කෘතිම බුද්ධිය (AI) ක්ෂේත්රයේ දැන් “AI Harness” කියන නව පදය ජනප්රියත්වයට පත් වෙමින් තිබේ. බොහෝ සංවිධාන AI Agents ගැන කතා කරන අතර, සැබැවින්ම වැඩි වැදගත්කමක් දරන්නේ එම පද්ධතියේ “හාර්නස්” කොටසයි.
පැරණි දෘශ්යයෙහි AI ක්රමයක් “පරිශීලක → LLM → පිළිතුර” ලෙස සරලව පෙනේ. එය පරීක්ෂණ හා ප්රෝටෝටයිප් සඳහා හොඳයි, නමුත් නිෂ්පාදන පරිසරයක මෙය අඩුපාඩු සහිතයි. නිෂ්පාදන‑මට්ටමේ AI පද්ධතිය “පරිශීලක → AI Harness → LLMs + Tools” ලෙස වඩා සංකීර්ණය වෙයි.
AI Harness එකේ අන්තර්ගත මූලික කොටස් පහත පරිදි වේ:
- Context Manager – අවශ්ය තොරතුරු තෝරාගැනීම.
- Memory – පසුගිය සංවාදය හෝ තොරතුරු සුරැකුම්.
- Planner – වැඩ සැලැස්වීම සහ ක්රියා මාර්ගය නියම කිරීම.
- Model Router – කාර්යය අනුව සුදුසු මොඩලය තෝරා ගැනීම.
- Tool Orchestrator – API, දත්ත ගබඩා, විශ්ලේෂණ මෙවලම් වැනි උපකරණ සමඟ සම්බන්ධ කිරීම.
- Evaluator & Verifier – ප්රතිඵලයන් පරීක්ෂා කර විශ්වාසනීය බව තහවුරු කිරීම.
- Retry & Fallback – උපකරණ අසාර්ථක වූ විට නැවත උත්සාහ කිරීම.
- Observability – පද්ධතියේ කාර්ය සාධනය නිරීක්ෂණය කිරීම.
මෙම සියලුම මොඩියුලයන් එකට එකතුවීමෙන් පසු, AI පද්ධතියේ ප්රතිඵලය මොඩලය පමණක් නොව, එය අවට පද්ධතිය කෙතරම් හොඳින් සැලසුම් කර ඇතැයි තීරණය කරයි. ඒ නිසා එකම foundation model දෙකක් භාවිතා කරන දෙදෙනෙකුට පවා ගැඹුරු ප්රතිඵල වෙනස් විය හැක.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ තාක්ෂණ ශිෂ්යයින්, සංවර්ධකයින් හා ව්යාපාරිකයින්ට AI Harness පිළිබඳ අවබෝධය ගැන්වීම අතිශය වැදගත්. මෙය:
- ඉගෙනුම් කටයුතු වල AI මොඩල භාවිතය සරල කර, ව්යාපාරික ප්රයෝජන සඳහා තක්සේරු සැලසුම් සකස් කිරීමේ හැකියාව වැඩි කරයි.
- දේශීය සංවර්ධකයන්ට මෘදුකාංග වාස්තු විද්යාව (software architecture) මට්ටමින් AI පද්ධති නිර්මාණය කිරීමට අවශ්ය දැනුම ලබා දෙයි.
- ව්යාපාරිකයන්ට විශ්වාසනීය, නිරීක්ෂණය කළ හැකි AI සේවා හරහා පාරිභෝගික අත්දැකීම් උත්තරීතර කර ගැනීමට උපකාරී වේ.
අනාගතයේ AI ඉංජිනේරු ක්ෂේත්රය prompt engineering වලින් software architecture වෙත පරිවර්තනය වනු ඇත. මොඩලයන් තවදුරටත් වර්ධනය වන විට, ඒවා වටා නිර්මාණය කරන “හාර්නස්” පද්ධති නිෂ්පාදන‑මට්ටමේ AI නිෂ්පාදන සාර්ථකව නිකුත් කිරීමට මූලික කරුණ වේ.
එබැවින්, AI Harness ගැන අවධානය යොමු කිරීම, තවත් “ස්මාර්ට් මොඩල” ගොඩනැගීමකට වඩා, වඩාත් “ස්මාර්ට් පද්ධති” නිර්මාණයට මඟ පෙන්වයි.
