Android උපාංගයක AI ක්රියාත්මක කිරීම සරල .tflite ගොනුවක් ඇතුළත් කිරීමෙන් අවසන් නොවේ. මොඩලය නිවැරදිව සැකසී නැතිවූ විට, උපාංගය අධික උෂ්ණත්වයට පත් වීම, බැටරි ඉක්මනින් අවසන් වීම හා පරිශීලක අස්ථානගත වීම වැනි ගැටළු පෙන්වයි.
ඇත්තේ, ඉහළ නිවැරදිත්ව Python පරිසරයක (PyTorch, TensorFlow) පුහුණු කළ මොඩලයක් Android බයිනරියකට පරිවර්තනය කිරීම සරල පිටපතක් නොවේ. එය දත්ත ගබඩා මාරු කිරීමක් වගේම, මොඩලයේ FP32 (32‑bit floating‑point) ගුණාංගයන් උපාංගයේ ගණක යන්ත්රයට අනුකූල Integer ප්රමාණයන්ට (Quantization) පරිවර්තනය කිරීමයි.
ඉම්පීඩන්ස් මැච් කියන්නේ ගණිත ආදර්ශය හා සිලිකන් අතර ඇති ගැටළුවයි. කලාපීය GPU, DSP, NPU යන තුනේම වටිනාකම දැනගත යුතුය. GPU ගණනාවක් සමකාලීන ලෙස ක්රියා කරන ‘ජෙනරල්’ ත්රිමාණකාරකයකි; එය FP16 වැනි පූර්ණ-අංක මට්ටමක් අවශ්ය මොඩල සඳහා සුදුසුයි, නමුත් බලශක්තිය වැඩි වේ. DSP පවතින්නේ අඩු බලශක්තියෙන් ක්රියා කරන, Fixed‑point (INT8/INT4) මොඩල සඳහා; එය ‘always‑on’ සේවාවන්ට හොඳයි, නමුත් සංකීර්ණ සක්රියකරණ (activation) ක්රියාකාරකම් සීමිතයි. NPU නම් AI සඳහා නිර්මාණය කළ විශේෂිත චිප්; එය සූත්රාත්මක මට්ටමේ TOPS ලබා දේ, නමුත් නිකුත් කරුණු සමාගම් අනුව ඒකකය වෙනස් විය හැක.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ තාක්ෂණ විශ්වවිද්යාල සිසුන්, ස්ථානීය සංවර්ධකයින් සහ කුඩා ව්යාපාරිකයන්ට මෙම දැනුම ඉතා වැදගත්. මොඩලය හොඳින් Quantize කර NPU‑වලට ගැළපෙන පරිදි සැකසීමෙන්, දේශීය මොබයිල් ඇප්ස් වල AI ක්රියාකාරකම් වේගවත්, ශක්තිය අඩු, සහ පරිශීලක අත්දැකීම නිරවද්ය වේ. ඒ නිසා, ශ්රී ලංකාවේ තාක්ෂණ ආරම්භකයන්ට ගෝලීය AI තරඟවලට පිවිසීමට අවස්ථාව ලැබේ. එසේම, බැටරි ආයුෂය දිගු කරන AI‑සහයෝගී ඇප්ස් නිර්මාණය කර, ග්රාමීය සෞඛ්ය, කෘෂිකාර්මික, හා ආරක්ෂක සේවා වැනි ක්ෂේත්රවල නව නව නව්යතා ගොඩනැගීමට පුළුවන්.
අවසන් වශයෙන්, Edge AI නවීන Android සංවර්ධනයේ අත්යවශ්ය කොටසක් බව තහවුරු වෙයි. මොඩලය නියම hardware‑aware ලෙස පරිවර්තනය කර, GPU, DSP, NPU අතර සුදුසු තේරීමක් කිරීමෙන්, උපාංගයේ කාර්ය සාධනය වැඩි දියුණුවකට ගෙන යා හැක.
