සමහර විට අපි කේතයක් ලියන විට, එය නිවැරදිදැයි තක්සේරු කිරීමට AI‑මිතුරන් භාවිතා කරනවා. ඒක හොඳ අදහසක් වුවත්, ඒ AI‑මිතුරන්ට දෙන ප්රශ්නයේ ආකෘතිය වැරදි නම්, ලැබෙන පිළිතුරත් වැරදිම වෙයි.
ඉතා පළමු උදාහරණයක් ලෙස, hexisteme නමින් පදනම් කරගත් ලේඛකයා, තමන්ගේ කුඩා සේවාදායක (agent) නාලිකාවක් මොනවාදැයි පරීක්ෂා කිරීමට LLM‑වලින් තීරණයක් ගන්නා ලද. ඔහුගේ අදහස වුණේ, “ගොනු පද්ධතියේ තත්වය (polling) බාහිර සිදුවීම් (event bus) වඩා විශ්වාසනීයයි” කියා. එයට විරුද්ධව, එක් පරිශීලකයෙක් @anp2network කියා සිටියේ, “ඔබේ පරීක්ෂණය මූලිකවම ස්වයං-වාදයක් (self‑report) පදනම් කරගෙන ඇති, එය බාහිර නිරීක්ෂණයක් (external observation) නොවේ” යන බවය.
ලේඛකයා තීරණය ගැනීමට පෙර, එම විරෝධය තුනක් AI‑මිතුරන් (NVIDIA Nemotron‑3‑Ultra‑550B, Google Gemini‑3.1‑Pro, සහ තවත් එකක්) වෙත යොමු කළා. ඔවුන්ට “කමෙන්ටරය සත්යද?” යන ප්රශ්නයක් දී, පිළිතුරු ලබා ගත්තා. Nemotron 0.92 විශ්වාසයක් සමඟ කමෙන්ටරය සත්ය බව තහවුරු කළා; Gemini 0.95 විශ්වාසයක් සමඟ එය කොටසකට පමණක් සත්ය බව කියා, “කමෙන්ටරය ඉතා කඩිනම් ලෙස අඩංගු කර නොගත්තා” යන ප්රතිචාරයක් දුන්නා.
මෙම විශ්ලේෂණයෙන් ලැබුණු වැදගත් පාඩම වන්නේ, AI‑මිතුරන්ට දෙන ප්රශ්නයේ “schema” (ආකෘතිය) එකම නොවීමයි. Nemotron වෙත දුන් ප්රශ්නයේ “කමෙන්ටරය සත්යද?” යන පේළි පමණක් තිබුනත්, Gemini වෙත “කමෙන්ටරය අතිශය පරිමාණයෙන් අධිකද?” යන අමතර ක්ෂේත්රයක් තිබුණා. ඒ නිසා, දෙදෙනා ලබා දුන් පිළිතුරු සමාන නොවූ අතර, සත්ය තත්ත්වය හඳුනා ගැනීමට අඩුපාඩු ඇති වුණා.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ තාක්ෂණික ශිෂ්යයින්, සංවර්ධකයින්, ව්යාපාරිකයින් සඳහා මේ කතාවේ කිහිපයක් වැදගත් වේ:
- AI‑මිතුරන් භාවිතා කරන විට ප්රශ්න ආකෘතිය සවිස්තරාත්මකව සැලසුම් කරන්න. අසත්ය පිළිතුරු ලබා ගැනීමේ අවදානම අඩු වේ.
- බහු‑vendor (cross‑vendor) සත්යාපනයේ වැදගත්කම. එකම මොඩලයක් මත පදනම් වීමෙන් වැරදි තීරණ ගැනීමේ අවදානම ඉහළ යයි.
- ඉන්ෆ්රාස්ට්රක්චර් නිරීක්ෂණයේ “self‑report vs external observation” සංකල්පය. නව පද්ධති සැලසුම් කරන විට මෙය සැලකිල්ලට ගත යුතුයි.
අවසන් වශයෙන්, LLM‑වලට විශ්වාසය තැබීමේදී, ප්රශ්නයේ සැලසුම, විශ්ලේෂණ ක්රම, සහ බහු‑මොඩල සත්යාපනය යන අංග තුනම සමඟ සම්බන්ධ කරගත යුතු බව පෙනේ.
