AI‑මූලික ඒජන්ට් එකක් පාරිභෝගික ඉල්ලීමකට සරිලන මෙවලම තෝරා ගන්නා විට, එය නිවැරදි ක්රියාමාර්ගයක් බවට පෙනේ. නමුත් ඒජන්ට් එක ඇතුළත් කරණයේ වැරදි තොරතුරු (arguments) නිසා ආර්ථික හා විශ්වාස ගැටළුවක් උදාවෙයි.
උදාහරණයක් ලෙස, පාරිභෝගිකයෙකු "මගේ ඇණවුම රිෆන්ඩ් කරන්න" කියා ඇසූ විට, ඒජන්ට් එක refund_order මෙවලම තෝරා ගනී. එම නිසා ඇගැයුම් (eval) පරීක්ෂණය හරිත වර්ණයෙන් පෙන්වයි. නමුත් ඇතුළත් කරණයේ order_id හි අගය 0 ලෙස වැරදි ලෙස පිරී, $4,200 මුදලක් වැරදි ඇණවුමකට රිෆන්ඩ් කරයි.
මෙම වර්ගයේ අසාර්ථකතා බොහෝ සමාගම් නොදක්වා ඇත. බොහොමයක් ඇගැයුම් පද්ධති “ඒජන්ට් එක නිවැරදි මෙවලම තෝරා ගත්තාද?” යන ප්රශ්නයට පමණක් පිළිතුරු දෙයි. Arguments වල තත්වය පරීක්ෂා නොකිරීම නිසා, මුදල් නරක් වීමට ඉඩ ලැබේ. මෙය සරල 20% (මෙවලම් තේරීම) හා 80% (ඇතුළත් කරණය) ගැටළුව අතර වෙනසකි.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ තාක්ෂණික සමාගම්, විශේෂයෙන් fintech හා e‑commerce ක්ෂේත්රයේ, මේ ගැටළුව තවත් වැදගත් වේ. නිවැරදි validation layer එකක් නොතිබීමේදී:
- ව්යාපාරිකයන් – අනිසි රිෆන්ඩ් හෝ වැරදි API ඇමතුම් හේතුවෙන් සෘජු ආදායම් අඩු වීම.
- ඩිවෙලොපර් – කේතයේ සංකීර්ණතාවය වැඩි වීම, debug කිරීමේ කාලය බෙහෙවින් වැඩි වීම.
- ශිෂ්යයින් – AI සහ API validation පදනම් කරගෙන නිර්මාණය කරන ව්යාපෘතිවල වැරදි අවස්ථා අඳුන ගැනීමට අවස්ථාව.
Tier‑1 validation (JSON schema, order existence, amount limits) භාවිතා කිරීමෙන් මේ ගැටළුව අවම කළ හැකිය. ඒජන්ට් එකේ output එක database එකට යැවීමට පෙර, මෙම ස්ථරය තුළ පරීක්ෂා කර ඇත්තේ නම්, ව්යාපාරික හා පාරිභෝගික ආරක්ෂාව දෙකම රැකගත හැක.
අවසන් වශයෙන්, AI ඒජන්ට් එකේ “නිවැරදි මෙවලම” තෝරා ගැනීම පමණක් නොව, “නිවැරදි arguments” සැපයීමද ඉතාමත් වැදගත් බව තේරුම්ගත යුතුය. මෙය නිවැරදි validation framework එකක් ගොඩනැගීමේ පළමු පියවරයි.
