AI මොඩලයක් හදන දවස්වල, එක් එකම ශබ්දමය සංඥාව නිසා තීරණය අස්ථිර වීම අත්දැකීම් වලට පත් වෙනවා. එවැනි අවස්ථාවලදී, බර (weight) ගණනාවක් අහඹු ලෙස සකස් කරලා, පරීක්ෂාකාරී දත්ත මත මොඩලය සකස් කරනවා නමුත්, ඒක බොහොම අස්ථිරයි.
මෙම ගැටලුවට නව විසඳුමක් ‘Reward Calibrator’ නමින් හඳුන්වා දෙන ලද්දේ, බරවලට ස්ථිර අගයක් නියම කිරීමේ පුරුද්ද වෙනුවට, ඒවා සෙවුම් අවකාශයක් (search space) ලෙස සැලකිල්ලට ගන්නා බවයි. මුලින්ම පද්ධතිය visualDrift, colorHarmony, motionContinuity, compositionStability, narrativeCoherence කියන පංති පහක් පෙන්වයි. Calibrator එක මේ සංඥා වල බර ගණනාවන් අත්හදා බැලී, benchmark දත්ත සමඟ හොඳම ගැලපීමක් සොයයි.
මෙහි ප්රධාන වාසිය, බර ගණනාවන් සෙවීම මඟින් පද්ධතියේ තීරණ ගුණාත්මකභාවය වෙනස් කරයි; ඒ කියන්නේ, තීරණයක් “ලබා ගත යුතුද/නොලබා ගත යුතුද” කියන සීමා (threshold) නොව, “මෙම සංඥාවට වැඩි වැදගත්කමක් දිය යුතුද” කියන ප්රශ්නයකට පිළිතුරක් ලබා දීමයි. එමනිසා, එක් සංඥාවක් ශබ්දමය වුවත්, එය සම්පූර්ණ ලකුණු පද්ධතියට පාලනය නොකරයි.
Calibrator එකේ ගණිතමය මූලිකත්වය null (නොමැති) සංඥා වලට බර නොදීමයි. සක්රිය සංඥා මත බර ප්රතිශතය නැවත ගණනය කර, අඩු සමාජයක් ඇතිවීමේ අවදානම ඉවත් කරයි. කේත උදාහරණයක් අනුව, සංඥා පවතින විට පමණක් බර ගුණකය සමඟ ගුණාත්මක කර, එකතුව බර සමඟ බෙදා, නිවැරදි සංයුක්ත ලකුණ ලබා ගනී. මෙය සොෆ්ට්වෙයා සංවර්ධනයේ “silent penalty” වැලැක්වීමේ සුළු පියවරක් ලෙස සැලකිය හැක.
ශ්රී ලංකාවට ඇති වැදගත්කම
- සිසුන් – AI අධ්යයනයේ ප්රායෝගික උදාහරණයක් ලෙස, බර සෙවීමේ ගැලපීම (grid search) සහ සම්භවිතා අඩු කිරීම (coordinate descent) ආදිය ඉගෙන ගත හැකිය.
- ඩෙවලපර්ස් – නිෂ්පාදන පරිසරයේ ශබ්දමය දත්ත වලින් නිවැරදි තීරණ ගැනීමට, බර අඩු කිරීමේ ගතිකතා (dynamic weighting) යොදා ගත හැක.
- ව්යාපාර – පාරිභෝගික අත්දැකීම්, අන්තර්ගත නිර්මාණය, වීඩියෝ ඇගයීම වැනි ක්ෂේත්රවල, අඩු ගුණාත්මක සංඥා වලින් පද්ධතිය අස්ථිර නොවී, ව්යාපාරික ROI වැඩි කරයි.
කෙටි සාරාංශයක් ලෙස, Reward Calibrator එක AI පද්ධති තුළ බර ගණනය කිරීමේ නව මාර්ගයක් සපයයි. එය ශබ්දමය සංඥා වලින් පද්ධතියේ නිරන්තර විශ්වාසභංගය වැළැක්වී, ශ්රී ලංකාවේ තාක්ෂණික ඉගෙනුම, සංවර්ධනය, ව්යාපාරික නවෝත්පාදන සඳහා වඩාත් ප්රයෝජනවත් වේ.
