Контекст дослідження та історичні межі
Цей документ фіксує результати раннього валідаційного прототипу Perfume Engine — експерименту, спрямованого на перевірку концепції рекомендацій із явним доказовим слідом (claim-level provenance).
Важливе застереження про статус: Ця публікація аналізує виключно історичний архітектурний прототип (12 парфумерних профілів, детермінований пошук, статична проекція). Пізніші фази розробки Perfume Engine вийшли далеко за межі цих обмежень, сформувавши значно масштабнішу систему. Наступний аудит продуктового дизайну та користувацького досвіду показав, що компактний прототип не є фінальним продуктовим контрактом, що ініціювало окремий етап відновлення (recovery). Цей розбір документує саме інженерні рішення щодо ізоляції доказів від генеративних моделей, а не поточний комерційний реліз.
Проблема: розмивання меж між фактом, судженням та вигадкою
Більшість сучасних рекомендаційних систем та споживчих AI-інтерфейсів працюють як непрозорі статистичні агрегатори. Користувачеві надається готова відповідь або перелік альтернатив, проте неможливо з’ясувати:
- Що з наданого є перевіреним фактом (наприклад, склад піраміди ароматів, зафіксований виробником)?
- Що є суб’єктивною оцінкою експерта чи парфумерного критика?
- Що є висновком системного алгоритму на основі схожості профілів?
- Який реальний рівень невизначеності стоїть за рекомендацією?
При використанні генеративних LLM у runtime-контурі ця проблема загострюється: модель формулює правдоподібні, але невідтворювані пояснення («цей аромат схожий, бо має спільну амброву глибину»), які не мають під собою верифікованої доказової бази.
Мета інженерного прототипу полягала у створенні протилежної моделі — системи, де кожен крок рекомендації є строго простежуваним, алгоритм працює без генеративних галюцинацій, а публікація даних блокується за найменшої невідповідності доказовому контракту.
Архітектурний конвеєр: 5 рівнів ізоляції даних
Для усунення стохастичності в обробці знань архітектура прототипу була розділена на п’ять строго розмежованих рівнів:
[Рівень 1: Сирі джерела]
↓ (Ручна фіксація, URL першоджерела, дата)
[Рівень 2: Нормалізовані твердження (Claims)]
↓ (Канонізація сутностей, розв'язання синонімів)
[Рівень 3: Редакторська верифікація (Editorial Assessment)]
↓ (Правило двох асесорів, фіксація згоди)
[Рівень 4: Детерміноване виведення (Deterministic Inference)]
↓ (Версіоновані правила розрахунку подібності)
[Рівень 5: Публічна незмінна проекція (Immutable Projection)]
↓ (Контентне хешування, fail-closed реліз)
[Кінцевий користувач: точний пошук та граф альтернатив]
1. Сирі докази (Raw Evidence)
Кожне твердження про аромат (ноти, концентрація, рік випуску, бренд) реєструється як атомарний запис із посиланням на офіційне джерело (специфікація виробника або верифікована експертна база). Прямий доступ до сирих записів із публічного контуру заборонено.
2. Нормалізовані твердження (Normalized Claims)
Парфумерний домен перенасичений синонімами та варіаціями назв («бергамот», «калабрійський бергамот», «цитрусовий акорд»). На цьому рівні застосовувався строгий словник сутностей. Жоден ненормалізований термін не допускався до етапу зіставлення.
3. Редакторська оцінка (Editorial Assessment)
Зв’язок подібності між двома парфумами не є фізичним фактом — це завжди оціночне судження. У прототипі було впроваджено концепцію згоди двох незалежних оцінювачів. Твердження про подібність ставало валідним лише тоді, коли обидва асесори підтверджували схожість за фіксованими осями (характер звучання, домінантні акорди, сезонність).
4. Детерміноване виведення (Deterministic Inference)
Замість навчання нейромережі чи обчислення косинусної відстані між непрозорими ембедінгами, прототип використовував прозорі, версіоновані формули:
- Індекс перекриття акордів (Jaccard-подібність на нормалізованих множинах);
- Коефіцієнт експертної згоди (ваговий множник збігу оцінок);
- Шкала впевненості (Confidence Score), яка відображала повноту зібраної доказової бази, а не статистичну ймовірність.
5. Незмінна проекція та Fail-Closed реліз
Готові результати компілювалися в статичний JSON-артефакт із розрахунком SHA-256 хешу. Якщо будь-який запис мав незаповнене поле джерела, нерозв’язаний конфлікт оцінок або порушену схему, процес збирання релізу переривався з помилкою (fail-closed). Невалідні дані не могли потрапити до клієнтського інтерфейсу ні за яких обставин.
Чому відмова від LLM у runtime була інженерною перевагою
Рішення не використовувати LLM у контурі відповіді на запит користувача було свідомим архітектурним вибором:
- Передбачуваність витрат: Вартість запиту до детермінованої структури даних дорівнює нулю і не залежить від тарифів API чи розміру контекстного вікна.
- Нульова латентність: Відповідь на точний запит формується за мікросекунди без очікування генерації токенів.
- 100% відтворюваність: Два однакових запити в один і той самий момент часу гарантовано повертають абсолютно однаковий результат і однакове пояснення.
- Захист від галюцинацій: Система фізично не здатна «придумати» спільну ноту, якої немає у вихідних сертифікованих специфікаціях ароматів.
Аналіз відмов та обмеження експерименту
Головна цінність валідаційного прототипу полягала у виявленні меж застосування обраного підходу:
- Проблема надмірної строhostі (Exact Search Trap): Точний пошук без підтримки друкарських помилок чи синонімів на стороні клієнта виявився вкрай незручним для реальних користувачів. Люди часто не знають точної назви фланкера (наприклад, плутають Eau de Toilette та Eau de Parfum).
- Економіка ручної верифікації: Модель із ручним заповненням та подвійним асесментом чудово працює на 12 сутностях, але стає надзвичайно дорогою при масштабуванні до 10 000 найменувань.
- Розрив між технічним успіхом та продуктовою цінністю: Прототип бездоганно пройшов усі внутрішні тести валідації та цілісності даних. Проте наступний аудит продуктового напрямку показав, що сама по собі технічна коректність не створює привабливого продукту без багатого користувацького інтерфейсу, гнучкого пошуку та достатнього обсягу каталогу.
Висновки для архітектури AI-продуктів
Експеримент Perfume Engine наочно продемонстрував ключовий принцип сучасної інженерії систем знань: інтелект системи полягає не в кількості згенерованого тексту, а в чіткості меж між тим, що система знає достовірно, і тим, що є припущенням.
Детерміновані механізми виведення залишаються незамінним інструментом там, де ціна помилки висока, а користувач вимагає прозорих і юридично обґрунтованих пояснень кожного кроку рекомендації.