आधुनिक व्यवसाय अपने ज्ञान को एक ही स्थान पर नहीं रखते हैं। ग्राहकों, अनुबंधों और वित्तीय प्रदर्शन के बारे में महत्वपूर्ण तथ्य संरचित डेटाबेस में रहते हैं, जहाँ डेटा को पंक्तियों और स्तंभों में व्यवस्थित किया जाता है। वहीं दूसरी ओर, उन नंबरों के पीछे की कहानियाँ—जैसे घटना रिपोर्ट, नीति दस्तावेज़ और परिचालन लॉग—अनस्ट्रक्चर्ड टेक्स्ट फाइलों, स्प्रेडशीट्स और पीडीएफ़ में निवास करती हैं। दशकों से, आर्टिफिशियल इंटेलिजेंस सिस्टम इस अंतर को पाटने के लिए संघर्ष कर रहे हैं। एक प्रकार का सिस्टम, जिसे 'रिट्रीवल-ऑगमेंटेड जनरेशन' (RAG) के रूप में जाना जाता है, टेक्स्ट की विशाल लाइब्रेरी के भीतर उत्तर खोजने में उत्कृष्ट है लेकिन वह डेटाबेस के लिए आवश्यक सटीक गणना करने में सक्षम नहीं है। दूसरा प्रकार, जो मानवीय प्रश्नों को डेटाबेस क्वेरी में अनुवाद करने में सक्षम है, वह नंबरों का हिसाब तो लगा सकता है लेकिन किसी नीति नियमावली को पढ़ नहीं सकता या नैरेटिव रिपोर्ट में घटनाओं के क्रम को नहीं समझ सकता। यह अलगाव कंपनियों को सटीकता और संदर्भ के बीच चयन करने के लिए मजबूर करता है, जिससे अक्सर उन्हें उन जटिल प्रश्नों के अधूरे उत्तर मिलते हैं जिनमें दोनों की आवश्यकता होती है।

स्लाइस्ड हेल्थ (Sliced Health) के हर्षिल लोधिया द्वारा हाल ही में किए गए शोध में विस्तृत एक नया दृष्टिकोण, एक एकीकृत समाधान प्रस्तावित करता है जो उद्यम ज्ञान (enterprise knowledge) को अलग-अलग साइलो के संग्रह के बजाय एक एकल, परस्पर जुड़े पारिस्थितिकी तंत्र के रूप में मानता है। शोधकर्ता एक प्रणाली पेश करते हैं जिसे 'सेल्फ-ऑप्टिमाइज़िंग एंटरप्राइज़ RAG+SQL नॉलेज एजेंट' कहा जाता है। यह केवल एक उपकरण नहीं है जो टेक्स्ट खोजता है या कोड लिखता है; यह एक मिडिलवेयर आर्किटेक्चर है जिसे विविध सूचना स्रोतों के लिए एक केंद्रीय कंडक्टर के रूप में कार्य करने के लिए डिज़ाइन किया गया है। यह एक प्राकृतिक भाषा के प्रश्न को लेता है, उसे विशिष्ट कार्यों में तोड़ता है, और फिर क्रियाओं के एक क्रम को संचालित करता है: प्रासंगिक दस्तावेज़ों को प्राप्त करना, घटनाओं के बीच संबंधों के मानचित्र को नेविगेट करना, और सटीक डेटाबेस क्वेरी निष्पादित करना। महत्वपूर्ण बात यह है कि यह प्रणाली उत्तर उत्पन्न करने पर ही नहीं रुकती। यह अपने प्रदर्शन की निरंतर निगरानी करती है, प्रत्येक इंटरैक्शन से सीखती है ताकि यह सुधार सके कि वह उपकरणों का चयन कैसे करती है, जानकारी कैसे प्राप्त करती है और अपने काम को कैसे सत्यापित करती है। परिणाम स्वरूप, यह प्रणाली ऐसे प्रश्नों का उत्तर दे सकती है जैसे, "पिछले सप्ताह के आउटेज से प्रभावित होने वाले किन ग्राहकों के पास उनके अनुबंधों में प्रीमियम सपोर्ट भी है?"—जो एक साथ घटना रिपोर्ट को पढ़ सकती है, प्रभावित खातों के लिए डेटाबेस की जाँच कर सकती है, और अनुबंध की शर्तों को सत्यापित कर सकती है, और यह भी सुनिश्चित कर सकती है कि अंतिम उत्तर सुरक्षित, सटीक और पूरी तरह से प्रमाणित हो।

मुख्य नवाचार इस बात में निहित है कि सिस्टम काम शुरू करने से पहले उसकी योजना कैसे बनाता है। एक एकल आर्टिफिशियल इंटेलिजेंस मॉडल से उत्तर का अनुमान लगाने के लिए कहने के बजाय, एजेंट पहले उपयोगकर्ता के प्रश्न को एक 'टाइप्ड एविडेंस प्लान' (typed evidence plan) में विभाजित करता है। यह योजना कार्यों का एक संरचित क्रम है, जो एक कुशल अन्वेषक की चेकलिस्ट के समान है। एक जटिल क्वेरी के लिए, एजेंट पहले लॉग में विशिष्ट घटना की पहचान कर सकता है, फिर उस जानकारी का उपयोग प्रासंगिक ग्राहक नाम खोजने के लिए कर सकता है, और अंत में उन नामों का उपयोग अनुबंध विवरणों के लिए डेटाबेस को फ़िल्टर करने हेतु कर सकता है। इस योजना के प्रत्येक चरण को एक विशिष्ट टूल सौंपा जाता है: एक टेक्स्ट पढ़ने के लिए, दूसरा संबंधों के ग्राफ को नेविगेट करने के लिए, और तीसरा डेटाबेस कमांड लिखने और चलाने के लिए। योजना चरण को निष्पादन चरण से अलग करके, सिस्टम यह सुनिश्चित करता है कि उसके द्वारा एकत्र की गई हर जानकारी प्रासंगिक है और उनके बीच का तर्क ऑडिट योग्य है। यह संरचना सिस्टम को तथ्य गढ़ने (hallucinating) या बिना आधार के निष्कर्ष निकालने से रोकती है, क्योंकि अंतिम उत्तर में प्रत्येक दावा प्रक्रिया के दौरान एकत्र किए गए विशिष्ट साक्ष्य द्वारा समर्थित होना चाहिए।

उद्यम डेटा की विशाल और विविध प्रकृति को संभालने के लिए, सिस्टम तीन अलग-अलग विधियों को संयोजित करने वाली एक हाइब्रिड रिट्रीवल रणनीति का उपयोग करता है। यह 'डेंस वेक्टर सर्च' का उपयोग टेक्स्ट को खोजने के लिए करता है जो प्रश्न के अर्थपूर्ण रूप से समान है, भले ही शब्द बिल्कुल न मिलें। यह विशिष्ट कोड या नामों के लिए महत्वपूर्ण होने के कारण 'लेक्सिकल मैचिंग' का उपयोग करता है। सबसे महत्वपूर्ण बात यह है कि यह संबंधों को समझने के लिए एक ग्राफ-आधारित दृष्टिकोण का उपयोग करता है। इस ग्राफ में, घटनाएं, दस्तावेज़ और डेटाबेस रिकॉर्ड आपस में जुड़े होते हैं। यदि कोई प्रश्न विफलताओं के पीछे की घटनाओं की श्रृंखला के बारे में पूछता है, तो सिस्टम इस ग्राफ के माध्यम से आगे बढ़ सकता है ताकि प्रारंभिक त्रुटि से लेकर अंतिम प्रभाव तक के कारण संबंधी पथ (causal path) का अनुसरण किया जा सके, न कि केवल कीवर्ड्स की खोज की जाए। यह एजेंट को एक लॉग एंट्री, एक नीति उल्लंघन और एक विशिष्ट डेटाबेस रो (row) के बीच संबंध जोड़कर, विफल भुगतान बैच के पीछे की घटनाओं के क्रम जैसी जटिल कहानियों को पुनर्गठित करने की अनुमति देता है।

सुरक्षा और सटीकता को कठोर सत्यापन चरणों के माध्यम से लागू किया जाता है जो उपयोगकर्ता को अंतिम उत्तर प्रस्तुत करने से पहले होते हैं। जब सिस्टम एक डेटाबेस क्वेरी जेनरेट करता है, तो यह उसे केवल चला नहीं देता। पहले यह क्वेरी की जांच डेटाबेस के एक 'प्रून्ड' (pruned) संस्करण के विरुद्ध करता है, यह सुनिश्चित करते हुए कि यह केवल उन्हीं टेबल्स और कॉलम्स तक पहुँच सके जिन्हें देखने की अनुमति उपयोगकर्ता को है। इसके बाद क्वेरी का परीक्षण एक 'रीड-ओनली सैंडबॉक्स' में किया जाता है, जो एक सुरक्षित वातावरण है जहाँ इसे किसी भी डेटा को बदलने या हटाने के जोखिम के बिना निष्पादित किया जा सकता है। सिस्टम सत्यापित करता है कि क्वेरी सिंटैक्टिक रूप से सही है और परिणाम प्रश्न के संदर्भ में तर्कसंगत हैं। यदि कोई क्वेरी सत्यापन में विफल रहती है या यदि प्राप्त साक्ष्य अपर्याप्त हैं, तो सिस्टम अनुमान लगाने के बजाय उत्तर देने से परहेज करने के लिए डिज़ाइन किया गया है। इसके बजाय, यह स्पष्ट करेगा कि कौन सी जानकारी गायब है या वह आगे क्यों नहीं बढ़ सकता, जो वित्त या अनुपालन जैसे उच्च-दांव वाले वातावरण में विश्वास बनाए रखने के लिए एक महत्वपूर्ण विशेषता है।

शायद इस आर्किटेक्चर का सबसे गतिशील पहलू इसकी स्व-अनुकूलन (self-optimize) करने की क्षमता है। सिस्टम एक 'क्लोज्ड-लूप कंट्रोल प्रॉब्लम' के रूप में कार्य करता है, जो वास्तविक दुनिया से मिलने वाले फीडबैक के आधार पर अपने व्यवहार को लगातार समायोजित करता है। जैसे-जैसे सिस्टम हजारों क्वेरीज़ को प्रोसेस करता है, यह निर्णयों की लागत, गति और सटीकता के संबंध में टेलीमेट्री डेटा एकत्र करता है। यह ट्रैक करता है कि विशिष्ट प्रकार के कार्यों के लिए कौन से मॉडल सबसे अच्छा प्रदर्शन करते हैं, किन रिट्रीवल विधियों ने सबसे प्रासंगिक दस्तावेज़ दिए, और कहाँ सत्यापन थ्रेशोल्ड (thresholds) को समायोजित करने की आवश्यकता थी। इस डेटा का उपयोग करते हुए, सिस्टम स्वचालित रूप से अपनी आंतरिक नीतियों को अपडेट करता है। यदि कोई विशेष आर्टिफिशियल इंटेलिजेंस मॉडल समय के साथ धीमा या कम सटीक होता जाता है, तो सिस्टम उसे कम कार्य भेजने के लिए सीख जाता है। यदि एक निश्चित प्रकार का दस्तावेज़ रिट्रीवल लगातार सही जानकारी खोजने में विफल रहता है, तो सिस्टम अन्य विधियों को प्राथमिकता देने के लिए अपने सर्च वेट्स (weights) को समायोजित करता है। यह निरंतर सीखने का चक्र सुनिश्चित करता है कि एजेंट स्थिर नहीं रहता बल्कि उद्यम डेटा, उपयोगकर्ता की जरूरतों और उपलब्ध तकनीक के बदलते परिदृश्य के साथ विकसित होता है।

यह शोध मौजूदा, मजबूत तकनीकों का उपयोग करके ऐसा सिस्टम बनाने के लिए एक व्यावहारिक ब्लूप्रिंट का सुझाव देता है। यह मेटाडेटा और ग्राफ संरचनाओं को संग्रहीत करने के लिए मानक रिलेशनल डेटाबेस के साथ-साथ टेक्स्ट एम्बेडिंग्स को प्रबंधित करने के लिए वेक्टर डेटाबेस का उपयोग करने का सुझाव देता है। यह आर्किटेक्चर मॉड्यूलर है, जिससे संगठन पूरे सेल्फ-ऑप्टिमाइज़िंग लूप को एकीकृत करने से पहले, स्कीमा-अवेयर क्वेरी ट्रांसलेशन या इवेंट ग्राफ रीजनिंग जैसे व्यक्तिगत घटकों को अपना सकते हैं। यह लचीलापन यह सुनिश्चित करता है कि आंशिक कार्यान्वयन भी डेटाबेस रिपोर्ट जेनरेट करने या घटना लॉग को सारांशित करने जैसे विशिष्ट कार्यों की सटीकता में सुधार करके महत्वपूर्ण मूल्य प्रदान कर सकते हैं। अंतिम लक्ष्य मानव विश्लषकों को बदलना नहीं है, बल्कि उन्हें एक शक्तिशाली, विश्वसनीय सहायक प्रदान करना है जो आधुनिक उद्यम ज्ञान की जटिलता को नेविगेट कर सके, और खंडित डेटा को सुसंगत, कार्रवाई योग्य अंतर्दृष्टि में बदल सके।

निष्कर्ष बताते हैं कि उद्यम प्रश्नोत्तर को एक साधारण टेक्स्ट सर्च के बजाय एक 'मल्टी-टूल कंट्रोल प्रॉब्लम' के रूप में देखना, व्यवसाय में विश्वसनीय आर्टिफिशियल इंटेलिजेंस के लिए एक मार्ग प्रदान करता है। टेक्स्ट रिट्रीवल, ग्राफ रीजनिंग और डेटाबेस निष्पादन की शक्तियों को एक एकल, स्व-सुधारात्मक ढांचे के भीतर जोड़कर, यह सिस्टम पिछले दृष्टिकोणों की मौलिक सीमाओं को संबोधित करता है। यह स्वीकार करता है कि कोई भी एकल मॉडल या विधि हर समस्या को हल नहीं कर सकती है और इसके बजाय एक एकीकृत परिणाम उत्पन्न करने के लिए विविध उपकरणों के समन्वय पर ध्यान केंद्रित करता है। शोध यह प्रदर्शित करता है कि सावधानीपूर्वक डिजाइन, जिसमें सख्त सत्यापन, एक्सेस कंट्रोल और निरंतर अनुकूलन शामिल है, के साथ, ऐसे एजेंट बनाना संभव है जो न केवल बुद्धिमान हैं बल्कि सुरक्षित, पारदर्शी और समय के साथ बेहतर होने में सक्षम भी हैं। यह दृष्टिकोण आर्टिफिशियल इंटेलिजेंस की वास्तविक क्षमता को साकार करने की दिशा में एक महत्वपूर्ण कदम है, ताकि वह आधुनिक उद्यम की जटिल, बहुआयामी वास्तविकता को वास्तव में समझ सके और उसके साथ संवाद कर सके।