AI ඇප්ලිකේෂන්වල ගුණාත්මක පරීක්ෂණයක් නැතිව, නිෂ්පාදනයේ වැරදි සෙමැන්ටික් (semantic) පරිමාණයන් හඳුනා ගන්න බැරී වෙනවා. මෙවැනි ගැටළු වලට විසඳුමක් ලෙස Eval ක්රමයක් හඳුන්වා දීලා, ප්රොම්ප්ට් එකක් දී ප්රතිඵල පරීක්ෂා කර, ඒකේ ගුණාත්මකභාවය තීරණය කරන පද්ධතියක් තැනීමේ වැදගත්කම ගැන මේ ලිපිය කතා කරයි.
සම්පරදායික unit test වලට වඩා, LLM පරීක්ෂණය අස්ථිර (non‑deterministic) ප්රතිඵල, වාක්ය සමානතාව, ටෝන් සහ නිවැරදිත්වය වැනි මූලික කරුණු පරීක්ෂා කරනවා. ත්රිත්ව Eval වර්ග තුනක් ඇත: Heuristic Evals (JSON වලංගුභාවය, වචන ගණන, PII පරීක්ෂා), LLM‑as‑Judge (දෙවන LLM එකක් රූබ්රික් එකකට අනුව ශ්රේණිගත කිරීම) සහ Human Evals (ඉතා නිවැරදි රුපියල් දත්ත සකස් කිරීම).
Eval පද්ධතියක් ගොඩනැගීමට පළමුව Python ස්ක්රිප්ට්, JSON පරීක්ෂණ දත්ත සහ LLM ප්රතිඵල පරීක්ෂා කිරීමේ ලූප් එකක් සකස් කරමු. 500‑1000 පාරිභෝගික ඉල්ලීම් සමග ගෝල්ඩන් සෙට් එකක් තැනීම, ඒක ත්රයිමසිකව නවීකරණය කිරීම, GitHub Actions තුළ ස්වයංක්රීයව පරීක්ෂා කිරීම, 90% පසුබැසීමේ සීමාවක් සකස් කිරීම වැනි පියවරයන් අනුගමනය කරමු.
මෙම ක්රමය භාවිතා කරන විශේෂ මෙවලම් PromptFoo, Braintrust, Inspect වැනිවෙයි. ඒවායේ YAML පදනම් පරීක්ෂණ, දත්ත සමුදා කළමනාකරණය, කඩිනම් benchmark කිරීම වැනි විශේෂාංග ඇත.
ශ්රී ලංකාවට ඇති වැදගත්කම
- සිසුන් – AI පාඨමාලා වල ප්රායෝගික ව්යාපාරයක් ලෙස, LLM Eval පයිප්ලයින් නිර්මාණය කරගෙන, සත්ය ලෝකයේ ගුණාත්මක පරීක්ෂණ ක්රම ඉගෙන ගත හැක.
- ඩෙවලොපර්ලා – ස්ථානාත්මක පරීක්ෂණ පද්ධතියක් නිර්මාණය කර, නිෂ්පාදනයේ වැරදි ඉක්මනින් හඳුනාගෙන, නවීකරණය කිරීමේ වේගය වැඩි කර ගත හැක.
- ව්යාපාර – AI සේවාවන්ගේ විශ්වාසභාවය වැඩිවීම නිසා, ගනුදෙනුකරුවන්ගේ තෘප්තිය සහ නීතිමය අනුවාදය රැක ගැනීමට උපකාරී වේ.
අවසානයේ, Eval පද්ධතියක් නොමැතිව LLM ඇප් එකක් නිෂ්පාදනය කිරීම, අනාගතයේ ගුණාත්මක ගැටළු සහ නීතිමය ආපදා ඇති කරයි. ඉක්මනින් මූලික පරීක්ෂණයක් සකස් කර, ඒක ප්රතිපත්තිමයව වැඩි දියුණුවට ගෙන යාම අත්යවශ්යයි.
