ChatGPT නිකුත් වූ පසු හතර වසරක් පසු, LLM (Large Language Model) තාක්ෂණය ඉතා ජනප්රිය වුණාට පවා, එහි ප්රධාන ගැටළු හතරක් තවමත් අඩු නොවී ඇත.
පළමුව AI ගණිතයට දුර්වලයි. සරල එකතු‑බෙදීම වැනි ප්රශ්න පුස්තකාල දත්ත තුළ තිබේ, එබැවින් ඒවාට නිවැරදි පිළිතුරක් ලැබේ. නමුත් අහඹු, දිගු සංඛ්යාත්මක ගණනයක් ඉල්ලූ විට, මොඩලය token‑අධාරිත අනුමානයක් පදනම් කරයි, ඉන් වැරදි එකක් සිදු වේ.
දෙවැනිය, AI අතීත දත්ත වලට පමණක් සීමා වෙයි. නවතම තොරතුරු, නව නීති, හෝ නවතම පර්යේෂණය මොඩලයේ පුහුණුවීම් දත්ත සමුදායේ නොතිබේ නම්, එය ඒවා ගැන නොදැනී, අසත්ය පිළිතුරක් ලබා දීමට ඉඩ ඇත.
තෙවැනිය, මතක කාලය කෙටි. මොඩලයක් පසුගිය සංවාදය හෝ පූර්ව ප්රශ්න මත තොරතුරු තබා ගැනීමට සීමා ඇත; එබැවින් දිගු-කාලීන වැඩපිළිවෙළක් හෝ සංකීර්ණ තාක්ෂණික කාර්යයක් කරා යාමට අඩුපාඩු ඇති වේ.
අවසානයේ, AI විෂබීජය. පුහුණුවීම් දත්ත අන්තර්ජාලයේ අයහපත්, අසාධාරණ, හෝ අනිසි කතා ඇතුළත් වන නිසා, මොඩලය ඒවා අනුකරණය කරනු ඇත. මේ නිසා පරිශීලකයන්ට අනවශ්ය, අසත්ය, හෝ අසහජ්ය පිළිතුරු ලැබිය හැක.
උදාහරණයක් ලෙස, නවතම Frontier මොඩල (Fable, Sol) API හරහා 200 සරල එකතු ප්රශ්න යවා, ඒවායේ එක් එකක් පමණක් වැරදි. එය මොඩලය token‑පදනම් කරමින් ගණනය කරන බැවින්, සෑම අංකයක්ම තනි තනිව අනුමාන කරයි. එම නිසා, 199/200 සාර්ථක වුවද, නියත ගණිත නිවැරදි බවට ගරැවීමක් නොමැත.
ChatGPT සහ Claude වැනි සේවා, ගණිත ප්රශ්නයක් හඳුනාගෙන, පිටුපස Python ස්ක්රිප්ට් එකක් හරහා ගණනය කරයි. මේ ‘harness’ කියන තාක්ෂණය මොඩලයෙහි දුර්වලතා ආවරණය කර, නිවැරදි පිළිතුරක් ලබා දේ. එය මොඩලයෙහි මුල් ගැටළුව තවත් විසඳන්නේ නැත, නමුත් පරිශීලක අත්දැකීම වඩාත් විශ්වාසදායක කරයි.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ තරුණ සංවර්ධකයින්, විශ්වවිද්යාල සිසුන්, සහ කුඩා ව්යාපාරිකයින් AI‑ආශ්රිත මෙවලම් භාවිතා කරන විට, මේ සීමා ගැන දැනුවත් වීම අත්යවශ්ය වේ. ගණිත දුර්වලතා නිසා ව්යාපාරික ගිණුම් පද්ධති, ලේඛන, හෝ අලෙවිකරණ අධ්යයනවල වැරදි සිදු විය හැක. අතීත සීමාවන් නිසා නවතම තොරතුරු, නීති, හෝ වෙළඳපොළ තොරතුරු ගැන කාලයෙහි පසුබැසීමක් සිදු වේ. තවද, AI‑විෂබීජය නිසා අසත්ය තොරතුරු හෝ අසහජ්ය පණිවිඩ පළ වීම, පාරිභෝගික විශ්වාසය අඩු කරයි.
- කේත ලිවීමේදී – AI‑උපකරණය වැරදි ගණිත ප්රතිඵලයක් ලබා දුන්නේ නම්, වැඩි මට්ටමේ පරීක්ෂණයක් අවශ්ය වේ.
- ව්යාපාරික විශ්ලේෂණ – අතීත දත්ත සීමා නිසා නව වෙළඳ තොරතුරු අඩු විය හැක, ඒ නිසා තීරණ ගැනීම අඩු කාර්යක්ෂම වේ.
- අධ්යාපනය – සිසුන් AI‑උපකරණය භාවිතා කර ගණිතය ඉගෙන ගැනීමට උත්සාහ කරන විට, නිවැරදි නොවන පිළිතුරු අසත්ය තේරුමක් ගොඩවෙයි.
ඒ නිසා, ශ්රී ලංකාවේ AI‑ආශ්රිත තාක්ෂණය භාවිතා කරන ඕනෑම කෙනෙකුට, මෙවලම් පිටුපස ඇති ‘harness’ හෝ පූර්ව-ප්රකාර පරීක්ෂණ ක්රමවේදයන් පිළිබඳ අවධානයක් දැක්විය යුතුය. එමගින් වැරදි අවදානම අඩු කර, AI‑වලින් ලැබෙන ප්රයෝජන වැඩි කළ හැක.
අවසන් වශයෙන්, LLM තාක්ෂණය ඉදිරියට යන අතර, ඒ සීමා තවමත් අඩු නොවී ඇත. නව මෙවලම් හා හසුන (harness) නිර්මාණය කරමින්, අපි ඒ සීමා අඩු කර, AI‑වලින් ලැබෙන වාසිය උපරිම කරගත යුතුයි.
