ලාභ:
- ඔබේම දත්ත සමඟ ආකෘතියක් ඇගයීමට ලක් කරන කුඩා පරීක්ෂණ කට්ටලයක් (eval) සැකසීමේ හැකියාව
- මානව සත්යාපනය, සීමාවන් සහ වගකීම් සහිත භාවිත ප්රතිපත්තිය කාර්ය ප්රවාහයට ඇතුළත් කරන්න
- මායාව, පෞද්ගලිකත්වය සහ සදාචාරාත්මක අවදානම් හඳුනාගෙන අවම කිරීමේ ක්රියාමාර්ග ක්රියාත්මක කරන්න
ඔබ නිවැරදි ආකෘතිය තෝරාගෙන ඇත; වැඩේ ඉවරද? නෑ දැන් තමයි නියම වැඩේ පටන් ගන්නේ. ඔබේ ව්යාපාරයට ආකෘතියක් දැමීමෙන් එය ඔබේම දත්තවලට එරෙහිව පරීක්ෂා කිරීම, එහි ප්රතිදානය වලංගු කිරීම සහ වගකීමෙන් යුතුව රාමු කිරීම දක්වා පැමිණේ. මෙම අවසාන ඒකකය සම්පූර්ණ මොඩියුලයම අවසානය සිට අවසානය දක්වා යෙදුමක් බවට පත් කරයි: ඔබ කුඩා පරීක්ෂණ කට්ටලයක් (eval), වැඩ ප්රවාහයට මානව සත්යාපනය කාවැද්දීම, මායාවන් සහ පෞද්ගලිකත්ව අවදානම් කළමනාකරණය කිරීම සහ සදාචාරාත්මක සීමාවන් අඳින්නේ කෙසේදැයි ඉගෙන ගනු ඇත. ඒකකය අවසන් වූ පසු, ඔබට ආකෘතියක් තෝරා ගැනීමට පමණක් නොව, එය විශ්වාසයෙන් යුතුව පැවරීමට ද ඔබ සන්නද්ධ වනු ඇත.
ඇගයීම (Eval): ඔබේම දත්ත සමඟ පරීක්ෂා කිරීම
ආකෘතියක් ඔබේ ව්යාපාරයට ගැළපේ දැයි කිව හැක්කේ දැන්වීම්වලට නොව ඔබේ සත්ය දත්තවලට පමණක් බව දැන් ඔබ දන්නවා. මෙය මැනීමේ ක්රමය වන්නේ ඇගයුම් කට්ටලයක් (eval) පිහිටුවීමයි: නිවැරදි පිළිතුර දන්නා ඔබේ කාර්යයෙන් කුඩා සාම්පල එකතුවකි.
සරල eval එකක් පහත පරිදි සකසා ඇත:
- සැබෑ සාම්පල 10-30ක් එකතු කරන්න. ඔබේ රැකියාවට සාමාන්ය ආදාන තෝරන්න (දුෂ්කර සහ පහසු මිශ්ර කරන්න).
- එක් එක් උදාහරණය සඳහා "නිවැරදි/අපේක්ෂිත ප්රතිදානය" නිර්ණය කරන්න. විශේෂඥයෙක් පිළිතුරු දෙන්නේ කුමක් ද?
- එකම උදාහරණ හරහා අපේක්ෂකයින් ධාවනය කරන්න. ඔබ සංසන්දනය කරන මාදිලි එකම කට්ටලයක් සමඟ එකින් එක පරීක්ෂා කරන්න.
- ප්රතිඵල ලකුණු කරන්න. උදාහරණ කීයකින් එය සත්යද? ඔහුට වැරදුනේ කොතනද? වැරදි පිළිගත හැකිද?
- සංසන්දනය කර තෝරන්න. ඉහළම සමස්ත ලකුණු නොව, ඔබ සඳහා වඩාත්ම තීරණාත්මක උදාහරණවල වඩාත්ම විශ්වාසදායක එක තෝරන්න.
ඉඟිය: ප්රමුඛ පුවරු අන්ධ ලෙස විශ්වාස නොකරන්න. නිරූපිකාවක් ගෝලීය වශයෙන් පළමු ස්ථානයට පත් විය හැකි නමුත්, ඔබේ නිශ්චිත තුර්කි නීති පාඨවල දෙවන ස්ථානයට වඩා නරක ලෙස ක්රියා කරයි. ඔබේම සාම්පල 20ක eval එක පොදු පරීක්ෂණ සිය ගණනකට වඩා වටිනවා.
මායාව: ආකෘතියේ වඩාත්ම ද්රෝහී අවදානම
මායාව යනු ආකෘතිය සත්ය වශයෙන්ම සත්ය නොවන තොරතුරු විශ්වාසදායක භාෂාවකින් නිපදවන විටය. "මම දන්නේ නැහැ" යැයි පැවසීම වෙනුවට, ආකෘතිය නොපවතින නීති සම්පාදනයක්, සාදන ලද සංඛ්යාලේඛනයක් හෝ ව්යාජ දිනයක් ඉදිරිපත් කළ හැකිය; එපමණක් නොව, ඔහු මෙය කරන්නේ අතිශයින්ම ඒත්තු ගැන්වෙන භාෂාවකිනි. මෙය AI හි භයානකම අංගය වන්නේ දෝෂය සත්ය ලෙස වෙස්වලා ගන්නා බැවිනි.
ඔබට මායාව සම්පූර්ණයෙන්ම තුරන් කළ නොහැක, නමුත් ඔබට එය අඩු කර එය අල්ලා ගත හැකිය:
- එය මූලාශ්රය මත පදනම් කරන්න: ඔබ සපයන ලේඛනවලින් පිළිතුරු උත්පාදනය කරන ලෙස ආකෘතියෙන් ඉල්ලා සිටින්න, එහිම "මතකය" (RAG තර්කනය) වෙතින් නොවේ.
- ඉල්ලීම් මූලාශ්ර: "එක් එක් හිමිකම් පෑම අසලම, එය පදනම් වූ ලේඛනය/කොටස ලියන්න" යැයි පවසන්න; ඔහුට මූලාශ්රයක් ලබා දිය නොහැකි නම්, සැක කරන්න.
- ඔවුන් විශ්වාස නැති බව පැවසීමට පුද්ගලයන් ලබා ගැනීම: "ඔබට විශ්වාස නැතිනම්, 'පැහැදිලි නොවේ' යනුවෙන් ලියන්න" යන උපදෙස් ආකෘති සවි කිරීම අඩු කරයි.
- මානව සත්යාපනය: විවේචනාත්මක නිමැවුම් මිනිසෙකු විසින් සත්යාපනය කළ යුතුය.
අවවාදයයි: නීතිමය, වෛද්ය හෝ මූල්ය තීරණ සඳහා වලංගු කිරීමකින් තොරව ආදර්ශ ප්රතිදානය කිසිවිටෙක භාවිතා නොකරන්න. ආකෘතිය විසින් නිෂ්පාදනය කරන ලද "නීති ලිපියක්" හෝ "මාත්රා තොරතුරු" සම්පූර්ණයෙන්ම ගොතන ලද ඒවා විය හැක. මෙම ප්රදේශවල, AI යනු කෙටුම්පත්/ප්රාථමික මෙවලමකි; දක්ෂ පුද්ගලයෙකුට සෑම විටම අවසාන වචනය ඇත.
මානව සත්යාපනය සඳහා අවශ්යතාවය
කෘත්රිම බුද්ධිය වඩාත් හොඳින් ක්රියා කරන්නේ මිනිසුන්ව ත්වරණය කරන මෙවලමක් ලෙස මිස ඔවුන්ව රැකියාවෙන් නෙරපීමට නොවේ. නිවැරදි සැකසුම පහත පරිදි වේ: ආකෘති කෙටුම්පත නිෂ්පාදනය හෝ පූර්ව සුදුසුකම්; මානව සමාලෝචන, නිවැරදි කිරීම් සහ අනුමත කිරීම. සත්යාපනය කෙතරම් දැඩි විය යුතුද යන්න දෝෂයේ පිරිවැය මත රඳා පවතී.
ගවේෂණය
දෝෂ පිරිවැය
මානව සත්යාපනය
නිෂ්පාදන විස්තර කෙටුම්පත
අඩු
නියැදි පාලනය ප්රමාණවත්ය
පාරිභෝගික ඊමේල් ප්රතිචාරය
මධ්යම
ඉදිරිපත් කිරීමට පෙර සමාලෝචනය
කොන්ත්රාත් අවදානම විශ්ලේෂණය
ඉහළ
ලිපියෙන් ලිපිය විශේෂඥ තහවුරු කිරීම
වෛද්ය/මූල්ය උපදෙස්
ඉතා ඉහළ
සම්පූර්ණ විශේෂඥ සත්යාපනය, AI සහාය පමණි
මෙම වගුව "සෑම ප්රතිදානයක්ම අතින් පරීක්ෂා කිරීම" සහ "සියල්ලම පරීක්ෂා නොකිරීම" අතර සමතුලිතතාවයට පහර දෙයි. අඩු වියදම් රැකියා සඳහා නියැදි පාලනය ප්රමාණවත් වන අතර, සෑම නිමැවුමක්ම ඉහළ මිලක් සහිත රැකියා සඳහා සත්යාපනය කළ යුතුය.
සදාචාරාත්මක සහ වගකීම් සහගත භාවිතය
ආකෘති තේරීම තාක්ෂණික තීරණයක් ලෙස පෙනුනද, එය පිටුපස සදාචාරාත්මක වගකීම් තිබේ:
- විනිවිදභාවය: ඔබ සුදුසු ස්ථානවල AI භාවිතා කරන බව ඔබේ ගනුදෙනුකරුවන්ට හෝ සේවකයින්ට දන්වන්න. පාරිභෝගිකයෙකුට තමන් කතා කරන්නේ මනුෂ්යයෙකුටද AI සමඟද යන්න දැන ගැනීමට අයිතියක් ඇත.
- පක්ෂග්රාහීත්වය: ආකෘති වලට ඔවුන් පුහුණු කරන ලද දත්ත වලින් පක්ෂග්රාහීත්වය උරුම විය හැක. බඳවා ගැනීම් සහ ණය තක්සේරු කිරීම වැනි සංවේදී ක්ෂේත්රවල ප්රතිඵලවල සාධාරණත්වය නිරීක්ෂණය කරන්න.
- පුද්ගලිකත්වය: ඔබ 8 වන ඒකකයේ ඉගෙන ගත් දත්ත ආරක්ෂණ මූලධර්ම කාර්ය ප්රවාහයට ඇතුළත් කරන්න; පුද්ගලික දත්ත නොසැලකිලිමත් ලෙස යවන්න එපා.
- වගවීම: අත්වැරදීමක් සිදු වූ විට, "AI එය සෑදුවා" ආරක්ෂාව ප්රමාණවත් නොවේ. වගකීම වාහනය භාවිතා කරන ආයතනයට පැවරේ. එබැවින් ලේඛන සත්යාපන ක්රියාවලි.
ඉඟිය: ඔබේ කාර්ය ප්රවාහයට “වගකිවයුතු භාවිත ප්රතිපත්තියක්” ලියන්න: AI භාවිත කළ හැකි රැකියා මොනවාද, යැවිය නොහැකි දත්ත මොනවාද, එය සත්යාපනය කරන්නේ කවුරුන්ද, සහ දෝෂ වාර්තා කරන්නේ කෙසේද යන්න. මෙම එක් පිටුවක ලේඛනය අනාගතයේදී විශාල ගැටළු වළක්වයි.
යථාර්ථවාදී අවස්ථා තුනක්
නඩුව 1 - eval ස්ථාපනය නොකර පසුතැවිලි වීම. රක්ෂණ කණ්ඩායමක් වඩාත් ජනප්රිය මාදිලිය පරීක්ෂා නොකර හිමිකම් සාරාංශ කිරීම ආරම්භ කරයි. සති දෙකකට පසු, ආකෘතිය තුර්කි තාක්ෂණික වචන වලින් නිතර වැරදි කරන බවත් සමහර ප්රමාණ වැරදි ලෙස කියවන බවත් ඔවුන් තේරුම් ගනී. ඔවුන් සාම්පල 20 ක eval එකක් සකසා ආකෘති තුන සංසන්දනය කරන විට, ඔවුන් තුර්කි තාක්ෂණික පාඨවල වඩාත්ම ජනප්රිය නොවන නමුත් වඩාත් නිවැරදි ආකෘතියට මාරු වේ. පාඩුව: සති දෙකක් සහ සෝදුපත් කියවීමේ ශ්රමය. පාඩම: eval පළමුව, පසුව යොදවන්න.
නඩුව 2 - මායාව අල්ලා ගන්නා ක්රියාවලිය. ආදර්ශ මුද්රණයේ "ශ්රේෂ්ඨාධිකරණ තීන්දුවක්" සඳහනක් පාර්ශ්වකරුවෙකු දකී. ඔවුන්ගේ ක්රියාවලියට "සෑම සඳහනක්ම සත්යාපනය කිරීමේ" රීතියක් ඇති බැවින්, ඔහු තීරණය සොයන අතර එවැනි තීරණයක් නොමැති බව සොයා ගනී; ඔහු ආකෘතියක් හැදුවා. මානව සත්යාපනයට ස්තූතිවන්ත වන අතර, ගොතන ලද තොරතුරු කිසි විටෙකත් සේවාදායකයා වෙත ළඟා නොවේ. සත්යාපන රීතිය නොමැතිව, කීර්ති නාමය නැතිවීම බරපතල විය හැකිය.
නඩුව 3 - විනිවිදභාවය සමඟ විශ්වාස කරන්න. ඊ-වාණිජ්ය සමාගමක් AI සමඟ පාරිභෝගික සහාය ප්රතිචාර නිෂ්පාදනය කරයි, නමුත් එක් එක් ප්රතිචාරය යටතේ සටහනක් එක් කරයි: "මෙම ප්රතිචාරය කෘත්රිම බුද්ධි සහාය ඇතිව සකස් කරන ලද අතර අපගේ නියෝජිතයෙකු විසින් සමාලෝචනය කරන ලදී." කඩිනම් ප්රතිචාරය සහ මනුෂ්යයෙකු නියැලී සිටිනු දැකීමේ විශ්වාසය යන දෙකින්ම පාරිභෝගිකයින් වඩාත් තෘප්තිමත් වේ. විනිවිදභාවය සැඟවීමට දුර්වලකමක් නොව විශ්වාසයේ උල්පතකි.
දුර්වල විමසුම / ශක්තිමත් විමසුම: සත්යාපනය කළ හැකි ප්රතිදානය
දුර්වල ක්ෂණික:
මෙම ගිවිසුමේ අවදානම් වගන්ති ගැන මට කියන්න.
ආකෘතියට ගැලපේ; මූලාශ්රයක් නැත, අවිනිශ්චිතතාවයේ සලකුණක් නැත.
බලවත් විමසුම:
ඔබේ කාර්යභාරය: කොන්ත්රාත් විශ්ලේෂක (අවසාන තීරණය නීතිඥයෙකුට අයත් වේ). කාර්යය: පහත කොන්ත්රාත්තුවේ අවදානම් විය හැකි වගන්ති ඉස්මතු කරන්න. එක් එක් සොයා ගැනීම සඳහා: (1) වගන්ති අංකය සහ වාචික උපුටා දැක්වීම, (2) එය අවදානම් වන්නේ ඇයි, (3) ඔබේ විශ්වාස මට්ටම (ඉහළ/මධ්යම/පහළ). පෙළෙහි වගන්ති මත පමණක් රඳා සිටින්න; පෙළෙහි නැති කිසිවක් ගොතන්න එපා. ඔබට විශ්වාස නැති තැන්වල, "නීතිඥ තහවුරු කිරීම අවශ්ය" යන්න ලියන්න. [කොන්ත්රාත්තුව]
ප්රබල කඩිනම් එක් එක් හිමිකම් මූලාශ්රය වෙත සම්බන්ධ කරයි (ලිපි අංකය + උපුටා දැක්වීම), විශ්වාස මට්ටම අවශ්ය වන අතර, ප්රබන්ධ කිරීම තහනම් කරයි; මෙය මායාව අල්ලා ගත හැකි කරයි.
පිටපත් කළ හැකි සැකිලි
1. Eval කට්ටල නිර්මාණය:
පහත කාර්යය සඳහා ඇගයීම් කට්ටලයක් සැලසුම් කරන්න [TASK]. නියැදි යෙදවුම් 15ක් යෝජනා කරන්න (මිශ්ර පහසු-මධ්යම-දුෂ්කර), එක් එක් සඳහා "අපේක්ෂිත නිවැරදි ප්රතිදානය" නිර්වචනය කරන්නේ කෙසේද, සහ ලකුණු කිරීමේ නිර්ණායකයක් තීරණය කරන්න (1-5).
2. මායාව අඩු කරන එතුම:
සැකසුම අඩු කිරීමට පහත විමසුම නැවත ලියන්න: "[PROMPT]". මූලාශ්ර උපුටා දැක්වීම, විශ්වාස මට්ටම් සඳහන් කිරීම සහ "ඔබට විශ්වාස නැත්නම් මට කියන්න" සඳහා නීති එක් කරන්න.
3. සත්යාපන ප්රවාහ සැලසුම:
පහත වැඩ ප්රවාහයේ [WORKFLOW] AI ප්රතිදානය සඳහා මානව සත්යාපන පියවරක් සැලසුම් කරන්න. දෝෂයේ පිරිවැය මත පදනම්ව සත්යාපනය කෙතරම් දැඩි විය යුතුද යන්න තීරණය කරන්න; කවුරු මොනවා, කවදාද පරීක්ෂා කරන්නේද යන්න ලියන්න.
4. වගකීම් සහිත භාවිත ප්රතිපත්ති කෙටුම්පත:
[INDUSTRY] හි කණ්ඩායමක් සඳහා එක් පිටුවක "වගකිවයුතු AI භාවිත ප්රතිපත්තියක්" කෙටුම්පත් කරන්න. පහත මාතෘකා ඇතුළත් කරන්න: අවසර ලත් භාවිතය, තහනම් දත්ත, සත්යාපන වගකීම, විනිවිදභාවය වාර්තා කිරීම, දෝෂ වාර්තා කිරීම.
පොදු වැරදි
- Eval නොමැතිව යෙදවීම: ඔබේම දත්ත සමඟ එය පරීක්ෂා නොකර ආකෘතිය ආරම්භ කිරීම සහ ඒවා පාරිභෝගිකයා/රැකියාව තුළ පිළිබිඹු වූ පසු දෝෂ හඳුනා ගැනීම.
- මායාව මත විශ්වාසය තැබීම: යොමු කිරීම් සත්යාපනය නොකර ආකෘතියේ විශ්වාස භාෂාව සත්ය ලෙස භාවිතා කිරීම.
- මානව සත්යාපනය මගහැරීම: අධික වියදම් තීරණ වලදී නිමැවුම පරීක්ෂා නොකර තැබීම; "AI එය කළා" ආරක්ෂාවට නැඹුරු වීම.
- විනිවිදභාවය වළක්වා ගැනීම: ඔබේ AI භාවිතය සැඟවීම; එය සිදු වූ විට විශ්වාසය නැති වීම අත්විඳීම.
- ආචාර ධර්ම සහ පක්ෂග්රාහීත්වය නොසලකා හැරීම: නිමැවුමේ සාධාරණත්වය නිරීක්ෂණය නොකර සංවේදී තීරණ (කුලියට ගැනීම, ණය) භාවිතා කිරීම.
සාරාංශයක් ලෙස
- ආකෘතියක් යෙදවීමට පෙර, ඔබේම දත්ත සමඟ කුඩා eval කට්ටලයක් සකසා අපේක්ෂකයින් පරීක්ෂා කරන්න; සමස්ත ශ්රේණිගත කිරීම් ඔබේ ව්යාපාරය නියෝජනය නොකරයි.
- මායාව යනු ආකෘතියේ විශ්වාසයෙන් ව්යාජ භාෂාව නිපදවීමයි; මූලාශ්ර ආරෝපණය, විශ්වාස මට්ටම සහ මානව සත්යාපනය මගින් ග්රහණය කර ඇත.
- මානව සත්යාපනයේ දැඩි බව දෝෂයේ පිරිවැය අනුව සකස් කරනු ලැබේ; තීරණාත්මක ප්රදේශවල AI සහාය පමණි, තීරණය මිනිසුන්ගේ ය.
- විනිවිදභාවය, පක්ෂග්රාහී පාලනය, රහස්යභාවය සහ වගවීම; වගකිවයුතු AI භාවිතයේ කුළුණු හතර වේ. එක් පිටු ප්රතිපත්තිය විශාල අවදානම් වළක්වයි.
යෙදුම් කාර්යය
ඔබ මොඩියුලය පුරා තෝරාගත් අපේක්ෂක මාදිලිය(ය) සඳහා මෙම ඒකකයේ (eval set design) සැකිල්ල 1 සමඟ උදාහරණ 15ක ඇගයුම් කට්ටලයක් සකසන්න සහ මෙම කට්ටලයට සාපේක්ෂව අවම වශයෙන් ආකෘති දෙකක් සසඳන්න. ඉන්පසු අච්චු 3 (වලංගු කිරීමේ ප්රවාහය) සමඟින් මිනිසුන් විසින් ප්රතිදානය සත්යාපනය කරන ආකාරය සැලසුම් කරන්න සහ අච්චු 4 (වගකිවයුතු භාවිත ප්රතිපත්තිය) සමඟින් ඔබේ කණ්ඩායම සඳහා එක් පිටු ප්රතිපත්තියක් කෙටුම්පත් කරන්න. මෙම බෙදාහැරීම් තුන සම්පූර්ණ මොඩියුලයම වැඩ කළ හැකි යෙදවීමේ සැලැස්මක් බවට පත් කරයි.
පිරික්සුම් ලැයිස්තුව
- [ ] මගේම දත්ත සමඟ, මට කුඩා eval කට්ටලයක් සකසා ආකෘති සංසන්දනය කළ හැකිය.
- [ ] මට මායාවන් හඳුනා ගැනීමට සහ අවම කිරීමේ සහ අත් අඩංගුවට ගැනීමේ පියවර යෙදිය හැක.
- [ ] මට දෝෂයේ පිරිවැය මත පදනම්ව මානව සත්යාපනයේ දැඩි බව සීරුමාරු කළ හැක.
- [ ] මට විනිවිදභාවය, පක්ෂග්රාහීත්වය, රහස්යභාවය සහ වගවීමේ මූලධර්ම කාර්ය ප්රවාහයට ඇතුළත් කළ හැකිය.
- [ ] මට එක පිටුවක වගකිවයුතු AI භාවිත ප්රතිපත්තියක් කෙටුම්පත් කළ හැක.
මොඩියුල විභාගය
1. AI 'සැපයුම්කරුවෙකු' සහ 'ආදර්ශ පවුලක්' අතර වෙනස කුමක්ද?
- A) සපයන්නා යනු ආකෘතිය සංවර්ධනය කරන සමාගම වන අතර, ආදර්ශ පවුල යනු වෙළඳ නාමයක් යටතේ එම සමාගමේ ආදර්ශ සමූහය වේ ✔
- B) ඒවා හරියටම එකම දෙයක් වන අතර ඒවා එකිනෙකට හුවමාරු වේ
- C) සපයන්නා යනු ආකෘතියේ මිල, ආදර්ශ පවුල යනු ආකෘතියේ වේගයයි.
- D) ආදර්ශ පවුල සමාගමට යොමු කරයි, සැපයුම්කරු තනි මාදිලි අනුවාදයකට යොමු කරයි
විස්තරය: සපයන්නා යනු ආකෘතිය වැඩි දියුණු කළ සමාගමයි (උදා: Anthropic); ආදර්ශ පවුල යනු එම සමාගම වෙළඳ නාමයක් යටතේ එකතු කරන ආදර්ශ සමූහයයි (උදාහරණයක් ලෙස, ක්ලෝඩ්). ආදර්ශ අනුවාදය පවුල තුළ විශේෂිත අනුවාදයකි.
2. ආකෘතියක 'බර' වඩාත් නිවැරදිව නිර්වචනය කළ හැක්කේ කෙසේද?
- A) එය ආකෘතියට විනාඩියකට නිපදවිය හැකි ටෝකන් ගණනයි
- B) පුහුණුව අතරතුර ආකෘතිය ඉගෙන ගන්නා සහ එහි තොරතුරු ගබඩා කරන සංඛ්යාත්මක පරාමිතීන් බිලියන ගණනකි. ✔
- C) එය ආකෘතියේ මාසික දායක ගාස්තුව වේ
- D) එය ආකෘතියෙන් සහාය දක්වන භාෂා ගණනයි
විස්තරය: බර යනු පුහුණුව අතරතුර ආකෘතිය ඉගෙන ගන්නා සංඛ්යාත්මක පරාමිතීන් බිලියන ගණනකි; එහි 'ආකෘතිය දන්නා සියල්ල' ගබඩා කර ඇත. සංවෘත / පැහැදිලි බර වෙනස රඳා පවතින්නේ මෙම පරාමිති බාගත කර ධාවනය කළ හැකිද යන්න මතය.
3. 'විවෘත බර' සහ 'විවෘත-මූලාශ්රය' පිළිබඳ සත්ය ප්රකාශය කුමක්ද?
- A) ඒවා හරියටම එකම සංකල්ප වන අතර දෙකම අසීමිත වාණිජමය භාවිතයක් ලබා දෙයි
- B) විවෘත බර සෑම විටම පුහුණු දත්ත ප්රසිද්ධ කරයි
- ඇ) එය එකම දෙයක් නොවේ; විවෘත බර තැබීමේදී, සාමාන්යයෙන් පරාමිති පමණක් බෙදා ගන්නා අතර බලපත්ර නියමයන් වාණිජ භාවිතය සීමා කළ හැක ✔
- D) විවෘත කේත ආකෘති බාගත කළ නොහැක, විවෘත බර ආකෘති බාගත කළ හැක
පැහැදිලි කිරීම: විවෘත බර තැබීමේදී, ආකෘති පරාමිතීන් පමණක් බෙදා ඇත; පුහුණු දත්ත සහ ක්රියාවලිය බොහෝ විට හෙළි නොකරන අතර සමහර බලපත්ර වාණිජ භාවිතය සීමා කරයි. එබැවින් 'විවෘත බර' හරියටම 'විවෘත මූලාශ්රය' හා සමාන නොවේ.
4. දිගු කොන්ත්රාත්තු කියවා විශ්ලේෂණය කරන නීති කණ්ඩායමක් සඳහා පහත සඳහන් දේවලින් වඩාත්ම තීරණාත්මක ආදර්ශ ලක්ෂණය කුමක්ද?
- A) අඩුම ටෝකන් මිලක් තිබීම
- B) දෘශ්ය (බහු මාදිලියේ) සැකසුම් හැකියාව තිබීම
- ඇ) විවෘත බර බලපත්රයක් තිබීම
- D) පුළුල් සන්දර්භ කවුළුවක් තිබීම ✔
පැහැදිලි කිරීම: සමස්තයක් ලෙස දිගු ලේඛන සැකසීමට ආකෘතියට විශාල සන්දර්භ කවුළුවක් අවශ්ය වේ; සන්දර්භය කවුළුව යනු ආකෘතියට වරකට මතක තබා ගත හැකි මුළු ටෝකන ප්රමාණයයි.
5. සංවෘත බර ආකෘති සඳහා ටෝකන් මිලකරණය පිළිබඳ සත්ය කුමක්ද?
- A) ප්රතිදාන ටෝකනය සාමාන්යයෙන් ආදාන ටෝකනයට වඩා සැලකිය යුතු ලෙස මිල අධික වේ ✔
- B) ආදාන සහ ප්රතිදානය සෑම විටම හරියටම එකම මිල වේ
- ඇ) ස්ථාවර මාසික ගාස්තුවක් පමණක් අය කරනු ලැබේ, භාවිත මුදල අදාළ නොවේ
- D) ආදාන ටෝකනය සෑම විටම ප්රතිදානයට වඩා බොහෝ ගුණයකින් මිල අධික වේ
පැහැදිලි කිරීම: ටෝකනයකට මිල ගණනය කරනු ලබන අතර, ආකෘතිය නිපදවන ප්රතිදාන ටෝකනය සාමාන්යයෙන් ඔබ එවන ආදාන ටෝකනයට වඩා කිහිප ගුණයකින් මිල අධික වේ. එමනිසා, දිගු හා අනවශ්ය මුද්රණයන් පිරිවැය වේගයෙන් වැඩි කරයි.
6. ඉන්වොයිස් රූපවලින් දත්ත ස්වයංක්රීයව උකහා ගැනීමට අවශ්ය ගිණුම්කරණ කණ්ඩායමකට අත්යවශ්ය වන ආකෘතියක ඇති විශේෂාංගය කුමක්ද?
- A) හැකි පුළුල්ම සන්දර්භය කවුළුව
- B) බහුවිධතාවය (දෘෂ්ය සැකසුම් හැකියාව) ✔
- C) විවෘත බර බලපත්රය
- D) තර්කයේ ඉහළම මට්ටම
පැහැදිලි කිරීම: දෘශ්ය අන්තර්ගතය තේරුම් ගැනීමට, ආකෘතියට රූප මෙන්ම පෙළ සැකසීමට හැකි විය යුතුය, එනම් එය බහුමාධ්ය විය යුතුය. බහුවිධතාවය යනු පෙළ, පින්තූර සහ සමහර විට ශ්රව්ය වැනි බහුවිධ දත්ත හැසිරවීමට ආකෘතියට ඇති හැකියාවයි.
7. ඉහළ පරිමා, සරල කාර්යයක් සඳහා වඩාත්ම තාර්කික තේරීම කුමක්ද (උදා: සමාලෝචන දහස් ගණනක ධනාත්මක/සෘණ වර්ගීකරණය)?
- A) සෑම විටම ශක්තිමත්ම හා වඩාත්ම මිල අධික තර්ක ආකෘතිය
- B) විවෘත බර සහ එහිම සේවාදායකය මත පමණක් ක්රියා කරන ආකෘතියක්
- C) සැහැල්ලු සහ අඩු වියදම් ආකෘතියක්, කාර්යය සරල වන අතර පරිමාව වැඩි නිසා ✔
- D) පුළුල්ම සන්දර්භය කවුළුව සහිත ආකෘතිය
විස්තරය: සැහැල්ලු, අඩු වියදම් ආකෘතියක් සරල, ඉහළ පරිමා කාර්යයන් සඳහා උපක්රම කරයි; වඩාත්ම බලවත් හා මිල අධික ආකෘතිය භාවිතා කිරීම මෙහි අනවශ්ය වියදම් නිර්මාණය කරයි. නිවැරදි ප්රවේශය වන්නේ කාර්යයේ දුෂ්කරතාවය ආදර්ශ ස්ථරයට ගැලපීමයි.
8. KVKK අනුව විදේශීය පදනම් වූ AI සපයන්නෙකුට පුද්ගලික දත්ත අඩංගු පෙළ යැවීමට හේතු වන්නේ කුමක්ද?
- A) එය කිසිදු නීතිමය වගකීමක් ඇති නොකරයි
- B) වෙනත් කිසිම අවස්ථාවක සැපයුම්කරු EU හි සිටී නම් පමණක් වැදගත් වේ
- C) දත්ත නිර්නාමිකද නැද්ද යන්න නොසලකා, සියලු තත්වයන් යටතේ එය දැඩි ලෙස තහනම්ය
- D) විදේශයන්හි දත්ත හුවමාරුව සලකා බලනු ලබන අතර KVKK ✔ හි විශේෂ කොන්දේසි වලට යටත් වේ
පැහැදිලි කිරීම: විදේශයන්හි සපයන්නෙකුගේ සේවාදායකයන්ගේ මෙහෙයුම් දත්ත 'පිටරට දත්ත මාරු කිරීම' ලෙස සලකනු ලබන අතර මෙම විෂය සම්බන්ධයෙන් KVKK හි විශේෂ කොන්දේසි වලට යටත් වේ (පැහැදිලි කැමැත්ත, ප්රමාණවත් තීරණයක්, සුදුසු සහතික කිරීම් වැනි).
9. ආකෘතියක 'තර්ක කිරීමේ' මාදිලිය කරන්නේ කුමක්ද සහ එය පිරිවැයට බලපාන්නේ කෙසේද?
- A) එය සංකීර්ණ ගැටළු වල නිරවද්යතාවය වැඩි කරයි, නමුත් වැඩි ටෝකන ජනනය කරන බැවින් පිරිවැය සහ ප්රමාදය වැඩි කරයි ✔
- B) සෑම විටම ආකෘතිය නිදහස් කරයි
- C) ආකෘතිය මඟින් සහාය දක්වන භාෂා ගණන පමණක් වැඩි කරයි
- D) සෑම විටම පිළිතුරු කෙටි කර පිරිවැය අඩු කරන්න
විස්තරය: තර්ක කිරීමේ මාදිලිය පිළිතුර ලබා දීමට පෙර පියවරෙන් පියවර 'සිතීමට' ආකෘතියට ඉඩ දෙයි; එය බහු-පියවර සහ සංකීර්ණ ගැටළු වල නිරවද්යතාවය වැඩි කරයි, නමුත් එය වැඩි ටෝකන ජනනය කරන බැවින් එය පිරිවැය සහ ප්රමාදය වැඩි කරයි.
10. ඔබේම ව්යාපාරයක් සඳහා ආදර්ශයක් (eval) ඇගයීමේදී වඩාත්ම විශ්වාසදායක ප්රවේශය කුමක්ද?
- A) වඩාත්ම ජනප්රිය මාදිලිය තෝරාගෙන එය පරීක්ෂා නොකර භාවිතා කරන්න
- B) ඔබේම සැබෑ කාර්යයන් පිළිබඳ කුඩා පරීක්ෂණ කට්ටලයක් සකසා එය සමඟ ආකෘති සංසන්දනය කරන්න ✔
- ඇ) වෙළඳ දැන්වීම්වල සඳහන් කර ඇති මිණුම් ලකුණ දෙස බැලීම පමණි
- D) ඉහළම සන්දර්භය කවුළුව සහිත ආකෘතිය හොඳම ලෙස ස්වයංක්රීයව පිළිගන්න
පැහැදිලි කිරීම: ප්රමුඛ පුවරු මත අන්ධ ලෙස රඳා සිටීම වෙනුවට, ඔබේම සැබෑ කාර්යයන් පිළිබඳ කුඩා පරීක්ෂණ කට්ටලයක් නිර්මාණය කිරීම සහ මෙම කට්ටලයේ ආකෘති සංසන්දනය කිරීමෙන් ඔබේ ව්යාපාරයට සැබවින්ම ගැලපෙන එක හෙළි වේ.
11. ආදර්ශ නිමැවුමේ 'මායාවන්' අඩංගු විය හැකි බව දැනගැනීම ඔබේ කාර්ය ප්රවාහය හැඩගැසිය යුත්තේ කෙසේද?
- A) ප්රතිදානය සෑම විටම නිවැරදි ලෙස සලකා සෘජුව ප්රකාශ කළ යුතුය
- B) මායාවන් දැකිය හැක්කේ නොමිලේ ආකෘතිවල පමණි, ගෙවන මාදිලිවල නොවේ
- C) තීරණාත්මක තීරණ වලදී, ප්රතිදානය මිනිසෙකු විසින් සත්යාපනය කළ යුතු අතර මූලාශ්ර තහවුරු කළ යුතුය ✔
- D) ආකෘතිය වෙනස් කිරීමෙන් මායාව සම්පූර්ණයෙන්ම ඉවත් කළ හැකිය
පැහැදිලි කිරීම: මායාව යනු ආකෘතිය විශ්වාස කරන භාෂාවකින් ඇත්ත වශයෙන්ම සත්ය නොවන තොරතුරු නිපදවන විටය. මෙම අවදානම හේතුවෙන්, විශේෂයෙන්ම නීතිමය, වෛද්ය සහ මූල්ය තීරණ සඳහා මිනිසෙකු විසින් නිමැවුම තහවුරු කිරීම අවශ්ය වේ.
12. පරිණත ආයතන විසින් අනුගමනය කරන ලද 'ආදර්ශ කළඹ' ප්රවේශයේ මූලික තර්කය කුමක්ද?
- A) සෑම කාර්යයක්ම තනි, වඩාත්ම මිල අධික ආකෘතියකින් සිදු කිරීමෙන් සරල බව සහතික කිරීම.
- B) ලාභම ආකෘතිය පමණක් භාවිතා කිරීම සහ ගුණාත්මකභාවය සම්පූර්ණයෙන්ම නොසලකා හැරීම
- C) කිසිදු මාදිලියක් භාවිතා නොකරන්න සහ සියලු වැඩ අතින් කරන්න
- D) කාර්යයට අනුව විවිධ මාදිලි භාවිතා කිරීමෙන් පිරිවැය ප්රශස්ත කිරීම සහ තනි සැපයුම්කරුවෙකු මත යැපීම අඩු කිරීම ✔
විස්තරය: ආදර්ශ කළඹ යනු කාර්යය අනුව විවිධ මාදිලි භාවිතා කිරීමයි: සරල හා විශාල රැකියා සඳහා ලාභ ආකෘතිය, සංකීර්ණ රැකියා සඳහා බලවත් ආකෘතිය, රහස්ය දත්ත සඳහා විවෘත බර/ප්රාදේශීය ආකෘතිය. මෙය පිරිවැය ප්රශස්ත කරන අතර තනි සැපයුම්කරුවෙකු මත යැපීම අඩු කරයි.
13. උපන් රට සහ දත්ත රඳවා ගැනීමේ ප්රතිපත්තිය ආදර්ශ තේරීම සඳහා නිර්ණායකයක් විය හැක්කේ ඇයි?
- A) එය නියාමන, දත්ත ස්වෛරීභාවය සහ පෞද්ගලිකත්ව අවශ්යතා වලට සෘජුවම බලපාන නිසා ✔
- B) එය ආකෘතියේ ප්රතිචාර වේගය තීරණය කරන නිසා පමණි
- C) එය ආකෘතියෙන් සහාය දක්වන ගොනු ආකෘති තීරණය කරන බැවිනි
- D) එය ප්රායෝගික බලපෑමක් නොමැති නිසා, එය අලෙවිකරණ විස්තරයක් පමණි
විස්තරය: ආකෘතියේ සංවර්ධකයා සිටින රට සහ දත්ත ගබඩා කර ඇති ස්ථානය/කොපමණද; නෛතික නියාමනය, දත්ත ස්වෛරීභාවය සහ පෞද්ගලිකත්වය අනුව එය තීරණාත්මක වේ. උදාහරණයක් ලෙස, EU තුළ සත්කාරකත්වය සැපයීමට අවශ්ය සංවිධානයක් සඳහා, කලාපීය සැපයුම්කරුවෙකු හෝ ශුන්ය ගබඩා විකල්පය වැදගත් වේ.
14. කාර්යයක් තුළ 'තනි හොඳම ආකෘතියක්' සෙවීම නොමඟ යවන්නේ මන්දැයි හොඳම පැහැදිලි කරන්නේ කුමක්ද?
- A) සියලුම මාදිලි ඇත්ත වශයෙන්ම එකම හැකියාවන් ඇත
- B) විවිධ ප්රමාණවලින් ආකෘති ශක්තිමත් බැවින් 'හොඳම' රැකියා අවශ්යතාවය මත රඳා පවතී ✔
- C) වඩාත්ම මිල අධික ආකෘතිය සෑම කාර්යයකදීම ස්වයංක්රීයව හොඳම වේ
- D) ආදර්ශ තෝරා ගැනීම සම්පූර්ණයෙන්ම අහඹු ලෙස සිදු කළ යුතුය
විස්තරය: වේගය, පිරිවැය, සන්දර්භය, බහුවිධතාවය, පෞද්ගලිකත්වය සහ තර්කනය වැනි විවිධ මානයන් මත මාදිලි ශක්තිමත් වේ. එක් මානයක නායකයෙකු වන ආකෘතියක් තවත් මානයකින් දුර්වල විය හැකිය; එබැවින් 'හොඳම' සැමවිටම රැකියා අවශ්යතාවය මත රඳා පවතී.