AI‑ආධාරිත පද්ධති නිෂ්පාදනයේ වැඩි දියුණුවක් දැකෙන තත්ත්වයක, බොහෝ සමාගම් අමතක කරන්නේ ‘Tool Schema Drift’ කියන සෞම්ය අසාර්ථකත්වයයි. මෙය මොකද්ද, ඇයි එය ඉතාමත් වැදගත්, සහ ඔබේ කේතයක් හෝ ව්යාපාරික සේවාවකට එය කොහොමද බලපාන්නේ කියලා මේ ලිපියේ සවිස්තරාත්මකව කියවන්න.
බොහෝ AI‑ආධාරිත පද්ධති ‘tool registry’ එකකින් මෙවලම් (tools) ලියාපදිංචි කරයි. එම ලියාපදිංචියෙහි නාමය, විස්තරය, සහ JSON schema එකක් (පරාමිතීන්) ඇතුළත් වේ. මොඩලය මේ විස්තරය පාඨ කරමින් කවදා මෙවලම භාවිතා කරන්නේ කියලා තීරණය කරන අතර, schema එකෙන් පරාමිතීන් නිවැරදිව ලබා දෙයි.
උදාහරණයක්: ආරම්භයේදී search_entities නම් මෙවලම මෙසේ ලියාපදිංචි කර තිබුණා:
{"name":"search_entities","description":"Search the entity registry by name.","input_schema":{"type":"object","properties":{"query":{"type":"string","description":"Search term"}},"required":["query"]}} පසු මාස කිහිපයකින්, සංවර්ධක කණ්ඩායම entity_type නම් නව පරාමිතියක් අවශ්ය බව තේරුම් ගත්තා. කේතය වෙනස් කළා, නමුත් ලියාපදිංචිය යාවත්කාලීන කර නැති නිසා, මොඩලය {"query":"Samsung"} ලෙසම එම මෙවලමට ඇමතුමක් කරනවා.ඉතින්, ක්රියාත්මක වන කේතය entity_type අවශ්ය බවට පෙන්වා දෙන අතර, එය ලබා නොදීම නිසා TypeError එකක් හෝ, වඩාත් අතුරුදන් වන අතුරුදන් වූ ප්රතිඵලයක් ලැබේ. මෙය “silent failure” කියලා හඳුන්වයි – පද්ධතිය ක්රමයෙන් වැරදි දිශාවකට යයි, නමුත් කිසිදු දෝෂයක් නොපෙන්වයි.
මෙවැනි වැරදි සොයා ගැනීමට දෙකක්ම අඩුයි. ප්රථමයෙන්, බොහෝ පරීක්ෂණ (eval) අවසාන ප්රතිඵලයේ ගුණාත්මකත්වය පමණක් පරීක්ෂා කරයි, මෙවලම් ඇමතුම්‑ප්රතිචාර චක්රය නොවේ. දෙවනුව, මොඩලය විස්තරය (description) මත පදනම්ව ක්රියා කරන අතර, schema එකේ වෙනස්කම් රන්ටයිම් (runtime) දෝෂයක් හෝ අසත්ය ප්රතිඵලයක් උදෙසා හඳුන්වා දේ.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ තාක්ෂණික සමාජය, විශේෂයෙන් AI සහ automation ක්ෂේත්රයේ, මේ වගේ “schema drift” වැරදි වලට ඉතා සීග්රයෙන් සම්බන්ධ වෙයි. මෙවැනි වැරදි හඳුනා ගැනීමෙන්:
- සියලුම විශ්වවිද්යාල සිසුන් – AI පද්ධති නිර්මාණයේ නිරවද්යතාවය ඉගෙන ගත හැකිය, පරීක්ෂණ පරිසරයේ වැරදි හඳුනා ගැනීමේ කුසලතාවය වැඩි වේ.
- සැලසුම්කරුවන් – මෙවලම් ලියාපදිංචි කිරීමේදී versioning, response validation වැනි ප්රතිරූප ක්රම අනුගමනය කිරීමෙන්, නව නිෂ්පාදනවල ගුණාත්මකතාව සහ ආරක්ෂාව වැඩි වේ.
- ව්යාපාරිකයන් – නිෂ්පාදන AI සේවාවන් අත්පත් කරගැනීමේදී, “silent drift” නිසා පාරිභෝගික අත්දැකීම අඩු වීම වළක්වා, සේවා නිරන්තරතාව සහ පාරිභෝගික විශ්වාසය රැකගත හැකිය.
ඉතා සරලව, මෙවලම් විස්තරය හා කේතය එකට version කිරීම, response schema validation, සහ automated testing යන පියවර අනුගමනය කිරීමෙන්, මෙම ගැටලුව ඉතා පහසුවෙන් හඳුනාගත හැකිය.
අවසන් වශයෙන්, “Tool Schema Drift” කියන නව පදය AI නිෂ්පාදන පරිසරයේ අතුරුදන් වූ වැරදි හඳුනා ගැනීමට මග පෙන්වයි. එය ඔබේ පද්ධතියේ නිරන්තරතාව, නිවැරදි ප්රතිඵල, සහ ව්යාපාරික සාර්ථකත්වයට මූලිකය.
