AI පදනම් වූ සමාජ ජාල හෝ ව්යාපාරික දත්ත සෙවීමේදී, නාම ගැටලුවක් හේතුවෙන් පද්ධතිය වැරදි පිළිතුරක් ලබා දීමට ඉඩ තියෙනවා. කොරියානු කෝපරේට් දත්ත මත පදනම් වූ 2asy.ai නාම පද්ධතියේ "Hyundai" නාමය එක්වරම 17 වෙනත් නෝඩ් 17 වරක් හමුවේ.
මෙවැනි අවස්ථාවල, වෙක්ටර් සෙවුම් ඉන්ජින් සියලුම සම්බන්ධ නෝඩ් එකතු කර, සමාන embedding පදනම් කරලා රැස් කරයි. නමුත් ග්රැෆ් ගමන් කිරීම සඳහා තනි ආරම්භක නෝඩ් එකක් අවශ්යයි. මෙය හඳුන්වන "Disambiguation" (නාම පිරිසිදු කිරීම) පියවරයි. නාමය නිවැරදි නෝඩ් එකට සම්බන්ධ නොවුවහොත්, පද්ධතිය වැරදි සමාගම ගැන නිවැරදිව පෙනෙන, නමුත් වැරදි තොරතුරු සමඟ පිළිතුරක් සකස් කරයි.
මෙම ගැටලුව විසඳීමට, 2asy.ai ත්රි-මාන සංකේත මත පදනම් වූ ක්රමයක් යොදා ගනී: (1) Corpus Frequency Prior – ඉතිහාසයේ එම නාමය වැඩිම වාරයක් කුමන සමාගමට සම්බන්ධ වුණාදැයි ගණනය කරයි. කොරියානු වාණිජ පුවත්පත් වල "Hyundai" නාමය 65% කාලෙක Hyundai Motor Company සමඟ පවතී.
(2) Query Context Coherence – පරිශීලක ප්රශ්නයේ අනෙක් වචන (උදා: battery, construction) සමඟ සම්බන්ධතාවය ගණනය කර, සුදුසු නෝඩ් එකට ප්රමුඛතාව ලබා දේ.
(3) Temporal Activity Score – නවතම ක්රියාකාරකම්, පුවත්, වාර්ෂික වාර්තා ආදිය මත නෝඩ් එකේ සක්රියභාවය මැනේ. මෙම තුනේ සංකේතයන් එකට ගෙවී, ඉහළම එකතු කළ අගය ඇති නෝඩ් එක තෝරා ගැනේ.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ තාක්ෂණ විද්යාඥයින්, AI සංවර්ධකයින්, සහ ව්යාපාරිකයන්ට මෙම නාම පිරිසිදු කිරීමේ ක්රමය විශාල වාසියක්. දත්ත සෙවීමේදී නාම ගැටලුව අඩු කළහොත්, පාරිභෝගික සේවාවන් වඩාත් නිවැරදිව, වේගවත් ලෙස සපයන්න පුළුවන්. විශේෂයෙන්, ශ්රී ලංකාවේ ආරම්භක සමාගම් වඩාත් සංකීර්ණ knowledge graph එකක් ගොඩනැගීමට AI‑driven disambiguation engine එකක් භාවිතා කර, විදේශීය ආයෝජකයින්ට විශ්වාසදායක තොරතුරු ලබා දීමට හැකියාව ලැබේ.
අපගේ දේශීය AI පර්යේෂකයින්ට මේ තාක්ෂණය අධ්යයනය කර, සිංහල, තමිල්, මුරාටි භාෂා සඳහාද සමාන පද්ධති නිර්මාණය කළ හැකිය. එමඟින් දේශීය භාෂා පදනම් වූ knowledge graph එකක් ගොඩනැගීමේ පදනම සකස් වේ.
අවසානයේ, නාම ගැටලුව විසඳීම Graph RAG (Retrieval‑Augmented Generation) පද්ධතිවල නිවැරදි, විශ්වාසදායක පිළිතුරු ලබා දීමට මූලික අංගයක් බව පැහැදිළි විය.
