AI ක්ෂේත්රයට අලුත් වෙලා පළමුවෙන්ම මොඩලයයි සාර්ථකත්වයේ හුගාකාරී කොටසයි කියලා හිතුවා. නමුත් වසර ගණනාවක් පසු, නවීන AI නිෂ්පාදන සාර්ථක කරන්නේ මොඩලයක් නොව, එය ඇතුළත් කරන පද්ධති සැලසුම බව පෙනී ගියා.
ලොව පුරා LinkedIn, YouTube, X වැනි මාධ්යවල නිතරම නව LLM, උසස් benchmark, වේගවත් inference වැනි ප්රවෘත්ති පෙනේ. බොහෝ අරඹන AI ඉංජිනේරුවන් “කොහොමද හොඳ මොඩලයක් තෝරන්නේ?” කියලා අසති. නමුත් පළපුරුදු ඉංජිනේරුවෝ පළමුව ප්රශ්න කරන්නේ: අපේ ගැටළුව කුමක්ද? අපට ඇති දත්ත මොනවාද? ප්රතිචාරය කීයක් වේගයෙන් දිය යුතුද? AI වැරදි පිළිතුරක් දෙයි නම් ඒකට මොකද සැලසුම? නිෂ්පාදනයෙන් පසු පද්ධතිය කෙලින්ම වැඩිදියුණු කරගැනීමට මොනවද අවශ්ය?
මෙම කාරණා සැලකිල්ලට නොගෙන, මොඩලය පළමු ප්රශ්නයක් බවට පත්වීම අසාර්ථකත්වයට හේතු වෙයි. ප්රායෝගික පද්ධතියක් මෙහෙම පෙනේ:
- පරිශීලකයින් → දත්ත එකතු කිරීම → සත්යාපනය → දත්ත සැකසීම → මොඩලය → නිරීක්ෂණය → ප්රතිචාර → නැවත පුහුණුව
මොඩලය එක කොටසක් පමණයි; එය වටා ඇති සියලුම කොටස් එකතු වී නිෂ්පාදනයේ සාර්ථකත්වය තීරණය කරයි.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ තරුණ විද්යාඥයින්, සංවර්ධකයින්, ව්යාපාරිකයින්ට මේ අවබෝධය බොහෝ ප්රයෝජන දෙයි. පළමු, දත්ත ඉංජිනේරු කුසලතා ඉගෙන ගැනීමෙන් ගුණාත්මක දත්ත සම්පාදනය කළ හැක, එමඟින් AI යෙදුම් වල නිවැරදිත්වය වැඩිවේ. දෙවැනි, MLOps, Cloud deployment, API නිරීක්ෂණ වැනි පද්ධති‑කොටස් පිළිබඳ දැනුමෙන් ව්යාපාරික AI විසඳුම් අඩු වියදමින්, වේගයෙන් ලොව පුරා ගෙන යා හැක. තෙවැනි, AI වැරදි වුවත් “human‑in‑the‑loop” ක්රමයන්ගෙන් පසුපස පාලනය කළ හැකි බැවින්, පාරිභෝගික විශ්වාසය රැක ගැනීමේ අවස්ථා වැඩිවේ.
ඉතිං, මොඩලය උසස් වීමක් පමණක් නොව, පද්ධතිය පූර්ණයෙන්ම සැලසුම් කරගැනීමයි දැන් AI ව්යාපාරයේ ජයග්රහණයට මූලික තලය.
අවසන් වශයෙන්, නව මොඩල පර්යේෂණයන් ගැන කියවීම රසවත් වුවත්, ඒවාය පසුපස ඇති ඉංජිනේරු ක්රම, නිරීක්ෂණ, පද්ධති සැලසුම් ගැන අධ්යයනය කිරීම වඩාත් වැදගත්. ඒකම තරුණ ඉංජිනේරුවෙක් වීමට අවශ්ය මඟයි.
