AI ඇජන්ට්ස් පළමු පරීක්ෂණයේ පරිපූර්ණ ලෙස ක්රියා කරනවා, ග්රාහකයා සතුටින් අග්රාහකයි. නමුත් ඒවා නිෂ්පාදනයට ගෙන ආපසු, එක් සතියක් ඇතුළත ලූප්, හෙලුසිනේෂන්, හෝ ටයිම්‑ඕට් වැනි ගැටළු පෙනෙයි. මේ අසමතුලිතතාවය නවීන සොෆ්ට්වෙයාර් සංවර්ධනයේ සාමාන්යයක් බවයි.
Datadog 2026 State of AI Engineering වාර්තාව අනුව, 2026 පෙබරවාරි මාසයේ LLM ඇමතුම් 5% ක් දෝෂයක් ලබා දුන්නා. එම දෝෂයන්ගෙන් 60% කට අදාළව රේට් ලිමිට්, ටයිම්‑ඕට් වැනි ධාරිතාව ගැටළු. මාර්තු 2026 මාසයේ ඒ රේට් ලිමිට් දෝෂ 8.4 මිලියනක් පමණ අසාර්ථකත්වයට හේතු වුණා. Gartner පුරෝකථනයෙන් 2027 අවසානයේ 40% කට වැඩි AI ඇජන්ට් ව්යාපෘති ඉවත් වන බවත්, එහි හේතුව මොඩලය නොව ඉංජිනේරු අසමත්කමයි කියා පෙන්වයි.
ඉන්දීය වශයෙන් ප්රධාන 10 වැරදි අතර පළමු තැනට ස්වයංක්රිය ඇගයුම් නොකිරීම වැටෙයි. කණ්ඩායම් කෙටි ටෙස්ට් කීපයක් පමණක් කර, වෙනස් වූ ප්රොම්ප්ට් හෝ මොඩලය මත පසු පරීක්ෂා නොකරනවා. එමගින් 47% ක රෝල්බැක් අනුපාතයක් ලැබේ. දෙවන වැරදි රේට් ලිමිට්/ටයිම්‑ඕට් සඳහා දෝෂ හසුරුවීම් නොමැති වීම වේ. ත්රිත්වය ලෙස දීර්ඝ කාර්යයන් එකම පියවරක් ලෙස සැලසුම් කිරීම පවතී, එයින් මැද පියවරක් අසාර්ථක වුවහොත් පූර්ණ වැඩපිළිවෙළ නවත්වා යයි.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ තාක්ෂණ විද්යා පීඨවල සිසුන්, ස්ථානික සොෆ්ට්වෙයාර් සමාගම්, සහ ආරම්භක ව්යාපාර සඳහා මේ වැරදි අවධානයට ගත යුතුයි. ස්වයංක්රිය ඇගයුම් පද්ධතියක් හඳුන්වා දීමෙන් නිෂ්පාදන පසුබැසීමේ අවදානම 80% කට අඩු වේ. රේට් ලිමිට් හසුරුවීම් ඇතුළත් කිරීමෙන් පාරිභෝගික අත්දැකීම ස්ථාවරව පවත්වා ගත හැක. දීර්ඝ කාර්යයන්ට චෙක්පොයින්ට් හා රී-රන් යාන්ත්රණයක් එක් කිරීමෙන් ව්යාපාරික සේවා නඩත්තු කාලය ඉතාමත් අඩු වේ. මේ සියල්ල රැස්වීමෙන් ශ්රී ලංකාවේ AI තාක්ෂණය ගෝලීය තරඟකාරීත්වයට පත් කරයි.
අවසානයේ, AI ඇජන්ට්ස් නිෂ්පාදනයේ මෙම දෝෂ 10 ක් අවධානයට ගෙන, ස්වයංක්රිය පරීක්ෂණ, දෝෂ හසුරුවීම්, හා මොඩියුලර් ව්යාපෘති සැලසුම් කරගතහොත්, ආරම්භක ව්යාපාරයන්ට අතිවිශාල වාසියක් ලැබේ. එමඟින් කාලය, සම්පත්, සහ පාරිභෝගික විශ්වාසය රැකගත හැක.
