මයිකෙල් වින්සෙන්ට් විසින් නිර්මාණය කළ Retrieval‑Augmented Generation (RAG) පද්ධතිය, AI‑සහයෝගී අයදුම්පත් සැලසුම් කිරීමේ අලුත් මාර්ගයක් පෙන්වා දී ඇත. ඔහුගේ ව්යාපෘතියේ අරමුණ, ChatGPT‑වෙත 5,000කට අධික AI මෙවලම් අඩංගු දත්ත ගබඩාවක් සම්බන්ධ කර, පරිශීලක ප්රශ්නයකට ඉක්මනින්, පුද්ගලීකරණයෙන් පිරුණු උපදෙස් ලබා දීමයි.
කොහොමද මෙහෙම කරලා? සාම්පලවලින්, පළමුව ChatGPT පරිශීලකගේ අරමුණ හඳුනා ගනී. පසුදා MongoDB භාවිතා කරමින් සමාන තොරතුරු 15‑20 ක් පමණ පමණක් ලබා ගනී. අවසානයේ, එම සීමිත ලැයිස්තුවේ මත පදනම්ව ChatGPT පුද්ගලීකරණ සලස්වීමක් සිදු කරයි. මේ ක්රමය මගින් සම්පූර්ණ දත්ත ගබඩාවක් එක් එක් ඇල්ලීමකට එවීමේ අවශ්යතාවය ඉවත් කරයි.
මෙම පද්ධතියේ ප්රතිඵල අතිශය අගනා වුණි. ප්රශ්නයක් සෑදීමේදී වියදම $0.0008 සිට $0.00005 දක්වා 93% කින් අඩු විය. එමෙන්ම, ප්රතිචාර වේගය 40% ඉහල ගොස්, සාමාන්යයෙන් 1.2 තත්පරයකින් පිළිතුර ලැබුණි. මේ සඳහා GPT‑4o‑mini මෝඩලය, MongoDB හි සෙමැන්ටික් ෆිල්ටරය, හා සංක්ෂිප්ත මෙවලම් සාරාංශයක් භාවිතා කරමින් ටෝකන් භාවිතය 60% කින් අඩු කළේය.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ තාක්ෂණික සිසුන්, සංවර්ධකයින් සහ ව්යාපාරිකයින්ට මෙම නවීන RAG ක්රමය විශාල අවස්ථාවක් සපයයි. පළමු, වියදම් ඉතිරි කිරීම මගින් AI සේවා භාවිතය අඩු පිරිවැයෙන් ලබා ගත හැකි වේ, එමෙන්ම පාරිභෝගික‑මිතුරු ඇප්ලිකේෂන් නිර්මාණය පහසු වේ.
- සිසුන්ට AI මූලික පළපුරුදු ලබා ගැනීමට, වඩාත් සරල, වේගවත් පරිසරයක් ලැබේ.
- ස්ථානීය සංවර්ධකයින්ට RAG ආකෘතියක් අනුගමනය කර, ස්ථානයේ දත්ත ගබඩාවක් (MongoDB) සමඟ සම්බන්ධ කර, පිරිවැය අඩු කරමින් උසස් AI අත්දැකීමක් සැපයිය හැක.
- ව්යාපාර සඳහා, පාරිභෝගික ප්රශ්නවලට ඉක්මනින්, නිරවද්යව පිළිතුරු සැපයීමෙන් සේවා තත්ත්වය උසස් කර, ගනුදෙනුකරුවන්ගේ තෘප්තිය වැඩි කරයි.
ඉදිරියේදී, ශ්රී ලංකාවේ AI පදනම් ව්යාපෘති, මෙම RAG මොඩලය භාවිතා කරමින්, තොරතුරු ප්රමාණය අඩු කර, කාර්ය සාධනය ඉහළ නැංවීමට හැකියාව ලැබේ.
අවසානයේ, AI පද්ධති නිර්මාණය කිරීමේදී “වැඩි දත්ත” නෙවෙයි “නිවැරදි දත්ත” යන අදහස වැදගත් බව මෙය පැහැදිළි කරයි. නිර්මාණකරුගේ උදාහරණය, සරල කරුණු, සංවිධානය සහ අලංකාර UI එකතු කිරීම මගින්, කුඩා මෝඩලයක්ද උසස් ප්රතිඵල ලබා දිය හැකි බව පෙන්වා දෙයි.
