වසර 15ක් පුරාවට Dr. Mario Martone ගේ දෛනික කාර්යය වටා කේන්ද්‍රගත වී තිබුණේ විශ්වයේ අතිශය ගැඹුරු අභිරහස් ය. PhD දෙකකින් සන්නද්ධව සිටි ඔහු, න්‍යායික භෞතික විද්‍යාවේ (theoretical physics) ඉහළම තලයේ කටයුතු කරමින් black holes සහ string theory හි ගණිතමය සංකීර්ණතා අධ්‍යයනය කළේය.

නමුත් අද ඔබට ඔහුව විශ්වය ගැන කල්පනා කරමින් සිටිනු දැකගත නොහැකිය. ඒ වෙනුවට, Dr. Martone දැන් Elise AI හි Head of Applied Research ලෙස කටයුතු කරයි. Elise AI යනු නිවාස (housing) සහ සෞඛ්‍ය සේවා (healthcare) වැනි අත්‍යවශ්‍ය කර්මාන්ත පරිවර්තනය කිරීම කෙරෙහි අවධානය යොමු කළ conversational AI සමාගමකි.

MTS සමඟ මෑතකදී පැවති සම්මුඛ සාකච්ඡාවකදී, Martone ඔහුගේ මෙම අසාමාන්‍ය වෘත්තීය හැරවුම පිළිබඳව විස්තර කළේය. අධ්‍යයන ලෝකයේ මන්දගාමී, වියුක්ත (abstract) ස්වභාවය අතහැර අතිශය වේගවත් ව්‍යවහාරික machine learning ක්ෂේත්‍රයට යොමු වූයේ මන්දැයි ඔහු එහිදී හෙළි කළේය—එපමණක් නොව, ඔහු දැන් මුහුණ දෙන අභියෝග string theory ටත් වඩා දුෂ්කර බව ඔහු විශ්වාස කරන්නේ ඇයිද යන්නත් පැහැදිලි කළේය.

වේගය සහ සැබෑ ලෝකයට කරන බලපෑමේ අවශ්‍යතාවය

න්‍යායික භෞතික විද්‍යාවේදී ප්‍රගතිය මනිනු ලබන්නේ වසර ගණනකින්, නැතහොත් දශක ගණනකිනි. ඊට වෙනස්ව, AI යනු දිනපතාම පාහේ අලුත් වන ක්ෂේත්‍රයකි. Martone ට මෙම වේගවත් ස්වභාවය ප්‍රධාන ආකර්ෂණයක් වූ නමුත්, ඔහුගේ වෘත්තීය වෙනසට මූලිකම හේතුව වූයේ සැබෑ ලෝකයට ප්‍රායෝගික බලපෑමක් (tangible impact) කිරීමේ ආශාවයි.

ඔහුට frontier AI පර්යේෂණාගාරයකට එක්වීමට හැකියාව තිබුණත්, එහි කෙරෙන කාර්යයන්ද බොහෝවිට න්‍යායික භෞතික විද්‍යාව තරම්ම වියුක්ත බව Martone හඳුනා ගත්තේය. Elise AI ඔහුට සුවිශේෂී අවස්ථාවක් ලබා දුන්නේය: එනම්, අති නවීන බුද්ධිය (bleeding-edge intelligence) එය දැඩිව අවශ්‍ය කරන කර්මාන්ත වෙත යෙදවීමයි.

“Elise සඳහා, අපගේ නිෂ්පාදන සඳහා LLMs ගන්නා තීරණ තිරයේ දිස්වන නිකම්ම අහඹු දේවල් නොවේ,” යැයි Martone පැහැදිලි කරයි. “ඒවා මිනිසුන්ගේ ජීවිතවලට සෘජුවම බලපෑම් ඇති කරනවා. එය ඉතා ධනාත්මක හෝ ඉතා සෘණාත්මක විය හැකියි. මාව ඇත්තටම උද්යෝගිමත් කරන්නේ අන්න ඒ දේයි.”

90% ක නිරවද්‍යතාවයක් ප්‍රමාණවත් නොවන්නේ ඇයි?

academia ලෝකයේ සිට enterprise AI දක්වා සංක්‍රමණය වීමේදී මුහුණදෙන ලොකුම සංස්කෘතික කම්පනයක් නම් “සාර්ථකත්වය” අර්ථ දක්වන ආකාරයයි.

ශාස්ත්‍රීය පත්‍රිකාවලදී (academic papers), භාෂා ආකෘතියක් (language model) යම් පරීක්ෂණයකින් 90% ක සාර්ථකත්වයක් ලබා ගැනීම බොහෝ විට සමරන්නේ ජයග්‍රහණයක් ලෙසිනි. නමුත් Elise AI මසකට දුරකථන ඇමතුම් මිලියන 5ක් පමණ හසුරුවයි—එනම් වසරකට මිලියන 60කි. මෙවැනි පරිමාණයකදී, 10% ක අසාර්ථකත්ව අනුපාතයක් යනු සෞඛ්‍ය සහ නිවාස වැනි අත්‍යවශ්‍ය අංශවල මිලියන 6ක වැරදි මැදිහත්වීම් (botched interactions) සිදුවීමයි.

“මේ ප්‍රශ්නය ගැන න්‍යායාත්මකව හිතන අයයි, ඇත්තටම ඒ වැරදිවල ප්‍රතිවිපාක විඳින අයයි අතර තියෙන වෙනස ඔබට හොඳින්ම දැකගන්න පුළුවන්,” Martone සඳහන් කරයි. මෙම පරතරය පියවීම සඳහා, Martone දැඩි විද්‍යාත්මක ක්‍රමවේදය (scientific method) නිෂ්පාදන සැලසුම්කරණයට යොදාගෙන ඇත. ඔහු ස්වයංක්‍රීයව සිදුවන මිලියන ගණනක් සංවාදවල ගුණාත්මකභාවය සහ බලපෑම ක්‍රමානුකූලව නිරීක්ෂණය කිරීමට කුඩා කණ්ඩායමකට ඉඩ සලසන ශක්තිමත් ඇගයීම් ලූප (evaluation loops – “evals”) ගොඩනඟා ඇත.

LLM රැල්ලෙන් ඔබ්බට: විවිධ AI ක්‍රමවේද මුසු කිරීම

වර්තමාන තාක්ෂණික ලෝකයේ බහුලව දකින දුර්වලතාවයක් නම්, Large Language Models (LLMs) යනු සෑම ගැටලුවකටම විසඳුම යැයි උපකල්පනය කිරීමයි. Martone ගේ භූමිකාව නිසා ඔහුට සමස්ත AI පරිසර පද්ධතිය පිළිබඳවම පුළුල් දැක්මක් ලැබී ඇති අතර, ඔහුගේ ප්‍රවේශය ඉතා ප්‍රායෝගික එකකි.

“මෑතකදී AI වලට එකතු වුණු අයට හැමදේටම තියෙන්නේ එකම විසඳුමයි: ඒ තමයි LLMs,” යැයි ඔහු පවසයි. නමුත් මතුපිටින් ඔබ්බට බැලූ විට, නිර්ණායක (deterministic) කාර්යයන් සහ සම්භාවිතාව (probability) ආශ්‍රිත ප්‍රතිදානයන් ලබාදීමේදී LLMs දැඩිව අරගල කරන බව පෙනේ.

මෙයට විසඳුමක් ලෙස Elise AI මෙවලම් රාශියක් භාවිතා කරයි. තත්පර එකහමාරකටත් අඩු කාලයකදී මෙහෙයුම් සිය ගණනක් අවශ්‍ය වන conversational voice latency සඳහා, ඔවුන් භාවිතා කරන්නේ ඉතා ප්‍රශස්ත කරන ලද ඔවුන්ගේම මෘදුකාංග පද්ධතියකි (proprietary stacks). විශාල ඓතිහාසික දත්ත මත පදනම්ව බදු අලුත් කිරීම් (lease renewals) පුරෝකථනය කිරීම සඳහා, ඔවුන් LLMs සම්පූර්ණයෙන්ම මඟහැර, ඒ වෙනුවට ඒ සඳහාම විශේෂයෙන් සකසන ලද සාම්ප්‍රදායික neural networks භාවිතා කරයි.

නව open-source model එකක් නිකුත් වූ වහාම අභ්‍යන්තර පරීක්ෂණ (benchmarks) සිදු කිරීම හරහා, සමාජ මාධ්‍යවල ඇතිවන රැල්ලට (hype) නොරැවටී, හොඳම මෙවලම් කඩිනමින් fine-tune කර නිෂ්පාදන මට්ටමට ගෙන ඒමට Martone ගේ කණ්ඩායමට හැකියාව ලැබී ඇත.

මීළඟ පියවර: දැරිය හැකි නිවාස (Affordable Housing) ස්වයංක්‍රීය කිරීමේ මෙහෙයුම

Elise AI මේ වන විටත් නිවාස බදු දීමේ ක්‍රියාවලියෙන් (leasing process) විශාල කොටසක් ස්වයංක්‍රීය කර ඇත. නිවසක් කුලියට ගැනීමට බලාපොරොත්තු වන්නෙකුට මහල් නිවාසයක් සොයාගැනීම, සංචාරයක් (tour) වෙන්කරවා ගැනීම, ඇතුල්වීමේ කේතයක් (entry code) ලබා ගැනීම සහ භෞතික අවකාශය තුළ මඟපෙන්වීම ලබාගැනීම AI හරහා සිදු කළ හැකිය—මේ සියල්ලටම කිසිදු මිනිස් මැදිහත්වීමක් අවශ්‍ය නොවේ. ඔවුන් නඩත්තු කටයුතු යොමු කිරීමද (maintenance routing) ස්වයංක්‍රීය කරමින් පවතින අතර, මිනිසුන්ට ඉතිරිව ඇත්තේ අලුත්වැඩියාව කිරීමේ භෞතික ශ්‍රමය පමණි.

නමුත් Martone ගේ කණ්ඩායම දැන් ඊටත් වඩා විශාල ගැටලුවක් වෙත අවධානය යොමු කර ඇත: ඒ දැරිය හැකි නිවාස (affordable housing) ය.

නිවාස සහ සෞඛ්‍ය සේවා යන දෙකම එක්ව ඇමරිකානු දළ දේශීය නිෂ්පාදිතයෙන් (GDP) 40% ක් පමණ නියෝජනය කරයි. ඒ තුළ, affordable housing යනු අතිශයින්ම සංකීර්ණ, ඩිජිටල්කරණය අඩු සහ වඩාත්ම අවදානමට ලක්විය හැකි ජන කොටස්වලට සේවය කරන අංශයකි. මෙම ක්ෂේත්‍රය වෙත ස්වයංක්‍රීයකරණය ආක්‍රමණශීලීව හඳුන්වා දීමෙන්, දැරිය හැකි නිවාසවල මෙහෙයුම් පිරිවැය විශාල ලෙස අඩු කර, එය වඩාත් අවශ්‍ය පුද්ගලයින්ගේ ජීවිත සෘජුවම සහ ක්ෂණිකව වැඩිදියුණු කළ හැකි බව Martone විශ්වාස කරයි.

විශ්වයටත් වඩා සංකීර්ණත්වයක්

මෙම ගැටළු විසඳීම සඳහා, Elise AI “unicorns” සොයමින් සිටී—එනම්, සැබෑ ලෝකය තුළ ප්‍රතිඵල ලබාදීමට දැඩි ආශාවක් ඇති, ගැඹුරු චින්තනයකින් හෙබි ඉහළ පෙළේ මෘදුකාංග සංවර්ධකයින් සහ ශාස්ත්‍රීය පර්යේෂකයන් ය.

න්‍යායික භෞතික විද්‍යාවේ සිට දේපළ කළමනාකරණ AI වෙත යාම බුද්ධිමය වශයෙන් පසුබෑමක් දැයි කෙනෙකු කල්පනා කරන්නේ නම්, Martone ට ඒ සඳහා පැහැදිලි පිළිතුරක් ඇත.

“මම එහෙම දෙයක් බලාපොරොත්තු වුණේ නැහැ, නමුත් string theory වලින් ආවාට පස්සෙත්, මම කියන්නේ අපි දැන් වැඩ කරන ප්‍රශ්නවල සංකීර්ණත්වය මීට කලින් තිබුණාට වඩා ඉහළයි.”

ඔබට Mapping out superconformal theories නැරඹීමෙන් ඔහුගේ පෙර පර්යේෂණ ගැන තවදුරටත් අවබෝධයක් ලබා ගත හැක. මෙම වීඩියෝවෙන් Mario Martone විසින් සිදුකරන ලද න්‍යායික භෞතික විද්‍යාව පිළිබඳ සම්මන්ත්‍රණයක් දැකගත හැකි අතර, එය ඔහුගේ ශාස්ත්‍රීය පසුබිම පිළිබඳව මනා අවබෝධයක් ලබාදෙයි.