OpenVINO භාවිතා කරමින් කේත හෝ පාඨ Embedding සකස් කරන තාක්ෂණවේදීන් අතර, සමකාලීන ඉන්ෆරෙන්ස් ක්රියාවලියේ ගැටලුවක් හෙළිවී ඇත. මෘදුකාංගය සාර්ථකව ක්රියා කරනවා වගේ පෙනුනත්, ඇත්තටම වෙනත් ඉන්පුට් එකේ වෙක්ටර් එකක් ලැබෙමින් තිබුණි. මෙය “silent vector contamination” ලෙස හැඳින්වෙන, නිරවද්යව හඳුනා ගැනීමට අපහසු බග් එකකි.
ඇයි මේ බග් එක වැදගත්?
ඉන්ෆරෙන්ස් කාර්යයන් ඉහළ වේගයෙන් සිදු කිරීමට OpenVINO හි AsyncInferQueue (jobs=4) භාවිතා කරන ලදී. සාමාන්ය unit test වලදී කිසිදු දෝෂයක් නොපෙනී, latency සහ throughput පවා අතිශය හොඳ විය. නමුත් RAG (Retrieval‑Augmented Generation) පරීක්ෂණයකදී, authentication logic සම්බන්ධයෙන් සෙවුම් කළ විට, අහඹු ලෙස දත්ත ගබඩා (vector store) තුළ database migration හෝ UI කොඩ් කොටස් පෙනී යන බවක් දැකියි. මෙය පද්ධතියේ නිශ්ශබ්ද වශයෙන් වැරදි වෙක්ටර් ලබා දීම නිසා සිදු වුණි.
බග් එකේ මූලික හේතුව
Async wrapper එකේ callback function එකේ userdata ලෙස භාවිතා කළ සරල integer counter එක, එකම dictionary key එකට බහු ඉල්ලීම් ලියූ විට, අදාළ වෙක්ටර් එක වෙනත් ඉල්ලීමේ metadata එකට සම්බන්ධ විය. ඉන්පසු, assert output_vector is not None වැනි පරීක්ෂණ පවා සාර්ථකව ගත වූ අතර, වැරදි දත්ත පවා පෙනී නොගිය.
හඳුනා ගැනීමේ ක්රමය
දෝෂය නිවැරදිව CI පරිසරයට ඇතුළත් කිරීම සඳහා, සංවර්ධකයින් cosine similarity contamination test එකක් නිර්මාණය කළේය. එහිදී, ව්යාකූලව වෙනස් semantic තොරතුරු (auth, SQL, HTML, Rust) සමාන වේගයෙන් async queue එකට යවා, පසුව ප්රතිඵලවල cosine similarity ගණනය කර, එකම ඉල්ලීමේ වෙක්ටර් වෙනත් ඉල්ලීමේ වෙක්ටර් සමඟ අධික සමානතාවයක් දක්නට ලැබුණාදැයි පරීක්ෂා කළේය.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ තාක්ෂණ ශිල්පීන්, AI ආරම්භකයන් සහ ව්යාපාරිකයන් සඳහා මෙම ගැටලුවේ පරීක්ෂාව සහ විසඳුම අතිශය වැදගත් වේ.
- ඉගෙනුම් අංශය: සිසුන්ට concurrency සහ race condition ගැන ප්රායෝගික උදාහරණයක් ලැබේ.
- සංවර්ධකයින්ට: OpenVINO හෝ වෙනත් async inference framework භාවිතා කරන විට, shared state පරිපාලනයේ අවධානයක් යොමු කළ යුතු බව මතක් කරයි.
- ව්යාපාරිකයන්ට: වැරදි embeddings නිසා AI‑චලිත සේවාවන් (search, recommendation) වැරදි තීරණ ගන්නා අවදානම අඩු කරයි, එමඟින් පාරිභෝගික විශ්වාසය රැකගත හැක.
අවසන් වශයෙන්, මෙම බග් එක නිවැරදිව සලකුණු කර, test suite එකට ඇතුළත් කිරීමෙන්, ශ්රී ලංකාවේ AI‑අපලෝදන පද්ධතිවල විශ්වාසනීයත්වය වැඩිවීමට සහ දෝෂ රහිත නිෂ්පාදන හඳුන්වා දීමට මඟ පෙන්වයි.
