ලාරවෙල් පදනම් වූ ගොඩක් ගොනු සහිත ග්රාහකගේ සිදුවීම් වේදිකාවක් සඳහා කාර්යාලික රිපෝට් එකක් AI භාවිතයෙන් සකස් කිරීමට කියා තිබුණා. නමුත් වැඩේ ඇරඹුමට පෙර, ලේඛකයා මුලින්ම පද්ධතියේ 22,000 කට අධික ගොනු පිරික්සා, ඉදිරි කාර්යය සඳහා අවශ්ය දත්ත කොටස් හඳුනාගත්තේය.
පද්ධතියේ තිබූ පූර්ව-සකස් කර තිබෙන අනුග්රහක දත්ත, පූර්ව-සටහන් සහ පාරිභෝගිකයන්ගේ නිකුත් කර ඇති CSV ගොනු කිහිපයක් පරික්ෂා කළ විට, වාර්ෂික රිපෝට් එකට අවශ්ය 147 තීරුවලින් 47 ක් සෘජු ලෙස සම්බන්ධ වූ බව හඳුනාගත්තා. තවත් 61 තීරුවලට වර්තමාන දත්ත මත ගණිත ක්රම හෝ සම්බන්ධතා (joins) භාවිතා කර ගත හැකි බව සහ 39 තීරුවලට අවශ්ය තොරතුරු පද්ධතියේ සම්පූර්ණයෙන්ම අඩු බව පෙනී ගියේය.
මෙම විශ්ලේෂණය ඉතා කාලය ගත කළ අතර, ඒ අනුව AI මොඩලයක් භාවිතා කිරීමේ අවශ්යතාවය නැති බව තීරණය වුණා. රිපෝට් එක සෑම විටම එකම ආකාරයෙන් නිර්මාණය විය යුතු බැවින්, 97% නිවැරදිත්වයක් ඇති මොඩලයක් පසුගිය වාර්ෂික ගොනුවේ අසමතුලිතතා ඇති කරනු ඇත. ඒ නිසා ලේඛකයා තීරණාත්මකව ස්ථාවර alias වගුවක් සහ hash‑chain ලොග් පද්ධතියක් ගොඩනැගීය. මෙය සෑම පදයක්ම මූලික රෙකෝඩ් එකට සම්බන්ධ කර, පරීක්ෂකයාට අංකයක් කොහෙන් ආවේද කියා පෙන්වයි.
ශ්රී ලංකාවට ඇති වැදගත්කම
මෙම පළපුරුදු අත්දැකීම ශ්රී ලංකාවේ තාක්ෂණික සංවර්ධනයේ අනාගතයට මග පෙන්වයි. පළමු වරට, සිසුන් හා නවක සංවර්ධකයින්ට “AI සෑම අවස්ථාවකටම නොවෙයි” කියා පැහැදිලි කරයි; ගැඹුරු අවශ්යතා පරික්ෂා කර පසුම තාක්ෂණය යොදා ගැනීමේ වැදගත්කම උදෙසා. දෙවනුව, ව්යාපාරිකයන්ට නියමිත රිපෝට් එකක් නිශ්චිතව, audit‑friendly ආකාරයෙන් සැකසීමේ ක්රමවේදයක් ලබා දේ. තෙවැනි, මෙවැනි “fixed‑table” මූලික සැලසුම් පාවිච්චි කිරීමෙන් පසු‑පැවැත්ම, නවීන cloud‑based API සම්බන්ධතා හා data‑governance ප්රතිපත්ති වලට අනුකූලව වැඩ කරන පද්ධති ඉදිරිපත් කරයි.
අවසන් වශයෙන්, ලේඛකයා 39 ක් අඩු වූ තොරතුරු ලැයිස්තුවක් ග්රාහකයාට ලබා දී, ඒවා සවිස්තරාත්මකව සකස් කරගැනීමට අවස්ථාව සලසා දුන්නා. මෙය AI නෙවෙයි, නමුත් තොරතුරු කළමනාකරණයේ නිවැරදි මාර්ගයක් බවට පත්වේ.
ඉදිරියේදී, කේත පදනම පළමුව කියවීම, අවශ්යතාවය හඳුනා ගැනීම, හා තීරණය කරන පරිදි “output must be replayable” යන නීතිය මත වැඩ කිරීම අත්යවශ්ය බව තවත් උදාහරණයක් විය.
