AI මොඩලයන් හරහා සොෆ්ට්වෙයා සංවර්ධනය වේගවත් කරගන්න පුළුවන් කියන ප්රවණතාව අතිශය ජනප්රියයි. නමුත් තාක්ෂණික ණය (technical debt) නව පරීක්ෂණයක් නොව, වෙනස් මුදල් ඒකකයක් තුළ ගෙවන ගැටලුවක් බව නවතම විශ්ලේෂණයක් පෙන්වා දෙයි.
පාරම්පරික ව්යාපෘතිවල තාක්ෂණික ණය ගතිකත්වය වසර ගණනාවක් තිස්සේ මෙහෙම තිබුණා: ණය වැඩි වීම → සංවර්ධනය මන්දගාමී වීම → වැඩි ඉංජිනේරුවන් → සම්බන්ධතා පිරිවැය වැඩි වීම → නව ණය. සංකීර්ණ පද්ධති හදන්න කණ්ඩායම් විශාල කරන ලද්දේ, ඒත් එක් එක් අයුරින් සම්බන්ධතා ගැටලු වැඩිවීමත් සමඟ සංවර්ධන වේගය අඩුවේ.
LLM (Large Language Model) පැමිණීමෙන් ඇස්තමේන්තු ගත කරගත හැකි කම්පියුටර් සම්පත් වඩාත් ප්රමාණවත් කර ගන්න පුළුවන්. දැන් පිරිස් පහක් අමතරව රැගෙන යන බදුවට පරිබෝධයක් නොව, දශක ගණනක් පරිගණක ප්රබලතාවය (tokens) ගෙවීමට හැකියාව ලැබේ. මොඩලයක් අසීරු වුවහොත්, කෝන්ටෙක්ස්ට් වින්ඩෝ වැඩි කරනවා, වැඩි ඒජන්ට් ලූප්ස් යොදනවා, විශාල මොඩලයක් තෝරනවා, නැත්නම් එකම ප්රශ්නය නැවත-උත්පන්න කරනවා. මේවා මඟින් කාලයක් තාවකාලිකව වේගය රැකගත හැකි නමුත්, පද්ධතියේ සංකීර්ණතාවය අඩු නොවේ.
දැනට සංවර්ධන වියදම තවදුරටත් ඉහළ යාමට හේතු කිහිපයක් ඇත. ප්රථමයෙන්, කෝන්ටෙක්ස්ට් වියදම වැඩි වෙයි. ව්යාපෘතිය විශාල වීමත් සමඟ මොඩලයට බහු ගොනු, නිරභීත නිරීක්ෂණ, ව්යාපාර නීති, ඉතිහාසික තොරතුරු යනාදිය අවශ්ය වේ. එම නිසා කාර්යයක් විසඳීමට ගතවන මුදල එම කාර්යයම නොව, පද්ධතියේ අවබෝධය ගැනයි.
එසේම, වෙනත් පරීක්ෂණය (verification) බ bottleneck එකක් වෙලා තියෙනවා. කේතය තත්ක්ෂණිකව ලියා අවසන් කළත්, ඒක පරීක්ෂා, පරීක්ෂා, ආරක්ෂිතව එකතු කිරීම අවශ්යයි. පද්ධතියේ සැලැස්ම නරක නම්, පරීක්ෂණ කාලය කේත නිර්මාණ වේගයට වඩා ඉක්මනින් වැඩි වෙනවා.
අනතුරුදායක ලෙස, රෙග්රෙෂන් ගැටළු නැති නොවේ. මොඩලය කෙටි කාලයේ වැඩි කේතය නිර්මාණය කළත්, පද්ධතියේ මොඩියුලාරිටි සහ පරීක්ෂණ ආවරණය අඩු නම්, අලුත් දෝෂ බොහොමයක් පැනේ. එය මනුෂ්යයින්ට වඩා වේගවත් නිසා, වැරදිවීමේ අවදානමද ඉහල යයි.
ඇත්තටම, AI යුගයේ සැබෑ සම්පත සංරචනාත්මක අන්තර්ගතය (architectural entropy) වේ. LLM ගණනාවත් කේතය නිර්මාණය කළත්, පද්ධතියේ සංකීර්ණතාවය අඩු නොවෙයි. පද්ධතිය මනුෂ්යයන්ට තේරුම් ගත නොහැකි තරම් සංකීර්ණ වූ විට, AI ටත් ඒක අභියෝගයක් වේ. ඒක තවදුරටත් එක් එක් වෙනස්කම්ගේ වියදම රේඛීය නොව, ගුණකාරක ලෙස වැඩි වේ.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ සංවර්ධකයින්, තාක්ෂණ ශිෂ්යයින්, ව්යාපාරිකයින් සඳහා මේ ප්රවණතාවයේ වැදගත්කම මෙහෙමයි:
- ආකෘතිකරණය සහ නිර්මාණය – නව පරීක්ෂණය තේරුම් ගැනීමට, ශුද්ධ, මොඩියුලර් කේත සැලැස්මක් අත්යවශ්ය වේ. එය AI මගින් කේත ලියීමේ වැරදි අඩු කරයි.
- වියදම් කළමනාකරණය – ටෝකන් පදනමෙන් ගෙවීමේ වියදම පාලනය කිරීම, සම්පත් බෙදා හැරීමේ නව උපාය මාර්ගයක්.
- ඉගෙනුම් අවස්ථා – AI මොඩලයන් සමඟ වැඩ කිරීම, සිසුන්ට නවතම AI-ආධාරිත සංවර්ධන ක්රමවේද අධ්යාපනය ලබා දේ.
- ව්යාපාරික ප්රතිලාභ – නිෂ්පාදන වේගය තාවකාලිකව වැඩි කරගෙන, නවතම AI-උපකරණ භාවිතයෙන් වෙළඳපලේ තරඟකාරීත්වය වැඩි කර ගත හැක.
අවසානයේ, LLM තාක්ෂණය පරිසරයේ තාක්ෂණික ණය අඩු කිරීමේ සෘජු විසඳුමක් නොව, එය නව මුදල් ඒකකයක් තුළ ගෙවීමේ ක්රමයක් බව අපි දැක්කා. පද්ධතියේ සැලැස්ම ශුද්ධ කර, ටෝකන් පරිභෝගය නිරීක්ෂණය කර, ශ්රී ලංකාවේ තාක්ෂණික ප්රගතියට තවත් මාර්ගයක් ගත හැක.
