AI ඇජන්ට් එකක් එකවර පරීක්ෂා කර පසු, එය සාර්ථකයි කියලා ඔබට හිතුනා. නමුත්, අලූත් පරිශීලකයකු සමීපවම එකම ප්රශ්නයක් ඉදිරිපත් කළාම, එය වැරදි ප්රතිඵලයක් දෙයි. මෙවැනි අමුතු අත්දැකීමක් ඔබට මතක් කරන්නේ, "පහළ පරීක්ෂාවක්" එකක් AI විශ්වාසනීයත්වය මැනීමට ප්රමාණවත් නොවන බවයි.
AI ඇජන්ට් එකක් deterministic (ස්ථිර) ක්රියාවලියක් නොව, සෑම වරක්ම වෙනස් විය හැකි random variable එකක්. ඒ නිසා එක් වරක් "pass" ලැබූවාම, ඒකේ විශ්වාසනීයත්වය තහවුරු කරන්නේ නැත. අපි එකක් පමණක් පරීක්ෂා කළොත්, ඒක "ඉස්සෙල්ලම ලැබූ ජයග්රහණයක්" වගේ. නමුත්, ඒකේ සැබෑ හැකියාව තේරුම් ගැනීමට, ඒම අවස්ථාව බොහෝ වතාවක්, විවිධ temperature, prompt variations සමඟ නැවත නැවත පරීක්ෂා කළ යුතුයි.
මෙම නව පරිදි, එක් එකක් පරීක්ෂා කිරීමේ "pass/fail" ලේබලය වෙනුවට, pass rate (උදා: 8/10 = 80%) වාර්තා කරයි. මෙය "pass@k" යන සංකල්පයට සමාන – එකම ප්රශ්නයේ බහු උත්තරයන්ගෙන් සාමාන්යය හොඳම එක තෝරා ගන්නා ක්රමය. තවත් වැදගත් කරුණක් නම්, සාමාන්යය (average) පමණක් නොබලා, floor (අඩුම ප්රතිශතය) මත අවධානය යොමු කිරීමයි. 95% සාමාන්යය හොඳයි කියලා හිතාගත්තාම, එහි 5% අඩු ප්රතිඵලය ඔබේ පාරිභෝගිකයාට මුදල් ආපසු දීමට හෝ දත්ත මකා දැමීමට හේතුවනවා නම්, එය ඔබේ ව්යාපාරයට විනාශකාරී.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ AI සංවර්ධකයින්, ආරම්භකයන් සහ ව්යාපාර සඳහා මේ ක්රමය ගැලපෙන වැදගත්කම් ඇත:
- විශ්වාසනීය නිෂ්පාදන: බහු පරීක්ෂා මඟින් AI සේවා වල අස්ථිරතාවය පූර්ව අනුමාන කර, පාරිභෝගික විශ්වාසය වැඩි කරයි.
- වැය ඉතිරි කිරීම: අඩු temperature, output format constraints වැනි ක්රමයන්ගෙන් වැරදි අවස්ථා අඩු කර, support cost අඩු කරයි.
- දක්ෂතා වර්ධනය: සත්ය ලොකුවේ AI reliability මැනීමේ පදනමක් ලබා දීමෙන්, ශ්රී ලංකාවේ AI පාඨමාලා හා පර්යේෂණ වැඩසටහන් නව මාදිලියකට පත් වේ.
- ආර්ථික වර්ධනය: ස්ථිර AI සේවා නිෂ්පාදනයෙන්, ග්ලෝබල් මාර්කට් එකේ තරඟකාරීත්වය වැඩි කර, රැකියා අවස්ථා සලසයි.
අවසානයේ, AI ඇජන්ට් එකේ "single green check" එකක් තීරණයක් නොව, එය “කතා කරන” තොරතුරක් පමණයි. බහු පරීක්ෂා, pass rate, floor bound කිරීම – මේ සියල්ල එකතුවෙලා, ඔබේ AI නිෂ්පාදනය වාණිජ ලෙස නිකුත් කිරීමට අවශ්ය ආරක්ෂාව සැපයෙයි.
