AI පද්ධති වල වැඩි දියුණුවක් ගෙන එන මල්ටි-ඇජන්ට් සැලසුම්, නියමයෙන්ම වැඩි ප්රතිඵල ලබා දෙනවා කියලා බොහෝ දෙනා විශ්වාස කරයි. ඒ ගැන සැලකීමට කාලයක් ගත නොකර, එක් සංවර්ධකයෙක් තමන්ගේ හාර්නස් එක තක්සේරු කරන උපායයක් තනන්නට තීරණය කළා.
ඔහු සකස් කළ මෙවලම, එක් ඩ්රාෆ්ටර් (කේත ලේඛක) සහ ප්ලැනර්‑ඩ්රාෆ්ටර්‑ජජ් (තීරණය කරන) පැනලයක් අතර කාර්ය සාධනය, වියදම, ප්රතිචාර වේගය වැනි මූලික මට්ටම් මත සසඳයි. 20 කේත කාර්යයන් තුළ, එකම ඩ්රාෆ්ටර් 95% නිවැරදිත්වයක් ලබා දුන්නා, ඒත් පැනලය 80% පමණක්, 22 ගුණයක් වඩා බඩු වියදම (US$0.99 vs US$0.03) සහ 8 ගුණයක් මන්දගාමී වේලාවක් (18.3s vs 2.2s) ගෙවීය.
දත්ත විශ්ලේෂණය කරද්දී, 20 කාර්යයන් අතර සාර්ථකව වෙනස් වූවන් කෙල්ල 3 ක් පමණයි. ඒ තුනක පවා p‑value 0.05 ට වඩා වැඩි බැවින්, සංඛ්යාත්මක වැදගත්කමක් තහවුරු කළ නොහැකි වුණා. එනම්, පැනලය වැඩි වියදමක් ගෙවූවත්, ඒකෙන් වැඩි ප්රතිඵලයක් ලැබුණේ නැත. තවත් වැඩි කාර්යයන් නොමැතිව, මෙම නව පරීක්ෂණ පද්ධතියේ සීමා තේරුම් ගැනීමට අවශ්යයි.
ශ්රී ලංකාවට ඇති වැදගත්කම
- සිසුන් – AI පද්ධති පරීක්ෂා කිරීමේ වැදගත්කම, දත්ත සෙට් ප්රමාණය හා පරීක්ෂණ සැලසුම් පිළිබඳ නව දැනුම ලබා ගත හැක.
- සංවර්ධකයන් – වියදම හා කාලය ඉතිරි කරමින්, මල්ටි-ඇජන්ට් සැලසුම් වල සැබැදි ප්රතිඵල පරීක්ෂා කිරීමට මෙවලම භාවිතා කරගත හැක.
- ව්යාපාර – අධික වියදමකින් තොරව AI විසඳුම් තේරීම් කර ගැනීම, ලාභය වැඩි කිරීම සහ තාක්ෂණික වගකීම් අඩු කිරීමේ හැකියාව ලැබේ.
අවසානයේ, මෙවලම පෙන්වන්නේ මල්ටි-ඇජන්ට් හාර්නස් එකක් සැලසුම් කරද්දී, පරීක්ෂණ කට්ටලය ප්රමාණවත් නොවුවහොත්, “උපරිම” වියදම ගෙවා පවා වැරදි තීරණයක් ගත හැකි බවයි. අනාගතයේදී, වැඩි කාර්යයන් සහ විවිධ ප්රමාණයන් සමඟ තවත් නිරීක්ෂණ කරගෙන, සැලසුම් තීරණය තවත් පිරික්සුම් කිරීම අත්යවශ්ය වේ.
