අපි බොහෝ වෙලාවට GraphRAG (Graph Retrieval‑Augmented Generation) පද්ධති දෙකක් DB වලින් ගොඩනැගීමට පුරුදු. එකක් වෙක්ටර් (vector) සොයාගැනීමේ කාර්යභාරය, තවත් එකක් ග්රැෆ් (graph) සම්බන්ධතා විශ්ලේෂණය. වෙක්ටර් DB එක "මෙම ප්රශ්නයට අර්ථවත් ලෙස ලගා වූ කොටස්, ඒකක, ලේඛන" හොයාගන්නා අතර, ග්රැෆ් DB එක "මෙම ඒකක අතර සම්බන්ධතා කුමන ද?" කියලා පිළිතුරු දෙයි.
මෙම සැලැස්ම වැඩ කරනවා නමුත් ප්රධාන ගැටලුවක් තියෙනවා – සෙවුම සහ ග්රැෆ් විශ්ලේෂණය අතර "ජොයින්" DB පිටුපස, යෙදුම් කේතයේ හෝ ඒජන්ට් වර්ක්ෆ්ලෝයේ සිදු වෙනවා. ප්රථමයෙන් වෙක්ටර් සමානතා ලැබෙයි, ඒ ID‑වලින් ග්රැෆ් DB එකට යවා, තවත් නෝඩ් (node) ලබාගෙන, LLM (Large Language Model) එකට අවසන් පිළිතුරක් ගොඩනැගීමට ඉල්ලීමක් යොමු කරනවා. මෙහෙම කරන්න පුළුවන්, නමුත් ප්රශ්නයේ සැලසුම්කරු (query planner) දෙකම එකතු කරලා අඩුපාඩු නිවැරදිව හසුරවන්න බැහැ. සෙවුම, ග්රැෆ් පරිභ්රමණය, ෆිල්ටරින්, රැංකින්, ග්රැෆ් ඇල්ගොරිත්මය එකම මට්ටමේ සැලසුම් නොවීම නිසා කාර්යක්ෂමතාව අඩු වෙයි.
මෙම ගැටලුවට පිළිතුරක් ලෙස Samyama Graph නමැති Rust‑native ග්රැෆ්‑වෙක්ටර් එකක් හඳුන්වා දෙනවා. එය එක් DB එක තුළ වෙක්ටර් සොයාගැනීම, ග්රැෆ් විමසුම්, ග්රැෆ් ඇල්ගොරිත්ම, Redis‑සහගත API සහ OpenCypher‑සාමාන්ය කේවල භාෂා පරිපාලනය සපයයි. ඒ නිසා වෙක්ටර් සහ ග්රැෆ් සෙවුම එකම එන්ජින් තුළ සිදු වෙයි, පූර්ණ‑ඕප්ටිමයිසර් එකක් සකස් කරලා දත්ත ලේඛනයේ සම්පූර්ණ අවබෝධයක් ලබා ගත හැක.
කියවන්නෙකුට "කොහොමද මේක වැදගත්?" කියලා ඇස්තමේන්තු දෙනවා නම්, වෙක්ටර් සෙවුම තනිව අර්ථවත් වචන හෝ ලේඛන පමණක් ලබා දෙයි. නමුත් බහු-ආකාර සම්බන්ධතා (උදා: ඖෂධ‑ප්රෝටීන්‑මාර්ග‑රෝග‑කැලෑ) අවශ්යවූ විට ග්රැෆ් DB එකේ නෝඩ්‑ලින්ක් සම්බන්ධතා තේරුම් ගැනීම අත්යවශ්ය. Samyama Graph එක ඒ දෙකම එකම ඉන්ජින් තුළ එක්කරන නිසා, AI‑ඇජන්ට් මතක, විශාල‑පරිමාණ සම්බන්ධතා විශ්ලේෂණ, RAG වැඩි දියුණු කිරීම වඩාත් සරලයි.
ශ්රී ලංකාවට ඇති වැදගත්කම
- ශ්රී ලංකාවේ විශ්වවිද්යාල සිසුන්ට AI‑ආශ්රිත පර්යේෂණය සඳහා එක් DB එකේ වෙක්ටර්‑ග්රැෆ් ක්රමවේද භාවිතා කරගැනීමට ඉඩ සලසයි.
- දේශීය සංවර්ධකයන්ට Rust‑අපේක්ෂිත ඉන්ජින් එකක් නිසා වැඩි කාර්යක්ෂමතාව, අඩු latency සහ open‑source පදනමක් මත වැඩ කිරීමේ හැකියාව ලැබේ.
- ව්යාපාරික ආයතන AI‑memory, knowledge graph, recommendation system වැනි ප්රයෝජනවලට වඩා සරල, එකම පද්ධතියේ cost‑model සහ optimizer එකක් ලබා ගනිමින් වියදම අඩු කර ගත හැක.
අවසන් වශයෙන්, GraphRAG පද්ධති දෙක DB වලින් වෙනුවට එක DB එකක් භාවිතා කිරීමේ අදහස Samyama Graph මගින් ප්රායෝගිකව පෙනී යයි. එය AI‑පදනම් යෙදුම්වල වේගය, නිරවද්යතාව, හා පරිපාලන සංකීර්ණතාව අඩු කරයි. ශ්රී ලංකාවේ තාක්ෂණික පරිසරයට නව මට්ටමක් ගෙන එන මේ නව නිර්මාණය, අපගේ AI‑විකාශයෙහි අනාගතය තවත් ඉදිරියට ගෙන යාමට උදව් කරනු ඇත.
