AI ලෝකයේ නව ප්රවණතාවක් වන Retrieval‑Augmented Generation (RAG) ගැන සාමාන්යයෙන් “ලේඛන → Embeddings → Vector DB → LLM” යන සරල රූපයක් පෙන්වයි. එය ඇරඹුමක් පමණක්; ව්යාපාරික පරිසරයක RAG ක්රමයක් සාර්ථකව ක්රියාත්මක කිරීමට එහි පමණක් පසුබැසීම නොහැක.
RAG පද්ධතියක් නිර්මාණය කිරීමේදී වෙළඳපලේ පවතින Vector Database එකක් පමණක් භාවිතා කිරීමෙන් තොරව, මූලික ලේඛන, පරිශීලක අවසර, දිනය අනුව සෙවීම, සංවාදය මත මතකය තබා ගැනීම, පරණ තොරතුරු අවලංගු කිරීම, බහුමූලාශ්ර එකතුව කිරීම, සහ ප්රොම්ප්ට් එකේ ටෝකන් සීමාව පාලනය කිරීම වැනි කාර්යයන්ද සලකා බැලිය යුතුය.
දත්ත සමුදා වර්ග සහ ඒවායේ භූමිකා
- Relational DB (SQL) – ලේඛන, පරිශීලක, අවසර වැනි නිරවද්ය තොරතුරු ගබඩා කිරීම.
- Document DB – JSON වැනි අසමත්රිත ලේඛන, සංස්කරණ ඉතිහාසය, මීටා දත්ත සුරැකීම.
- Cache – නවතම සෙවීම්, තාවකාලික ප්රතිඵල තබා latency අඩු කිරීම.
- Full‑Text Search Engine – නාම, කේත, දිනය වැනි නිශ්චිත කීවර්ඩ් සෙවීම.
- Vector Database – Embedding ගණනය කර similarity score මත semantic සෙවීම.
ඉන්පසු “ඇඳුම් ගොඩක්” වැනි ප්රශ්නවලට “මධ්යස්ථය දැනයි, සීමාව නොදැනයි” කියා තවත් සංකීර්ණ සෙවීම් අවශ්ය වේ. එවැනි අවස්ථා වලදී lexical ranking, reranking, token‑bounded context assembly වැනි පියවරයන් අත්යවශ්ය වේ.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ තාක්ෂණික සමාජයට RAG සැලසුම අලුත් අවස්ථා ගෙන එයි. සිසුන්ට AI‑අධාරිත පර්යේෂණ සහ අධ්යාපනික උපකරණ භාවිතා කරමින් නවතම ලේඛන තොරතුරු සජීවීව ලබාගත හැක. සංවර්ධකයින්ට SQL, Full‑Text, Vector Search එකම පද්ධතියේ එකතු කිරීමේ හැකියාව නිසා වැඩි කාර්යක්ෂමතාවයක්, කේත සංවර්ධනයේ වේගය, හා පද්ධති ආරක්ෂාව වැඩිවේ. ව්යාපාරිකයින්ට ගුප්ත තොරතුරු, ගනුදෙනු ඉතිහාසය, පාරිභෝගික ප්රතිචාර වැනි දත්ත සජීවීව සෙවීමේ හැකියාව, නවතම AI‑උපකරණ සමඟ එකතු කිරීමේ හැකියාව, හා නීතිමය අවසර පාලනයේ පහසුව ලබා දෙයි. එමඟින් ශ්රී ලංකාවේ AI‑ආශ්රිත සේවා, කලාපීය තොරතුරු ගබඩා, සහ දේශීය තාක්ෂණික ආරම්භක ව්යාපාරවලට තරඟකාරීත්වයක් ලැබේ.
අවසානයේ, RAG පද්ධතියක් නිර්මාණය කිරීමේදී “දත්ත සමුදා වර්ගය” තේරීමේදී පළමුව පරීක්ෂණ කාර්යය හඳුනා ගත යුතුය. එය නිවැරදිව කරන්නේ නම්, AI මොඩලය අලුත් දත්ත වලින් පවත්වා ගැනීමට, නවීන AI සේවා නිර්මාණයට, සහ ශ්රී ලංකාවේ තාක්ෂණික පරිසරයට නව පියවරක් ගෙන එයි.
