තවත් භාෂාවලින්: English · தமிழ்
CM-03: ස්වභාවික භාෂා විප්ලවය, මානව ශාස්ත්‍ර පුනරුදය සහ AI සාක්ෂරතාව (කේතය ලෙස ස්වභාවික භාෂාව)
ප්‍රකාශිත 2026-09-14
ප්‍රධාන තේමාව: පරිගණකයට කේතකරණය වෙනුවට මිනිස් භාෂාව තේරුම් ගත හැකි වූ විට, ලෝකය අංශක 180කින් ආපසු හැරේ. තාක්ෂණික විෂයයන්ට යටපත් වී තිබූ කියවීම, ලිවීම, සංවාදය සහ මානව ශාස්ත්‍ර නැවතත් මානව සමාජයේ බලගතුම සුපිරි බලය (Superpower) බවට පත්ව ඇත.
සාමාන්‍ය මිනිස් භාෂාවෙන් පරිගණකයකට උපදෙස් දීම යන්නෙන් අදහස් වන්නේ කුමක්ද?
අතීතයේදී පරිගණකයකින් සංකීර්ණ කාර්යයක් කරවා ගැනීමට නම්, නියමිත විධාන (Commands), විශේෂිත මෘදුකාංග සින්ටැක්ස් හෝ ක්‍රමලේඛන කේත ලිවීමට අපට සිදුවිය.
අද උත්පාදක AI (Generative AI) හමුවේ සිදුව ඇත්තේ, ඔබ ඔබේ මිතුරෙකුට, කාර්යාලයේ සහායකයෙකුට හෝ ජ්‍යෙෂ්ඨ උපදේශකයෙකුට පවසන ආකාරයෙන්ම සාමාන්‍ය මිනිස් වචනවලින් (Natural Language) උපදෙස් ලබා දීමයි.
රූපය 4.1: Prompting in Generative AI — සාමාන්‍ය ස්වභාවික භාෂාවෙන් උපදෙස් ලබා දීමෙන් සංකීර්ණ ලිපි, වාර්තා සහ විශ්ලේෂණ ක්ෂණිකව උත්පාදනය කරගැනීම.
මෙම උපදෙස් ලබා දීමේ ක්‍රියාවලිය අප හඳුන්වන්නේ ප්‍රොම්ප්ටිං (Prompting) යනුවෙනි. ඔබ AI ආකෘතියට ලබා දෙන ඕනෑම ප්‍රශ්නයක්, විධානයක්, සන්දර්භයක් හෝ අවශ්‍යතාවක් ප්‍රොම්ප්ට් (Prompt) එකක් ලෙස හැඳින්වේ.
ඔබ දෙන වචනවල සිට අවසන් පිළිතුර දක්වා යන්ත්‍රය ගමන් කරන්නේ කෙසේද?
කෘත්‍රිම බුද්ධිය අපගේ ස්වභාවික භාෂාව තේරුම් ගෙන ප්‍රතිචාර දක්වන්නේ කෙසේද? ඒ පිටුපස ප්‍රධාන තාක්ෂණික ස්ථර තුනක් ක්‍රියාත්මක වේ:
රූපය 4.2: ස්වභාවික භාෂා සංජානන නල මාර්ගය (AI Cognitive Pipeline) — ස්වභාවික භාෂා සැකසුම (NLP), ස්වභාවික භාෂා අවබෝධය (NLU), සංස්ලේෂණය (Synthesis) සහ ස්වභාවික භාෂා උත්පාදනය (NLG) පියවරෙන් පියවර ක්‍රියාත්මක වන අයුරු.
ඔබේ ආදානය (Your input)
මෙය ආරම්භ වන්නේ කිසිදු සංකීර්ණ තාක්ෂණික ව්‍යුහයකින් තොරව, සාමාන්‍ය මිනිස් බසින් ඉදිරිපත් කරන සරල අවශ්‍යතාවයකිනි — නිදසුනක් ලෙස, "Write a magical story about a forest that glows" (දිදුලන වනාන්තරයක් පිළිබඳ මායාකාරී කතාවක් ලියන්න). මෙහි වචන අටක් පමණක් ඇති අතර, පරිශීලකයාට වරදින්නට කිසිදු සංකීර්ණ පරිගණක කේතයක් නොමැත.
ස්වභාවික භාෂා සැකසුම (NLP) මගින් වාක්‍ය ව්‍යුහය බිඳ හෙළීම
පළමු ස්ථරය වන NLP, යාන්ත්‍රිකව වාක්‍යය කැබලිවලට වෙන් කරයි. එය ආදානය තනි තනි ඒකක සහ ටෝකන බවට බිඳ හෙළයි: [Write], [magical], [story], [forest], [glows]. එමෙන්ම ව්‍යාකරණමය පද වර්ග හඳුනාගනී — ක්‍රියා පද, නාම විශේෂණ, නාම පද ආදියයි.
මෙම ස්ථරය අවධානය යොමු කරන්නේ ව්‍යුහය පිළිබඳව මිස අර්ථය පිළිබඳව නොවේ. එය පාඨකයෙකු වාක්‍යයක අර්ථය තේරුම් ගැනීමට පෙර පිටුවේ ඇති වචන අකුරෙන් අකුර හඳුනාගැනීම බඳුය. NLP අසමත් වන්නේ නම්, ඒ සාමාන්‍යයෙන් අසාමාන්‍ය අක්ෂර වින්‍යාසයක්, මිශ්‍ර භාෂා භාවිතයක් හෝ දුර්වල ලෙස ස්කෑන් කරන ලද ලේඛනයක් හේතුවෙනි.
ස්වභාවික භාෂා අවබෝධය (NLU) මගින් සැබෑ අභිප්‍රාය ග්‍රහණය කරගැනීම
දෙවන ස්ථරය වඩාත්ම වැදගත් කාර්යභාරය ඉටු කරයි. NLU හුදු වචන හඳුනාගැනීමෙන් ඔබ්බට ගොස් අර්ථකථන අභිප්‍රාය (semantic intent) ග්‍රහණය කරගනී — එනම් පරිශීලකයා ලියූ වචනවලට වඩා ඔහු සැබවින්ම අපේක්ෂා කළේ කුමක්ද යන්නයි. එම වචන අටෙන් පද්ධතිය නිගමන කිහිපයකට එළඹෙයි: මෙය කතාවක් සඳහා වන ඉල්ලීමකි, එහි පසුබිම දිදුලන වනාන්තරයකි, සහ එහි අපේක්ෂිත භාවාත්මක හැඟීම මායාකාරී බවයි.
තාක්ෂණය සැබවින්ම ක්‍රියාත්මක වන බව අපට දැනෙන්නේ මෙම ස්ථරයේදීය, මන්ද පද්ධතිය අපේ අවශ්‍යතාව තේරුම් ගන්නේ මෙතැනිනි. ඔබ ලියන ආකාරය වැඩිපුරම බලපාන්නේද මෙම ස්ථරයටයි. අපැහැදිලි හෝ නොපැහැදිලි උපදෙසක් ලබා දුන් විට NLU වෙත තේරුම් ගැනීමට කිසිවක් ඉතිරි නොවේ; එවිට ආකෘතිය එම හිඩැස සාමාන්‍යයෙන් පවතින සාමාන්‍ය අදහසකින් පුරවයි. පරිශීලකයින් "AI මට දුන්නේ සාමාන්‍ය පිළිතුරක්" යැයි පවසන්නේ එබැවිනි. සාමාන්‍ය වූයේ පිළිතුර නොවේ; ඔබේ උපදෙසෙහි වූ අපැහැදිලිකමයි.
සංස්ලේෂණය (Synthesis) මගින් පිළිතුර අභ්‍යන්තරව ගොඩනැගීම
තෙවනුව, ආකෘතිය තම පුහුණු මතකයේ ඇති රටාවන් පිරික්සමින් කතාවේ චරිත, පරිසරයේ වර්ණ සහ සිදුවීම් මාලාව අභ්‍යන්තරව සංස්ලේෂණය කරයි. මෙහිදී කතාන්දර පුස්තකාලයකින් කිසිවක් ලබා නොගනී. මෙය දත්ත රටාවන්ගෙන් සිදුකරන නවතම එකලස් කිරීමකි; එකම ප්‍රොම්ප්ට් එක දෙවරක් ඇතුළත් කළ විට අලුත්ම කතාන්දර දෙකක් ලැබෙන්නේ එබැවිනි.
ස්වභාවික භාෂා උත්පාදනය (NLG) මගින් චතුර ලෙස පිළිතුර ලිවීම
අවසානයේදී පිළිතුර සුමට, චතුර ගද්‍යයක් ලෙස ලියැවෙයි — "Once, in a hidden glade, ancient trees with luminous leaves cast soft azure light…" — තවද, බහු-මාදිලි පද්ධතියකදී එම අවබෝධය මතම පදනම් වූ චිත්‍රයක්ද ඒ සමගම ජනනය කරගත හැක.
මෙහිදී එක් වැදගත් අවවාදයක් සිහිපත් කළ යුතුය: මෙම අවසාන ස්ථරය ඔබ දකින එකම ස්ථරය වන අතර, එය චතුර බව සඳහා ප්‍රශස්ත කර ඇත. අලංකාර ප්‍රතිදානයක් ලැබීම යනු NLG ක්‍රියාත්මක වූ බවට සාක්ෂියකි. එහෙත් එය NLU ඔබේ අදහස නිවැරදිව තේරුම් ගත් බවට හෝ එහි අන්තර්ගතය සත්‍ය බවට සාක්ෂියක් නොවේ.
එම නල මාර්ගයම ගුරු මේසයකදී ක්‍රියාත්මක වන අයුරු
මෙම න්‍යායික සංකල්පය සැබෑ වැඩක් හමුවූ විට අතිශය ප්‍රායෝගික වේ. ගුරුවරයෙකු ශිෂ්‍යයෙකුගේ අත් අකුරින් ලියූ පිළිතුරු පත්‍රයක් ඡායාරූපගත කර පද්ධතියට ඇතුළත් කළ විට, මෙම ස්ථර තුනම අනුපිළිවෙලින් ක්‍රියාත්මක වේ: NLP අත් අකුරු ඇතුළුව පිටුවේ ඇති අකුරු, ඉලක්කම් සහ සංකේත හඳුනාගනී. NLU මෙය වරදවා වටහාගත් සංකල්පයක් නොව, නිවැරදි ක්‍රමය තෝරාගෙන අවසාන පේළියේදී සිදුවූ ගණනය කිරීමේ අත්වැරැද්දක් බව වටහා ගනී. NLG දරුවාට අද රාත්‍රියේම ක්‍රියාත්මක කළ හැකි ප්‍රතිපෝෂණයක් තත්පර කිහිපයකින් කෙටුම්පත් කරයි.
මෙහි වඩාත්ම වැදගත් වන්නේ අතරමැදි පියවරයි. අත් අකුරු හඳුනාගැනීම පිටපත් කිරීමක් වන අතර පරිගණක දශක ගණනාවක් තිස්සේ එය සිදුකර ඇත. එහෙත් මෙම වැරැද්ද සංකල්පීය හිඩැසක් නොව නොසැලකිලිමත්කමින් සිදුවන වැරදි ගණයට අයත් බව හඳුනාගැනීම යනු මීට පෙර පළපුරුදු ගුරුවරයෙකුගේ මනසෙහි පමණක් තිබූ විනිශ්චයකි — එමෙන්ම පෝලිමේ හතළිස් එක්වැනියාට සිටි ශිෂ්‍යයාට මෙතෙක් නොලැබුණේද එම විනිශ්චයයි.
AI යුගය තුළ කියවීම සහ ලිවීම නැවතත් කේන්ද්‍රස්ථානයට පැමිණෙන්නේ ඇයි?
පසුගිය දශක හතර පහ පුරාම අපේ සමාජය දැඩි ලෙස නැඹුරු වූයේ තාක්ෂණික සහ සුදු කරපටි රැකියා (White-collar technical jobs) දෙසටයි. පරිගණක විද්‍යාව සහ ඉංජිනේරු විද්‍යාව සමාජයේ ඉහළින්ම වැජඹෙද්දී, සාහිත්‍යය, කලා ඉතිහාසය, භාෂාව සහ දර්ශනය වැනි මානව ශාස්ත්‍ර (Humanities) දෙවන පෙළට ඇද දැමිණි. සංගීතඥයන්, ලේඛකයන් පවා පරිගණක කේත ඉගෙන ගැනීමටත්, යන්ත්‍රයේ භාෂාවෙන් සිතීමටත් පෙළඹුණි.
නමුත් දැන් පරිගණකයට මිනිසාගේ භාෂාව චතුර ලෙස කතා කළ හැකි වූ විට, අපට අංශක 180කින් ආපසු හැරෙන්නට සිදුව තිබේ!
අපේ පැරණි සමාජයේ පැවති ප්‍රකට කියමනක් තිබේ: "සකස්කඩ නොකියූ කට උගේ කට හුඹස් කට". කියවීමක්, භාෂා ඥානයක්, සාහිත්‍යමය පදනමක් නැති මිනිසාගේ කට හිස් හුඹසකට සමාන බව ඉන් කියැවිණි.
AI යුගයේදී මේ කියමන අතිශය ප්‍රබල ලෙස සත්‍ය වෙමින් පවතී: * කියවූ මිනිසාට පමණක් ලිවිය හැක. * ලියන්නට හැකි මිනිසාට පමණක් තම සිතේ කරුණු පැහැදිලිව පෙළගස්වා ගත හැක. * කරුණු පෙළගස්වා ගත හැකි මිනිසාට පමණක් ගැඹුරින් සිතිය හැක. * කියවන්නට, ලියන්නට සහ සිතන්නට නොහැකි මිනිසෙකුට AI එකකින් අසන්නට කිසිදු ප්‍රශ්නයක් හෝ ප්‍රොම්ප්ට් එකක් (Prompt) නොමැත!
පරිගණකය කොතෙක් බලවත් වුවද, එය ක්‍රියාත්මක කිරීමට අවශ්‍ය "සිතුවිල්ල" (Intent) පැමිණිය යුත්තේ මිනිසාගෙනි. කියවීමෙන් සහ ගැඹුරු අවබෝධයෙන් තොර වූවෙකු යන්ත්‍රය ඉදිරියේ ගොළු වනු ඇත.
AI වලට කිසිදා සැපයිය නොහැකි මූලික මානව කුසලතා 4 මොනවාද?
Apple සමාගමේ සම-නිර්මාතෘ ස්ටීව් ජොබ්ස් (Steve Jobs) විසින් 2005 වසරේ ස්ටැන්ෆර්ඩ් විශ්වවිද්‍යාලයේදී කළ ඓතිහාසික දේශනයේදී (Stanford Commencement Address) නිර්මාණශීලීත්වය (Creativity) පිළිබඳව අපූරු අදහසක් ප්‍රකාශ කළේය:
"නිර්මාණශීලීත්වය යනු හුදෙක් තිත් එකිනෙක යා කිරීමකි (Creativity is just connecting dots). අතීතයේ අප ලැබූ විවිධ අත්දැකීම්, කියවූ පොත්පත්, දුටු මිනිසුන් සහ විඳි අත්දැකීම් එකිනෙක යා කළ විට, අනාගතයේ පෙර නොවූ විරූ නවමු යමක් නිර්මාණය කළ හැක."
රූපය 4.3: Connecting the Dots — AI යුගයේදී මිනිසා සතු විය යුතු මූලික කුසලතා හතර: ලිවීම (Write), කියවීම (Read), සවන්දීම (Listen), සහ සිතීම (Think).
සිතීම: ගැටලුව හඳුනාගැනීම (Think: Identifying the Problem)
පැහැදිලි, තර්කානුකූල චින්තනයක් නොමැතිව කිසිදු සාර්ථක ප්‍රොම්ප්ට් එකක් සෑදිය නොහැක. ඔබ සිතන ආකාරය ඔබේ විධානය තීරණය කරයි. ගැටලුවේ මූලාරම්භය හඳුනාගැනීම යනු යන්ත්‍රයට කළ නොහැකි, මිනිස් බුද්ධියෙන්ම කළ යුතු මූලික පියවරයි.
ලිවීම: අදහස් ප්‍රකාශනය (Write: Expressing the Idea)
තම සිතේ ඇති සංකීර්ණ අවශ්‍යතාවය වචන බවට පත් කිරීමේ හැකියාව. නිවැරදි සීමාවන්, පසුබිම සහ කාර්යය ලිඛිතව ගොනු කිරීම. පැහැදිලි ලිඛිත අදහස් දැක්වීමක් නොමැතිව ප්‍රබල AI ආකෘතියකින් වුවද නිවැරදි ප්‍රතිඵල ලබාගත නොහැක.
කියවීම: විචාරශීලී විගණනය (Read: Auditing Critically)
AI එකකින් ලියවිල්ලක් තත්පර 3කින් ගත හැක; නමුත් එහි ඇති නිරවද්‍යතාවය සහ සත්‍ය අසත්‍යතාවය තහවුරු කරගත හැක්කේ ඉතා සියුම්ව කියවා බැලිය හැකි මිනිසෙකුට පමණි. කියවීම යනු යන්ත්‍රයේ වැරදිවලින් ආරක්ෂා වන ප්‍රධානතම පලිහයි.
සවන්දීම: මානුෂීය සංවේදීතාව (Listen: Human Sensitivity)
පන්ති කාමරයකදී වේවා, නිවසකදී වේවා, රාජ්‍ය සේවයේදී වේවා, ව්‍යාපාරයකදී වේවා, කාර්යයේ මුල්ගල වන්නේ තවත් කෙනෙකුගේ දුෂ්කරතාවට සවන්දීමයි. යන්ත්‍රයකට සංවේදී විය නොහැක; සංවේදීව සවන් දී එම තොරතුරු පද්ධතියට එක් කළ හැක්කේ ඔබට පමණි.
තිත් යා කිරීමට පෙර තිත් එකතු කරගැනීම (Collecting the Dots Before Connecting Them)
තිත් යා කිරීමට නම්, පළමුව ඔබ සතුව එකතු කරගත් තිත් තිබිය යුතුය! (If you are to connect the dots, you must first collect the dots).
කෘත්‍රිම බුද්ධිය ඉදිරියේ ඔබ තිත් එකතු කරගන්නේ කෙසේද? ඊට ඇති එකම මග වන්නේ: පුළුල්ව කියවීම, මිනිසුන්ට සංවේදීව සවන්දීම, සහ ලෝකය දෙස විවෘත මනසකින් බැලීමයි. ඔබ සතුව විවිධ ක්ෂේත්‍ර පිළිබඳ දැනුම නමැති තිත් තිබෙන විට, AI මෙවලම උපයෝගී කරගෙන එම තිත් යා කරමින් පෙර නොවූ විරූ විසඳුම් නිර්මාණය කිරීමට ඔබට හැකිවනු ඇත.
ගමේ ATM එක සහ ආච්චිගේ අත්දැකීමෙන් ඩිජිටල් පරතරය ගැන අපට උගන්වන්නේ කුමක්ද?
උත්පාදක AI සහ ස්වභාවික භාෂා විප්ලවය සාමාන්‍ය ජනතාවට වැදගත් වන්නේ ඇයිද යන්න පැහැදිලි කිරීමට මා නිතර ගෙනහැර දක්වන සැබෑ සමාජීය උදාහරණයක් තිබේ.
පරිගණක ආරක්ෂාව (Cybersecurity) සහ NIST ඩිජිටල් අනන්‍යතා මාර්ගෝපදේශ (NIST SP 800-63B Authentication Guidelines) පිළිබඳ කතා කරන විට, පුද්ගලයෙකුගේ අනන්‍යතාවය තහවුරු කිරීමට මූලික සාධක 3ක් (Three Factors of Authentication) භාවිත කෙරේ: 1. ඔබ දන්නා දෙයක් (Something you know): මුරපදයක් (Password) හෝ රහස් අංකයක් (PIN). 2. ඔබ සතු දෙයක් (Something you have): බැංකු කාඩ්පතක් (ATM Card) හෝ ජාතික හැඳුනුම්පත. 3. ඔබ සතු ලක්ෂණයක් (Something you are): ඇඟිලි සලකුණ (Fingerprint), මුහුණ (Facial recognition) හෝ ඇසේ කණිනිකාව (Retina). අද ජාතික ඩිජිටල් හැඳුනුම්පත (SLUDI) ඔස්සේ ගොඩනැගෙන්නේ මෙයයි.
බැංකුවක් විසින් ATM යන්ත්‍රයකින් මුදල් ලබා ගැනීම සුරක්ෂිත කර ඇත්තේ සාධක දෙකක සත්‍යාපනයක් (Two-Factor Authentication - 2FA) මගිනි: එනම් ඔබ සතු කාඩ්පත (Something you have) සහ ඔබ දන්නා රහස් අංකය (Something you know) මගිනි.
නමුත් ඔබ ග්‍රාමීය ප්‍රදේශයක ATM යන්ත්‍රයක් අසලට ගොස් මදක් බලා සිටින්න: වැඩිහිටි ආච්චි කෙනෙකු හෝ සීයා කෙනෙකු මුදල් ගැනීමට පැමිණි විට සිදුවන්නේ කුමක්ද? තිරයේ ඇති ඉංග්‍රීසි වචන, බොත්තම් හෝ සංකීර්ණ මෙනු තේරුම් ගැනීමට තරම් ඩිජිටල් සාක්ෂරතාවක් ඔවුන් සතුව නැත.
අවසානයේදී එම වැඩිහිටියා කරන්නේ කුමක්ද? යන්ත්‍රය අසල සිටින නොහඳුනන තරුණයෙකුට හෝ ආරක්ෂක නිලධාරියාට තම ATM කාඩ්පත සහ රහස් අංකය (PIN) යන දෙකම අතට දී, "අනේ පුතේ, මට මේකෙන් රුපියල් හාරදාහක් අරන් දෙන්න" යැයි බැගෑපත්ව ඉල්ලා සිටීමයි!
Caution
පද්ධතියේ අසාර්ථකත්වය: බැංකුව ඩොලර් මිලියන ගණන් වියදම් කර ආරක්ෂිත පද්ධතියක් හැදුවද, මිනිසා සහ පරිගණකය අතර අතුරුමුහුණතේ ඇති භාෂාමය සහ සාක්ෂරතා බාධකය හේතුවෙන් සමස්ත ආරක්ෂක පවුරම බිඳ වැටේ. සාමාන්‍ය පුරවැසියා අනාරක්ෂිත වේ.
ස්වභාවික භාෂා AI මගින් විසඳන්නේ මෙම ඓතිහාසික අසාර්ථකත්වයයි!
අනාගත ATM යන්ත්‍රයක් හෝ ඕනෑම කාර්යාලයක, බැංකුවක හෝ පාසලක කවුළුවක් හමුවේ, ඇයට බොත්තම් ඔබන්නට හෝ සංකීර්ණ පෝරම පුරවන්නට අවශ්‍ය නැත. ඇයට තම සාමාන්‍ය කටහඬින්: "පුතේ, මගේ විශ්‍රාම වැටුප වැටිලද බලලා මට රුපියල් හාරදාහක් අරන් දෙන්න" යැයි කතා කළ හැක.
යන්ත්‍රය ඇගේ කටහඬ, භාෂාව සහ ඇඟිලි සලකුණ (Biometrics) හඳුනාගෙන, කිසිදු අතරමැදියෙකුගේ පිහිටක් නොමැතිව එම සේවාව ක්ෂණිකව සලසා දෙයි. ඩිජිටල් ලෝකයෙන් කොන්වී සිටි දුප්පත්, වැඩිහිටි සහ සාමාන්‍ය පුරවැසියා සැබවින්ම බලගැන්වෙන්නේ මෙම ස්වභාවික භාෂා විප්ලවය තුළිනි.
🎬 සජීවිකරණ වීඩියෝව නරඹන්න (විනාඩි 2): The ATM That Learned Our Language — Banking in the Gen AI Era
AI සාක්ෂරතාව සැබවින්ම සමන්විත වන්නේ කුමකින්ද?
AI සාක්ෂරතාව යනු මෙවලම් භාවිතයේ දක්ෂතාව — එනම් කුමන යෙදුමේ කුමන බොත්තම එබිය යුතුද යන්න දැන සිටීම — යැයි බොහෝ දෙනා වරදවා වටහා ගනිති. එය එහි කුඩාම කොටසයි. රූපය 4.4 හි දැක්වෙන්නේ මානව-යන්ත්‍ර හවුල්කාරිත්වය කේන්ද්‍ර කරගත් අත්‍යවශ්‍ය මූලික කුසලතා ස්ථම්භ 5යි:
රූපය 4.4: උත්පාදක AI යුගයේ අත්‍යවශ්‍ය කුසලතා ආකෘතිය (Gen AI Essential Skills) — AI සාක්ෂරතාව, ප්‍රොම්ප්ට් උපායමාර්ග, විෂය ප්‍රවීණතාව, සදාචාරාත්මක වගවීම සහ මානව-යන්ත්‍ර හවුල්කාරිත්වය.
AI සාක්ෂරතාව සහ දත්ත චතුරතාව (AI literacy and data fluency)
මෙම ආකෘතිවලට කළ හැකි සහ කළ නොහැකි දේ පිළිබඳව නිරවුල් අවබෝධයක් තිබීම — එනම් ඒවායේ සැබෑ හැකියාවන් මෙන්ම තාක්ෂණික සීමාවන් හඳුනාගැනීමයි. ඊට අමතරව යටින් පවතින දත්ත භාවිතයන්: දත්ත පාලනය, සදාචාරාත්මක මූලාශ්‍ර භාවිතය, සහ පුහුණු දත්ත තුළ ගැබ්ව ඇති පක්ෂග්‍රාහීත්වයන් (biases) හඳුනාගැනීමේ හැකියාව මෙයට අයත් වේ.
මෙම නිපුණතාවයේ ප්‍රායෝගික වටිනාකම වන්නේ මෙම මෙවලම භාවිත නොකළ යුත්තේ කවදාද යන්න දැනගැනීමයි. භාෂා ආකෘතියක් යනු හුදෙක් සම්භාවිතා එන්ජිමක් (plausibility engine) බව වටහාගෙන සිටින අයෙකු, කිසිදා එයින් පෙළපොතක පිටු අංකයක් හෝ නිශ්චිත උපුටා දැක්වීමක් ඉල්ලා නොසිටියි. එම තනි සංයමය පමණක්ම සැබෑ ලේඛනවලට වැරදි තොරතුරු ඇතුළත් වීම විශාල වශයෙන් වළක්වාලයි.
ප්‍රොම්ප්ට් උපායමාර්ග සහ විශ්ලේෂණය (Prompt strategy and analysis)
හුදු තනි පේළියේ ප්‍රශ්න වෙනුවට සංකීර්ණ, අදියරගත සහ පුනරාවර්තන ප්‍රොම්ප්ට් සැලසුම් කිරීම මෙයට අයත් වේ. ඉන්පසු ලැබෙන ප්‍රතිඵල කරුණු සත්‍යාපනය සහ විධිමත් තත්ත්ව පාලනය හරහා සෝදුපත් බැලීම සිදුකළ යුතුය.
මෙහිදී තොරතුරු සත්‍යාපනය කිරීම ප්‍රොම්ප්ට් ලිවීමේම කොටසක් ලෙස දක්වා ඇත්තේ හේතුවක් ඇතිවය: ප්‍රොම්ප්ට් එකක කාර්යය අවසන් වන්නේ තිරය මත පිළිතුර දිස්වූ පසුව නොවේ. ඒ පිළිබඳ සම්පූර්ණ සැලසුම් ක්‍රමවේදය CM-05 හි විස්තර කෙරේ.
විෂය ක්ෂේත්‍ර ප්‍රවීණතාව සහ උපායමාර්ගික දැක්ම (Domain and strategic insight)
ඉගැන්වීම, ඉගෙනීම, දරුවන් හදාවඩා ගැනීම, පරිපාලනය, ගිණුම්කරණය හෝ නීතිය වැනි ඔබේම ක්ෂේත්‍රයේ ගැඹුරු සන්දර්භය සතු වීම මෙයට අයත් වේ. ඔබ සිටින තැනට සැබෑ වටිනාකමක් ගෙන දෙන AI යෙදවුම් මොනවාදැයි හඳුනාගැනීමටත්, එක් අයෙකුගේ පුද්ගලික උනන්දුවකින් ඔබ්බට ගොස් පාසලක් හෝ ආයතනයක් පුරා එය ක්‍රමානුකූලව අනුගත කිරීමටත් මෙම දැක්ම අත්‍යවශ්‍ය වේ.
තාක්ෂණය කුමක් වුවද, තමන් කරන කාර්යය සහ එහි සැබෑ බාධකය කුමක්ද යන්න පිළිබඳ නොසැලෙන දැනුමක් නැති කෙනෙකුට AI පද්ධතියක් නිවැරදි මාවතක මෙහෙයවිය නොහැක.
වගකීම් සහගත AI සහ සදාචාරය (Responsible AI and ethics)
සදාචාරාත්මක රාමු සහ විනිවිදභාවය, දත්ත පෞද්ගලිකත්වය සහ පද්ධති ආරක්ෂාව, සහ පක්ෂග්‍රාහී හෝ අසාධාරණ තීන්දු වැළැක්වීම මෙයට අයත් වේ. ජාතික දත්ත ආරක්ෂණ නීතියට අනුකූලව කටයුතු කිරීම සෑම පරිශීලකයෙකුගේම මූලික වගකීමකි.
පුරවැසියන්ගේ හෝ සිසුන්ගේ දත්ත හසුරුවන ඕනෑම අයෙකුට මෙය අවසානයේ සිදුකරන විධිමත් කටයුත්තක් නොව පූර්ව කොන්දේසියකි; මන්ද නොසැලකිලිමත් ලෙස කරන එක් උඩුගත කිරීමකින් (upload), හෙළි කිරීමට ඔබට කිසිදා අයිතියක් නොතිබූ තොරතුරු නිරාවරණය විය හැකි බැවිනි. යන්ත්‍රයට වගකීම පැවරිය නොහැක; වගකීම රඳා පවතින්නේ එය භාවිත කරන මිනිසා මතය. ඒ පිළිබඳ විස්තර CM-06 හි දැක්වේ.
මානව-යන්ත්‍ර හවුල්කාරිත්වය (Human–AI partnership)
AI යනු මිනිසා විස්ථාපනය කරන ආදේශකයක් නොව, ඔබේ ඵලදායිතාව සහ තීරණ ගැනීමේ හැකියාව ඉහළ නංවන සහායකයෙකි. හොඳම ප්‍රතිඵල ලැබෙන්නේ මිනිසා සහ යන්ත්‍රය එකිනෙකාගේ ශක්තීන් හඳුනාගෙන එකට වැඩ කරන විටයි: යන්ත්‍රය වේගය සහ පුළුල් බව සපයද්දී, අභිප්‍රාය, සංවේදී බව සහ සදාචාරාත්මක විනිශ්චය සපයන්නේ ඔබයි.
මීළඟ මොඩියුලයේදී, AI එකකින් නිවැරදිම ප්‍රතිඵලය ලබා ගැනීම සඳහා අවශ්‍ය වන වැදගත්ම මානව කුසලතාව වන "පැහැදිලි අදහස් ප්‍රකාශනය (Articulation)", කුඩා දරුවෙකුගේ කුතුහලය සහ Prompting කලාව ප්‍රායෝගිකව හදාරමු.