AI ඒජන්ට් වලට මතකයක් දෙන්න කියලා බොහොමයක් මාර්ගෝපදේශ වලදී වෙක්ටර් දත්ත ගබඩා, එම්බෙඩින් මොඩෙල්, සහ සෙවුම් ටියුනින් කිරීමේ පියවරන් දැක්වෙනවා. නමුත් මේ පියවරවලට පෙර ප්රශ්නයේ මූලික අරමුණ සලකා බලනවා නම්, එම සංකීර්ණ සැකසුම් සැබෑවටම අවශ්යද කියලා පෙනෙයි.
ලේඛකයා පළමු වරට named memory (නමකින් හඳුන්වන මතක) සහ semantic memory (අර්ථය පදනම් කරගත් මතක) අතර වෙනස තේරුම් ගත්තේය. නමක් දී සුරකින්න අවශ්ය තොරතුරු – උදාහරණként “Postgres යොදා ගැනීමට තීරණය කළා” – ඒවා සෙවීමට නොව, නාමයෙන් සරලව ලබා ගැනීමට ඉඩ දෙන කී‑වෙලූ-වෙලූ ගබඩාවක් (key‑value store) ප්රමාණවත් වේ.
කෙසේ වෙතත්, “මෙම ලේඛනයේ රේට් ලිමිට් ගැන කුමක් කියලා තියෙන්නේ?” වැනි අර්ථ පදනම් කරගත් සෙවුම් අවශ්යතා සඳහා එම්බෙඩින් සහ වෙක්ටර් සෙවුම් උචිත වේ. එම නිසා, ප්රශ්නයේ ස්වභාවය අනුව පද්ධතිය තේරීම වැදගත්.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලාංකීය සංවර්ධකයින්, ආරම්භකයින්, සහ ව්යාපාරිකයින්ට මෙම අදහස කිහිපයක් වශයෙන් ප්රයෝජනවත් වේ:
- වියදම් ඉතිරි කිරීම: වෙක්ටර් දත්ත ගබඩා, GPU‑වලට සම්බන්ධ එම්බෙඩින් සේවා වැනි අමතර ඉන්ෆ්රාස්ට්රක්චර් අවශ්ය නොවීමෙන් පිරිවැය අඩු වේ.
- ඉක්මන් සංවර්ධනය: නාමයෙන් තොරතුරු සුරකින්න සහ කියවන්න සරල API එකක් භාවිතා කිරීමෙන් කේත ලේඛන සරලයි, නිෂ්පාදන කාලය කෙටි වේ.
- විශ්වාසනීයතාවය: නාම-වටිනාකම (key‑value) ගබඩා තුළ තොරතුරු එම ආකාරයෙන්ම පවත්වා ගැනීම නිසා “අදාල තොරතුර අහිමි වීම” යන ගැටලුවක් නොවේ.
- කලාපීය අවශ්යතාවය: ශ්රී ලංකාවේ බොහෝ ආරම්භක ව්යාපාර සීමිත සම්පත් ඇති බැවින්, අඩු-අවශ්යතා සහිත මතක විසඳුම් වඩාත් ගැළපේ.
ඒ නිසා, AI ඒජන්ට් ව්යාපෘතියක් ඇරඹුමට පෙර, “semantic memory” අවශ්යද, “named memory” පමණක් අවශ්යද කියලා හොඳින් සලකා බලන්න. වැරදි ලෙස වෙක්ටර් දත්ත ගබඩා තෝරා ගන්නේ නම්, අතිරේක පරිපාලන කාර්යය, පිරිවැය, සහ පද්ධති සංකීර්ණතාවය වැඩිවීමේ අවදානමක් ඇත.
අවසන් වශයෙන්, නමක් දී තොරතුරු සුරකින්න, නාමයෙන් පසු පූර්ණවම එය ලබා ගන්න පුළුවන් API එකක් නිර්මාණය කිරීම, AI ඒජන්ට් මතකයට නව පරිදර්ශනයක් ගෙන එයි. ඔබේ පළපුරුද්දේදී මේ සැලැස්ම අනුගමනය කරලා, කාර්යක්ෂම, පිරිවැය අඩු, සහ විශ්වාසනීය AI පද්ධතියක් ගොඩනඟන්න.
