AI මෝඩලවල ප්රදර්ශන කාර්ය සාධනය මැන ගැනීමේදී, නිවැරදිව "වැරදි" සහ "ඇති නොවීම" අතර වෙනසක් කරගැනීම ඉතා වැදගත්. මේ සඳහා නවතම Model‑Drift පද්ධතිය ඉදිරිපත් කරයි, එය සතිපතා එකම පරීක්ෂණ සෙට් එකක මෝඩලවල ලකුණු ගණනය කරයි, ඒ සඳහා LLM න්යාය පත්රයක් භාවිතා නොකරයි.
මෙම පද්ධතියේ සැලසුම තීව්රයකි: පිළිතුරක් නොලැබෙන (උදාහරණයක් ලෙස ත්රැෂ්හෝල්ඩ් ඉක්මවා ගිය, කාලය අවසන් වීම, API rate‑limit) අවස්ථාද වැරදි පිළිතුරක් ලැබූවක් සමඟම ශූන්ය ලකුණු ලබා දෙයි. ඒ නිසා, මෝඩලයක් රාත්රියක් පුරා 69% සිට 3% දක්වා කඩා වැටී තිබෙන බව පෙනේ, නමුත් ලොග් එකේ 34/35 ඇමතුම් 429 (rate‑limit) බව පෙන්වයි.
මෙහි ප්රධාන ගැටලුව වන්නේ, rate‑limit වැනි තත්ත්වය සලකුණු කළ හැකි නමුත්, අතුරුදන් වීම, කෙටි කිරීම, හෝ පිළිතුරු ප්රතික්ෂේපය වැනි සිදුවීම් පවා “වැරදි” ලෙස සලකුණු කරයි. එම නිසා, මූලිකවම පද්ධතියේ විශ්වාසනීයතාවය 50% ට පහල වුවහොත් පමණක් ඒ ආකාරේ අඩු කරයි, ඒත් එක් එක් අසාර්ථක ඇමතුමක් නොවේ.
Bartłomiej Nawara, PhD, මෙය “අගය කිරීමේ පද්ධතිය වැරදි සහ අභාවය අතර වෙනස කර නොදන්නේ නම්, අධිස්ථාපන කාර්ය සාධනය බුද්ධියක් ලෙස වාර්තා කරයි” යැයි කියා පැහැදිලි කරයි. ඒ අනුව, අගය කිරීමේ හාරනේස් (harness) එකක් “class‑wise” ඉවත් කිරීමේ නීතිය අනුගමනය කළ යුතුය, ඒකක‑පදනමෙන් සියලු අසාර්ථකතා ඉවත් නොකළ යුතුය.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ AI සංවර්ධකයින්, විද්යාල හා විශ්වවිද්යාල සිසුන්, සහ තාක්ෂණ ආයතන සඳහා මෙම නව පද්ධතියේ ප්රයෝජන විශාලය.
- විශ්වාසනීය ඇගයීම: මෝඩලවල වැරදි හෝ අභාවය වෙන වෙනම හඳුනා ගැනීමෙන්, දේශීය AI පර්යේෂණ වැඩි නිවැරදිත්වයක් ලබා ගනී.
- ඉගෙනුම් කාර්යක්ෂමතාව: සිසුන්ට “ඇගයීමේ පද්ධතිය කෙසේ ක්රියා කරයි” යන්න උගන්වමින්, අධි‑ගුණාත්මක AI ප්රොජෙක්ට් නිර්මාණය කළ හැක.
- ව්යාපාරික අවදානම අඩු කිරීම: ආයතන AI සේවා භාවිතා කරන විට, අධි‑නිරවද්ය පරීක්ෂණයක් ඇති නිසා, සේවාවන් අසාර්ථක වීමේ අවදානම අඩු වේ.
කොටස් වශයෙන් අධිකාරී තත්ත්වය මැන ගැනීමට, Model‑Drift වැනි මෙවලම් පළපුරුදු තාක්ෂණික කණ්ඩායම් සඳහා අත්යවශ්ය වේ. ඒ අනුව, ශ්රී ලංකාවේ AI ක්ෂේත්රය තවත් පියවරක් ඉදිරියට ගෙන යාමට මෙය සාර්ථක පදක්කමක් වනු ඇත.
අවසන් වශයෙන්, AI මෝඩල ඇගයීමේ නව පද්ධතිය “වැරදි” සහ “අභාවය” අතර වෙනස කරගැනීමේ වැදගත්කම පෙන්වා, තාක්ෂණික පරිසරයෙහි විශ්වාසනීයතාවය ඉහළ නැංවීමට උපකාරී වේ.
