Reliability by Design: A Shared Schema-Metadata Grounding and Catalogue-Constrained Extraction Architecture for Safe Natural-Language Access to Legacy Enterprise Systems

आधुनिक संस्थानों की विशाल, शांत मशीनरी में, विश्वविद्यालयों से लेकर अस्पतालों तक, डेटा विशाल डिजिटल अभिलेखागारों में बंद पड़ा रहता है। ये प्रणालियाँ, जिन्हें एंटरप्राइज रिसोर्स प्लानिंग (ERP) प्लेटफॉर्म के रूप में जाना जाता है, प्रवेश, परीक्षा, अनुसंधान अनुदान और शासन के रिकॉर्ड रखती हैं। वर्षों से, वे लोग जिन्हें इस डेटा के बारे में प्रश्न पूछने की आवश्यकता होती है—प्रशासक, गुणवत्ता अधिकारी और समन्वयक—ऐसा करने में असमर्थ रहे हैं। वे डेटाबेस की भाषा, जिसे SQL नामक एक जटिल कोड कहा जाता है, नहीं बोल सकते, इसलिए उन्हें अपने प्रश्नों को क्वेरी में अनुवाद करने के लिए तकनीकी विशेषज्ञों के एक छोटे समूह पर निर्भर रहना पड़ता है। यह एक बाधा उत्पन्न करता है, जिससे निर्णय लेने की प्रक्रिया धीमी हो जाती है और गैर-तकनीकी कर्मचारी मध्यस्थों पर निर्भर रहते हैं। हाल ही में, एक नए प्रकार के कंप्यूटर प्रोग्राम, जिसे 'लार्ज लैंग्वेज मॉडल' कहा जाता है, ने इसे हल करने का वादा किया है, जिससे कोई भी साधारण अंग्रेजी में प्रश्न पूछ सकेगा और तुरंत उत्तर प्राप्त कर सकेगा। हालाँकि, जब इन शक्तिशाली मॉडलों को सीधे लाइव, महत्वपूर्ण व्यावसायिक प्रणालियों से जोड़ा जाता है, तो वे खतरनाक हो जाते हैं। सख्त सुरक्षा घेरों (guardrails) के बिना, वे डेटा तालिकाओं के बीच ऐसे संबंध बना सकते हैं जो अस्तित्व में ही नहीं हैं, कोडेड मानों के अर्थ का अनुमान लगा सकते हैं, या अनजाने में संवेदनशील जानकारी को उजागर कर सकते हैं। इसका परिणाम एक ऐसी प्रणाली है जो मददगार लग सकती है लेकिन गलत उत्तर देती है, या इससे भी बुरा, सुरक्षा और गोपनीयता के नियमों को तोड़ देती है।

देश भगत यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इन लेगेसी सिस्टम्स (पुराने सिस्टम) से प्राकृतिक भाषा को जोड़ने का एक नया तरीका बनाया है जो कंप्यूटर मॉडल की कच्ची शक्ति के बजाय सुरक्षा को प्राथमिकता देता है। उनका तर्क है कि इस सेटिंग में विश्वसनीयता आर्टिफिशियल इंटेलिजेंस को स्मार्ट या बड़ा बनाने का मामला नहीं है, बल्कि स्वयं सिस्टम के आर्किटेक्चर (संरचना) को बदलने का मामला है। लैंग्वेज मॉडल को सीधे डेटाबेस क्वेरी लिखने देने के बजाय, उन्होंने एक ऐसी संरचना बनाई जहाँ मॉडल को केवल एक पूर्व-अनुमोदित विकल्पों की सूची में से चुनने की अनुमति है। शोधकर्ताओं ने इस दृष्टिकोण का परीक्षण लगभग 800 डेटा तालिकाओं वाले एक वास्तविक विश्वविद्यालय प्रणाली पर किया, जो एक ऐसा सिस्टम है जिसमें आधुनिक डेटाबेस में पाए जाने वाले मानक सुरक्षा मार्कर नहीं हैं। उनके निष्कर्ष बताते हैं कि मॉडल क्या कर सकता है, इसे सख्ती से नियंत्रित करके, वे अंतिम डेटाबेस कमांड में शून्य त्रुटियां प्राप्त कर सकते हैं, चाहे लैंग्वेज मॉडल कितना भी बड़ा या छोटा क्यों न हो। यह प्रणाली अनुमान लगाने से नहीं, बल्कि बातचीत शुरू होने से पहले ही मौजूद डेटा के एक क्यूरेटेड (व्यवस्थित) मानचित्र के आधार पर काम करती है।

इस समाधान का मूल तत्व सॉफ्टवेयर की छिपी हुई संरचना को व्यवस्थित करने का एक नया तरीका है। कई पुराने एंटरप्राइज सिस्टम में, डेटाबेस स्पष्ट रूप से यह नहीं बताता कि सूचना के विभिन्न हिस्से एक-दूसरे से कैसे संबंधित हैं; ये संबंध केवल एप्लिकेशन कोड के भीतर मौजूद होते हैं। इसे ठीक करने के लिए, शोधकर्ताओं ने एक "स्कीमा-मेटाडेटा नेविगेशन ग्राफ" बनाया। इसे एक विस्तृत, मशीन-पठनीय मानचित्र के रूप में समझें जो सॉफ्टवेयर के अव्यवस्थित, अंतर्निहित संबंधों को एक स्पष्ट, संरचित मार्गदर्शिका में अनुवाद करता है। यह मानचित्र सिस्टम के उच्च-स्तरीय कार्यात्मक क्षेत्रों, जैसे कि "प्रवेश" या "अनुसंधान", को विशिष्ट पृष्ठों, कॉलमों और वास्तविक डेटा तालिकाओं तक जोड़ता है। महत्वपूर्ण बात यह है कि इस मानचित्र में अनुमोदित रिपोर्ट टेम्पलेट्स की एक सूची और प्रत्येक के लिए डेटा प्राप्त करने हेतु आवश्यक सटीक, पूर्व-लिखित कोड भी शामिल है। यह उन लापता सुरक्षा मार्करों के विकल्प के रूप में कार्य करता है, यह सुनिश्चित करता है कि कंप्यूटर को यह पता हो कि विभिन्न सूचनाओं को कैसे जोड़ा जाए ताकि उसे अनुमान न लगाना पड़े।

जब कोई उपयोगकर्ता प्रश्न पूछता है, तो सिस्टम लैंग्वेज मॉडल को शून्य से एक नया डेटाबेस कमांड लिखने की अनुमति नहीं देता है। इसके बजाय, मॉडल एक 'सेलेक्टर' (चयनकर्ता) के रूप में कार्य करता है। यह उपयोगकर्ता के अनुरोध को सुनता है और, उपयोगकर्ता वर्तमान में सॉफ्टवेयर में जहाँ काम कर रहा है उसके संदर्भ का उपयोग करते हुए, पूर्व-अनुमोदित मानचित्र के सबसे प्रासंगिक हिस्सों की पहचान करता है। मॉडल फिर एक संरचित विनिर्देश (specification) निकालता है, जो अनिवार्य रूप से ज्ञात, सुरक्षित रिपोर्ट टेम्पलेट्स की एक व्हाइटलिस्ट में से चुनाव करता है। यह कभी भी वास्तविक डेटाबेस कोड उत्पन्न नहीं करता है। एक बार जब मॉडल अपना चयन कर लेता है, तो एक अलग, विश्वसनीय सॉफ्टवेयर कार्यभार संभाल लेता है। यह 'डिटरमिनिस्टिक' (निश्चित) कोड मानचित्र में संग्रहीत निश्चित, पूर्व-सत्यापित अंशों का उपयोग करके अंतिम क्वेरी को संकलित करता है। क्योंकि कोड को ऑन-द-फ्लाई (चलते समय) उत्पन्न करने के बजाय ज्ञात, सुरक्षित भागों से संकलित किया जाता है, इसलिए यह असंभव है कि सिस्टम ऐसा कमांड उत्पन्न करे जो दुर्भावनापूर्ण कोड इंजेक्ट करे, किसी ऐसे कॉलम का संदर्भ दे जो मौजूद नहीं है, या तालिकाओं को इस तरह से जोड़े जो गलत डेटा लौटाए।

शोधकर्ताओं ने इस आर्किटेक्चर को पांच अलग-अलग मान्यता (accreditation) ढांचों की सेवा करने वाली एक लाइव उच्च-शिक्षा प्रणाली पर तैनात किया। उन्होंने सिस्टम का कड़ाई से परीक्षण किया, जिसमें एक बेंचमार्क भी शामिल था जहाँ उन्होंने मॉडल को त्रुटियां करने के लिए बहलाने की कोशिश की। परिणाम निर्णायक थे: सिस्टम ने शून्य अमान्य डेटाबेस कमांड उत्पन्न किए। यह सुरक्षा तब भी बनी रही जब उन्होंने एक छोटे, ओपन-सोर्स लैंग्वेज मॉडल या एक बहुत बड़े, प्रोप्रायटरी मॉडल का उपयोग किया। वास्तव में, सबसे छोटा मॉडल सबसे बड़े मॉडल के समान ही प्रदर्शन कर रहा था, जो यह सिद्ध करता है कि सुरक्षा सिस्टम के डिजाइन से आती है, न कि इसके पीछे के मस्तिष्क के आकार से। वास्तविक उपयोग में, हितधारकों ने रिपोर्ट किया कि सिस्टम लगभग 85 प्रतिशत समय सही रिपोर्ट लौटाता है। शेष अनुरोधों को अनुमान लगाने के बजाय सुरक्षित रूप से अस्वीकार कर दिया गया, जिससे उन मौन त्रुटियों को रोका जा सका जो अन्य प्रणालियों में आम हैं।

यह दृष्टिकोण लागत और रखरखाव की समस्या को भी हल करता है। क्योंकि यह सिस्टम इस बात पर निर्भर करता है कि उपयोगकर्ता वास्तव में क्या मांग रहे हैं, न कि पूरे डेटाबेस स्कीमा को समझने पर, इसलिए इसे बनाए रखने का प्रयास बहुत कम है। शोधकर्ताओं ने पाया कि वे अपने मानचित्र में केवल एक प्रविष्टि जोड़कर नई रिपोर्टिंग क्षमताएं जोड़ सकते हैं, जिसके लिए आर्टिफिशियल इंटेलिजेंस को फिर से प्रशिक्षित करने या जटिल कोड को फिर से लिखने की आवश्यकता नहीं है। इसके अलावा, उन्होंने सिस्टम को दो स्तरों में डिज़ाइन किया है: एक रिएक्टिव (प्रतिक्रियाशील) स्तर जो उपयोगकर्ता के प्रश्नों का उत्तर देता है और एक प्रोएक्टिव (सक्रिय) स्तर जो अनुपालन मेट्रिक्स की स्वचालित रूप से निगरानी करता है। दोनों स्तर एक ही अंतर्निहित मानचित्र साझा करते हैं, जिसका अर्थ है कि संगठन को संवादात्मक सहायता और स्वचालित सुरक्षा जांच दोनों प्राप्त करने के लिए दो अलग-अलग सिस्टम बनाने की आवश्यकता नहीं है।

अध्ययन यह निष्कर्ष निकालता है कि महत्वपूर्ण एंटरप्राइज सिस्टम के लिए, विश्वसनीय प्राकृतिक भाषा पहुंच का मार्ग बड़े मॉडल बनाना नहीं है जो जटिल डेटा के माध्यम से तर्क करने का प्रयास करें, बल्कि ऐसे आर्किटेक्चर बनाना है जो मॉडलों को सुरक्षित, सत्यापित पथों तक सीमित रखे। डेटाबेस कमांड उत्पन्न करने के कार्य को लैंग्वेज मॉडल से हटाकर एक विश्वसनीय, डिटरमिनिस्टिक प्रक्रिया में स्थानांतरित करके, शोधकर्ताओं ने एक ऐसी प्रणाली बनाई है जो सुरक्षित और व्यावहारिक दोनों है। यह डिज़ाइन संस्थानों को उनके रिकॉर्ड की अखंडता को जोखिम में डाले बिना उनके डेटा के मूल्य को अनलॉक करने का एक तरीका प्रदान करता है, यह सिद्ध करते हुए कि एंटरप्राइज डेटा की दुनिया में, सुरक्षा संरचना का एक गुण है, न कि पैमाने का।