मोठ्या पट्टा-संग्रहातील अनुपालनविषयक प्रश्न विचारण्यासाठी AWS ने Amazon Quick ची संदर्भ-रचना प्रकाशित केली आहे. यातली उपयुक्त कल्पना म्हणजे कठोर हस्तांतरण: चॅट मॉडेल निश्चित साधन निवडते आणि त्याचा प्रतिसाद समजावते; स्वतंत्र नियम-इंजिन नोंदींचा समूह ठरवते आणि प्रत्येक प्रकरणाचा निर्णय देते. हा 2 ऑक्टोबरचा लेख आणि नमुना रेपॉझिटरी शैक्षणिक संकल्पना-पुरावा दर्शवतात; पडताळलेली कायदेशीर अनुपालन-सेवा नव्हे.

अभियंता किंवा अनुपालन-प्रमुखासाठी प्रश्न असा आहे की पुनरावलोकनाधीन निर्णयाला ही विभागणी योग्य आहे का. नमुन्यात कृत्रिम पट्टे, काल्पनिक नियम आणि संदर्भ आहेत. उदाहरणातील एकूण आकडे अपेक्षित आउटपुट-रचना दाखवतात; प्रत्यक्ष करार किंवा कायद्यावरील अचूकतेबद्दल ते काही सांगत नाहीत.

मुख्य बदल

  • काय बदलले: AWS चा नमुना AI ला निश्चित पुनरावलोकन-साधनांचा नियंत्रित इंटरफेस बनवतो. नियम-इंजिन निश्चित केलेल्या पट्ट्यांच्या समूहातील निष्कर्ष ठरवते.
  • हे महत्त्वाचे का: आवृत्ती-नियंत्रित नियम आणि पुराव्याची पावती यांमुळे चॅटबाहेर निवडलेल्या नोंदींचे मूल्यांकन कसे झाले हे पुनरावलोकनकर्त्यांना तपासता येते.
  • कशाकडे लक्ष द्यावे: पावतीमुळे नोंदींचा संच, माहिती-उत्खनन किंवा कायदेशीर नियम योग्य आहेत याची खात्री होत नाही. वापरकर्त्यांनी हे इनपुट, वापरकर्ता-ओळख आणि स्वतःच्या डेटावरील कामगिरी तपासली पाहिजे.

प्रॉम्प्टपूर्वी नोंदींचा समूह निश्चित करा

एखादा वापरकर्ता Quick ला दिलेल्या तारखेनुसार टेक्सासमधील कोणते पट्टे उशिराच्या शुल्काच्या नियमाचे उल्लंघन करतात असे विचारू शकतो. Quick विनंती sweep_compliance ऑपरेशनकडे पाठवते; ते सहा नामनिर्दिष्ट MCP ऑपरेशन्सपैकी एक आहे. हे ऑपरेशन दिलेला अधिकारक्षेत्र आणि तारीख वापरून नोंदींचा समूह व लागू आवृत्तीबद्ध नियम निवडते. मॉडेल SQL लिहीत नाही किंवा एखादी अट उत्तीर्ण ठरवित नाही. नियम-इंजिन निश्चित तुलना-कारक लागू करते आणि नियमांची मूल्ये पॅरामीटर म्हणून दिली जातात. अधिकृत तपासणीसाठी मॉडेल वापरले जात नाही, असे AWS सांगते. AWS येथे ऑपरेशनचा करार स्पष्ट करते; रेपॉझिटरी अंमलबजावणीचे वर्णन करते.

इतर साधनांचे अर्थ अधिक मर्यादित आहेत. simulate_rule_change निष्कर्ष नोंदविल्याशिवाय प्रस्तावित मूल्याची शोधक मोजणी देते. explore_clauses फिल्टर केलेल्या नमुन्याला अर्थसाम्याने क्रम देते; ‘किती?’ याचे उत्तर देऊ शकत नाही. get_finding एक पुरावा-साखळी मिळवते; list_rules दिलेल्या तारखेला लागू असलेले नियम दाखवते; check_connection वाहतूक तपासते. हा फरक महत्त्वाचा आहे, कारण संबंधित अटींचा नमुना म्हणजे सर्व नोंदींची गणना नव्हे.

तपासणी प्रक्रिया प्रत्येक तपासलेल्या नोंदीचा चारपैकी एका वर्गात हिशेब देणारी पावती नोंदवते: अनुपालनात, उल्लंघनात, संदिग्ध किंवा वाचता न येणारी. डेटा नोंदवण्यापूर्वी या संख्या तपासलेल्या एकूण नोंदींशी जुळतात असे इंजिन पडताळते. Quick संख्या आणि छोटा नमुना दाखवू शकते; तर Quick Sight डॅशबोर्ड त्याच Aurora डेटा-संग्रहातून संपूर्ण निष्कर्ष दाखवतो. प्रत्येक निष्कर्षात अटीचा मजकूर, काढलेली व अपेक्षित मूल्ये, नियमाची आवृत्ती आणि संदर्भ असतो. हे AWS नमुना-रचनेचे गुणधर्म आहेत; BIG CHANGE ने निकाल चालवले किंवा स्वतंत्रपणे पडताळले असा दावा नाही.

ही पावती निवडलेल्या नोंदींचा हिशेब देते. मूळ संग्रहात प्रत्येक पट्टा आहे, माहिती-उत्खननाने प्रत्येक संबंधित अट अचूक पकडली आहे किंवा नियम सध्याचा कायदा दर्शवतो हे ती दाखवू शकत नाही. त्यासाठी स्वतंत्र जुळवणी, माहिती-उत्खननाचे पुनरावलोकन आणि कायदेशीर मंजुरी आवश्यक आहे. ‘टेक्सासमधील सर्व पट्टे’ या संचाची व्याप्ती स्पष्ट नसेल, तर अचूक मोजणीदेखील चुकीच्या संचाची असू शकते.

तुम्हाला काय उभारावे लागेल

या नमुना-रचनेत AWS Lambda वरील MCP सर्व्हरसमोर Quick चॅट एजंट ठेवला आहे. Amazon Cognito सेवा-टोकन देते; API Gateway ते तपासते. Lambda RDS Data API द्वारे Aurora Serverless v2 मधून वाचन व लेखन करते. Quick Sight त्याच डेटाबेसपर्यंत VPC जोडणीने पोहोचते. करारातील अटी शोधणाऱ्या साधनासाठी AWS Bedrock एम्बेडिंग्ज आणि भाषा-मॉडेल राखून ठेवते; अधिकृत तपासणी निर्धारकच राहते.

प्रकाशित उदाहरणात कृत्रिम 50,000 पट्ट्यांचा संग्रह, आवृत्तीबद्ध नियमपुस्तिका आणि AWS नुसार तैनात केलेल्या स्टॅकवर 28 तपासण्या चालवणारी स्वीकृती-स्क्रिप्ट आहे. रेपॉझिटरी स्पष्ट करते की कोड उत्पादनासाठी सज्ज नाही, कायदेशीर मजकूर काल्पनिक आहे आणि प्रत्यक्ष भाडेकरूंचा डेटा वापरण्यासाठी पुढील सुरक्षा-चाचण्या व स्वतंत्र कायदेशीर पडताळणी आवश्यक आहे. आम्ही कागदपत्रे आणि रेपॉझिटरीचे वर्णन पाहिले; स्टॅक तैनात केला नाही, त्या तपासण्या चालवल्या नाहीत किंवा चॅट एजंटचे साधन-निवडणे तपासले नाही.

हा नमुना स्वीकारण्यासाठी आधी अधिकृत नोंद-संग्रह आणि सदस्यत्वाचा नेमका नियम निश्चित करा. मग कोणती फील्ड विश्वासार्हपणे काढता येतात, कोणत्या नियमांची तुलना खरोखर यांत्रिक आहे आणि प्रत्येक नियम-आवृत्तीला कोण मंजुरी देईल हे ठरवा. पुनरावलोकनकर्ता निकाल पुन्हा तयार करू शकेल यासाठी मूळ मजकूर, माहिती-उत्खननाची स्थिती, नियम-आवृत्ती, ऑपरेटर, तुलना केलेली मूल्ये, तारीख आणि निष्कर्ष-ID जतन करा. चॅटच्या प्रतिसादाबाहेर पावतीची नोंद-संग्रहाशी जुळवणी करा. या रचनात्मक तपासण्या नमुन्यात सांगितलेल्या हमी व मर्यादांवर आधारित आहेत; आम्ही त्यांची चाचणी केलेली नाही.

Cognito चे क्लायंट-क्रेडेन्शियल्स टोकन Quick अनुप्रयोगाची ओळख देते, चॅटमध्ये प्रश्न विचारणाऱ्या व्यक्तीची नाही, असे AWS सांगते. वापरकर्ता ओळखण्यासाठी नमुना तपासणी-ID व वेळ यांची Quick च्या लेखापरीक्षण स्तराशी सांगड घालतो; अनुपालन डेटा-संग्रहात व्यक्तीची ओळख नोंदवायची असल्यास अंतिम-वापरकर्त्याची ID देऊन साठवा, अशी AWS ची सूचना आहे. निष्कर्ष स्वतंत्र लेखापरीक्षण नोंद म्हणून वापरायचा असल्यास तैनातीपूर्वी संघाने ही रचना निश्चित करावी.

प्रवेश, मर्यादा आणि खर्च

AWS च्या मार्गदर्शकासाठी AWS खाते, कॉन्फिगर केलेली AWS CLI v2 क्रेडेन्शियल्स, CDK साठी Python आणि Node 24, us-east-1 आणि MCP कनेक्टर व Quick Sight असलेले Amazon Quick वातावरण आवश्यक आहे. लेखात Python 3.12 सांगितले आहे; जोडलेल्या README मध्ये Python 3.9 किंवा त्याहून नवे म्हटले आहे. स्थानिक वातावरण निवडताना रेपॉझिटरीच्या सध्याच्या अटी तपासा. सूचनांमध्ये नमुन्यासाठी CDK CLI 2.261.0 निश्चित केले आहे; ती नमुन्याची अवलंबिता आहे, AWS ची सर्वसाधारण अट नाही.

सध्याचे Quick MCP मार्गदर्शक प्रत्येक ऑपरेशनसाठी 60 सेकंदांची निश्चित वेळ-मर्यादा देते, प्रत्येक सर्व्हर-जोडणीवर जास्तीत जास्त 100 साधने मान्य करते आणि सानुकूल HTTP शीर्षके पाठवत नाही. मोठ्या तपासणीसाठी या वेळ-मर्यादेची वर्कलोडवर चाचणी आवश्यक आहे; डेटाबेसचे अचूक, दीर्घकाळ चालणारे काम कनेक्टरची मर्यादा ओलांडल्यास समकालिक Quick ऑपरेशन म्हणून पूर्ण होऊ शकत नाही. सानुकूल कनेक्टरच्या साधन-सूचीत Sync वापरून बदल करता येतात, असे मार्गदर्शक सांगते. याउलट AWS ब्लॉग व नमुना README साधनांतील बदलानंतर जोडणी हटवून पुन्हा तयार करायला सांगतात. सध्याच्या कनेक्टरसाठी थेट Quick कागदपत्रांचे अनुसरण करा आणि स्वतःच्या वातावरणातील नोंदणीकृत साधन-सूची व मार्गनिवड पडताळा.

हा अनेक सेवांचा प्रकल्प आहे; त्यामुळे प्रकाशित मजकुरावरून ‘प्रति तपासणी किंमत’ असा एकच विश्वासार्ह आकडा देता येत नाही. AWS चे Quick किंमत पान सदस्यत्व आणि एजंट-तासांच्या अटी वेगळ्या दाखवते; काही सुविधांसाठी Quick Sight चे अतिरिक्त शुल्कही नमूद करते. Aurora ची किंमत क्षमता, साठवण आणि I/O कॉन्फिगरेशनवर अवलंबून असते; नमुन्यात किमान 0.5 ACU सक्रिय ठेवले जाते, शून्यावर थांबवले जात नाही. API Gateway, Lambda आणि शोधक Bedrock कॉलसाठीही वर्कलोड-अंदाज हवा. चालू शुल्क टाळण्यासाठी मूल्यांकनानंतर स्टॅक नष्ट करण्याची सूचना रेपॉझिटरी देते. या लेखासाठी AWS संसाधने तयार केलेली नाहीत.

निर्णय-तपासणीसूची

स्वतःचा डेटा व नियंत्रण वापरून संघ या प्रश्नांची उत्तरे देऊ शकत असेल तरच ही पद्धत वापरा:

  • पुनरावलोकन केलेल्या स्थिर निकषाने संपूर्ण नोंद-संच मोजता येतो का आणि अधिकृत नोंद-संग्रहाशी त्याची जुळवणी करता येते का?
  • नियम म्हणजे मंजूर आवृत्त्या, लागू तारखा व संदर्भांसह यांत्रिक तुलना आहेत का? मानवी पुनरावलोकनासाठी कोणती प्रकरणे संदिग्ध ठेवावी?
  • माहिती-उत्खननातील अपयश व न वाचता येणारी कागदपत्रे गुपचूप वगळण्याऐवजी मोजता येतात का?
  • प्रत्येक निष्कर्षात मूळ अट, तुलना केलेली मूल्ये व नियम-आवृत्ती जतन होते का, आणि संपूर्ण पुरावा-संच चॅटबाहेर मिळवता येतो का?
  • तपासणी Quick च्या ऑपरेशन-वेळमर्यादेत पूर्ण होऊ शकते का, आणि निकालाची मागणी करणाऱ्या व्यक्तीपर्यंत तुम्ही त्याचा मागोवा कसा घ्याल?
  • संघाने अपेक्षित प्रमाणासाठी सदस्यत्व, डेटाबेस आणि सेवा-शुल्काचा अंदाज घेऊन परवानगी असलेल्या डेटावर कामगिरी व निकालांची गुणवत्ता तपासली आहे का?

कामासाठी कायदेशीर अर्थ लावणे किंवा खुल्या निकषावर निर्णय आवश्यक असेल, तर निर्धारक उत्तीर्ण/अनुत्तीर्ण शिक्का मानवी निर्णयाची गरज लपवू शकतो. संघाला प्रतिनिधिक उदाहरणे हवी असतील तर अर्थाधारित पुनर्प्राप्ती सोपी आहे. उत्तरदायी वापरकर्त्यांसाठी पुनरावलोकित नियम-इंजिन व डॅशबोर्ड आधीपासून कार्यरत असतील, तर संवादाचा स्तर ऐच्छिक आहे. हे पर्याय AWS च्या लेखातील ‘चुकीची निवड’ चर्चेवर आणि कृत्रिम नमुन्याच्या मर्यादांवर आधारित आहेत.

स्रोत आणि पुढील वाचन