AI මෝඩලයන් කතා කරන විදිය ඔබට අමුතුයි කියලා හිතෙනවාද? ඇත්තටම, ඒවා මනෝභාවයක් නොව, සංඛ්යාලේඛන සම්භාවිතාව මත පදනම්ව එක්‑එක් අක්ෂර (token) තෝරාගෙන ලියනවා. මේක හරහා මොකක්ද සිදු වෙන්නේ කියලා දැන් බලමු.
කොහොමද AI එක වාක්යයක් නිම කරනවා කියලා කල්පනා කරමු. ඔබ “බළලා මාලිගාව ___” කියලා ඇතුළත් කළානම්, මොඩලය ඉතිරි වචන සම්භාවිතාව ගණනය කරයි. “ඇඳුම” 41% ක්, “ඇඳ” 19% ක්, “මහල” 12% ක් වගේ. ඒ අතරින් එකක් තෝරාගෙන පසු වචනයට අමුණා, පසු පියවරේ නැවත ඒම තත්වය අලුතින් ගණනය කරයි. මේ ක්රියාවලිය ටෝකන් එකක්, සම්භාවිතා බෙදා හැරීමක්, සහ “sample” කිරීමක් (අනුමානවලින් එකක් තෝරන්න) යන ත්රිත්වයකින් පවතී.
ඇත්තෙන්ම, AI එක “ඇඳුම” වඩා උසස් බව දැනගෙනම “ඇඳුම” තෝරාගන්නේ නැහැ. ඒක සම්භාවිතා අනුව “dice” එකක් එල්ල කරනවා වගේ. එම නිසා එකම ප්රශ්නය දෙවරක් අසුවත්, වෙනස් පිළිතුරක් ලැබෙන්න පුළුවන්. මේක “sampling” කියලා හඳුන්වයි, “greedy decoding” (උච්චතම අගය තෝරන) එකට වඩා ස්වභාවික, විවිධ, සහ මනෝභාවයෙන් පිරිපුන් පිළිතුරක් ලබා දෙයි.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ අධ්යාපනික, ව්යාපාරික, සහ සංවර්ධන ක්ෂේත්රයන්ට මේ තාක්ෂණය ගෙනෙන ප්රතිලාභ බොහොමයි:
- සිසුන් – AI ලේඛන උපකාරක (උදා. DraftPal) භාවිතා කරලා ලේඛන, රචනා, සහ පර්යේෂණ ලිපි ලිවීමේ කුසලතා වර්ධනය කරගත හැක.
- ඩෙවලපර්ස් – කේත, JSON, API ප්රතිචාර වැනි සංරචිත ප්රතිඵල නිර්මාණයට “greedy” මෝඩල භාවිතා කරලා පූර්ණතම ප්රතිඵලයක් ලබාගත හැක, නමුත් කතාබහ, බ්රේන්ස්ටෝර්ම්, සහ නිර්මාණාත්මක ලේඛන සඳහා “sampling” මෝඩල වඩා සුදුසු.
- ව්යාපාර – පාරිභෝගිකයන්ගේ පසුබැසි තොරතුරු (context) ආධාරයෙන් AI එකට “personalization” ලබා දී, වෙළඳපල විශ්ලේෂණ, ග්රාහක සේවා, සහ අන්තර්ගත නිර්මාණය වැඩි දියුණු කළ හැක.
අවසන් වශයෙන්, AI මෝඩලයන් “token” එකකට එක “forward pass” ගනනක් වැය කරන නිසා, උත්තරයේ දිගටම ගණනාවක් පිරිවැය වැඩි වේ. ඒ නිසා ව්යාපාරිකයන්ට ප්රතිචාරයේ දිග සහ ගුණාත්මකභාවය අතර සම්බන්ධතාවය සලකා බලන්න අවශ්ය වේ.
ඔබට AI ලේඛන ක්රමය තේරුම් ගත යුතුද? මෙය සරල සම්භාවිතා ගණනයක්, නමුත් ඔබේ අදහස්, පසුබැසි තොරතුරු, සහ “temperature” සැකසුම මත පදනම්ව විවිධ, නවීන, සහ නිර්මාණාත්මක පිළිතුරු ලබා දේ.
