CM-06: උත්පාදක AI හි අවදානම්, සයිබර් ආරක්ෂාව සහ වගකීම් සහගත භාවිතය (පාලනය සහ සදාචාරය)

ප්‍රකාශිත 2026-09-14

ප්‍රධාන තේමාව: AI මෙවලමක් යනු ආත්මවිශ්වාසයෙන් පිරි සීමාවාසිකයෙකු (Confident Intern) බඳුය. එය ඉතා දක්ෂ ලෙස වැඩ කරයි; නමුත් කිසිදු පැකිලීමකින් තොරව පට්ටපල් බොරු කීමටද පුළුවන. අවසාන නීතිමය වගවීම ඇත්තේ අත්සන තබන, පිළිතුර ඉදිරිපත් කරන, තීරණය ගන්නා මිනිසා සතුවය. කියවීම යනු මානවයා පාලනය රඳවා ගන්නා එකම පවුරයි.

උත්පාදක AI හි ප්‍රධාන අවදානම් හත මොනවාද?

මෙම මොඩියුලයේ ඇති සෑම කරුණක්ම CM-02 හි තහවුරු කළ එක් මූලික තාක්ෂණික සත්‍යයකින් පැන නගින අතර, අවදානම් නම් කිරීමට පෙර එය නැවත සිහිපත් කිරීම වටී. මහා පරිමාණ භාෂා ආකෘතියක් යනු තොරතුරු ගබඩාවක් හෝ දත්ත සමුදායක් (Database) නොවේ. එය හුදෙක් සංඛ්‍යානමය සම්භාවිතාව මත පදනම්ව වඩාත්ම ගැළපෙන ඊළඟ වචනය අනුමාන කරන එන්ජිමකි (P(w_t | w_<t)).

මෙහි ප්‍රතිඵලය වන්නේ සියලු හානිවලට මුල්වන ගුණාංගයයි. තමන් දන්නා දෙයෙහි හිඩැසක් හමු වූ විට, ආකෘතිය නතර වී "මම නොදනිමි" කියා පවසන්නේ නැත. එය සාවද්‍ය කරුණු ගොතා ඉදිරිපත් කරන අතර (Fabrication), අතිශය විශ්වාසනීය සහ නිල ස්වරූපයෙන් එම ගෙතූ කරුණු ඉදිරිපත් කරයි — මන්ද ගලායන නිමැවුමක් නිපදවීම සඳහා එය ප්‍රශස්ත කර ඇති බැවිනි; තවද තමන් දන්නා දේ සහ තමන් විසින් ගොතන දේ අතර වෙනස හඳුනාගැනීමේ කිසිදු වෙනම හැකියාවක් ඊට නැත.

මීට අදාළව ප්‍රධාන අවදානම් මානයන් හතක් පවතින අතර, ඒවා පාසල් ශිෂ්‍යයෙකුගේ සිට ප්‍රධාන විධායක නිලධාරියෙකු දක්වා සෑම කෙනෙකුටම අදාළ වේ. ඒ සෑම එකක්ම එහි තාක්ෂණික හේතුව සහ — පන්ති කාමරයකදී, නිවසකදී, ව්‍යාපාරයකදී සහ කාර්යාලයකදී — එයින් සැබවින්ම සිදුවන පාඩුව සමග පහත දක්වා ඇත; මන්ද එකම යාන්ත්‍රණය මෙම ස්ථාන හතරේදීම හානි සිදු කරන අතර, මතක තබාගැනීමට වටින්නේ ඔබේම කාර්යයට සමීපතම නිදසුන් වන බැවිනි.

රූපය 8.1: උත්පාදක AI හි අවදානම් (Risks of Generative AI) — සාවද්‍ය තොරතුරු (Hallucination), පක්ෂග්‍රාහීත්වය (Bias), රහස්‍යභාවය (Privacy), නීතිමය වගවීම (Legal), අනිසි භාවිතය (Misuse), පමණ ඉක්මවා යැපීම (Over-reliance) සහ ටෝකන් පිරිවැය (Token Cost).

රූපය: උත්පාදක AI හි ප්‍රධාන අවදානම් 7 පිළිබඳ පද්ධතිමය වර්ගීකරණය — ඉඩසර ඇකඩමිය.

පළමු අවදානම: සාවද්‍ය තොරතුරු මවාපෑම (Risk one: hallucination)

තාක්ෂණිකව සිදුවන දේ. සන්දර්භීය හිඩැසක් හෝ සැබෑ අවිනිශ්චිතතාවක් හමු වූ විට, ආකෘතිය වාග්විද්‍යාත්මකව අතිශය අලංකාර එහෙත් භෞතිකව කිසිදා නොපවතින කරුණු නිපදවයි.

ප්‍රායෝගිකව සිදුවන පාඩුව. ශිෂ්‍යයෙකුගේ පැවරුමක උපුටා දක්වා ඇති, සැබවින්ම නොපවතින පෙළපොත් පිටු අංකයක්. දරුවන් හතළිහකට බෙදා දුන් නිබන්ධනයක (tute) වැරදි පුද්ගලයෙකුට ආරෝපණය කළ විද්‍යාත්මක නියමයක්. පූර්ණ විශ්වාසයෙන් ගොතා විභාග පිළිතුරකට ලියූ ඓතිහාසික දිනයක්. කිසිදු මූලාශ්‍රයකින් තහවුරු නොවන, ව්‍යාපාරික යෝජනාවක ඇති සංඛ්‍යාලේඛනයක්. මේ සෑම එකක්ම නිවැරදි ආකෘතියෙන් සහ නිවැරදි ස්වරයෙන් ඉදිරිපත් වේ — ගුරුවරයෙකු එය බෙදා දුන් මොහොතේ, ශිෂ්‍යයෙකු එය විභාගයකදී ලියූ මොහොතේ, හෝ වෘත්තිකයෙකු එයට අත්සන් තැබූ මොහොතේ, එම මනඃකල්පිත කරුණ එය ඉදිරියට යැවූ මිනිසාගේ අධිකාරිය අත්පත් කරගනී. එවිට එම දෝෂයේ වගවීම යන්ත්‍රයකට නොව නම සඳහන් මිනිසෙකුට සෘජුවම පැවරේ.

අන් සියල්ලටම වඩා ඉදිරියෙන් සිටින අවදානම මෙයයි, මන්ද එය කිසිවෙකුට නොදැනී නිහඬව පැමිණෙන බැවිනි. මෙම ලැයිස්තුවේ ඇති අනෙක් සෑම අංගයක්ම කවදා හෝ තම පැවැත්ම හෙළි කරයි. එහෙත් Hallucination එකක් බැලූ බැල්මට පෙනෙන්නේ නිරපේක්ෂ සත්‍යයක් ලෙසිනි.

දෙවන අවදානම: පක්ෂග්‍රාහීත්වය සහ සමාජ අසාධාරණත්වය (Risk two: bias and inequity)

තාක්ෂණිකව සිදුවන දේ. ආකෘතිය පුහුණු කිරීමට යොදාගත් ඓතිහාසික අන්තර්ජාල දත්තවල පවතින සමාජ, ආර්ථික, සංස්කෘතික සහ භාෂාමය අසමතුලිතතා ආකෘතියේ ප්‍රතිදානයන් කෙරෙහි සෘජුවම බලපායි. එය අතීත වාර්තාවලින් සාමාන්‍ය දේ කුමක්දැයි ඉගෙන ගත් අතර, අතීතය සාධාරණ එකක් නොවීය.

ප්‍රායෝගිකව සිදුවන පාඩුව. ශිෂ්‍යත්ව අයදුම්පත් ලකුණු කරන, රැකියා අයදුම්කරුවන් කෙටි ලැයිස්තුගත කරන, හෝ ලිඛිත පිළිතුරු ශ්‍රේණිගත කරන පද්ධතියක් මගින් ග්‍රාමීය සිසුන්, ගැහැනු ළමයින්, ඇතැම් පාසල්වල දරුවන් හෝ එක් භාෂාවක් කතා කරන්නන් ස්වයංක්‍රීයව සහ කිසිවෙකුට නොපෙනී අසාධාරණයට ලක්විය හැක. මෙහි සම්මත නිරූපණය වන්නේ නම පමණක් වෙනස් වන, අන් සෑම අතකින්ම සමාන අයදුම්පත් දෙකකින් එකක් පමණක් තෝරාගැනීමයි. පද්ධතිය තුළ ඇඟිල්ල දිගු කළ හැකි කිසිදු වෙනස්කම් කිරීමේ උපදෙසක් නොමැති බැවින්, මෙයට එරෙහිව අභියෝග කිරීම මිනිස් පක්ෂග්‍රාහීත්වයට අභියෝග කිරීමට වඩා අතිශය දුෂ්කර වේ — තම දරුවා අඩු ලකුණු ලැබූ බව ගුරුවරයෙකුගෙන් දැනගත් දෙමාපියෙකුට විමසීමට ගුරුවරයෙකු සිටී; එහෙත් පද්ධතිය තම දරුවාට අඩු ලකුණු දුන් බව දැනගත් දෙමාපියෙකුට විමසීමට කිසිවෙකු නැත.

යුරෝපා සංගමයේ AI පනත (EU AI Act - Regulation 2024/1689) මගින් අධ්‍යාපනය, රැකියා සහ රාජ්‍ය ප්‍රතිලාභ ලබාගැනීම පිළිබඳ තීරණ "ඉහළ අවදානම් සහිත AI" (High-Risk AI) ලෙස වර්ගීකරණය කර ඇත්තේ මේ හේතුවෙනි — එය දිරිගැන්වීම් වෙනුවට නීතිමය බැඳීම් පනවන කාණ්ඩයකි. ජාත්‍යන්තර නීතිමය දිශානතිය පැහැදිලිය: තීරණයට ලක්වන පුද්ගලයා සඳහා එහි ප්‍රතිවිපාකය බරපතල වන තරමට, එය ස්වයංක්‍රීය කරන ඕනෑම අයෙකු මත ඔප්පු කළ හැකි සාධාරණත්වයේ වගකීම ඉහළ යයි. අධ්‍යාපනය පැහැදිලිවම එම කාණ්ඩයට අයත් වේ.

තෙවන අවදානම: රහස්‍යභාවය සහ දත්ත කාන්දු වීම (Risk three: confidentiality and privacy leakage)

තාක්ෂණිකව සිදුවන දේ. පොදු පාරිභෝගික AI මෙවලම් වෙත ඇතුළත් කරන දත්ත, ආකෘති සපයන සමාගම් විසින් රඳවාගෙන තම ඊළඟ පරම්පරාවේ ආකෘති පුහුණු කිරීම සඳහා භාවිත කළ හැක. ඔබ නොමිලේ ලැබෙන චැට් කවුළුවකට යමක් පිටපත් කර ඇතුළත් කළ විට, පොදු නීතියක් ලෙස එය ඔබේ ආයතනයෙන් පිටව ගොස් අවසන්ය.

ප්‍රායෝගිකව සිදුවන පාඩුව. දරුවන් හතළිහකගේ නම් සහිත පන්ති ලකුණු පත්‍රයක් විශ්ලේෂණය කරවා ගැනීමට නොමිලේ ලැබෙන චැට් කවුළුවකට ඇතුළත් කරන ගුරුවරයෙක්. දරුවෙකුගේ සම්පූර්ණ නම, පාසල සහ උපන්දිනය ගෙදර වැඩ සහායකයෙකුට ටයිප් කරන දෙමාපියෙක්. සේවාදායක ලැයිස්තුවක් හෝ වැටුප් ලේඛනයක් උඩුගත කරන සේවකයෙක්. මේ සෑම දෙයක්ම කරන්නේ තම වැඩ ඉක්මනින් අවසන් කිරීමට උත්සාහ කරන යහපත් චේතනාවෙන් යුත් අයෙකි. ශ්‍රී ලංකාවේ 2022 අංක 9 දරන පුද්ගලික දත්ත ආරක්ෂණ පනත (PDPA) යටතේ පුද්ගලික දත්ත ආරක්ෂා කිරීම ඒවා දරන ඕනෑම අයෙකුගේ නීතිමය වගකීමක් වන අතර, එම අනාවරණය පහසු වීම හෝ නොදැනුවත්ව සිදුවීම නිසා එම වගකීම ලිහිල් නොවේ — තවද එම දත්ත දරුවෙකුට අයත් වන විට, නිරාවරණය වන පුද්ගලයාට එකඟතාව දීමටවත් පැමිණිලි කිරීමටවත් නොහැක.

මෙහි ඇති ප්‍රායෝගික දුෂ්කරතාවය වන්නේ මෙම අවදානමට කිසිදු ප්‍රතිචාර ලූපයක් නොමැති වීමයි. රහස්‍ය දත්ත වැරදි කවුළුවකට ඇතුළත් කළ විට කිසිදු බාහිර අනතුරක් නොපෙනේ. වැඩ පහසු වේ, අනතුරු ඇඟවීමක් නොපෙනේ, සහ එය පුරුද්දක් බවට පත්වේ — මෙය ඒ මොහොතේ තනි පුද්ගල විනිශ්චයට නොතබා පාසලක, සමාගමක හෝ නිවසක ප්‍රකාශිත නීතියක් බවට පත්කළ යුත්තේ එබැවිනි. ප්‍රායෝගික පරීක්ෂාව මෙයයි: නම් වෙනුවට කේත යොදන්න, සහ නාඳුනන අයෙකුගේ අතට නොදෙන කිසිවක් කිසිවිටෙකත් ටයිප් නොකරන්න.

සිව්වන අවදානම: නීතිමය සහ නියාමන වගවීම (Risk four: legal and regulatory liability)

තාක්ෂණිකව සිදුවන දේ. මෙම මාතෘකාව යටතේ වෙනම ගැටලු දෙකක් පවතී: වාණිජමය හෝ බුද්ධිමය දේපළ අයිතිය සහිත ලේඛන අනවසරයෙන් ප්‍රතිනිෂ්පාදනය වීම, සහ AI මගින් ජනනය කරන ප්‍රතිදානයන් සඳහා සාමාන්‍යයෙන් කිසිදු ප්‍රකාශන හිමිකම් ආරක්ෂාවක් නොලැබීම.

ප්‍රායෝගිකව සිදුවන පාඩුව. ඉගැන්වීම් සටහන්, පළ කළ ලිපියක් හෝ වාණිජ යෝජනාවක් තුළ ප්‍රකාශන හිමිකම් සහිත අන්තර්ගතය ප්‍රතිනිෂ්පාදනය වීම — ඊට අමතරව, AI ඔබ වෙනුවෙන් ජනනය කරන දෙයට සාමාන්‍යයෙන් තමන්ගේම ප්‍රකාශන හිමිකම් ආරක්ෂාවක් නොලැබෙන බැවින්, මේ ආකාරයෙන් ඔබ සැකසූ ලාංඡනය හෝ පාඨමාලා අන්තර්ගතය ආරක්ෂා කරගැනීමට ඔබට අයිතියක් නොතිබිය හැක. තවද අවධානය යොමු කළ යුතු වඩාත් සියුම් අවදානමක් ඇත: පුද්ගලයෙකු පිළිබඳ ගන්නා ඕනෑම බරපතල තීරණයක් — ශ්‍රේණියක්, තැනක්, රැකියාවක්, ප්‍රතිලාභයක් — මිනිසෙකුට ප්‍රකාශ කළ හැකි තර්කනයක් මත පදනම් විය යුතුය. "පද්ධතිය මගින් මෙය නිපදවීය" යන්නෙන් ඔබ්බට පැහැදිලි කළ නොහැකි තීරණයක්, එහි ප්‍රතිඵලය කෙතරම් ප්‍රයෝජනවත් වුවද දෙමාපියෙකු, අභියාචනා මණ්ඩලයක් හෝ අධිකරණයක් හමුවේ ආරක්ෂා කළ නොහැක. තර්කනය යනු තීරණයක් මත ඇති සැරසිල්ලක් නොවේ. තීරණය වලංගු කරන කොටසක් වන්නේ එයයි.

පස්වන අවදානම: අනිසි භාවිතය සහ ව්‍යාජ නිර්මාණ (Risk five: misuse and deepfakes)

තාක්ෂණිකව සිදුවන දේ. බහුමාධ්‍ය මෙවලම්වලට කටහඬ අනුකරණය (Voice cloning), ගොතන ලද වීඩියෝ (Deepfakes), සහ ස්වයංක්‍රීය සමාජ ඉංජිනේරු ප්‍රහාර ඉතා වේගයෙන් හා නොසැලකිය යුතු පිරිවැයකින් සිදුකළ හැක.

ප්‍රායෝගිකව සිදුවන පාඩුව. ඔබේම දරුවාගේ කටහඬින් හදිසියේ මුදල් ඉල්ලා එන දුරකථන ඇමතුමක්. හිරිහැර කිරීමක් ලෙස පන්තියේ ළමුන් අතර බෙදාහරින, පාසල් සිසුවියකගේ ගොතන ලද රූපයක්. ගෙවීමක් අනුමත කරමින් කළමනාකරුවෙකුගේ ව්‍යාජ කටහඬින් ලැබෙන උපදෙසක්. මිනිත්තු කිහිපයකින් නිපදවන ව්‍යාජ සහතික සහ ප්‍රතිඵල ලේඛන. එමෙන්ම තාක්ෂණික පැත්තෙන් ගත් කල, ස්වයංක්‍රීය පරීක්ෂාවන්ට ඔරොත්තු දීමට සැලසුම් කර නැති පැරණි පද්ධති ඇතුළුව, මෘදුකාංගවල ඇති දුර්වලතා අපරාධකරුවන් විසින් AI යොදාගෙන ස්වයංක්‍රීයව සොයාගෙන ප්‍රයෝජනයට ගැනීම.

මෙහි වෙනස් වී ඇත්තේ වංචාවේ පැවැත්ම නොව එහි ආර්ථිකයයි. යමෙකුගේ අනන්‍යතාවය සාර්ථකව අනුකරණය කිරීමට අතීතයේදී දක්ෂතාවය, සූදානම සහ නිර්භීතකම අවශ්‍ය විය. දැන් ඊට අවශ්‍ය වන්නේ තත්පර දහයක හඬ පටයක් සහ දායකත්වයක් පමණි; එබැවින් ප්‍රහාරයේ දුෂ්කරතාවය මත පදනම් වූ සෑම ආරක්ෂක ක්‍රමයක්ම තවදුරටත් වලංගු නොවේ. දුරකථනයේ හුරුපුරුදු කටහඬක් හඳුනාගැනීම මුළු මානව ඉතිහාසය පුරාම අනන්‍යතාවය පිළිබඳ විශ්වාසදායක සාක්ෂියක් වූ අතර, මෑතකදී, කිසිදු නිවේදනයකින් තොරව එය එසේ නොවන්නට විය. තවමත් ඒ මත යැපෙන ඕනෑම නිවසකට හෝ ආයතනයකට දෙවන සාධකයක් අවශ්‍ය වේ — පවුලේ රහස් වචනයකට කිසිදු වියදමක් නොයන අතර එය මෙම සමස්ත ප්‍රහාර වර්ගයම පරාජය කරයි.

හයවන අවදානම: පමණ ඉක්මවා යැපීම සහ මානව කුසලතා ගිලිහී යාම (Risk six: over-reliance and deskilling)

තාක්ෂණිකව සිදුවන දේ. ස්වයංක්‍රීයකරණයේ පහසුවට වශී වී, මිනිසා තම ගැඹුරු චින්තනය, විශ්ලේෂණය සහ විවේචනාත්මක විනිශ්චය නිහඬව මෙවලමට පවරා දීම.

ප්‍රායෝගිකව සිදුවන පාඩුව. සාක්කු කැල්කියුලේටරය පැමිණි පසු මනෝමයෙන් ගණනය කිරීමට සිදු වූ දෙය මීට නිදසුනකි. ශිෂ්‍යයෙකු ගැටලුව සමග පොරබැදීම නතර කර ඒ වෙනුවට විසඳූ පිළිතුර කියවයි; ගුරුවරයෙකු මුල් පරිච්ඡේදය කියවීම නතර කර AI සාරාංශයකින් වැඩ කරයි; වෘත්තිකයෙකු ගිවිසුම කියවීම නතර කරයි. සෑම අවස්ථාවකදීම ප්‍රතිදානය සාමාන්‍යයෙන් නිවැරදි බැවින් එම පුරුද්ද තහවුරු වේ — එය වැරදි වූ විට හඳුනාගැනීමේ හැකියාව නිහඬව අතුරුදහන් වේ. ලකුණු සහ නියමිත දින සියල්ල සපුරාලන බැවින්, හානිය සිදුවන අතරතුර එය නොපෙනේ. කාලයත් සමග, කිසිදු තනි පුද්ගලයෙකු එවැනි තීරණයක් නොගෙනම මුළු පන්තියකම හෝ මුළු ආයතනයකම බුද්ධිමය මට්ටම පහත වැටිය හැක.

මෙය මෙම ලැයිස්තුවේ ඇති වඩාත්ම මන්දගාමී සහ වඩාත්ම බරපතල අවදානමයි, මන්ද අනෙක් අවදානම් හයෙන් ආරක්ෂා කරන හැකියාවම එයින් ඉවත් කරන බැවිනි. පෙළපොත කියවීම නතර කළ ශිෂ්‍යයෙකුට ගොතන ලද පිටු අංකයක් හඳුනාගත නොහැක; විෂය නිර්දේශය තවදුරටත් නොකියවන ගුරුවරයෙකුට ජනනය කළ නිබන්ධනයක ඇති විෂය නිර්දේශයෙන් බැහැර කරුණු අල්ලාගත නොහැක. පළමු අවදානම සහ හයවන අවදානම එකිනෙක බැඳී පවතින අතර, එම සම්බන්ධය දිවෙන්නේ එක් දිශාවකට පමණි.

හත්වන අවදානම: පිරිවැය සහ ටෝකන් ආර්ථික විද්‍යාව (Risk seven: cost and token economics)

තාක්ෂණිකව සිදුවන දේ. වාණිජ මට්ටමේ API Inference අධික ලෙස ටෝකන් පරිභෝජනය කරන අතර, සන්දර්භ කවුළු හැඹිලිය (Context-window caching) සහ නියෝජිත ලූප (Agentic loops) මගින් නියමු ව්‍යාපෘතියකින් අනාවැකි කිව නොහැකි අයුරින් එම පරිභෝජනය ගුණනය කරයි.

ප්‍රායෝගිකව සිදුවන පාඩුව. රුපියල් දහස් ගණනක් වැය වන නියමු ව්‍යාපෘතියක්, සෑම පන්තියක්ම, සෑම ශාඛාවක්ම හෝ සෑම කාර්ය මණ්ඩල සාමාජිකයෙකුම එය භාවිත කරන්නට වූ විට ලක්ෂ ගණනක් වැය වන සේවාවක් බවට පත්වේ — එය දෛනික භාවිතයට පැමිණ ඉවත් කරගැනීම වේදනාකාරී වන තෙක් වියදම් වක්‍රය දෘශ්‍යමාන නොවේ. කිසිදා පූර්ණ පරිමාවෙන් මිල නොකළ අත්හදා බැලීමක් මත විශ්වාසය තබා, ටියුෂන් ආයතනයක්, පාසලක් හෝ කුඩා ව්‍යාපාරයක් තමන්ට දරාගත නොහැකි මාසික වියදමකට බැඳිය හැක.

අලංකාර නොවන සත්‍යය නම්: ප්‍රශ්නය වන්නේ AI මගින් කාර්යය කළ හැකිද යන්න නොව, පූර්ණ පරිමාවේදී එක් ගනුදෙනුවකට — එක් ශිෂ්‍යයෙකුට, ලකුණු කරන එක් පත්‍රයකට, සේවය සපයන එක් පාරිභෝගිකයෙකුට — එම කාර්යය සඳහා වැයවන පිරිවැය කුමක්ද යන්නයි. එම සංඛ්‍යාව අයත් විය යුත්තේ පළමු බිල්පතට නොව මුල් සැලසුමටය.

ඩෙලොයිට් (Deloitte) සමාගමේ ඩොලර් 440,000 ක වාර්තාවෙන් සිදු වූ සැබෑ හානිය කුමක්ද?

පළමු අවදානම පිළිබඳ පැහැදිලිම නිදසුන උපකල්පිත එකක් නොවන අතර, එය සිදු වූයේ අත්දැකීම් නැති ආයතනයකටද නොවේ. එය සිදු වූයේ ලොව විශාලතම වෘත්තීය සේවා සපයන සමාගමකටය.

රූපය 8.2: Deloitte's AI Fallout Explained — The $440,000 Report That Backfired (ඕස්ට්‍රේලියානු ෆෙඩරල් රජයට ඉදිරිපත් කළ නිල වාර්තාවට අත් වූ ඉරණම).

රූපය: ඩෙලොයිට් AI අර්බුදය පැහැදිලි කිරීම — ඩොලර් 440,000ක වාර්තාව පියවරෙන් පියවර — ඉඩසර ඇකඩමිය.

සැබවින්ම සිදු වූ දේ (What happened)

2025 අගභාගයේදී, ඩෙලොයිට් සමාගම විසින් ඕස්ට්‍රේලියානු රජයේ රැකීරක්ෂා සහ සේවාස්ථාන සබඳතා දෙපාර්තමේන්තුව වෙනුවෙන් ඕස්ට්‍රේලියානු ඩොලර් 440,000ක — ශ්‍රී ලංකා රුපියල් මිලියන 130කට අධික — ගිවිසුමක් යටතේ ප්‍රතිපත්ති පර්යේෂණ වාර්තාවක් සකස් කරන ලදී (Deloitte's AI Fallout Explained: The $440,000 Report That Backfired).

උපදේශක කණ්ඩායම සාහිත්‍ය විමර්ශනය සහ ආර්ථික දත්ත සාරාංශ කිරීම සඳහා උත්පාදක AI භාවිත කළේය — එය සාධාරණ යෙදුමක් වන අතර තාක්ෂණය සැබවින්ම හොඳින් ඉටු කරන කාර්යයකි. අනතුරුව වාර්තාව ඕස්ට්‍රේලියානු පාර්ලිමේන්තුවේ සෙනෙට් කමිටුව වෙත ළඟා වූ අතර, සමාලෝචකයින් කළ යුතු දේ කමිටුව සිදු කළේය: එනම් උපුටා දැක්වීම් පරීක්ෂා කිරීමයි.

වාර්තාවේ උපුටා දක්වා තිබූ අධ්‍යයන පත්‍රිකා, කතුවරුන්ගේ නම් සහ ආයතනික සමීක්ෂණ වාර්තා බොහොමයක් සම්පූර්ණයෙන්ම සාවද්‍ය ලෙස මවාපෑ (Hallucinated) — කිසිදු තැනක පළ නොවූ මනඃකල්පිත මූලාශ්‍ර බව හෙළි විය. උපුටා දැක්වූ මූලාශ්‍ර සැබවින්ම පවතින්නේදැයි එම සමාගමේ ජ්‍යෙෂ්ඨ උපදේශකයින් කිසිවෙකුත් පරීක්ෂා කර තිබුණේ නැත. ඩෙලොයිට් සමාගමට තම ගාස්තුවෙන් කොටසක් ආපසු ගෙවීමටත් පාර්ලිමේන්තුව හමුවේ ප්‍රසිද්ධියේ සමාව අයැදීමටත් සිදු වූ අතර, ඕස්ට්‍රේලියානු රජය පසුව සියලුම අනාගත රාජ්‍ය උපදේශන ගිවිසුම් තුළට දැඩි AI භාවිත සහ මානව වගවීමේ වගන්ති නීතිගත කළේය.

හුදෙක් සටහන් කරගන්නවාට වඩා මෙම සිදුවීම ගැඹුරින් අධ්‍යයනය කළ යුත්තේ ඇයි (Why this case is worth studying rather than merely noting)

මෙහි කරුණු තුනක් කෙරෙහි විශේෂ අවධානය යොමු කළ යුතුය:

අසාර්ථකත්වය තිබුණේ මෙවලම තුළ නොව සමාලෝචනය තුළයි. CM-02 හි විස්තර කළ දේම ආකෘතිය සිදු කළේය: එය පිළිගත හැකි උපුටා දැක්වීම් නිපදවීය, මන්ද ශාස්ත්‍රීය සාහිත්‍ය විමර්ශනයක ප්‍රකාශයක් පිටුපස සංඛ්‍යානමය වශයෙන් ගලා එන්නේ පිළිගත හැකි උපුටා දැක්වීමකි. උපුටා දැක්වූ පත්‍රිකාවක් පවතින්නේදැයි පරීක්ෂා කිරීම කිසිදු විශේෂඥ දැනුමක් අවශ්‍ය නොවන විනාඩි දෙකක කාර්යයකි. එහෙත් කිසිවෙකු එය සිදු කළේ නැත.

සමාලෝචකයින් පරාජය කළේ භාෂාවේ චතුර බවයි. මොවුන් තම ක්ෂේත්‍රයේ ලේඛනයක් කියවූ දක්ෂ, ඉහළ වැටුප් ලබන ජ්‍යෙෂ්ඨ වෘත්තිකයෝ වූහ. ගොතන ලද මූලාශ්‍ර වැරදි ලෙස නොපෙනුණේ හොඳ ආකෘතියකින් නිපදවන ව්‍යාජ මූලාශ්‍ර කිසිවිටෙකත් වැරදි ලෙස නොපෙනෙන බැවිනි — නිවැරදි කතෘ සම්ප්‍රදායන්, පිළිගත හැකි සඟරා, සාධාරණ මාතෘකා, ගැළපෙන දිනයන්. දුර්වල මූලාශ්‍රයක් හඳුනාගැනීමට පුහුණු පාඨකයෙකු භාවිත කරන සියලු සංඥා එහි පැවති අතර ඒ සියල්ල නිෂ්පාදනය කරන ලද ඒවා විය.

නියාමන ප්‍රතිචාරය ක්ෂණික සහ ස්ථිර විය. එක් සිදුවීමක් මගින් සියලු අනාගත සැපයුම්කරුවන් සඳහා ගිවිසුම්ගත බැඳීම් නිර්මාණය කළේය. ලොව සෑම තැනකම දිශානතිය මෙයයි: ප්‍රසිද්ධ AI අසාර්ථකත්වයක පිරිවැය සෑම කෙනෙකු මතම පනවන නීතියක් ලෙස ක්‍රියාත්මක වන අතර, එයින් අදහස් වන්නේ ඔබේ ආයතනය වැරදි කළත් නැතත් අනුකූලතා බර ඔබ වෙත පැමිණෙන බවයි.

මිනිසා පාලනය රඳවා ගන්නා එකම පවුර කියවීම වන්නේ ඇයි?

මෙතෙක් සාකච්ඡා කළ සෑම ආරක්ෂණ ක්‍රමවේදයක්ම — සීමාවන්, ප්‍රතිසාධනය, සත්‍යාපන ස්ථර — අවසානයේ රඳා පවතින්නේ එක් මානව ක්‍රියාවක් මතය. යමක් වැරදි බව හඳුනාගැනීමේ හැකියාව ඇති මිනිසෙකු විසින් එය කියවිය යුතුය.

රූපය 8.3: In the Age of Generative AI, Reading Is What Keeps the Human in the Loop — කියවීම යනු හුදු නිෂ්ක්‍රීය ක්‍රියාවක් නොව බුද්ධිය පාලනය කරන මානව අතුරුමුහුණතයි (සමිස අබේසිංහ).

මෙම විෂය පිළිබඳ පළ වූ ඉඩසර ලිපියක මූලික සංජානන මූලධර්මය මෙසේ දක්වා ඇත:

"යන්ත්‍රවලට තත්පර කිහිපයකින් පිටු සිය ගණනක් ලිවිය හැක. ලිවීමේ වේගය මත්වන සුළුය. එහෙත් මෙම ස්වයංක්‍රීය මැවීම් හමුවේ අපගේ බුද්ධිමය යටත්වීම වළක්වන එකම පවුර වන්නේ ගැඹුරු, විමසිලිමත් සහ විචක්ෂණශීලී කියවීමයි (Deep, Deliberate, and Discerning Reading). ඔබ කියවීම නතර කළ දිනයේදී ඔබ යන්ත්‍රයේ සේවකයෙකු බවට පත්වේ."

එම වාක්‍යය පෙන්වා දෙන අසමමිතිය මෙම තාක්ෂණයේ පාලක සත්‍යයයි. ලිවීම ඵලදායී ලෙස නොමිලේ සහ ක්ෂණික බවට පත්ව ඇත; එහෙත් සත්‍යාපනය කිරීම කිසිසේත් වේගවත් වී නැත. පුද්ගලයෙකු තවමත් කියවන්නේ සාමාන්‍ය පරිදි විනාඩියකට වචන සිය ගණනක වේගයෙනි. එබැවින් ආයතනයකට නිපදවිය හැකි සත්‍යාපනය නොකළ තොරතුරු ප්‍රමාණය, එයට සැබවින්ම පරීක්ෂා කළ හැකි ප්‍රමාණයට වඩා විශාල ලෙස ඉක්මවා යන අතර, එම අනුපාත දෙක අතර ඇති හිඩැස දෝෂයන් වාර්තාවලට ඇතුළු වන ස්ථානයයි.

රූපය: උත්පාදක AI යුගයේදී මිනිසා පාලන වළල්ල තුළ රඳවන්නේ කියවීමයි — ඉඩසර ඇකඩමිය.

උඩින් පල්ලෙන් බැලීම (Skimming) කියවීම නොවේ

අසාර්ථකත්වය යනු කියවීම ප්‍රතික්ෂේප කිරීම නොවේ. එය උත්සාහයක් සේ පෙනෙන නමුත් එසේ නොවන කියවීමේ විශේෂ ආකාරයකි: AI ලියූ පිටු දහයක වාර්තාවක් දෙස බලා, භාෂාව විශිෂ්ට බව තහවුරු කරගෙන, අත්සන් තැබීමයි. ඩෙලොයිට් සමාගම ගමන් කළ මාවත එය වූ අතර, කාල පීඩනය යටතේ සිටින දක්ෂ පුද්ගලයෙකුගේ සාමාන්‍ය හැසිරීමද එයමය.

ගැඹුරු විචක්ෂණශීලී කියවීමට සැබවින්ම ඇතුළත් වන කරුණු

සැබෑ සත්‍යාපනය හුදු උඩින් බැලීමෙන් වෙන්කර හඳුනාගන්නා පරීක්ෂාවන් තුනක් ඇති අතර, ඒ සෑම එකක්ම සාමාන්‍ය ආකල්පයකට වඩා නිශ්චිත ප්‍රශ්නයකි:

තාර්කික හෝඩුවාව (A logical trace). A සහ B යන මූලික කරුණු මගින් C යන නිගමනය සැබවින්ම තහවුරු කරන්නේද, නැතහොත් ආකෘතිය ඒ අතර නොපවතින පාලමක් ගොඩනගා ඇත්ද? ගලායන භාෂාව මගින් බිඳුණු තර්කනයන් ඉතා හොඳින් සඟවයි, මන්ද සම්බන්ධක වචන — එබැවින්, එහි ප්‍රතිඵලයක් ලෙස, ඒ අනුව — කිසිවක් තහවුරු වුවත් නැතත් එකම විශ්වාසයෙන් ජනනය වන බැවිනි.

සීමාවලට අනුකූල වීම (Constraint compliance). ඔබේ ප්‍රොම්ප්ට් එකේ තිබූ සෘණාත්මක සීමාවන්ට සහ නීතිමය කොන්දේසිවලට ආකෘතිය සම්පූර්ණයෙන්ම කීකරු වී තිබේද? අර්ධ අනුකූලතාව සාමාන්‍ය දෙයක් වන අතර පහසුවෙන් මඟහැරේ: ඔබේ කොන්දේසි දහයෙන් නවයකට ගරු කර දසවැන්න නිහඬව අතහැර දැමිය හැක. ඔබ පැනවූ සීමාවන් එකින් එක පරීක්ෂා කරන්න, මන්ද ඒවා මොනවාදැයි දන්නා එකම පුද්ගලයා ඔබ පමණි.

සංවේදී ගැලපීම (Empathetic alignment). එහි භාෂාව එය කියවන පුද්ගලයාගේ — අසීරුතාවට පත් දරුවාගේ, කනස්සල්ලෙන් සිටින දෙමාපියාගේ, දැනටමත් දෙවරක් පැමිණිලි කළ පාරිභෝගිකයාගේ — දුෂ්කරතාවට ගරු කරන්නේද? මෙය කිසිදු ආකෘතියකට කළ නොහැකි විනිශ්චයකි, මන්ද එය ලබන්නේ කවුරුන්ද යන්න සහ එම වචන ඔවුන්ට කෙබඳු හැඟීමක් ඇති කරන්නේද යන්න දැනගැනීම ඊට අවශ්‍ය වේ. තාක්ෂණික වශයෙන් දෝෂ රහිත එහෙත් යැවීමට මුළුමනින්ම නුසුදුසු ලේඛනයක් හඳුනාගැනීමට වැඩිම ඉඩක් ඇත්තේ මෙම පරීක්ෂාවෙනි.

AI පක්ෂග්‍රාහීත්වය (Bias) යනු කුමක්ද, එය වළක්වා ගන්නේ කෙසේද?

දෙවන අවදානම පළමුවැන්නට වඩා වෙනස් ආකාරයකින් ක්‍රියාත්මක වන බැවින් වෙනම සැලකිල්ලක් ලැබිය යුතුය. Hallucination මගින් ඔබට හසුකරගත හැකි වැරදි පිළිතුරක් ලබා දෙයි. පක්ෂග්‍රාහීත්වය මගින් මධ්‍යස්ථ ලෙස පෙනෙන, විශ්වාසනීය ස්වරූපයෙන් ලැබෙන, සහ පවතින සමාජ අගතිය නැවත නිෂ්පාදනය කරන ස්ථාවර පිළිතුරක් ලබා දෙයි — තවද එම ස්ථාවරත්වය නිසාම එය දැකීම අතිශය දුෂ්කර වේ.

රූපය 8.4: Understanding & Preventing AI Bias — පක්ෂග්‍රාහීත්වයට බලපාන හේතු 3 (ඓතිහාසික අගති, ඇල්ගොරිතමික විශාලනය, මානව සැලසුම් පක්ෂග්‍රාහීත්වය) සහ වැළැක්වීමේ පියවර 3.

රූපය: දත්ත නියමය (The Data Law) — දත්ත විවිධත්වය සහ ප්‍රතිදාන සාධාරණත්වය — ඉඩසර ඇකඩමිය.

AI පක්ෂග්‍රාහීත්වය යනු කුමක්ද (What AI bias is)

ආකෘතියක් විසින් යම් සමාජ කණ්ඩායමකට, ජාතියකට, ස්ත්‍රී-පුරුෂ භාවයකට හෝ ප්‍රදේශයකට අගතියක් වන අයුරින් ක්‍රමානුකූලව අසමාන තීරණ ජනනය කිරීමයි.

රූපයේ දැක්වෙන නිදසුන සම්මත නිරූපණය වන අතර එහි ශක්තිය ඇත්තේ පාලනය තුළය: එක හා සමාන සුදුසුකම් සහිතව, "Sarah Chen" නම් කාන්තා අයදුම්කාරිය ප්‍රතික්ෂේප වන අතර "David Smith" නම් පිරිමි අයදුම්කරු තෝරාගනු ලැබේ. නම හැර ලිපිගොනු දෙක අතර වෙනස් කිසිවක් නැත. පද්ධතියේ කිසිදු රීතියක ස්ත්‍රී-පුරුෂ භාවය ගැන සඳහන් නොවේ.

මෙම අවදානම ආයතනිකව භයානක වන්නේ එබැවිනි. පක්ෂග්‍රාහී මිනිස් තීරණයකදී තර්ක කිරීමට පක්ෂග්‍රාහී මිනිසෙකු ඉතිරි වේ. පක්ෂග්‍රාහී ආකෘති තීරණයකදී සෑම කෙනෙකුටම එක හා සමානව නිපදවන ලද, වාස්තවිකත්වයක් සේ පෙනෙන අංකයක් ඉතිරි වේ — එම වාස්තවිකත්වයේ පෙනුම නිසාම ඊට එරෙහිව අභියාචනා කිරීම අතිශය දුෂ්කර වේ.

එය සිදුවන්නේ ඇයි (Why it happens)

පුහුණු දත්තවල ඇති ඓතිහාසික අගතිය. ඊයේ පැවති ස්ත්‍රී පුරුෂ වැටුප් පරතරයන් සහ සමාජ අසමානතා රැගත් වාර්තා මත පුහුණු වූ ආකෘතියක් එම රටාවන් නීත්‍යානුකූල නිත්‍යභාවයන් ලෙස ඉගෙන ගනී. එය සාධාරණත්වය ගැන තර්ක කරන්නේ නැත; එය තමන්ට ලබා දුන් වාර්තාවේ සංඛ්‍යානමය වශයෙන් සාමාන්‍ය වූ දේ නැවත ප්‍රතිනිෂ්පාදනය කරයි. වාර්තාව යනු ඉතිහාසයේ විස්තරයක් වන අතර ඉතිහාසය අසමාන එකක් විය.

ඇල්ගොරිතමික විශාලනය. මිනිසුන් මවිතයට පත් කරන කොටස මෙයයි. දත්තවල ඇති සුළු ඇලවීමක් ආකෘතිය හරහා වෙනස් නොවී ගමන් කරන්නේ නැත — සංඛ්‍යානමය ප්‍රශස්තකරණය එය තියුණු කරයි. ඓතිහාසික සිදුවීම්වලින් සියයට හැටක තිබූ ප්‍රවණතාවක් ආකෘතියේ ප්‍රතිදානය තුළ නිරපේක්ෂ රීතියක් ලෙස මතුවිය හැක, මන්ද පුහුණු ක්‍රියාවලිය විශ්වාසනීය රටා අනුගමනය කිරීම අගය කරන බැවිනි. පක්ෂග්‍රාහීත්වය මෘදුව ඇතුළු වී දරුණු ලෙස පිටතට පැමිණේ.

සැලසුමේ පවතින මානව සංජානන පක්ෂග්‍රාහීත්වය. මෙම පද්ධති ගොඩනගන ඉංජිනේරුවන් තමන්ගේම උපකල්පන අනුව විශේෂාංග තෝරාගෙන සාර්ථකත්වය නිර්වචනය කරන අතර, මැනිය නොහැකි සාධාරණත්වයට වඩා මැනිය හැකි ලාභය ඉදිරියෙන් තැබීමට වාණිජ පීඩනය නිරන්තරයෙන් කටයුතු කරයි. මෙය සිදුවීමට කිසිවෙකු නරක චේතනාවෙන් ක්‍රියා කළ යුතු නැත. අපහසු ප්‍රශ්නය අසන කිසිවෙකු කණ්ඩායම තුළ නොසිටීම පමණක් ඊට ප්‍රමාණවත් වේ.

රූපය 8.5: The Data Law — පටු දත්ත මගින් පක්ෂග්‍රාහී ප්‍රතිදාන නිපදවන අතර, විවිධාංගීකරණය කළ දත්ත සාධාරණ ආකෘතියක් බිහි කරයි.

එය වළක්වා ගන්නේ කෙසේද (How to prevent it)

දත්ත විවිධාංගීකරණය සහ විගණනය. භාවිතයට පෙර ඔබේ ආයතනයේ දත්ත කට්ටල විගණනය කරන්න, සහ පද්ධතිය තීරණ ගන්නා සෑම සමාජ කොටසක්ම ඒවා තුළ සැබවින්ම නියෝජනය වන බව තහවුරු කරන්න. පටු දත්ත මගින් පක්ෂග්‍රාහී ප්‍රතිදාන ලැබෙන්නේ අවාසනාව නිසා නොව ගණිතමය සත්‍යයක් වශයෙනි; ඉහළින් මිනිසුන් බැහැර කළ දත්ත කට්ටලයක් පහළින් කෙතරම් සැලකිලිමත් වුවද නිවැරදි කළ නොහැක.

ඇල්ගොරිතමය නිරන්තරයෙන් විගණනය කිරීම. ආරම්භයේදී එක් වරක් පමණක් සහතික කරනවා වෙනුවට, ආකෘතියේ තීරණ සාධාරණත්ව මෙට්‍රික්ස් සමග අඛණ්ඩව පරීක්ෂා කරන්න. යෙදවුම් වෙනස් වන විට හැසිරීම වෙනස් වන අතර, පසුගිය වසරේ අයදුම්කරුවන්ගේ සංචිතය මත සාධාරණ වූ පද්ධතියක් මෙම වසරේදී ස්වයංක්‍රීයව සාධාරණ නොවේ.

විවිධාංගීකරණය වූ කණ්ඩායම් ගොඩනැගීම. විවිධ සමාජ පසුබිම්, ක්ෂේත්‍ර සහ සංවේදීතා සහිත වෘත්තිකයන්ගෙන් තාක්ෂණික කණ්ඩායම් එකලස් කරන්න. මෙය ලැයිස්තුවේ ඇති අවම තාක්ෂණික පිළියම වන අතර බොහෝ විට වඩාත්ම ඵලදායී වේ, මන්ද බොහෝ පක්ෂග්‍රාහීත්වයන් නිෂ්පාදනයට ළඟා වන්නේ ඒවා අනුමත වූ නිසා නොව, එහි සිටි කිසිවෙකු එය හඳුනා නොගත් බැවිනි. ගැටලුව හඳුනාගන්නේ සාමාන්‍යයෙන් එයින් පීඩාවට පත්වන පුද්ගලයාය.

AI සාවද්‍ය තොරතුරු (Hallucinations) ඇතිවන්නේ ඇයි, ඒවා වළක්වන්නේ කෙසේද?

Hallucination යනු එක් හේතුවක් සහිත තනි අසාර්ථකත්වයක් නොවේ. ඊට පැහැදිලි මූලයන් තුනක් ඇති අතර, ඒ සෑම එකකටම පිළියම වෙනස් වේ — වැරදි පිළියම යෙදීමෙන් ගැටලුව එලෙසම ඉතිරි වන බැවින් මෙය වැදගත් වේ.

රූපය 8.6: Understanding & Preventing AI Hallucinations — සාවද්‍ය තොරතුරු නිර්මාණය වීමට බලපාන හේතු 3 (Garbage In, Garbage Out / Model Limitations / Confusing Prompts) සහ ඒවා වැළැක්වීමේ පිළියම් 3.

වගුව සමස්තයක් ලෙස කියවීමෙන් ප්‍රයෝජනවත් නිගමනයකට එළඹිය හැක. පළමු පේළිය දත්ත පිළිබඳ ගැටලුවක් වන අතර ආකෘතියේ මතකය විශ්වාස කරනවා වෙනුවට නිල ලේඛනය සැපයීමෙන් එය විසඳේ. තුන්වන පේළිය ප්‍රොම්ප්ට් පිළිබඳ ගැටලුවක් වන අතර කිසිදු පිරිවැයකින් තොරව Enter එබීමට පෙර ඔබ විසින්ම එය විසඳනු ලැබේ. තාක්ෂණයේ සැබෑ සීමාව වන්නේ දෙවැන්න පමණි — තවද ඊට පිළියම තාක්ෂණික එකක් නොවේ. එය නිමැවුම මූලාශ්‍රය සමග සසඳන මිනිසෙකි.

දෙවන පේළිය විස්තර කරන දේ පිළිබඳවද සැලකිලිමත් වන්න, මන්ද වෘත්තීය භාවිතයේදී වඩාත්ම රැවටිලිකාර අසාර්ථක මාදිලිය එයයි: ගොතන ලද නඩු අංකවලට සැබෑ විනිසුරුවරුන්ගේ නම් ඇමිණීම. එය පැහැදිලිවම පෙනෙන මනඃකල්පිත පිළිතුරක් නොව, තනි උපුටා දැක්වීමක් තුළ සත්‍ය සහ අසත්‍ය කොටස්වල මිශ්‍රණයකි. විනිසුරුගේ නම හඳුනාගන්නා සමාලෝචකයාට හුරුපුරුදු බව පිළිබඳ සහතිකයක් දැනෙන අතර පරීක්ෂා කිරීම නතර කරයි. සත්‍යාපනය නඩු අංකය දක්වාම ළඟා විය යුතුය.

සත්‍යාපන වැඩ ප්‍රවාහයක් (Verification Workflow) ප්‍රායෝගිකව ක්‍රියාත්මක වන්නේ කෙසේද?

ඉහත මූලධර්ම ක්‍රියාත්මක වන්නේ නැවත නැවත කළ හැකි අනුක්‍රමයක් ලෙස පමණි. නිෂ්පාදන මට්ටමේ කාර්යයන්හිදී ඔරොත්තු දෙන සිව්-ස්ථර නල මාර්ගය පහත දැක්වෙන අතර, එහි තර්කනය වන්නේ එක් එක් ස්ථරය ඊළඟ ස්ථරයට කළ නොහැකි කාර්යයක් ඉටු කිරීමයි.

රූපය: ත්‍රිත්ව ස්ථර සත්‍යාපන නල මාර්ගය (The 3-Tier Verification Pipeline) — ඉඩසර ඇකඩමිය.

පළමු ස්ථරය — සජීවී මූලාශ්‍රවලට එරෙහිව සත්‍ය කරුණු තහවුරු කිරීම. Google Search AI Mode වැනි උපුටා දැක්වීම් සහිත වත්මන් තොරතුරු ලබාගන්නා සෙවුම් මෙවලමකින් ආරම්භ කර සත්‍යාපිත ස්ථාවරය එක්රැස් කරන්න: වත්මන් විෂය නිර්දේශය, නිල නිවේදනය, ප්‍රකාශිත දත්ත, සහ ඒ එකිනෙකට විවෘත කළ හැකි සබැඳියක්. කරුණු ක්‍රියාවලියට ඇතුළු වන්නේ මෙම අදියරේදී පමණි. මෙම නල මාර්ගයේ පසු කිසිදු අදියරකට නව කරුණක් හඳුන්වා දීමට අවසර නැත.

දෙවන ස්ථරය — සන්දර්භය ගොඩනැගීම සහ උපදෙස් සැලසුම් කිරීම. එම සත්‍යාපිත සාරාංශය Gemini වැනි ප්‍රබල දේශීය භාෂා හැකියාවක් ඇති ආකෘතියකට ගෙන ගොස්, ශ්‍රී ලංකා සන්දර්භය සහ සිංහල භාෂා නිරවද්‍යතාවයෙන් එය පුළුල් කරන්න. අනතුරුව අවසාන ලේඛනය වෙනුවට ඊළඟ මෙවලම ලිවීමට එම ආකෘතිය භාවිත කරන්න: "මෙම සත්‍යාපිත කරුණු මත පදනම්ව, මෙම ලේඛනය කෙටුම්පත් කිරීම සඳහා Claude ආකෘතියට ලබා දිය යුතු සෘණාත්මක සීමාවන් සහිත ප්‍රශස්ත ප්‍රොම්ප්ට් එක ලියන්න." එක් ආකෘතියක් ලවා තවත් ආකෘතියක් සඳහා ප්‍රොම්ප්ට් එක සැලසුම් කරවීම වක්‍ර එකක් සේ පෙනුණද එය ඉතා ප්‍රායෝගිකය. ප්‍රොම්ප්ට් ගොඩනැගීම ආකෘති ඉතා හොඳින් කරන කාර්යයක් වන අතර, එය සීමාවන් උපකල්පනය කරනවා වෙනුවට පැහැදිලිව සඳහන් කිරීමට බලකරයි.

තුන්වන ස්ථරය — සැලසුම් කළ ප්‍රොම්ප්ට් එක සමග කෙටුම්පත් කිරීම. අවසාන විශ්ලේෂණය සහ ව්‍යුහගත කෙටුම්පත සඳහා එම ප්‍රොම්ප්ට් එක Claude වැනි ගැඹුරු තාර්කික ව්‍යුහයකට සුදුසු ආකෘතියකට රැගෙන යන්න. මෙම අවස්ථාව වන විට ආකෘතිය ක්‍රියාත්මක වන්නේ දැනටමත් සත්‍යාපනය කළ කරුණු සහ දැනටමත් නිශ්චිතව දක්වා ඇති සීමාවන් මත බැවින්, සාවද්‍ය තොරතුරු ගෙතීමේ අවස්ථාව බොහෝ දුරට ඉවත් වේ.

හතරවන ස්ථරය — මානව පාලනය සහ අත්සන. අවසාන වශයෙන්, ලේඛනය පේළියෙන් පේළිය කියවා, පළමු ස්ථරයේ මූලාශ්‍රවලට එරෙහිව එහි නිරවද්‍යතාවය තහවුරු කර, අත්සන් තබන්න.

මෙම නල මාර්ගය පිළිබඳව කරුණු දෙකක් සැලකිල්ලට ගත යුතුය. පළමුව, එය විවිධ ආකෘති සවිඥානිකව භාවිත කරයි — තමන්ගේම කාර්යය පරීක්ෂා කරන ආකෘතියක් තමන්ගේම නොපෙනෙන අඩුපාඩු බෙදාගන්නා අතර, විවිධ පුහුණු දත්ත සහිත දෙවන පද්ධතියක් එසේ නොවේ. දෙවනුව, සහ වඩාත්ම වැදගත් වන්නේ, අවසාන ස්ථරය තාක්ෂණික ක්‍රියාවලියකට එක් කළ හුදු විධිමත්භාවයක් නොවේ. වගවීම දරන එකම ස්ථරය එය වන අතර, ඊට පෙර ඇති තුන පවතින්නේ අවසානයේ කියවීම හැකිතාක් විශ්වාසදායක කිරීම සඳහාය. නිවැරදිව ක්‍රියාත්මක කළ විට, මෙම ස්ථරගත ක්‍රමය මගින් Hallucination කාන්දු වීම සම්පූර්ණයෙන්ම පාහේ වළක්වයි — එහෙත් එහි සැබෑ කාර්යක්ෂමතාවය රඳා පවතින්නේ හතරවන ස්ථරය තුළය.

සෙවනැලි AI (Shadow AI) යනු කුමක්ද, AI තහනම් කිරීමෙන් එය වඩාත් නරක අතට හැරෙන්නේ ඇයි?

ආයතනික ප්‍රතිපත්ති බොහෝ විට සත්‍යයක් නොවන ලෙස ලියැවෙන බැවින් එක් යථාර්ථයකට අවංකව මුහුණ දිය යුතුය: සෑම ආකාරයකම ආයතනවල ගුරුවරුන්, සිසුන්, ගණකාධිකාරීවරුන්, නිලධාරීන් සහ සේවකයින් දැනටමත් තම වැඩ තම පෞද්ගලික දුරකථනවල ඇති නොමිලේ ලැබෙන AI මෙවලම්වලට ඇතුළත් කරමින් සිටිති.

එය කරන්නේ නරක චේතනාවකින් නොවේ. වැඩ බර දරාගත නොහැකි තරම් වන අතර මෙවලමෙන් සැබවින්ම පිහිටක් ලැබේ. රාත්‍රී එකොළහට පිළිතුරු පත්‍ර හැටක් ලකුණු කරන ගුරුවරයා හෝ හෙට භාරදිය යුතු අභ්‍යාස දහයක් ඇති ශිෂ්‍යයා නොසැලකිලිමත් වන්නේ නැත; ඔවුන් තමන්ට ඇති එකම මාධ්‍යයෙන් ඵලදායී වීමට උත්සාහ කරයි.

තහනම් කිරීමෙන් එය නතර කළ නොහැක. සැබෑ ඵලදායිතා වාසියක් ලබා දුන් සෑම තාක්ෂණයකදීම ඔප්පු වී ඇති වැදගත්ම සොයාගැනීම මෙයයි. ආයතනයක් AI තහනම් කළ විට, භාවිතය නතර නොවේ — එය ඇසට නොපෙනෙන තැනකට මාරු වේ. තහනම මගින් සැබවින්ම ඉවත් කරන්නේ පුරුද්ද නොව ආයතනයට ඒ පිළිබඳව ඇති දෘශ්‍යතාවයයි; ඒ සමගම මගපෙන්වීම, පුහුණුව හෝ ආරක්ෂණ ක්‍රමවේද සැපයීමේ අවස්ථාවද අහිමි වේ. එහි ප්‍රතිඵලය විය හැකි නරකම තත්ත්වයයි: කිසිදු නීතියක් නැතිව, කිසිදු වාර්තාවක් නැතිව, සහ කුමක් නිරාවරණය වී ඇත්දැයි කිසිවෙකුට පැවසිය නොහැකිව එම දත්තම ආයතනයෙන් පිටතට යයි.

ඒ වෙනුවට අනුමත ආයතනික මාවතක් සලසන්න. එක් ආරක්ෂිත මෙවලමක් අනුමත කරන්න — ශුන්‍ය දත්ත රඳවා ගැනීමේ (Zero Data Retention) ප්‍රතිපත්තියක් සහිත ආයතනික මට්ටමක් — සහ ඇතුළත් කළ හැකි සහ නොහැකි දත්ත මොනවාද යන්න පිළිබඳ පැහැදිලි, නිශ්චිත ලැයිස්තුවක් ප්‍රකාශයට පත් කරන්න. මෙහිදී දැඩි බවට වඩා නිශ්චිත බව වැදගත් වේ. "සංවේදී දත්ත ගැන සැලකිලිමත් වන්න" යනු කිසිවෙකුට අනුගමනය කළ හැකි නීතියක් නොවේ; "දරුවෙකුගේ සම්පූර්ණ නමක්, ලකුණු පත්‍රයක්, හැඳුනුම්පත් අංකයක් හෝ වෛද්‍ය තොරතුරක් කිසිවිටෙකත් ඇතුළත් නොකරන්න" යනු පැහැදිලි නීතියකි.

හෙළිදරව් කිරීම සුරක්ෂිත කරන්න. "මම මෙම පළමු කෙටුම්පත සකස් කළේ AI ආධාරයෙන්; ඉන්පසු මා එය පරීක්ෂා කර නිවැරදි කළෙමි" යැයි විවෘතව පවසන සේවකයෙකුට කිසිවිටෙකත් දඬුවම් නොකළ යුතුය. හෙළිදරව් කිරීමට දඬුවම් කිරීමෙන් AI භාවිතය අඩු නොවේ; එය හෙළිදරව් කිරීම අඩු කරන අතර, සත්‍යාපනය සැබවින්ම අවශ්‍ය වන්නේ කොතැනදැයි ආයතනයකට දැනගත හැකි එකම ක්‍රමය වන්නේ විවෘතව හෙළිදරව් කිරීමයි.

සැබෑ අවදානම සරලව ප්‍රකාශ කළහොත්. එය මිනිසුන් AI භාවිත කිරීම නොවේ. එය කිසිදු අධීක්ෂණයකින්, නීතියකින් හෝ මානව සත්‍යාපනයකින් තොරව රහසින් දත්ත පිටතට යාමයි — තවද එසේ කරන පුද්ගලයින්ට උදව් ඉල්ලීමට කිසිදු ක්‍රමයක් නොමැති වීමයි.

අවසාන මොඩියුලයේදී, මෙම අවදානම් හරහා ඉදිරි දශකය වෙත යන මාවත සටහන් කරමු — චැට්බොට් යුගයේ සිට ස්වාධීන AI Agents දක්වා වූ පරිණාමය, අවුකන ප්‍රමිතිය, ජපන් මුහුණු තුන සහ කළුතර මවකගේ හද කම්පා කරවන සොයාගැනීම, සහ AI ප්‍රවීණතාව සඳහා වන විශ්වීය රන් නීති 5.