الگوی رجیستری SAGE؛ راهکار مدل‌سازی تضاد در داده‌های تاریخی

اگر سیستمی می‌سازید که در آن تعریف «حقیقت» بسته به دیدگاه کاربر تغییر می‌کند، ساختار استاندارد پایگاه‌داده به‌سرعت باعث شکست برنامه شما خواهد شد. این دقیقاً همان دیواری است که تیم توسعه SAGE (مدرسه آموزش Geomancy باستان) با آن برخورد کرد تا راهکاری برای دیجیتال‌سازی سنت‌های رمال غربی و هندی بیابد.

به نقل از بنیان‌گذار این پروژه در ۱۸ آوریل ۲۰۲۶، تیم SAGE از رویکرد treating data as absolute facts (برخورد با داده‌ها به عنوان حقایق مطلق) دست کشید و به سمت داده‌های وابسته به تبار (lineage-dependent context) حرکت کرد. در دنیای نرم‌افزار، ما عادت کرده‌ایم که هر محصول یک قیمت و هر کاربر یک ایمیل داشته باشد؛ اما در حوزه‌های تاریخی، دو منبع معتبر ممکن است درباره یک ویژگی واحد، نظری کاملاً متضاد داشته باشند.

همان‌طور که در تحلیل قبلی ما درباره‌ی مدل‌های بازنمایی دانش اشاره کردیم، اجبار مدل به پذیرش یک نسخه «درست»، باعث نابودی اصالت تاریخی می‌شود. این چالش با آنچه در بررسی شکست مدل‌های چندوجهی در تشخیص ناهماهنگی‌های تاریخی مشاهده شد، هم‌سو است، جایی که دقت داده‌ها در برابر پیچیدگی‌های متنی رنگ می‌بازد. برای مثال، یک نماد در سنت غربی ممکن است «آتش» باشد، اما در سنت هند-ایرانی «باد» تعریف شود.

طبق مستندات فنی SAGE، این تیم برای حل مشکل، یک الگوی رجیستری لایه‌بندی شده را پیاده کرد. در این ساختار، به‌جای یک جدول تخت، از یک ترتیب تفکیک (Resolution Order) استفاده می‌شود:

• جایگزینی تبار (Lineage Override)
• خط پایه سنت (Tradition Baseline)
• رجیستری پیش‌فرض (Default Registry)

این معماری اجازه می‌دهد ویژگی‌های مشترک حفظ شوند و تفاوت‌های خاص جایگزین گردند. همچنین برای اینکه یک تحلیل تولیدشده امروز، شش ماه بعد از به‌روزرسانی پایگاه‌داده تغییر نکند، تیم یک اسنپ‌شات (Snapshot) — شبیه به عکسی که در لحظه از وضعیت میز کار گرفته می‌شود تا بعداً دقیقاً همان چیدمان بازگردانده شود — از تمام ویژگی‌های تحلیل‌شده در کنار خروجی ذخیره می‌کند.

این چرخش ثابت می‌کند که هدف معماری نرم‌افزار در مواجهه با دانش پیچیده، حذف تضادها نیست، بلکه مدل‌سازی تمیزِ این تضادهاست. این الگو برای هر حوزه‌ای با استانداردهای متغیر، از قوانین مالیاتی بین‌المللی تا دستورالعمل‌های پزشکی، کاربرد مستقیم دارد. این رویکرد ساختاری، در واقع گامی است به سوی تغییر زبان مفهومی در هوش مصنوعی برای رسیدن به اکتشافات واقعی در داده‌های پیچیده.

گام بعدی شما

• اگر از پایگاه‌داده‌های رابطه‌ای استفاده می‌کنید، بررسی کنید آیا «حقایق اجباری» در طرح شما وجود دارد که در واقع «دیدگاه‌های متکثر» باشند.
• برای حفظ تکرارپذیری خروجی‌های AI، استراتژی ذخیره‌سازی وضعیت (State Snapshot) را جایگزین ارجاع مستقیم به جداول متغیر کنید.
• الگوی Registry را برای مدیریت پیکربندی‌های چندمستاجره (Multi-tenant) مطالعه کنید.

اما چالش‌های مربوط به استنتاج مدل‌ها در این حجم از داده‌های متضاد، لایه‌ی پیچیده‌تری از این معماری است که در گزارش بعدی بررسی خواهیم کرد. این موضوع را می‌توان در ادامه مباحثی دانست که در آن لایه‌ی مسیریابی به عنوان جایگزین مزیت رقابتی مدل‌های تک‌ساختاری تحلیل شد.