ඉතිහාසයෙහි නවතම පරීක්ෂණයක් පෙන්වයි: AI ඒජන්ට් එකක් ගණකයක් ලෙස භාවිතා කරමින්, 390 පරීක්ෂණයකින් 389 ක් සාර්ථකව පසු කරමින්, NIST විසින් සත්යාපිත Longley රෙග්රෙෂන් දත්ත සමුදායේ වැරැද්දක් හමුවුණි.
ලේඛකයා AI ඒජන්ට් එකට ගණකයක් ලබාදී, එයට ගණිත ගණනයක් කිරීමට අවශ්ය කාර්යයක් පැවරුවේ. ඒජන්ට් එක ඉල්ලීම තේරුම්ගෙන, ප්රතිඵලය පැහැදිලි කරයි; ගණකය පරිණාමය සිදු කරයි. මෙය “ජනන සහ ක්රියාකාරකම්” අතර පැහැදිලි වෙන් කිරීමක් ලෙස සැලකේ. පසුකාලීනව ගුණකය (×) එක එකතු කිරීම (+) ලෙස වෙනස් කළ විට, ගණකය 390 පරීක්ෂණයකින් 389 ක් සාර්ථකව පසු කළ නමුත්, NIST සත්යාපිත ප්රතිඵලය සමඟ සසඳන එකම පරීක්ෂණය අසාර්ථක විය.
මෙම අසාර්ථකතාවය “දෘඩාංග ගණනය” ස්ථායි බවක් නොවන බව පෙන්වයි. එකම වැරැද්දක් තවදුරටත් පවතින පද්ධතියේදී, එය නිත්යව වැරදීමක් වශයෙන් පවත්වාගෙන යා හැක. ඒ නිසා “සත්ය මූලය” ලෙස ගණකය හෝ AI මොඩලය භාවිතා කිරීම අතිශය ආරක්ෂිත නොවේ. AI ඒජන්ට් එකක් භාරගන්නා මෙවලමට එම බලය අභියෝග කරමින්, එය පරීක්ෂා කළ හැකි, නැවත නැවත ක්රියාත්මක කළ හැකි සාක්ෂි මත පදනම් විය යුතුය.
ශ්රී ලංකාවට ඇති වැදගත්කම
මෙම පර්යේෂණය ශ්රී ලංකාවේ තාක්ෂණික පරිසරයට පහත ලාභ ලබා දෙයි:
- සිසුන් – AI සහ ප්රාග්ධාන ගණිත ක්රියාකාරකම් අතර වෙනස්කම තේරුම්ගැනීමෙන්, කාර්යය‑කේන්ද්රිත සිසුන්ට ප්රායෝගික උදාහරණයක් ලැබේ.
- ඩෙවලපර්ස් – Program‑Aided Language Models (PAL) ආදර්ශය භාවිතා කරමින්, මොඩලය විසින් ජනනය කරන කේතය විශ්වාසනීය runtime (Python, Rust) තුළ ක්රියාත්මක කිරීමේ නව පරිදි සැලසුම් කළ හැක.
- ව්යාපාර – NIST වැනි බාහිර සත්යාපන මූලධර්ම භාවිතා කිරීමෙන්, AI‑චලිත සේවා ව්යාපෘතිවල ගුණාත්මක පරීක්ෂණය සහ අභ්යන්තර පාලනය අඩු කර, නියාමන අවශ්යතා සපුරාලිය හැක.
අවසන් වශයෙන්, AI ඒජන්ට් එකේ “ජනන” හා “ක්රියාකාරකම්” අතර පැහැදිලි සීමා තබා, බාහිර සත්යාපන මූලධර්ම (NIST) සමඟ සම්බන්ධ කිරීමෙන්, පද්ධතියේ විශ්වාසනීයතාවය වැඩි කරගත හැක. පද්ධතිය ස්වයංක්රීයව වැරදි කළත්, ඒ වැරදි පරීක්ෂා කර, නිවැරදි කිරීමේ හැකියාව අතුරුවීමේ මූලික අදහස මෙයින් උදාවේ.
