කෘත්‍රිම බුද්ධිය අප තොරතුරු සොයන ආකාරය සම්පූර්ණයෙන්ම වෙනස් කර ඇත. නමුත් එයට අනාගතය නිවැරදිව අනුමාන කළ හැකිදැයි පරීක්ෂා කිරීම සඳහා ABC News In-depth කණ්ඩායම විසින් අපූරු පරීක්ෂණයක් සිදු කරන ලදී.

AI හි “කාලය තුළ නතර වූ” මතකය

AI ආකෘතියක් ඉගෙන ගන්නා ආකාරය සුවිශේෂීය. පුහුණු කිරීමේ (Training) අදියරේදී එයට අන්තර්ජාලයෙන් ලබාගත් දැවැන්ත දත්ත ප්‍රමාණයක් ලබා දෙයි. නමුත් එම පුහුණු කාල සීමාව අවසන් වූ පසු, AI හි දැනුම එම දිනයට සම්පූර්ණයෙන්ම සීමා වේ (කැටි වේ). ඉන්පසු ලෝකයේ සිදුවන නව සිදුවීම් හෝ භූ දේශපාලනික වෙනස්කම් පිළිබඳව එයට කිසිදු අවබෝධයක් නැත. පර්යේෂකයන් මෙම සීමාව ප්‍රයෝජනයට ගනිමින්, AI මාදිලිවල පුහුණු කාලයට පසු සැබෑ ලෝකයේ සිදුවූ යුධමය සැලසුමක් (Operation Epic Fury) පිළිබඳ බුද්ධි තොරතුරු AI වෙත ලබා දී අනාගතය පුරෝකථනය කිරීමට ඉල්ලා සිටියේය.

• AI සාර්ථක වූ තැන් (උපාය මාර්ග): සැබෑ ලෝකයේ ප්‍රතිඵල වලට සාපේක්ෂව යුධමය සහ භූ දේශපාලනික තීරණ වල ප්‍රතිඵල පුරෝකථනය කිරීමේදී AI ඉතා ඉහළ සාර්ථකත්වයක් පෙන්නුම් කළේය. දීර්ඝකාලීන බලපෑම් පිළිබඳව ඇසූ ප්‍රශ්න 14කින් 12කටම (12/14) ඉතා නිවැරදි පුරෝකථන ලබා දීමට AI සමත් විය. ලොව පුරා ඇති යුධ උපාය මාර්ග සහ පර්යේෂණ වාර්තා එය කියවා ඇති බැවිනි.
• AI අසමත් වූ තැන් (ක්‍රීඩා සහ මූල්‍ය): ක්‍රීඩා තරඟ වල අවසන් වටයට එන කණ්ඩායම්, S&P 500 දර්ශකය, බිට්කොයින් (Bitcoin) මිල සහ දේශපාලන නායකත්ව වෙනස්වීම් පුරෝකථනය කිරීමේදී AI හි සාර්ථකත්වය 50% කටත් වඩා අඩු විය. AI හට මිනිස් හැඟීම්, හදිසි අවස්ථා සහ මානව අවිනිශ්චිතතා තේරුම් ගත නොහැකි අතර, එහි පවතින “මෑත කාලීන නැඹුරුව” (Recency bias) නිසා පෙර සිදුවූ දේම නැවත සිදුවනු ඇතැයි එය සරලව උපකල්පනය කරයි.

කෘත්‍රිම බුද්ධිය භාෂාව තේරුම් ගන්නේ කෙසේද? (The AI Brain)

AI යනු මැජික් එකක් නොව, සංකීර්ණ ගණිතමය ආකෘතියකි (Transformer Architecture). ඔබ වාක්‍යයක් ඇතුළත් කළ විට, AI එය ටෝකන (Tokens) ලෙස කොටස් කරයි. එහිදී දත්ත අතර සම්බන්ධතාවය ගොඩනගන්නේ Self-Attention Mechanism නම් ක්‍රියාවලිය හරහාය.

මෙමඟින් වාක්‍යයක ඇති එක් වචනයක් අනෙක් වචන සමඟ කෙතරම් දුරට සම්බන්ධද යන්න AI ගණිතමය වශයෙන් තක්සේරු කරයි. එමගින් මුළු ඡේදයකම අර්ථය එකවර අවබෝධ කරගැනීමේ හැකියාව AI මාදිලි වලට ලැබේ. සැබෑ භාවිතය සඳහා AI මාදිලියක් සකස් වන්නේ ප්‍රධාන අදියර තුනකිනි:

1. Pretraining (මූලික පුහුණුව): අන්තර්ජාලයේ ඇති ට්‍රිලියන ගණනක් වූ පෙළ කියවීම මගින් මීළඟට පැමිණිය යුතු වචනය අනුමාන කිරීමට AI ඉගෙන ගනී. ලෝකය පිළිබඳ මූලික දැනුම සහ ව්‍යාකරණ ගොඩනැගෙන්නේ මෙතැනදීය.
2. Supervised Fine-Tuning – SFT (උපදෙස් සඳහා හැඩගැස්වීම): හුදෙක් වචන අනුමාන කරනවාට වඩා, පරිශීලකයාගේ ප්‍රශ්න වලට පැහැදිලිව සහ පිළිවෙලකට පිළිතුරු දීමට මෙහිදී AI පුහුණු කරනු ලබයි.
3. RLHF (මිනිස් ප්‍රතිපෝෂණ හරහා ඉගෙනීම): ලබාදෙන පිළිතුරු වඩාත් ආරක්ෂිත, නිවැරදි සහ ප්‍රයෝජනවත් මට්ටමකට ගෙන ඒම සඳහා මිනිසුන් විසින් ලබාදෙන ශ්‍රේණිගත කිරීම් (Ratings) මත පදනම්ව AI තවදුරටත් සුසර කෙරේ.

AI මායාවන් (Hallucinations) සහ ඒවා අවම කිරීම

සමහර අවස්ථා වලදී AI විසින් ඉතා විශ්වාසයෙන් යුතුව සම්පූර්ණයෙන්ම වැරදි තොරතුරු ලබා දෙයි. මෙය AI Hallucinations ලෙස හැඳින්වේ.

AI යනු සත්‍ය කරුණු අඩංගු දත්ත ගබඩාවක් නොව, ‘සම්භාවිතාව’ (Probability) මත ඊළඟ වචනය අනුමාන කරන එන්ජිමක් වීම මෙයට ප්‍රධානතම හේතුවයි. එයට නිශ්චිත පිළිතුරක් නොමැති වූ විට, නොදන්නා බව පවසනවාට වඩා ගැලපෙන පිළිතුරක් ගොතා කීමට එය උත්සාහ කරයි. එමෙන්ම, පුහුණු කළ අන්තර්ජාල දත්ත වල ඇති වැරදි තොරතුරුද මීට බලපායි.

මෙම දෝෂය සම්පූර්ණයෙන්ම නැති කිරීම අපහසු වුවද, තාක්ෂණික ලෝකය ප්‍රධාන ක්‍රමවේද කිහිපයක් හරහා එය අවම කරමින් පවතී:

• RAG (Retrieval-Augmented Generation): වර්තමානයේ ඇති සාර්ථකම විසඳුම මෙයයි. මෙහිදී AI හි අභ්‍යන්තර මතකයට පමණක් සීමා නොවී, පිළිතුර ලබා දීමට පෙර බාහිර සහ යාවත්කාලීන දත්ත ගබඩාවකින් (Vector Database) නිවැරදි ලිපිගොනු කියවා ඒ ඇසුරින් පමණක් පිළිතුරු සැපයීමට AI හට බල කෙරේ.
• Output Verification (ප්‍රතිදාන තහවුරු කිරීම): AI ලබාදෙන පළමු පිළිතුර අවසන් පිළිතුර ලෙස නොගෙන, තවත් පද්ධතියක් හරහා එම කරුණු වල සත්‍යතාව නැවත පරීක්ෂා කර බැලීමයි.

අවසාන වශයෙන්, කෘත්‍රිම බුද්ධිය යනු කොටස් වෙළඳපොලේ හෙට දිනය පවසන මායා පළිඟුවක් නොවේ. නමුත්, දැවැන්ත දත්ත ප්‍රමාණයක් විශ්ලේෂණය කරමින් සංකීර්ණ උපාය මාර්ගික හා තාක්ෂණික තීරණ ගැනීම සඳහා මේ මොහොතේ ලොව ඇති ප්‍රබලතම සහ අත්‍යවශ්‍යම මෙවලම එය බව අවිවාදිතය.