# வளர்ந்து வரும் AI ஆலோசகர் ஒவ்வொருவரும் கற்க வேண்டிய 16 கலைச்சொற்கள் (மற்றும் தவிர்க்க வேண்டிய 4 சொற்கள்)

> Published: 2026-08-14
> Updated: 2026-08-14
> Author: Jackson Mclean
> Category: POS
> Canonical: https://finalpos.com/ta/blog/ai-16-4

டோக்கன்கள் (tokens), RAG முதல் MCP, evals வரை, வளர்ந்து வரும் AI ஆலோசகரை தொழில்முறை வல்லுநராக வெளிப்படுத்தும் 16 சொற்கள்; அத்துடன் வாடிக்கையாளரின் நம்பிக்கையைக் குறைக்கும் நான்கு பஸ்வேர்டுகள் (buzzwords).

இதோ அந்த 16 சொற்கள்: பெரிய மொழி மாடல் (large language model), டோக்கன் (token), கான்டெக்ஸ்ட் விண்டோ (context window), இன்ஃபெரன்ஸ் (inference), ப்ராம்ப்ட் (prompt), சிஸ்டம் ப்ராம்ப்ட் (system prompt), ரிட்ரீவல்-ஆக்மென்டட் ஜெனரேஷன் (retrieval-augmented generation), ஃபைன்-டியூனிங் (fine-tuning), எம்படிங் (embedding), ஏஜென்ட் (agent), MCP, ஆர்கெஸ்ட்ரேஷன் (orchestration), ஹியூமன் இன் தி லூப் (human in the loop), ஹாலுசினேஷன் (hallucination), கார்ட்ரெயில்ஸ் (guardrails), மற்றும் ஈவல்ஸ் (evals). தவிர்க்க வேண்டிய நான்கு சொற்கள்: "AI-இயக்கப்படும் (AI-powered)," "உங்கள் தரவில் பயிற்சி அளிக்கப்பட்டது (trained on your data)," "AGI," மற்றும் "100% துல்லியமானது (100% accurate)." முடிவுகளைக் காண்பிப்பதற்கு முன்பே, வளர்ந்து வரும் ஒவ்வொரு AI ஆலோசகரும் அவர்களின் கலைச்சொல் அறிவைக் கொண்டே மதிப்பிடப்படுகிறார்கள், ஏனெனில் முதல் சந்திப்பில் ஒரு வாடிக்கையாளரால் சரிபார்க்க முடிந்தது கலைச்சொற்கள் மட்டுமே. ஆகஸ்ட் 2026 இல் வெளியிடப்பட்ட நிலவரப்படி இந்த வரையறைகள் துல்லியமானவை; இத்துறை வேகமாக நகர்வதால், இந்த விவரங்களை தற்போதைய நிலவரத்தின் ஒரு பதிவாகக் கருதுங்கள்.

## முதன்மையான மாடல் சொற்கள் எவை?

நான்கு சொற்கள் இயந்திரத்தையே விவரிக்கின்றன. இவற்றைச் சரியாகப் புரிந்துகொண்டால் மற்ற எல்லாவற்றையும் எளிதாகப் புரிந்துகொள்ளலாம்.

1. பெரிய மொழி மாடல் (LLM). ChatGPT, Claude மற்றும் Gemini ஆகியவற்றின் பின்னணியில் உள்ள இயங்குதளம்: அடுத்தடுத்த சொற்களைக் கணிக்கும் வகையில் பெருமளவிலான உரைகளில் பயிற்சியளிக்கப்பட்ட ஒரு மாடல். ஒரு வாடிக்கையாளர் "AI" என்று கூறும்போது, வழக்கமாக இதையே குறிப்பிடுகிறார்கள்.
2. டோக்கன் (Token). மாடல்கள் படிக்கும் மற்றும் கட்டணம் விதிக்கும் சிறிய உரைப்பகுதி, இது வழக்கமாக ஒரு முழுச் சொல்லை விடக் சற்றே சிறியது. API கட்டணம் (மாடலின் பயன்பாட்டிற்கேற்பச் செலுத்தும் வசதி) ஒவ்வொரு டோக்கனுக்கும் கணக்கிடப்படுகிறது, எனவே இது ஒரு செலவு சார்ந்த சொல், வெறும் தகவலல்ல.
3. கான்டெக்ஸ்ட் விண்டோ (Context window). மாடலின் தற்காலிக நினைவகம்: ஒரே நேரத்தில் அது எவ்வளவு உரைகளைக் கருத்தில் கொள்ள முடியும் என்பது. தனது கொள்கைக் கையேட்டின் 40-வது பக்கத்தை AI ஏன் "மறந்துவிட்டது" என்று ஒரு வாடிக்கையாளர் கேட்கும்போது, கான்டெக்ஸ்ட் விண்டோவே வழக்கமாக உங்களுக்கான பதிலாக இருக்கும்.
4. இன்ஃபெரன்ஸ் (Inference). ஒரு மாடலுக்குப் பயிற்சியளிப்பதற்குப் பதிலாக, பதிலைப் பெற பயிற்சியளிக்கப்பட்ட மாடலை இயக்குவது. திட்டம் முடிந்து செயல்பாட்டிற்கு வந்த பிறகும் வாடிக்கையாளர் ஒவ்வொரு மாதமும் தொடர்ந்து செலுத்தும் கட்டணமே இன்ஃபெரன்ஸ் ஆகும்.

## சிறந்த பதில்களைப் பெறுவது தொடர்பான சொற்கள் எவை?

ஒரு பொதுவான மாடலை ஒரு குறிப்பிட்ட வணிகத்திற்குப் பயனுள்ளதாக மாற்றுவதற்கான நுட்பங்களை ஐந்து சொற்கள் உள்ளடக்கியுள்ளன.

1. ப்ராம்ப்ட் (Prompt). மாடலுக்கு நீங்கள் அளிக்கும் அறிவுறுத்தல். இப்போது முழு தயாரிப்புகளுமே எழுதப்பட்ட விளக்கத்திலிருந்தே உருவாக்கப்படுகின்றன; [ப்ராம்ப்ட் அடிப்படையிலான பில்டர்கள்](/blog/final-pos-flow-studio) ஒரு பத்தியைச் செயல்படும் மென்பொருளாக மாற்றுகின்றன, அதனால் தான் ப்ராம்ப்ட் என்பது இப்போது வெறும் சாட் செய்தி அல்ல, அதுவே ஒரு முதன்மை தயாரிப்பாகும்.
2. சிஸ்டம் ப்ராம்ப்ட் (System prompt). பயனர் எதையும் தட்டச்சு செய்வதற்கு முன் ஒரு மாடல் பெறும் நிலையான அறிவுறுத்தல்கள். சிறு வணிகங்களுக்கு விற்கப்படும் பல "தனிப்பயனாக்கப்பட்ட AI உதவியாளர்கள்", தொழில்நுட்ப ரீதியாக தற்போதைய மாடலின் மீது அமைக்கப்பட்ட ஒரு சிஸ்டம் ப்ராம்ப்ட் மட்டுமே. கட்டணத்தை நிர்ணயிக்கும் முன் இதை அறிந்துகொள்ளுங்கள்.
3. ரிட்ரீவல்-ஆக்மென்டட் ஜெனரேஷன் (RAG). கேள்வி கேட்கப்படும் நேரத்தில், மிகவும் தொடர்புடைய ஆவணங்களை எடுத்து மாடலிடம் வழங்குவது. மாடலை மாற்றாமலேயே வாடிக்கையாளரின் கையேடுகள் மற்றும் கொள்கைகளிலிருந்து மாடலை பதில் அளிக்க வைக்கும் முறை இதுதான்.
4. ஃபைன்-டியூனிங் (Fine-tuning). புதிய சான்றுகளில் பயிற்சியளிப்பதன் மூலம் ஒரு மாடலின் எடைகளை (அதன் உள் அமைப்புகளை) உண்மையில் மாற்றுவது. இது விலையுயர்ந்தது, புதுப்பிக்க மெதுவானது, மேலும் பெரும்பாலான பயன்பாடுகளுக்கு இது சரியான முதல் கருவியாக இருப்பதில்லை. வாடிக்கையாளர்கள் "பயிற்சி" என்று அழைக்கும் பெரும்பாலான வேலைகள் RAG தான்.
5. எம்படிங் (Embedding). ஒரே மாதிரியான பொருள்கள் அருகருகே அமைவதற்காக உரை எண்களின் பட்டியலாக மாற்றப்படுவது. எம்படிங்க்கள் தான் RAG தேடும் கோப்பகமாகும்; அவை இல்லையென்றால், "தொடர்புடைய ஆவணத்தைக் கண்டுபிடி" என்பது வேலை செய்யாது.

![வரிசைப்படுத்தப்பட்ட அலமாரிகளிலிருந்து ஒருவர் ஒரு கோப்பை எடுக்கிறார், இது ரிட்ரீவல்-ஆக்மென்டட் ஜெனரேஷனுக்கான ஒரு உவமையாகும்](https://hy9joxwes0n0bta4.public.blob.vercel-storage.com/media/43399b6a-0d29-48b6-84dd-88ef01fcb193/generated/ba2aaedcbd614b3a-rag-retrieval-folders-inline.png)

## AI வேலை செய்யத் தொடங்கிய பிறகு எந்தச் சொற்கள் முக்கியமாகின்றன?

பதிலளிப்பது எளிதான பகுதி. இந்த நான்கு சொற்களும் நடவடிக்கை எடுக்கும் AI-ஐப் பற்றியவை, இங்குதான் ஆலோசனை ஒப்பந்தங்கள் நகர்கின்றன.

1. ஏஜென்ட் (Agent). ஒரே ஒரு பதிலைத் தருவதற்குப் பதிலாக, ஒரு இலக்கை நோக்கித் தொடர்ந்து இயங்கும் AI: இது திட்டமிடுகிறது, கருவிகளைப் பயன்படுத்துகிறது, முடிவுகளைச் சரிபார்க்கிறது, மீண்டும் முயல்கிறது. ஏஜென்ட்களில்தான் தவறுகளும் அதிகமாகக் கூடும், அதுவே இந்தப் பட்டியலிலுள்ள கடைசி மூன்று சொற்களைக் கட்டணத்திற்குரிய சேவையாக்குகிறது.
2. MCP (Model Context Protocol). AI பயன்பாட்டை வெளிப்புறக் கருவிகள் மற்றும் தரவுகளுடன் இணைக்க அனுமதிக்கும் [திறந்தநிலை தரநிலை](https://modelcontextprotocol.io), இது பெரும்பாலும் AI-க்கான USB-C போர்ட் என விவரிக்கப்படுகிறது. இது 2024 பிற்பகுதியில் Anthropic-இல் தொடங்கப்பட்டு, இப்போது Linux Foundation-இன் கீழ் [Agentic AI Foundation-ஆல் நிர்வகிக்கப்படுகிறது](https://www.anthropic.com/news/donating-the-model-context-protocol-and-establishing-of-the-agentic-ai-foundation), இதற்கு ChatGPT, Claude, Cursor மற்றும் Microsoft Copilot ஆகியவற்றின் ஆதரவு உள்ளது. வாடிக்கையாளர் கேட்கும் "உங்கள் AI எங்கள் அமைப்புடன் உரையாட முடியுமா?" என்ற ஏறக்குறைய ஒவ்வொரு கேள்வியும் இப்போது MCP வழியிலேயே கையாளப்படுகிறது.
3. ஆர்கெஸ்ட்ரேஷன் (Orchestration). பல மாடல்கள், கருவிகள் மற்றும் படிகளை ஒரே பணிப்பாய்வாக ஒருங்கிணைப்பது: எந்த மாடல் எதனைக் கையாள்கிறது, எந்த வரிசையில் செய்கிறது, மேலும் ஒரு படி தவறினால் என்ன நடக்கும் என்பதைக் கட்டுப்படுத்துவது.
4. ஹியூமன் இன் தி லூப் (Human in the loop). AI-இன் வேலை விளைவுகளை ஏற்படுத்துவதற்கு முன் அதைச் சரிபார்க்கும் ஒரு நபர். அந்த நபர் எங்கு இடம்பெற வேண்டும் என்பதைத் தீர்மானிப்பதே வாடிக்கையாளர்கள் ஒரு ஆலோசகருக்குக் கட்டணம் செலுத்தும் முதன்மை வடிவமைப்புக் முடிவாகும்.

![வெவ்வேறு சாதனங்களை இணைக்கும் ஒரு நிலையான கேபிள், மாடல் கான்டெக்ஸ்ட் புரோட்டோகாலுக்கான ஒரு உவமையாகும்](https://hy9joxwes0n0bta4.public.blob.vercel-storage.com/media/43399b6a-0d29-48b6-84dd-88ef01fcb193/generated/886ffdbaa7baf10a-mcp-universal-connector-inline.png)

## வாடிக்கையாளர் திட்டங்கள் சிக்கலில் மாட்டாமல் இருக்க எந்தச் சொற்கள் உதவுகின்றன?

கடைசி மூன்று சொற்கள் தான் உங்களை வெறும் ரசிகராக அல்லாமல் ஒரு தொழில்முறை வல்லுநராகக் காட்டுகின்றன.

1. ஹாலுசினேஷன் (Hallucination). நம்பிக்கையுடனும் இயல்பாகவும் அளிக்கப்படும் தவறான பதில். இது இந்த அமைப்புகளில் இயல்பாக நிகழும் ஒரு பிழை, எந்தவொரு விற்பனையாளரும் இரகசியமாகத் தீர்த்துவிட்ட பிழை அல்ல இது.
2. கார்ட்ரெயில்ஸ் (Guardrails). கணினி என்ன சொல்லலாம் அல்லது செய்யலாம் என்பதற்கான கடுமையான வரம்புகள்: அது நிராகரிக்கும் தலைப்புகள், செய்ய முடியாத நடவடிக்கைகள், மீற முடியாத வரம்புகள்.
3. ஈவல்ஸ் (Evals). மதிப்பீடுகள் (evaluations) என்பதன் சுருக்கம்: ஒவ்வொரு மாற்றத்திற்கு முன்பும் பின்பும் தெரிந்த நிகழ்வுகளுக்கு எதிராக AI அமைப்பிற்கு மதிப்பெண் அளிக்கும் மீண்டும் செய்யக்கூடிய சோதனைகள். ஈவல்ஸ் இல்லாமல் AI அமைப்புகளை விற்றால், நீங்கள் வெறும் உணர்வுகளை மட்டுமே விற்கிறீர்கள் என்று அர்த்தம். இந்தச் சொல் ஒப்பந்தங்களைப் பெற்றுத் தரும்.

![ஒரு பரிசீலனையாளர் அச்சிடப்பட்ட பக்கங்களை கையால் சரிபார்க்கிறார், இது AI ஆலோசகர்கள் வடிவமைக்கும் ஹியூமன் இன் தி லூப் படியைக் காட்டுகிறது](https://hy9joxwes0n0bta4.public.blob.vercel-storage.com/media/43399b6a-0d29-48b6-84dd-88ef01fcb193/generated/624d8021204fc3c0-human-in-the-loop-review-inline.png)

## எந்த நான்கு சொற்களைப் பயன்படுத்துவதைத் தவிர்க்க வேண்டும்?

இவை ஒவ்வொன்றும் ஒவ்வொரு காரணத்திற்காக வாடிக்கையாளர் உங்கள் மீது வைக்கும் நம்பிக்கையைக் குறைக்கின்றன.

1. "AI-இயக்கப்படும் (AI-powered)." இது எதையும் தெளிவாக விவரிப்பதில்லை, மேலும் ஒவ்வொரு தயாரிப்பு விளக்கக்காட்சியிலும் இது உள்ளது. அதற்குப் பதிலாக தொழில்நுட்ப முறையைக் குறிப்பிடுங்கள்: அவர்களின் ஆவணங்களில் RAG, மனிதப் பரிசீலனையுடன் கூடிய ஏஜென்ட், ஃபைன்-டியூன் செய்யப்பட்ட கிளாசிஃபையர்.
2. "உங்கள் தரவில் பயிற்சி அளிக்கப்பட்டது (Trained on your data)." இது பெரும்பாலும் தவறானது. பெரும்பாலான வாடிக்கையாளர் அமைப்புகள் பயிற்சிக்கு பதிலாக RAG அல்லது நீண்ட கான்டெக்ஸ்ட் விண்டோவையே பயன்படுத்துகின்றன, மேலும் இந்தச் சொல் தனியுரிமை குறித்த அச்சத்தைத் தூண்டுகிறது, அதைத் தெளிவுபடுத்தவே உங்களுக்கு ஒரு சந்திப்பு தேவைப்படும். நீங்கள் உண்மையில் ஃபைன்-டியூனிங் செய்யவில்லை என்றால் "உங்கள் தரவை அடிப்படையாகக் கொண்டது (grounded in your data)" என்று கூறுங்கள்.
3. "AGI." ஆர்ட்டிஃபிஷியல் ஜெனரல் இன்டெலிஜென்ஸ் (Artificial general intelligence) என்பது ஒரு ஆராய்ச்சி விவாதம், அது சேவை எல்லைக்கான சொல் அல்ல. ஒரு வாடிக்கையாளர் அதைப் பற்றிக் கேட்டால், நேர்மையாகப் பதிலளிக்கவும்; உங்கள் விற்பனை உரையையே அதைக் கொண்டு அமைக்காதீர்கள், ஏனெனில் அது உங்களால் உறுதிப்படுத்த முடியாத கணிப்புகளுக்கு வழிவகுக்கும்.
4. "100% துல்லியமானது (100% accurate)." மேலும் "ஹாலுசினேஷன் இல்லாதது." இதை யாராலும் நேர்மையாக உறுதியளிக்க முடியாது. அதற்குப் பதிலாக உங்கள் சொந்த ஈவல்ஸ்களிலிருந்து அளவிடப்பட்ட பிழை விகிதங்களை மேற்கோள் காட்டுங்கள்; வாக்குறுதியளிக்கப்பட்ட பூஜ்ஜியத்தை விட உண்மையான எண்ணே அதிக ஒப்பந்தங்களைப் பெற்றுத் தரும்.

## அப்படியென்றால் உண்மையில் எந்தச் சொற்கள் மிகவும் முக்கியமானவை?

வாடிக்கையாளர் உரையாடல் இவற்றில் நான்கைச் சுற்றி அமைந்தால், அவை RAG, ஏஜென்ட், MCP மற்றும் ஈவல்ஸ் ஆகத்தான் இருக்கும்: கணினிக்கு என்ன தெரியும், அது என்ன செய்ய முடியும், எவற்றுடன் இணைகிறது, மேலும் அது இயங்குகிறது என்பதை எப்படி நிரூபிக்கிறீர்கள். இவற்றைத் தெளிவாகக் கற்றுக்கொண்டு, தேவைக்கேற்ப மற்றவற்றைப் பயன்படுத்துங்கள். பொதுவான விதி: ஒரு வாடிக்கையாளருக்கு ஒரு சொல்லை ஒரு வாக்கியத்தில் உங்களால் வரையறுக்க முடியாவிட்டால், அதை உங்கள் விற்பனை உரையில் சேர்க்காதீர்கள்.

ஒரு நேரடித் திட்டத்தில் இந்த கலைச்சொற்கள் எவ்வாறு செயல்படுகின்றன என்பதைப் பார்க்க, [AI ஆலோசகர்கள் உள்நாட்டு SaaS மாற்றீட்டை எவ்வாறு திட்டமிடுகிறார்கள்](/blog/scoping-an-in-house-saas-replacement) என்பதைப் படியுங்கள். வெறும் சொற்களுக்கும் செயல்முறை விளக்கத்திற்கும் இடையிலான வித்தியாசத்தை உணர, Final-இன் பில்டருடன் [MCP வழியாக உங்கள் சொந்த AI-ஐ இணைக்கவும்](https://finalpos.com/help/connect-your-own-ai-mcp), மேலும் [ஒரு ப்ராம்ப்ட் எவ்வாறு செயல்படும் POS ஆக மாறுகிறது](/blog/claude-cowork-double-usage-ends-august-5) என்பதைப் பாருங்கள். உங்கள் வாடிக்கையாளர்கள் வணிகர்களாக இருந்தால், அதனுடன் இணைக்கப்பட்ட [ஒவ்வொரு புதிய வணிகரும் தெரிந்துகொள்ள வேண்டிய 30 POS சொற்கள்](/blog/pos-terminology-30-terms-new-merchants) பற்றிய பட்டியல் உரையாடலின் மற்ற பாதியை பூர்த்தி செய்யும்.

## FAQ

**Q: RAG மற்றும் ஃபைன்-டியூனிங் இடையே உள்ள வேறுபாடு என்ன?**
A: RAG கேள்வி கேட்கப்படும் நேரத்தில் தொடர்புடைய ஆவணங்களை மாடலிடம் வழங்குகிறது; ஃபைன்-டியூனிங் புதிய சான்றுகளில் பயிற்சியளிப்பதன் மூலம் மாடலையே மாற்றுகிறது. RAG மலிவானது, புதுப்பிக்க வேகமானது, மேலும் பெரும்பாலான வாடிக்கையாளர் திட்டங்களுக்கு ஏற்ற முதன்மைத் தேர்வாகும்.

**Q: AI ஆலோசனையில் MCP என்பதன் விளக்கம் என்ன?**
A: Model Context Protocol: AI பயன்பாடுகள் வெளிப்புறக் கருவிகள் மற்றும் தரவுகளுடன் இணைய அனுமதிக்கும் ஒரு திறந்தநிலை தரநிலை. இது 2024 பிற்பகுதியில் Anthropic-இல் தொடங்கப்பட்டு, இப்போது Linux Foundation-இன் கீழ் Agentic AI Foundation-ஆல் நிர்வகிக்கப்படுகிறது.

**Q: AI ஆலோசகர்களுக்கு நிரலாக்கம் (coding) செய்யத் தெரிந்திருக்க வேண்டுமா?**
A: எப்பொழுதும் தேவையில்லை, ஆனால் திட்ட எல்லையை நேர்மையாக நிர்ணயிக்க போதுமான தொழில்நுட்பக் கலைச்சொற்கள் தெரிந்திருக்க வேண்டும். பல திட்டங்கள் இப்போது தனிப்பயன் குறியீடுகளுக்கு பதிலாக ப்ராம்ப்ட் அடிப்படையிலான கருவிகள் மற்றும் MCP இணைப்புகள் மூலமே இயங்குகின்றன.

**Q: ஆலோசகர்கள் AI-powered எனக் கூறுவதை ஏன் தவிர்க்க வேண்டும்?**
A: இது எதையும் தெளிவாக விவரிப்பதில்லை, மேலும் வாடிக்கையாளர்களும் இதைப் பொருட்படுத்துவதில்லை. அதற்குப் பதிலாக வாடிக்கையாளரின் ஆவணங்களில் RAG அல்லது மனிதப் பரிசீலனையுடன் கூடிய ஏஜென்ட் போன்ற தொழில்நுட்ப முறையைக் குறிப்பிடுங்கள்.