කර්මාන්තශාලා මට්ටමේ AI ක්රමවේදයන් බොහෝවිට “පිළිතුරක්” ලබා දීමට කේන්ද්ර කරයි. එය චැට්බොට් සඳහා හොඳද? නමුත් නිෂ්පාදන පීඩනයේ, තවත් තොරතුරු නොමැතිව අධිකාරි තීරණයක් ගැනීම අසාධාරණයයි. ඉන්රාජ් විසින් SigSigNoz භාවිතයෙන් සකස් කළ නව පද්ධතිය, සත්ය‑කාලීන සංවේදක දත්ත නිරීක්ෂණය කර, අනෝමලී සොයා, සමාන සිදුවීම් ගබඩා කර, සාධක මත පදනම්ව ක්රියාමාර්ගයක් යෝජනා කරන හෝ මිනිස් විශ්ලේෂණයට ඉදිරිපත් කරන ආකාරය පෙන්වයි.
මෙම පරීක්ෂණය වතුර සැකසුම් කර්මාන්තශාලාවක අනුකරණය කරයි. සය (6) ව්යාපාරික උපකරණවලින් සංවේදක දත්ත TCP ප්රවාහයකින් සජීවීව ලබා ගනී. වායු කම්පනය, උෂ්ණත්වය, තෙත්කම, අනුක්රමික අංක හා කාල සලකුණු වැනි තොරතුරු නිරන්තරයෙන් විශ්ලේෂණය කර, පහත සදහන් අනෝමලී වර්ග හඳුනා ගනී: කම්පනයේ අහඹු උත්පතන, ක්රමයෙන් වැඩි වීම, පාරිභෝගික දත්ත අස්ථානගත වීම, නකල (duplicate) සිදුවීම්, අනුක්රමික හිස් තැන්, කාල සලකුණු අස්ථානගත වීම.
අනෝමලී හඳුනා ගැනීමෙන් පසු පද්ධතිය Chroma නාමාවලියකින් සමාන සිදුවීම් සෙවීමේ පියවරක් ගනී. මෙහිදී උපකරණ වර්ගය, සංවේදක වර්ගය, සිදුවීම් වර්ගය යන තොරතුරු පූර්ව-පෙරහන් කර, අදාළ නොවන උදාහරණ නොපැමිණේ. පසු පරීක්ෂණයෙන් ලැබෙන “සමානත්වය” අංක, පරීක්ෂණ තත්වය, හා ඉහළ-දෙවැනි ප්රතිඵල අතර පරතරය මත පදනම්ව AI නිරීක්ෂකය තීරණය කරයි: සාධක ප්රමාණය ප්රබල නම් “ආරක්ෂිත ක්රියාමාර්ග” යෝජනා කරයි; සාධක අඩු නම් “මිනිස් පරීක්ෂණ” සඳහා ඉදිරිපත් කරයි.
ශ්රී ලංකාවට ඇති වැදගත්කම
මෙම පද්ධතිය ශ්රී ලංකාවේ ඉංජිනේරු, දත්ත විශ්ලේෂක, AI සංවර්ධකයින්ට නව පරිසරයක් සපයයි. පළමු, සත්ය‑කාලීන දත්ත නිරීක්ෂණය සහ SigNoz මගින් පූර්ණ පාරදර්ශනයක් ලබා දීම, දේශීය කර්මාන්තශාලා වල “අවධානය‑අධික” ඇලර්ම් ප්රතිපත්තිය අඩු කරයි. දෙවනුව, Chroma Knowledge Base සමඟ සමාන සිදුවීම් සෙවීම, ශ්රී ලංකාවේ විශේෂිත කර්මාන්ත ක්ෂේත්ර (උදා. තේ කර්මාන්තය, රසායනික සැකසුම්) සඳහා දත්ත‑අධාරිත නීති රචනා කිරීමට මාර්ග පෙන්වයි. තෙවනුව, AI‑මූලික තීරණ ගැනීමේ විශ්වාසය ගණිතමය පරාමිතීන් මත පදනම් කර ඇති නිසා, තාක්ෂණික විද්යාත්මක පරිශීලකයන්ට “confidence score” ගැන අවංක අවබෝධයක් ලැබේ.
අවසානයේ, මෙවැනි පද්ධතියේ සාර්ථකත්වය ශ්රී ලංකාවේ තාක්ෂණික ආරම්භකයන්ට AI‑Ops, Observability, හා Industrial IoT යන නව තාක්ෂණයන් සමඟ සම්බන්ධ වීමට, දේශීය සමාගම්වල නිෂ්පාදන ගුණාත්මකත්වය ඉහළ දැමීමට, සහ විශ්ව විද්යාත්මක පර්යේෂණයන්ට පදනමක් සැපයීමට උදව් කරයි.
