දැඹිලි ගෝසල් මහතා, LLM (Large Language Model) මත පදනම් වූ වැඩපිළිවෙළක් සංවිධානය කරමින්, මුළු 10 ක් පරික්ෂා කිරීමේ සැලසුමක් සකස් කළා. නමුත් ඔහු තීරණාත්මකව එකම පරීක්ෂණයක් – CI (Continuous Integration) දෝෂ විශ්ලේෂණ – පමණක් සිදු කරමින්, එය තමන්ගේ වැඩසටහනට ප්රමාණවත් බව සනාථ කළා.
මෙම පරීක්ෂණය ආරම්භ කළේ, වැඩසටහනේ සැබෑ අවශ්යතා පිළිබඳව “ඇත්තෙන්ම මට ඉහළ මට්ටමේ මොඩලයක් අවශ්යද, නැතිනම් මුදල පිරිවැය කරන්නේ කවදද?” යන ප්රශ්නයට පිළිතුරක් ලබා ගැනීමටය. ඔහු 10 වර්ගයක පරීක්ෂණයක් නිර්මාණය කරමින්, model‑compass නමැති සම්භාව්ය ඇගයීම් පද්ධතියක් ගොඩනැගීය. ඒ අතර Adaptive Budget Tuner, Frontier Lite Field Test, Context Rot Detector, Tool Drift වැනි විවිධ පරීක්ෂණයන් ඇතුළත් වුණා.
කොටසක් ලෙස, CI diagnostics පරීක්ෂණය තෝරාගැනීමේ හේතුව, ඔහුගේ දෛනික කාර්යභාරය සමඟ අතිශය සම්බන්ධතාවය තිබුණා. ඔහුගේ කණ්ඩායම TypeScript, Swift, Kotlin, C++, Java, Go, BrightScript වැනි බහුභාෂා වලින් සොෆ්ට්වෙයා සංවර්ධනය කරයි. CI පයිප්ලයින්වලදී ලොග් ගොනු මැගාබයිට් පරිමාණයේ වර්ගයක් වන අතර, දෝෂයන් බොහොමයක් අධික සංයුක්ත පරීක්ෂණ වලින් සිදුවේ. මූලික වශයෙන්, “CI රතු → මූලික හේතුව හඳුනා ගැනීම” යන කාර්යය පැය 1-2 කාලයක් ගත විය. LLM එකතු කිරීමෙන්, මෙම කාලය මිනිත්තු 15කට අඩු කළා.
ශ්රී ලංකාවට ඇති වැදගත්කම
මෙම අධ්යයනය ශ්රී ලංකාවේ තාක්ෂණික පරිසරයට පහත පරිදි ප්රයෝජන දක්වයි:
- විකාශකයින් – LLM පදනම් වූ CI උපකරණ භාවිතයෙන්, දෝෂ හඳුනා ගැනීමේ වේගය වැඩිවීම නිසා වැඩි නිෂ්පාදන ශක්තියක් ලැබේ.
- ව්යාපාර – මොඩලය තෝරාගැනීමේ ගණනාවක් (cost‑per‑task) පරික්ෂා කිරීමෙන්, අධික වියදම් තැන් හඳුනා ගනිමින්, AI ආධාරක වියදම අඩු කර ගත හැක.
- සිසුන් – මෙවැනි පදනම් පර්යේෂණ මඟින්, LLM විශ්ලේෂණ ක්රම, ප්රායෝගික AI ඉගෙනුම් පාඨමාලා නිර්මාණය සඳහා මූලික දත්ත සපයයි.
අවසානයේ, ගෝසල් මහතාගේ “එක පරීක්ෂණයක් පමණක්” යන ප්රවේශය, සීමිත සම්පත් සමඟ වැඩ කරන සංවර්ධකයින්ට “ඉතා වැදගත්, වියදම්-ප්රතිලාභය උග්ර” මාර්ගයක් පෙන්වයි. ඉදිරියේදී, AI‑ආශ්රිත වැඩපිළිවෙළවල නවෝත්පාදන තරඟයක් සිදුවන බව අපි බලාපොරොත්තු වෙමු.
