සඳුදා උදෑසනේ ඔබේ කළමනාකරුවාගේ හදවත් දෝරෙයි. 30 ක් පමණ ප්රොජෙක්ට් පිරික්සලා, ගට්ටේමෙන් "මෙම මාසයේ මේක බිඳේ" කියලා අනුමාන කරන එකක්. ගණිතයක් නැතිව, වසර ගණනාවක පළපුරුද්දෙන් ගොඩක් කරපු බරකින් තීරණ ගන්නා එකක්. මේ වගේ "දැනුම" SRE, DevOps කාර්යභාරයෙන් AI ඉංජිනේරු කාර්යයට මාරු වුනාම පළමුවම අමතක නොකළ යුතුයි.
ලේඛකයා පළමු වරට මොඩලයක් පුහුණු කරන්නේ නැතිව, ප්රශ්නය නිර්වචනය කරගැනීමට කාලයක් ගත්තා. ගණිතය, ග්රේඩියන්ට්, ලොස් ෆන්ක්ශන් වගේ තාක්ෂණික කොටස් ගොඩක් අවසානයේ තෝරනවා. ඇත්තේ ප්රධාන ගැටළුව ඇල්ගෝරිතම තෝරන එක නොව, ඒකට පෙර කොයි ප්රශ්නයක් අසන්නේද, වැරදි පිළිතුරේ වියදම කීයද, මොඩලය කතා කරන විට කුමන ක්රියාවක් ගන්නාද කියලා තීරණ ගන්නා එකයි.
උදාහරණයක් ලෙස SLA උල්ලංඝනයක් පුරෝකථනය කිරීම ගැන හිතමු. "උල්ලංඝනය" කියන්නේ කුමක්ද? එය වාර්තා කළ මාසයේද, හඳුනාගත් මාසයේද, හෝ මූලික හේතුව මාසයට සම්බන්ධද? මේ ප්රශ්නයේ පිළිතුර මොඩලයේ ලේබලය, දත්ත සකස් කිරීම, සහ ප්රතිඵලය වෙනස් කරයි. තවද, වැරදි අනාවරණයක් සිදුවූ විට එය ව්යාපාරයට කොපමණ පීඩනයක් ද? අඩු වැරදි නිසා පණිවිඩයක් පණිවිඩයක් එවීම ලාභදායී වුවත්, අතින් ඉංජිනේරුවන් දෙදෙනෙක් වෙනත් පාරිභෝගිකයේ වැඩ අහිමි විය හැකිය. මේ සියල්ල තීරණය කරගන්නා පසු, ඇල්ගෝරිතම තෝරන්න පුළුවන්.
ශ්රී ලංකාවට ඇති වැදගත්කම
- සිසුන් – AI/ML පාඨමාලාවේ ප්රායෝගික අවධානයක් ලෙස, ප්රශ්නය නිර්වචනය, වැරදි වියදම් ගණනය කිරීම වැනි “ආරම්භක” පියවර ඉගෙන ගත හැකිය. මෙය නව තාක්ෂණය තේරුම් ගැනීමට මූලික පදක්කමක්.
- ඩෙවලපර්ලා – පූර්ව-මොඩල සැලසුම් කිරීමේ පදනම දැනගැනීමෙන්, වැඩි ගුණාත්මක predictive services නිර්මාණය කළ හැකිය. එමඟින් ඉන්ටර්නෙට් සේවා, fintech, health tech වැනි ක්ෂේත්රවල නව නිර්මාණයන් ඉක්මනින් ගොඩනැගිය හැකිය.
- ව්යාපාර – වැරදි අනාවරණයේ වියදම නිවැරදිව ගණනය කර, තීරණාත්මක threshold සකස් කිරීමෙන්, ගනුදෙනුකරුවන්ගේ විශ්වාසය රැකගත හැකිය. එසේම, AI ආධාරිත සේවාවන් සඳහා ආරම්භක වැරදි අවම කර, ROI වැඩි කර ගත හැකිය.
අවසන් වශයෙන්, ඇල්ගෝරිතම තෝරන එක අවසන් තීරණයයි. ප්රශ්නය, වියදම, ක්රියාමාර්ගය නිශ්චිතව සකස් කළ පසු පමණක්, නිවැරදි මොඩලයක් තෝරා ගත හැකිය. මේ ක්රමය අනුගමනය කළහොත්, ශ්රී ලංකාවේ AI ව්යාපාරික පරිසරය තවත් පරිපූර්ණ වෙයි.
