LLM (Large Language Model) මඟින් ලේඛන තොරතුරු උපුටා ගැනීමේදී, වැරදි වාර්තා හෝ schema අනුකූල නොවන ප්රතිචාරවලින් පසු, ඒවාය අතහැර දැමීම හෝ නැවත උත්සාහ කිරීම පමණක් නොකර, පද්ධතියේ විශ්වාසය නষ্ট විය හැකිය. මේකට විසඳුමක් ලෙස dead‑letter queue (DLQ) හඳුන්වා දෙනවා – අසාර්ථක වාර්තා රඳවා, විස්තරාත්මක සාක්ෂි සමඟ පරීක්ෂා කර, අවශ්ය විට නැවත ක්රියාත්මක කිරීමේ හැකියාව ලබා දෙන ස්ථානය.
DLQ එකක් සකස් කිරීමේදී, පළමුව වලංගුකරණ (validation) පියවර වැදගත් වේ. ලේඛනයක් අසම්මත OCR ආකෘතියක්, වැරදි schema, හෝ අර්ථවත් නොවන අගයක් ඇතුළත් වුවත්, ඒ සියල්ල එකම validation කේතයට පත් වේ. එම validation එක true/false පමණක් නොව, කොහේ, ඇයි වැරදියි කියන තොරතුරු ද ලබා දිය යුතුය. මෙයින් පසු, වාර්තාවේ විශ්වාස ලෙවල (confidence score) අනුව, ඒක ඉදිරියට යැවිය හැකිද, නැවත උත්සාහ කළ යුතුද, නැතහොත් DLQ වෙත යැවිය යුතුද යන තීරණය ගත හැක.
DLQ එකේ සටහන් සුරක්ෂිත කිරීමේදී, පහත දත්ත ඇතුළත් කිරීම සුදුසුයි:
- ස්ථාවර record ID සහ idempotency key
- අසම්පූර්ණ ලේඛනයේ immutable reference (අවශ්ය නම් ප්රවේශ සීමා සමඟ)
- උපුටා ගත් payload, raw model response (retention policy අනුකූලව)
- schema, prompt, model, OCR, pipeline version
- machine‑readable validation errors, confidence score, routing threshold
- attempt count, timestamps, correlation/trace ID
- DLQ වෙත ඇතුළත් වූ නිශ්චිත හේතුව
මෙම තොරතුරු 6 දිනකට පසුත්, ඉංජිනේරුවරයකු හෝ පරීක්ෂකයකුට "පද්ධතිය මොනවා දැකලා, මොනවා නිර්මාණය කරලා, කුමන contract එක අසාර්ථක වුණා, නැවත ක්රියාත්මක කළ හැකිද" යන ප්රශ්නවලට පිළිතුරු දීමට ඉඩ සලසයි. DLQ එක shadow database එකක් වීමට ඉඩ නොදෙන්න – මූලික source එකට සබැඳි reference පමණක් සුරකින්න, retention හා deletion නීති නියමිතව පිළිපදින්න.
ශ්රී ලංකාවට ඇති වැදගත්කම
- ඩිජිටල් ලේඛන සැකසීමේ විශ්වාසය වැඩිවේ: රජයේ හෝ පෞද්ගලික ආයතන වල OCR‑ගත ලේඛන වල අසාර්ථකතා අඩු වේ.
- ඩෙවලොපර්ලාට ඉක්මනින් වැරදි හඳුනා ගැනීමට උපකාරී: DLQ envelope එකේ සියලු meta‑data එකතුව නිසා බග් පරිශ්රමය අඩු වේ.
- ව්යාපාරික පිරිවැය අඩු කිරීම: නැවත නැවත එකම අසාර්ථකතාවය අනුගමනය කර පිරිසිදු retry policies භාවිතා කිරීමෙන් වියදම් ඉතිරි වේ.
- AI‑අපනයන සේවාවන්ගේ ගුණාත්මකභාවය උසස් කිරීම: ශ්රී ලංකාවේ fintech, healthtech වැනි ක්ෂේත්රවල AI‑driven extraction pipelines විශ්වාසදායක වේ.
අවසන් වශයෙන්, DLQ එකක් නිවැරදිව සැලසුම් කර, අසාර්ථකතා වර්ගීකරණය (transient, deterministic, ambiguous, version drift, policy) අනුව retry policy නිර්මාණය කිරීම, AI‑මූලික extraction pipelines වල ස්ථාවරතාවය හා ආරක්ෂාව රැකගැනීමට මූලික වේ.
