දැනට බොහෝ AI‑වලට අදාළ Knowledge‑Graph හෝ GraphRAG ව්යාපෘති තුනක් වෙනම‑වෙනම දත්ත ගබඩා භාවිතා කරනවා: ග්රැෆ් සඳහා Neo4j, වෙක්ටර් සදහා Qdrant හෝ pgvector, ලේඛන සඳහා PostgreSQL හෝ MongoDB. මේ තුන් සමාගම එක්ක එකතු කරගන්නා විට, විවිධ query භාෂා, සම්බන්ධතා පොල, සහ බැක්‑අප් ක්රම තිබෙන නිසා කළමනාකරණය බරපතළයි.
ArangoDB මේ ගැටළුවට විසඳුමක් ලෙස multi‑model දත්ත ගබඩාවක් ඉදිරිපත් කරයි. ඒක ග්රැෆ්, ලේඛන, සහ වෙක්ටර් සෙවීම සියල්ලම එකම AQL (ArangoDB Query Language) භාවිතා කරගෙන සිදු කරයි. උදාහරණයක් ලෙස, "මෙම නිෂ්පාදනයට සම්බන්ධ නෝඩ් දෙකක් දුරින් තියෙන සියලු අයිතම සොයන්න" යන කාර්යයක් AQL හි FOR v, e, p IN 1..2 OUTBOUND 'products/laptop' GRAPH 'store_graph' RETURN { vertex: v, path: p } ලෙස ලිවිය හැක.
Docker භාවිතයෙන් ArangoDB ස්වයං-හෝස්ට් කිරීම ඉතා සරලයි. docker run -e ARANGO_ROOT_PASSWORD=changeme -p 8529:8529 -v arangodb_data:/var/lib/arangodb3 arangodb:latest යන කමන්ඩ් එකෙන් වෙබ් UI සහ HTTP/AQL API 8529 වරාය මත ක්රියාත්මක වේ. වොලියුම් මවුන්ට් කිරීම අත්යවශ්යයි; නැතිවුවහොත් කන්ටේනරය නැවත ඇරඹුමක් සිදු කරන විට ග්රැෆ් දත්ත නැතිවී යයි.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ තාක්ෂණික සමාජයට මෙය අතිශය ප්රයෝජනවත්. විශ්ව විද්යාල සිසුන්ට ග්රැෆ්, ලේඛන, වෙක්ටර් සෙවීම එකම පරිසරයක් තුළ අත්හදා බැලීමට අවස්ථාව ලැබේ. එමෙන්ම, ස්ථානික සොෆ්ට්වෙයාර් සමාගම්ට තනි‑දත්ත ගබඩාවක් භාවිතා කරමින් පිරිවැය අඩු කර, පද්ධති නඩත්තුව පහසු කරගත හැක. රෙකමේන්ඩේෂන් එන්ජින්, වංචා හඳුනා ගැනීම, හෝ Knowledge‑Graph‑RAG වැනි සංකීර්ණ AI මොඩලයන් සඳහා ත්රිත්ව දත්ත ගබඩා එකතු කිරීමේ ගැටළුවක් නොමැතිව වැඩි කාර්යක්ෂමතාවයක් ලබා දේ.
ඉතින්, ArangoDB එකක් පමණක් ඉන්ස්ටෝල් කර, Docker හෝ Railway වැනි සේවාවන් මගින් පළමුවැනි පියවර ඉක්මවා ගත හැකිය. මෙය ඉදිරි කාලයේ ශ්රී ලංකාවේ AI‑දත්ත සැකසීමේ පදනම වශයෙන් පරිණාමය වෙයි.
අවසන් වශයෙන්, ArangoDB තනි‑දත්ත ගබඩාවක් ලෙස ග්රැෆ්, ලේඛන, සහ වෙක්ටර් සෙවීම එකම query භාෂාවෙන් කළ හැකි නිසා, බහු‑පද්ධති සමඟ සම්බන්ධ වීමේ සංකීර්ණතාවය අඩු කරයි. ඔබට AI‑ආධාරිත යෙදුම් නිර්මාණය කිරීමට හෝ දත්ත විශ්ලේෂණය කිරීමට මෙය වඩාත් සුදුසු වේ.
