ඔබේ RAG (Retrieval‑Augmented Generation) චැට්බොට් හොඳින් වැඩ කරනවා කියලා හිතලා ඉන්නවාද? තාත්තා‑මමන් කතාවක් මතක ඇති. නවීකරණයක් කරලා, පළමු පරීක්ෂාවට පස්සේ පනස් පිරිසකට පමණ ප්රශ්න අසලා, “ඇත්තටම හොඳයි” කියලා තීරණය කරලා. එහෙමයි, ඒ තීරණය වැරදි විය හැකිය.
කොහොමද මේක වැරදි වුනේ? ප්රශ්න ගණන අඩුවීම, පරිශීලකයන්ගේ විවිධ භාෂා රීති, අසමත් වචන පරිසරය, සෑම මාසයක්ම වෙනස් වීම – මේ සියල්ලක් එකවර නොසලකා හරිනවා. ලොකු සමාගම්වලට පමණක් මැනුම් කළ යුතුය කියලා සිතෙනවා, නමුත් ඔබේ පෞද්ගලික ප්රොජෙක්ට් එකේද ඒක අත්යවශ්යයි.
මැනුම් නොකළ තැනැත්තන් සෑම වරක්ම “ඇත්තටම හොඳයි” කියලා හිතනවා. ඒත් එම හිතීමේ පසුබිමට ගෝල්ඩන් ඩේටාසෙට් නැත. ගෝල්ඩන් ඩේටාසෙට් කියන්නේ, ප්රශ්නයකට නිවැරදි පිළිතුර, ඒ පිළිතුර ලැබීමට අවශ්ය කොටස, සහ ඒ කොටස උපුටා ගැනීමේ මූලාශ්රය වගෙ ලියූ ලේඛනයකි. මෙය පළමු වරට පද්ධතිය ධාවනය කරන කලින් සකස් කරගත යුතුයි.
ගෝල්ඩන් ඩේටාසෙට් සකස් කිරීමේදී, එක් වර්ගයක් පමණක් නොව, නාලිකා හතරක් ඇතුළත් කළ යුතුය:
- ඇතුළත් කළ හැකි (Answerable) – පද්ධතියට නියම පිළිතුරක් ලබා දිය හැකි ප්රශ්න.
- ලබා ගත නොහැකි (Unanswerable) – පිළිතුරක් නොමැති ප්රශ්න, පද්ධතිය “කොයි තොරතුරක් නැත” කියලා පෙන්විය යුතුයි.
- අසමත් (Hard) – අසමත් වචන, ව්යාකරණ දෝෂ සහ අසාමාන්ය පරිසරය.
- විවිධ (Diverse) – විවිධ කේෂ්ත්ර (HR, Finance, Tech) වල ප්රශ්න.
මෙම පූර්ණ සෙට් එකක් සමඟ පරීක්ෂා කරන්නේ නම්, ඔබේ RAG පද්ධතියේ ප්රතිපලයන් ස්ථාවරව, නිවැරදිව, සහ විශ්වාසදායකව පෙනේ. එමෙන්ම, පද්ධතියේ ඕනෑම වෙනසක් (embedding model, chunk size, reranker) සිදු කළ පසු, එම ගෝල්ඩන් සෙට් එකට එය යෙදීමෙන් “regression” (පසුපසට යෑම) හඳුනා ගත හැකිය.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ තාක්ෂණික විශ්වවිද්යාල ශිෂ්යයන්, ස්ථානාත්මක startups, සහ IT සමාගම් RAG වැනි AI‑අධාරිත විසඳුම් භාවිතා කරමින් නව නිපුණතා නිර්මාණය කරති. නමුත්, නිවැරදි මැනුම් ක්රම නොමැතිව, පද්ධතියේ දෝෂයන් පාරිභෝගිකයන්ට පෙනෙන්නට ඉඩ ලැබේ. ගෝල්ඩන් ඩේටාසෙට් නිර්මාණය කිරීමෙන්:
- ශ්රී ලාංකීය සංස්කෘතික හා භාෂා රීති අනුගත ප්රශ්න සකස් කර, දේශීය පරිශීලකයන්ට නිවැරදි පිළිතුරු ලබා දිය හැකිය.
- ස්ථානාත්මක startups වලට, නිෂ්පාදන නිකුතුවකට පෙර regression පරීක්ෂා කිරීමේ හැකියාව ලැබේ, මෙයින් පාරිභෝගික විශ්වාසය වැඩි වේ.
- විශ්වවිද්යාල පර්යේෂකයන්ට, AI evaluation ක්රමවේදයන් පිළිබඳ අධ්යයනයේ ප්රායෝගික උදාහරණයක් සැපයෙනවා.
අවසානයේ, “පරීක්ෂා නොකළාම හොඳයි” යන අදහසට පසුව, මැනුම් මගින් පද්ධතියේ තත්ත්වය නිරීක්ෂණය කිරීමයි සාර්ථකත්වයේ මූලික රහස.
