සංස්කරණ ලොග් වලින් පැනනැගී ඇති දෝෂ වර්ග හඳුනා ගැනීමට AI භාවිතා කිරීමට උත්සාහ කළ විකසකයකු, නිර්මාණය කළ පරීක්ෂණ පද්ධතියෙන් නව තොරතුරු ලැබීය. LLM (Large Language Model) එකේ කාර්ය සාධනය නියමිත ප්රතිඵලයට වඩා අඩු බව හෙළිවී, සරල නීති‑මූලක පද්ධතියක් වඩා නිරවද්ය වර්ගීකරණයක් ලබා දුන්නා.
මෙම ව්යාපෘතියේ මුල් අදහස විය, පැරණි එකතු කිරීමේ ස්ථරයේ දෝෂ ලොග් 4,000 ක් පමණ තිබූ අතර, ඒවා 58 ක් පමණ වෙනස් වූ ගැටළු වලට සංග්රහ කළ හැකි බවයි. ලොග් එකක් එක් එක් ගැටලුවට සම්බන්ධ කරමින්, ඒවායේ මූලික හේතුව අනාවරණය කර, ඒ අනුව වර්ගීකරණය කිරීමේ මෙවලමක් සකස් කිරීමට උත්සාහ කළා.
ප්රධාන සංකල්පය – ලොග් ගොනු 100 MB+ පමණ වූ විශාලත්වයක් තිබූ අතර, ඒවාය මත පදනම්ව ස්ට්රිම්‑පාර්ස් කිරීමක් (line‑by‑line) භාවිතා කරමින්, ස්ථාවර මතක පරිභෝජනයෙන් වැඩ කළා. එක් එක් දෝෂය ERROR මට්ටමේ ලොග් එකක්, සහ WARN මට්ටමේ JSON බ්ලොක් එකක් (correlation ID) සමඟ පැමිණේ. මෙයින් දෙවරක් පරික්ෂා කර, සම්බන්ධිත තොරතුරු එකතු කර, නියමිත වර්ගයට පවරා ගැනීමට හැකි වුණා.
වර්ගීකරණය සඳහා පළමු පියවර ලෙස රූල්‑මූලක ක්ලැසිෆයර් එකක් සකසා, සෑම සිදුවීමකටම පෙර‑ලේබලයක් දුන්නා. එම ලේබලය මත පදනම්ව 58 ක්රමලේඛිත නියමිත නිරීක්ෂණ (golden set) සකස් කර, ඒවා මනුෂ්ය විශ්ලේෂණය කර ලේබල කළා. LLM එකට එම ලේබල නොදෙමින්, මූලික හේතුව පමණක් ඉදිරිපත් කළා, එවිට එහි කාර්ය සාධනය මැනීමට පරීක්ෂණ පද්ධතිය (evaluation harness) භාවිතා කළා.
ශ්රී ලංකාවට ඇති වැදගත්කම
මෙම අධ්යයනය ශ්රී ලංකාවේ තාක්ෂණික සංවර්ධනයේ කිහිපයක් වැදගත් පලපුරුදු කරයි:
- ඩිවෙලපර්ලා – රූල්‑මූලක වර්ගීකරණය සහ ලොග් සම්බන්ධකරණය (correlation) යන ක්රමවේදයන් ඉගෙනගනිමින්, AI මත අධිකව පවරා නොගෙන, ස්ථායි විසඳුම් සැලසුම් කරගත හැක.
- ව්යාපාරිකයන් – පද්ධති අස්ථිරතා හඳුනා ගැනීමේ වේගය වැඩිවීම නිසා, සේවා අඩු වීම සහ ධනයේ අහිමි වීම අඩු වේ.
- සිසුන් – ලොග් විශ්ලේෂණය, regex, streaming parse වැනි තාක්ෂණික හැකියාවන් අත්හදා බැලීමෙන්, ප්රායෝගික කුසලතා වර්ධනය වේ.
අවසානයේ, LLM එකේ ප්රධාන කාර්යය වුණේ සිංහල‑ඉංග්රීසි සිදුවීම් සාරාංශයක් ලිවීම පමණයි. වර්ගීකරණය සහ ව්යුහගත දත්ත ලබා ගැනීම සඳහා රූල්‑මූලක ක්රමවේදය 89.7% නිරවද්යතාවයක් ලබා දුන්නා, එයට වඩා LLM එකේ 87.9% පමණයි. ඉන්පසු, extraction ක්ෂේත්රයේ regex සහ LLM එක 90%‑97% අතර එකඟතාවයක් පෙන්වා දුන්නා. සාරාංශයේ විශ්වාසනීයතාව 4.62/5, පූර්ණත්වය 4.26/5 ලෙස ඇගැයුනු අතර, ක්රියාත්මක වීමේ පිරිවැය $0. මොඩලය Ollama මගින් දේශීයව ක්රියාත්මක කර, එක් සිදුවීමකට 8‑10 තත්පර පමණ ගත වුණා.
මෙම ප්රතිඵලය පෙන්වන්නේ, AI තාක්ෂණය සෑම අවස්ථාවකම හොඳම විසඳුම නොවන බවයි. නිශ්චිත නීති‑මූලක ක්රමයන් සමඟ AI එකතු කිරීමෙන්, වැඩි නිරවද්යතාව සහ වියදම් අඩු කිරීමේ හැකියාව ලැබේ.
