ඉතාමත් ජනප්රිය AI ලිපියක කතුවරයෙක්, LLM (Large Language Model) විනිශ්චයකරුන්ගේ කාර්ය සාධනය පිළිබඳ වැරදි දත්ත ප්රකාශ කර තිබුණි. පසුකාලීනව එය තවත් පරීක්ෂා නොකළ තැනින්, ඔහු එම ප්රකාශය අසත්ය බව පිළිගෙන, සමාව ඉල්ලා, නව පරීක්ෂණයක් කර තොරතුරු නිවැරදි කළේය.
මෙම පරීක්ෂණය තුළ 20 ක් වූ ‘directional failure’ (දිශානති දෝෂ) තත්ත්වයන්, නායකත්වය තුළ තුන් විවිධ මාදිලි (0.5B Qwen, 4.3B Gemma, ~200B DeepSeek) සමඟ පරීක්ෂා කර ඇත. සම්පූර්ණයෙන් 600 තීරණයක් ලබා, සාර්ථකත්වය, අසාර්ථකත්වය, සහ විශ්වාසය යන මාතෘකා අගය කර ඇත. ප්රථම මාදිලිය (Qwen) 61.5% නිවැරදි බව පෙන්වා දුන්නා, නමුත් Gemma සහ DeepSeek දෙකම 92% පමණ නිවැරදිව පෙනුනහ.
විශේෂයෙන්, ‘Explicit Directional Failure’ (කාර්යයෙහි වචනික විරුද්ධතා) සඳහා Qwen 63.3% නිවැරදිව පෙනුන අතර, Gemma සහ DeepSeek 100% නිවැරදි විය. ‘Subtle Directional Failure’ (නොපේළිවූ නමුත් අසත්ය) සඳහා Qwen 56% නිවැරදි, Gemma 89.3% සහ DeepSeek 90% නිවැරදි විය. මෙම පරීක්ෂණයෙන් පෙනේ, 1 බිලියනයට අඩු පරාමිතිය ඇති මාදිලි තදින් වැරදි කළ හැකි බව, එසේ නොවූ විශාල මාදිලි වල වැරදි අඩු බවයි.
ශ්රී ලංකාවට ඇති වැදගත්කම
මෙම අධ්යයනය ශ්රී ලංකාවේ AI සංවර්ධකයින්, විද්යාල සිසුන්, හා ව්යාපාරිකයන්ට පහල කරන්නේ:
- විශ්වාසනීය පරීක්ෂණ ක්රමවේද – කුඩා මාදිලි භාවිතා කරන විට පරීක්ෂණ ප්රතිඵල වල අඩු විශ්වාසය ගැන අවධානය යොමු කළ යුතුය.
- වියදම් කළමනාකරණය – Qwen වැනි නිදහස් මූලාශ්ර මෝඩලයන් පාවිච්චි කරන්නේ නම්, API ගාස්තු අඩු කර, පරීක්ෂණ ව්යාපෘති බහුලව කළ හැක.
- ඉගෙනුම් සහ නව්යකරණය – සිසුන්ට AI මෝඩලයන්ගේ සීමා සහ දෝෂ හඳුනා ගැනීමට ප්රායෝගික උදාහරණයක් ලෙස මෙය භාවිතා කළ හැක.
ඉදිරියට, AI මෝඩල විනිශ්චයකරුන්ගේ නිවැරදිත්වය තහවුරු කිරීම සඳහා නිර්මාණාත්මක පරීක්ෂණ සැලසුම් කිරීම, දත්ත අඛණ්ඩතාව රැක ගැනීම, සහ පාරදර්ශී ප්රකාශ කිරීම අත්යවශ්ය වේ.
අවසන් වශයෙන්, කතුවරයාගේ සමාව සහ නව පරීක්ෂණ ප්රතිඵලය, AI ක්ෂේත්රයේ විශ්වාසය සහ පාරදර්ශීත්වය රැක ගැනීමට මහත් වැදගත් බව පෙන්වයි. මෙවැනි පාරදර්ශී උත්සාහයන් අපේ දේශීය තාක්ෂණික පරිසරයට නව මාර්ගයක් සපයයි.
