्ताओं ने यह भी पाया कि कुछ कार्य दूसरों की तुलना में आसान होते हैं:

स्तर 1 (बुनियादी बातें): डेटाबेस संरचना पर आधारित सरल नियम (जैसे "यदि आप एक यूजर बनाते हैं, तो उन्हें एक डिफॉल्ट ID मिलती है")। यहाँ तक कि "याद करने वाले" भी इनका सही अनुमान लगा सकते थे क्योंकि ये मानक होते हैं।
स्तर 2 (श्रृंखलाएं/Chains): नियमों की जटिल श्रृंखलाएं (जैसे "यदि आप प्राथमिकता बदलते हैं, तो यह एक वर्कफ़्लो को ट्रिगर करता है, जो एक नोटिफिकेशन को ट्रिगर करता है")। यहाँ "याद करने वाले" बुरी तरह विफल रहे। "जासूस" सफल रहे क्योंकि वे वर्तमान रूलबुक में श्रृंखला का पता लगा सकते थे।
स्तर 3 (छिपी हुई चीजें): कभी-कभी, परिणाम कंप्यूटर के आंतरिक समय (timing) या छिपे हुए इंजन व्यवहार पर निर्भर करता है जो रूलबुक में नहीं लिखा होता है। यहाँ तक कि "जासूस" भी संघर्ष कर रहे थे क्योंकि उत्तर वास्तव में उस किताब में नहीं था जिसे वे पढ़ सकते थे।

निष्कर्ष

पेपर यह निष्कर्ष निकालता है कि एंटरप्राइज सिस्टम के लिए, आपको केवल ऐसे AI पर भरोसा नहीं करना चाहिए जिसने दुनिया को "याद" कर लिया है।

चूंकि व्यावसायिक नियम लगातार बदलते रहते हैं और प्रत्येक ग्राहक के लिए विशिष्ट होते हैं, इसलिए सबसे अच्छी रणनीति एक हाइब्रिड (मिश्रित) रणनीति है:

केवल पिछले डेटा पर AI को प्रशिक्षित न करें।
AI को निर्णय लेने के समय वर्तमान नियमों को खोजने (लुक अप करने) की क्षमता दें।

इसे कार चलाने की तरह समझें। एक "याद करने वाला" मार्ग के हर ट्रैफिक लाइट और स्टॉप साइन को याद रखने की कोशिश करता है। यदि निर्माण कार्य के कारण कोई साइन हटा दिया जाता है, तो वे दुर्घटनाग्रस्त हो जाते हैं। एक "डिस्कवरी एजेंट" वास्तविक समय में सड़क के संकेतों को देखता है। यदि साइन बदलता है, तो वे उसे देखते हैं और तुरंत तालमेल बिठा लेते हैं।

संक्षेप में: ऐसी दुनिया में जहाँ नियम अक्सर बदलते रहते हैं, संकेतों को पढ़ने वाले जासूस बनना, उन सभी को याद करने की कोशिश करने वाले छात्र बनने से कहीं बेहतर है।

तकनीकी सारांश: क्या एंटरप्राइज सिस्टम को 'लर्न्ड वर्ल्ड मॉडल्स' की आवश्यकता है?

समस्या विवरण

एंटरप्राइज सिस्टम पारंपरिक वातावरण (जैसे रोबोटिक्स या वीडियो गेम्स) से मौलिक रूप से भिन्न हैं क्योंकि उनके ट्रांजिशन डायनेमिक्स (transition dynamics) स्थिर नहीं होते हैं, बल्कि वे टेनेंट-विशिष्ट कॉन्फ़िगरेशन आर्टिफ़ेक्ट्स (बिजनेस रूल्स, वर्कफ़्लो, अप्रूवल पॉलिसीज़) द्वारा परिभाषित होते हैं जो विभिन्न डिप्लॉयमेंट में बदलते रहते हैं और समय के साथ विकसित होते हैं। ऐसे परिवेश में, एक ही एक्शन $a_t$ को स्टेट $s_t$ पर लागू करने से अलग-अलग परिणाम $s_{t+1}$ मिल सकते हैं, जो सक्रिय इंस्टेंस कॉन्फ़िगरेशन $c$ पर निर्भर करता है।

यह शोध पत्र वर्ल्ड-मॉडल्स के साहित्य में एक महत्वपूर्ण प्रश्न को संबोधित करता है: जब वातावरण के नियम अनुमान (inference) के समय पठनीय और सुलभ होते हैं, तो क्या एजेंट को उन्हें आंतरिक रूप से सीखने की अभी भी आवश्यकता है?

मौजूदा दृष्टिकोण लर्न्ड वर्ल्ड मॉडल्स (learned world models) पर भरोसा करते हैं जो ऐतिहासिक ट्रांजिशन डेटा से डायनेमिक्स को आत्मसात (internalize) करते हैं। हालांकि, लेखक तर्क देते हैं कि केवल ऐतिहासिक ट्रांजिशन पर प्रशिक्षित मॉडल डिप्लॉयमेंट शिफ्ट (कॉन्फ़िगरेशन या टेनेंट लॉजिक में परिवर्तन) के तहत नाजुक (brittle) हो जाते हैं। यदि नियम सिस्टम के कॉन्फ़िगरेशन में स्पष्ट रूप से उपलब्ध हैं, तो एक स्थिर, आत्मसात किए गए प्रतिनिधित्व (representation) पर निर्भर रहना अनावश्यक सन्निकटन त्रुटियों (approximation errors) को जन्म दे सकता है और मजबूती को कम कर सकता है।

कार्यप्रणाली (Methodology)

1. औपचारिकीकरण: कॉन्टेक्स्टुअल ट्रांजिशन मॉडल्स

लेखक एंटरप्राइज डायनेमिक्स को एक कॉन्टेक्स्टुअल ट्रांजिशन मॉडल के रूप में औपचारिक रूप देते हैं:
$s_{t+1} \sim P(s_{t+1} | s_t, a_t, c)$
जहाँ $c$ विशिष्ट इंस्टेंस का स्पष्ट, पठनीय कॉन्फ़िगरेशन है। मानक वर्ल्ड मॉडल्स के विपरीत जहाँ $c$ स्थिर और अज्ञात होता है, एंटरप्राइज में $c$ परिवर्तनशील और निरीक्षण योग्य (inspectable) होता है। पेपर ट्रांजिशन जटिलता के तीन स्तरों के बीच अंतर करता है:

टियर 1 (स्कीमा-डिटरमिनिस्टिक): डेटा डिक्शनरी डिफॉल्ट्स और बाधाओं (constraints) द्वारा निर्धारित प्रभाव।
टियर 2 (रूल-कंपोजेबल): बिजनेस रूल्स की श्रृंखला (cascades) द्वारा निर्धारित प्रभाव।
टियर 3 (एग्जीक्यूशन-इन्फर्ड): इंजन-आंतरिक व्यवहारों (जैसे निष्पादन क्रम, रेस कंडीशंस) पर निर्भर प्रभाव जो स्टैटिक आर्टिफ़ेक्ट्स में पूरी तरह से उजागर नहीं होते हैं।

2. बेंचमार्क: CascadeBench

नियंत्रित कॉन्फ़िगरेशन और डिप्लॉयमेंट शिफ्ट के तहत एजेंटों का मूल्यांकन करने के लिए, लेखक CascadeBench पेश करते हैं।

निर्माण: इसे 6 उद्योगों में 1,596 बिजनेस रूल पैटर्न के कैटलॉग से उत्पन्न सिंथेटिक स्कीमा (वास्तविक टेबल स्ट्रक्चर के मेमोराइजेशन को रोकने के लिए) पर बनाया गया है।
ग्राउंड ट्रुथ: डेटा लाइव ServiceNow इंस्टेंस (सिमुलेटेड नहीं) पर एक्शन निष्पादित करके एकत्र किया जाता है, जो स्टेट डिफ्स (state diffs) और कैस्केड पाथ को रिकॉर्ड करने के लिए वास्तविक ऑडिट लॉग ( $sys\_audit$ ) कैप्चर करता है।
मूल्यांकन: मॉडल्स को वर्तमान स्टेट ( $s_t$ ) और एक्शन ( $a_t$ ) दिए जाने पर फील्ड-लेवल स्टेट परिवर्तन ( $s_{t+1}$ ) की भविष्यवाणी करनी होती है। यह बेंचमार्क संदर्भ (स्कीमा, रूल्स) प्रदान करके या उसे रोककर रीजनिंग को पैरामीट्रिक मेमोराइजेशन से अलग करता है।

3. प्रस्तावित दृष्टिकोण: एंटरप्राइज डिस्कवरी एजेंट्स

पेपर एंटरप्राइज डिस्कवरी एजेंट्स का प्रस्ताव करता है, जो प्रशिक्षण के दौरान डायनेमिक्स को आत्मसात करने का प्रयास नहीं करते हैं। इसके बजाय, वे:

रिट्रीव (Retrieve): इंफरेंस के समय, लाइव इंस्टेंस कॉन्फ़िगरेशन $c$ (जैसे, बिजनेस रूल्स, वर्तमान रिकॉर्ड स्टेट्स, SLA डेफिनिशन) को क्वेरी करते हैं ताकि प्रासंगिक ट्रांजिशन लॉजिक प्राप्त किया जा सके।
रीजन (Reason): रिट्रीव किए गए सबसेट $\tilde{c}$ पर तर्क करने के लिए एक फ्रोजन लैंग्वेज मॉडल का उपयोग करते हैं ताकि अगले स्टेट की भविष्यवाणी की जा सके।
इटरेट (Iterate): मल्टी-स्टेप रोलआउट के लिए, एजेंट वर्तमान स्टेट में भविष्यवाणियों को ग्राउंड करने के लिए प्रत्येक स्टेप पर सिस्टम को फिर से क्वेरी करता है, जिससे एरर कंपाउंडिंग (error compounding) कम होती है।

4. तुलनात्मक बेसलाइन

अध्ययन तीन दृष्टिकोणों की तुलना करता है:

प्रॉम्प्टेड बेसलाइन (Prompted Baseline): स्टैटिक कॉन्टेक्स्ट (बिजनेस रूल्स के साथ या बिना) से ट्रांजिशन की भविष्यवाणी करने वाले फ्रोजन LLMs।
लर्न्ड एंटरप्राइज वर्ल्ड मॉडल (Learned Enterprise World Model): ऐतिहासिक $(s_t, a_t, s_{t+1})$ टुपल्स के माध्यम से फाइन-ट्यून किए गए मॉडल (LoRA के माध्यम से) जो डायनेमिक्स को आत्मसात करते हैं।
डिस्कवरी एजेंट (Discovery Agent): वर्णित रिट्रीवल-आधारित दृष्टिकोण।

मुख्य परिणाम

1. इंटरनलाइजेशन बनाम रिट्रीवल

इन-डिस्ट्रीब्यूशन परफॉरमेंस: अपने ट्रेनिंग सेट से लिए गए डेटा पर फाइन-ट्यून्ड वर्ल्ड मॉडल्स असाधारण रूप से अच्छा प्रदर्शन करते हैं (जैसे, Gemma-4-31B के लिए 91.6% IoU)।
आउट-ऑफ-डिस्ट्रीब्यूशन डिग्रेडेशन: डिप्लॉयमेंट शिफ्ट (सिंथेटिक स्कीमा और अनदेखे कॉन्फ़िगरेशन) के तहत, फाइन-ट्यून्ड मॉडल्स काफी गिर जाते हैं, और प्रॉम्प्टेड बेसलाइन्स (~40% IoU) के स्तर तक पहुँच जाते हैं।
डिस्कवरी रोबस्टनेस: डिस्कवरी एजेंट्स, जो रनटाइम पर नियमों को रिट्रीव करते हैं, शिफ्ट के दौरान मजबूत प्रदर्शन बनाए रखते हैं। वे लगातार प्रॉम्प्टेड बेसलाइन्स से बेहतर प्रदर्शन करते हैं और टियर 1 और टियर 2 ट्रांजिशन पर "ओरेकल" (Oracle) मॉडल्स (जिन्हें प्रॉम्प्ट में सभी नियम दिए गए हैं) के प्रदर्शन से मेल खाते हैं।

2. बिजनेस रूल्स का प्रभाव

रूल डिपेंडेंसी: प्रॉम्प्ट से बिजनेस रूल्स हटाने से सभी मॉडल क्लास में प्रदर्शन में एक समान गिरावट आती है (लगभग 40% IoU से ~10% IoU तक)। यह पुष्टि करता है कि एंटरप्राइज डायनेमिक्स नियमों द्वारा संचालित होते हैं, न कि प्री-ट्रेन्ड नॉलेज द्वारा।
रिट्रीवल बनाम मेमोराइजेशन: फ्रंटियर मॉडल्स के लिए, रनटाइम रिट्रीवल "ओरेकल" सिग्नल के एक बड़े हिस्से को रिकवर करता है (टारगेट इंस्टेंस पर बिना ट्रेनिंग के मिड-20s से लो-30s IoU तक पहुँचता है), जबकि केवल इंटरनलाइजेशन विफल रहता है।

3. मल्टी-स्टेप प्रेडिक्शन

एरर कंपाउंडिंग: मल्टी-स्टेप रोलआउट्स (होराइजन $k=1$ से $5$) में, गहराई बढ़ने के साथ सभी विधियों के लिए प्रदर्शन गिरता है।
ग्राउंडिंग एडवांटेज: डिस्कवरी एजेंट्स सभी होराइजन पर प्रॉम्प्टेड बेसलाइन्स से लगातार बेहतर प्रदर्शन करते हैं। प्रत्येक स्टेप पर लाइव इंस्टेंस को फिर से क्वेरी करने की क्षमता मॉडल के कॉन्फ़िगरेशन के दृश्य को ताज़ा करती है, जिससे केवल पिछले प्रेडिक्टेड स्टेट्स पर निर्भर रहने की तुलना में त्रुटियों का संचय कम हो जाता है।

4. टियर-स्ट्रैटिफाइड विश्लेषण

टियर 1 और 2: डिस्कवरी एजेंट्स लगभग ओरेकल प्रदर्शन प्राप्त करते हैं, प्रभावी रूप से छिपे हुए नियमों और कैस्केड्स को रिकवर करते हैं।
टियर 3: टियर 3 (एग्जीक्यूशन-इन्फर्ड डायनेमिक्स) के लिए एक प्रदर्शन अंतराल बना रहता है, जहाँ परिणाम इंजन-आंतरिक व्यवहारों पर निर्भर करते हैं जो कॉन्फ़िगरेशन में पूरी तरह से उजागर नहीं होते हैं। यह एक संरचनात्मक सीमा का सुझाव देता है कि कॉन्फ़िगरेशन से क्या रिकवर किया जा सकता है।

महत्व और दावे

पेपर का तर्क है कि एंटरप्राइज वर्ल्ड मॉडलिंग को केवल फिक्स्ड, इंटरनलाइज्ड डायनेमिक्स पर निर्भर नहीं होना चाहिए। इसके बजाय, कॉन्फ़िगेरेबल वातावरण में जहाँ ट्रांजिशन लॉजिक पठनीय है, एजेंटों को रनटाइम डिस्कवरी के लिए तंत्र शामिल करना चाहिए।

पूरकता (Complementarity): डिस्कवरी एजेंट, लर्न्ड वर्ल्ड मॉडल्स के विकल्प नहीं हैं, बल्कि एक आवश्यक पूरक हैं। लेखक एक हाइब्रिड भविष्य का सुझाव देते जहाँ एजेंट लर्न्ड प्रायर्स (दक्षता और पैटर्न पहचान के लिए) को रनटाइम रिट्रीवल (कॉन्फ़िगरेशन शिफ्ट के खिलाफ मजबूती के लिए) के साथ जोड़ते हैं।
पैराडाइम में बदलाव: यह कार्य इस धारणा को चुनौती देता है कि वातावरण के डायनेमिक्स को पारंपरिक अर्थों में "सीखा" जाना चाहिए। एंटरप्राइज सेटिंग्स में, "वर्ल्ड मॉडल" को आंशिक रूप से एक्सटर्नल (externalize) किया जा सकता है, जहाँ एजेंट एक स्टेटिक सिम्युलेटर के बजाय लाइव सिस्टम कॉन्फ़िगरेशन पर एक डायनेमिक रीज़नर के रूप में कार्य करता है।
सीमाएँ: लेखक नोट करते हैं कि डिस्कवरी, नियमों की निरीक्षण क्षमता (एक्सेस कंट्रोल्स प्रदर्शन को प्रॉम्प्टेड बेसलाइन तक कम कर सकते हैं) और अंडरलाइंग मॉडल की टूल-यूज़ क्षमताओं पर निर्भर करती है। इसके अतिरिक्त, टियर 3 डायनेमिक्स अभी भी एक चुनौती बने हुए हैं, जो इंगित करता है कि एंटरप्राइज व्यवहार के कुछ पहलू स्टैटिक कॉन्फ़िगरेशन आर्टिफेक्ट्स से पूरी तरह से रिकवर नहीं किए जा सकते।

निष्कर्षतः, पेपर प्रदर्शित करता है कि एंटरप्राइज सिस्टम के लिए, रनटाइम डिस्कवरी के माध्यम से सक्रिय सिस्टम इंस्टेंस में भविष्यवाणियों को ग्राउंड करना, ऑफलाइन-ट्रेन्ड इंटरनलाइज्ड वर्ल्ड मॉडल्स पर भरोसा करने की तुलना में अधिक मजबूत है।