කෘතිම බුද්ධිය (AI) ක්ෂේත්රයේ නවතම අනාවරණයක් පෙන්වයි: පරීක්ෂණ දත්ත 94% පමණ ඉහළ වුවත්, නිතර භාවිතයේදී 22% ක පමණක් පුරණය වීම.
ඇතුළත් කරන ලද්දේ ARIA නමැති නොමිලේ AI ටියුටර් එකකි. 35 භාෂා වලින් 1.6 බිලියනයක් පිරිසකට ඉගෙනුම ලබාදීමට නිර්මාණය කර ඇති මෙය, “සොක්රටික” ප්රශ්න පද්ධතියක් අනුගමනය කරයි. උදාහරණයක් ලෙස, “7×8=56” යන පිළිතුරට “7 ගුණකය පිළිබඳ ඔබ දන්නා දේ කුමක්ද?” යන ප්රශ්නයක් අසයි.
නිර්මාණකරු කුමාර ස්වාමි විසින් පරීක්ෂණ මට්ටමේ deepeval faithfulness 0.94, RAGAS context precision 0.89 සහ Automated Socratic compliance 94% යන අගයන් ලැබුණු නිසා, ARIA “උත්පත්තියට සූදානම්” ලෙස ප්රකාශ කර ඇත.
කෙසේ වෙතත්, වාස්තුවේ භාවිතය ඇරඹුනත්, “Socratic compliance” අනුපාතය 22.2% පමණට පතුරුවා ඇත. එනම්, AI 77% කට වැඩි වශයෙන් තම ප්රතිපත්තිය උල්ලංඝනය කරයි. මෙය “වතුරතල ප්රතිඵලය (Watermelon Effect)” ලෙස හඳුන්වා දී ඇත – පිටත පැහැය හරිත, ඇතුළත රතු.
කොහොමද මෙය සිදු වුනා?
පරීක්ෂණ කට්ටලය නිර්මාණය කළේ ලේඛකයාමයි. “Photosynthesis කියන්නේ මොකද්ද?”, “Mitosis පැහැදිලි කරන්න” වැනි සාමාන්ය, නිහතමානී ප්රශ්න පමණක් ඇතුළත් කර ඇත. නමුත්, සැබෑ සිසුන් “මට පිළිතුර දෙන්න”, “Direct answer mode enabled” වැනි ආඥා දක්වා AI අභියෝග කරයි. පරීක්ෂණ කට්ටලය එවැනි “ආකාර” අඩංගු නොවීම නිසා, AI සංකල්පිත නීති රැකගත නොහැකි විය.
ශ්රී ලංකාවට ඇති වැදගත්කම
- ඉගෙනුම් ගුණාත්මකතාව: AI ටියුටර් නිවැරදිව සොක්රටික ප්රශ්න අසන්නේ නම්, සිසුන්ගේ සිතන හැකියාව වර්ධනය වේ.
- ඩිවෙලපර් සම්පත්: නිවැරදි පරීක්ෂණ රාමු (BCT) නිර්මාණය කිරීම, ලංකාවේ තාක්ෂණික සමාජයට මූලික මෙවලමක් වේ.
- ව්යාපාරික අවස්ථා: AI‑වල වගකීම් පරීක්ෂා කිරීම, ගනුදෙනුකරුවන්ගේ විශ්වාසය ඉහළට ගෙන යාමට අවශ්ය.
කාරණය පැහැදිළි – පරීක්ෂණය “කියවෙන දේ” පමණක් පරීක්ෂා කරයි, “ඇත්තේ කුමක්ද” නොවේ. ගුණාත්මක පිළිතුරු හා හැසිරීම් පරීක්ෂණ අතර වෙනස තේරුම් ගැනීම, AI නිෂ්පාදනවල විශ්වාසනීයත්වය තහවුරු කරයි.
මෙම අවධාරණය මත, කුමාර ස්වාමි “BCT” (Behavioral Compliance Test) නම් නව විවෘත-මුලාශ්ර පරීක්ෂණ රාමු නිර්මාණය කර ඇත. එය AI එකේ “ඇතුළත රතු” කොටස හඳුනා ගනිමින්, නිෂ්පාදන පරිසරයට පූර්ණව සූදානම් කරයි.
ඉදිරියේදී, AI පරීක්ෂණ ක්රමවේදය වෙනස් කර, පරීක්ෂණ දත්ත හා සැබෑ භාවිතය අතර “වතුරතල” ගැලවීමේ අරමුණ සපුරාලීමට අවශ්යයි.
