CourtGPT.ai යෙදුම සාර්ථකව සම්පූර්ණ US නීති පදනම් සහ නඩු නඩු විස්තර 6.7 මිලියනකට වැඩි පරිමාණයකින් පවත්වාගෙන යාමේදී, RAG (Retrieval‑Augmented Generation) පද්ධතියක් නිෂ්පාදන මට්ටමින් ක්රියාත්මක කිරීමේ ගැටලු සහ විසඳුම් ගැන වැදගත් දැනුමක් ලබාගෙන ඇත.
බොහෝ RAG පාඨමාලා වලදී “දෝළ” උදාහරණයක් ලෙස කිහිපයක් ලේඛන embed කර GPT‑ට ප්රශ්නයක් ඉල්ලීමක් පමණක් පෙන්වයි. එය 10 ලේඛන තරම් කුඩා ප්රමාණයකදී හොඳින් ක්රියා කරයි, නමුත් මිලියන ගණනක් ලේඛන, විවිධ දත්ත වර්ග (නීති, නඩු, නියාමන) සහ තත්පර කාලයකින් පිළිතුරු ලබා දීමට අවශ්ය වන විට එය ඉතාම අසාර්ථක වේ.
ප්රායෝගික ස්ටැක්
- Vector search: pgvector + HNSW index (self‑hosted, Pinecone නොව)
- Hybrid search: OpenSearch BM25 + vector (නීති පාඨයට කීවර්ඩ් නිවැරදිභාවය අවශ්ය)
- Embeddings: OpenAI text‑embedding‑3‑large (ඉංග්රීසි නීති පාඨයට)
- Generation: Anthropic Claude Sonnet 4 (citation‑කිරීමේ හැකියාව GPT‑4 ට වඩා හොඳ)
- Orchestration: LangChain (agentic workflow)
- Metadata filtering: PostgreSQL (jurisdiction, date, doc type වැනි structured fields)
ප්රධාන පාඩම් 5ක්
- Chunking කලා – නීති ලේඛන වල section, citation, topic coherence පරිදි semantic chunking භාවිතා කරන්න, token‑window එකට අමතරව.
- Hybrid search – පූර්ණ vector search එකෙන් 30%+ සුදුසු ප්රතිඵල අහිමි වේ. BM25 + vector එකතු කිරීමෙන් top‑10 හි 92% recall ලැබේ.
- Citation tracking – නීති, වෛද්ය, මූල්ය වැනි ක්ෂේත්රවල AI ප්රතිඵල සත්යතාවය පරීක්ෂා කිරීම අත්යවශ්ය. සෑම retrieval හා claim එකක්ම source document එකට සම්බන්ධ කරයි.
- RAG‑වලට සීමා – “මට නොදේ” හෝ “API එකක් භාවිතා කරන්න” කියා LLM‑ට තීරණය කරගත හැක. සියල්ලටම පිළිතුරු දෙන්නැයි උත්සාහ කිරීම edge case වලදී අසාර්ථක වේ.
- Eval‑කිරීම – සති 1කට 500+ test queries, precision@K, citation accuracy, hallucination rate (<2%), p95 response time (<2s) වැනි මට්ටම් නිරීක්ෂණය කරන්න.
6.7M ලේඛන පරිසරයේ වියදම් ඇස්තමේන්තුව: Vector index $200/මාස, embedding generation $0.13/1M tokens (one‑time), LLM inference $0.50‑1.50/query, search $0.001/query. එක් query එකකට $0.51‑1.65 අතර වියදම, $20/මාස subscription එකකින් සස්ථාවරව පවත්වාගත හැක.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ නීති, මූල්ය, සෞඛ්ය ආදියෙහි AI‑ආධාරිත RAG පද්ධති නිර්මාණය කිරීමේ මෙවලම් ඉතාම ප්රයෝජනවත් වේ. සිසුන්ට නීති පාඨයන්ගේ semantic chunking, hybrid search වැනි නවතම තාක්ෂණික ක්රම ඉගෙන ගැනීමට අවස්ථාව ලැබේ. සංවර්ධකයින්ට open‑source pgvector, OpenSearch, LangChain වැනි free tools භාවිතා කර self‑hosted AI සේවා සකස් කිරීමේ පළපුරුද්ද ලැබේ. ව්යාපාරිකයන්ට අඩු වියදමින්, නීතිමය AI උපකරණ (contract analysis, compliance checking) සපයමින් කාර්ය සාධනය ඉහළ යාමට සහ අධිකාරී පරීක්ෂණ වලදී source citation ලබා දීමට හැකියාව ලැබේ.
RAG පද්ධතියක් නිෂ්පාදන මට්ටමින් නිර්මාණය කිරීම සංකීර්ණ වුවත්, සාර්ථක උදාහරණයක් වශයෙන් CourtGPT.ai විසින් පෙන්වා දුන්නේ, නිවැරදි stack, හොඳ chunking, hybrid search, citation tracking, හා නිතර evaluation යන කරුණු අත්යවශ්ය බවය.
ඉදිරියට AI‑වලින් පෝෂණය කරන නීති සහ ව්යාපාරික තීරණ ගන්නා ලෝකයක් වෙමින්, ශ්රී ලංකාවේ තාක්ෂණික පිරිසට මේ පාඩම් අත්යවශ්ය මාර්ගෝපදේශයක් වනු ඇත.
