මෙමගින් කෘතිම බුද්ධියේ (AI) විවිධ පැතිකඩ සාකච්ඡා කරයි. එක් ප්‍රභවයක් AI හි ඇති අන්තරායන් කෙරෙහි අවධානය යොමු කරන අතර, රැකියා අහිමිවීම, පෞද්ගලිකත්ව උල්ලංඝනය, පක්ෂපාතී තීරණ සහ ආරක්ෂක අවදානම් වැනි කරුණු ඉස්මතු කරයි. අනෙක් ප්‍රභවයන් ද AI හි අන්තරායන් ගැන කතා කරන නමුත්, AI හි වාසි, එනම් ස්මාර්ට් සහායකයන්, අධ්‍යාපනික ක්‍රීඩා සහ පුද්ගලීකරණය කළ අත්දැකීම් වැනි දේ ද සඳහන් කරයි. සමස්තයක් ලෙස ගත් කල, සියලුම ප්‍රභවයන් AI යනු ප්‍රයෝජනවත් මෙන්ම අවදානම් සහිත තාක්ෂණයක් බවට පොදු එකඟතාවයකට පැමිණේ.

මෙමඟින් AI LLM Model එකක් Server එකක Host කරන ආකාරය පිළිබඳව මූලික දැනුමක් ලබා දේ. එයට අවශ්‍ය Hardware සහ Software අවශ්‍යතා, Environment Setup කිරීම, Model Download කිරීම, Server Script එකක් ලිවීම (Flask හෝ FastAPI භාවිතයෙන්) සහ Server Run කිරීම මෙහි විස්තර කර ඇත. අමතර වශයෙන්, Docker Container එකක් නිර්මාණය කිරීම, API Test කිරීම, කාර්ය සාධනය වැඩි දියුණු කිරීමේ උපක්‍රම (Performance Optimization Tips), ආරක්ෂාව (Security Considerations), සහ Monitoring and Logging පිළිබඳවද තොරතුරු ඇතුළත් වේ. මෙය AI LLM models සේවාවක් ලෙස ක්‍රියාත්මක කිරීමට උනන්දු වන අයට මූලික මග පෙන්වීමක් සපයයි.

Note : https://drive.google.com/file/d/10ux2RNA52XgQpWhUFyL0gXiMnjY2VFkJ/view?usp=sharing

විශාල භාෂා ආකෘති (LLMs) නඩත්තු කිරීම සහ වැඩිදියුණු කිරීම පිළිබඳව සාකච්ඡා කරයි. එක් මුලාශ්‍රයක් LLM වල කාර්යසාධනය වැඩිදියුණු කිරීමට සංවර්ධකයින්ට භාවිතා කළ හැකි ශිල්පීය ක්‍රම 5ක් ඉදිරිපත් කරයි, එහි ප්‍රොම්ප්ට් ඉංජිනේරු විද්‍යාව, Retrieval-Augmented Generation (RAG), fine-tuning, Semantic Caching, සහ Reinforcement Learning with Human Feedback (RLHF) වැනි ක්‍රම ඇතුළත් වේ. අනෙක් මුලාශ්‍රය LLM ආකෘතියක් නිසි ලෙස නඩත්තු කිරීම සඳහා මූලික මාර්ගෝපදේශයක් සපයයි. එහි දත්ත තත්ත්ව පරීක්ෂා කිරීම, කාර්යසාධනය අධීක්ෂණය, ආකෘති යාවත්කාලීන කිරීම, ආරක්ෂක ක්‍රියාමාර්ග, දෝශ නිරාකරණය සහ වාර්තාකරණය වැනි වැදගත් අංගයන් ආවරණය කරයි. දෙකම LLM හි නිවැරදි බව, විශ්වසනීයත්වය සහ කාර්යක්ෂමතාව වැඩිදියුණු කිරීමේ වැදගත්කම අවධාරණය කරයි.

මෙමගින් විශාල භාෂා ආකෘතියක් (LLM) නිර්මාණය කිරීම සඳහා පුළුල් මාර්ගෝපදේශයකි. එය මූලික සංකල්ප සිට අවශ්‍ය සම්පත්, දත්ත සකසන ක්‍රියාවලිය, ආකෘති ව්‍යුහය, පුහුණු කිරීමේ ක්‍රියාවලිය සහ ඇගයීම් ක්‍රම දක්වා විවිධ අංශ ආවරණය කරයි. තවද, එය යෙදවීම් ක්‍රම, පිරිවැය ගණනය කිරීම්, ආචාර ධර්ම සහ අනාගත ප්‍රවණතා පිළිබඳව ද සාකච්ඡා කරයි. ආරම්භකයින් සඳහා ප්‍රායෝගික උපදෙස් සපයමින්, සාර්ථක LLM නිර්මාණයක් සඳහා සම්පත් සැලසුම් කිරීම සහ දත්ත ගුණාත්මකභාවය කෙරෙහි අවධානය යොමු කිරීමේ වැදගත්කම අවධාරණය කරයි.

කෘතිම බුද්ධිය (AI) ක්ෂේත්‍රයේ වැදගත් අංග දෙකක් වන යන්ත්‍ර ඉගෙනීම (Machine Learning - ML) සහ විශාල භාෂා ආකෘති (Large Language Models - LLM) පිළිබඳ ඉතිහාසය සහ පරිණාමය විස්තර කරයි. එක් ප්‍රභවයක් යන්ත්‍ර ඉගෙනීමේ මුල් අවධියේ සිට ස්නායුක ජාල, Perceptron, ආසන්නතම අසල්වැසි ඇල්ගොරිතම සහ ප්‍රවර්ධනය වැනි වැදගත් සන්ධිස්ථාන දක්වා ගෙන යන අතර, කථන හඳුනාගැනීම සහ මුහුණු හඳුනාගැනීම වැනි වර්තමාන භාවිතයන්ද සඳහන් කරයි. අනෙක් ප්‍රභවය විශේෂයෙන්ම විශාල භාෂා ආකෘතිවල ඉතිහාසය කෙරෙහි අවධානය යොමු කරමින්, ELIZA සහ SHRDLU වැනි මුල් chatbot වලින් ආරම්භ වී, RNN, LSTM වැනි ස්නායුක ජාල යුගය හරහා Transformer විප්ලවය දක්වා පැමිණ, GPT මාලාව, BERT, LaMDA, PaLM, ChatGPT, Claude සහ Gemini වැනි වර්තමාන LLM දක්වා විහිදේ. ප්‍රභවයන් දෙකම මෙම තාක්ෂණයන්ගේ තාක්ෂණික ප්‍රගතිය, ව්‍යාපාරික බලපෑම, අභියෝග සහ අනාගත දිශානති පිළිබඳව ආලෝකය පෙන්වා දෙයි.

මෙමගින් යන්ත්‍ර ඉගෙනීම (Machine Learning) යනු කුමක්ද, එය කෘත්‍රිම බුද්ධිය හා සම්බන්ධ වන ආකාරය සහ එහි විවිධ වර්ග (Supervised, Unsupervised, Reinforcement Learning) පැහැදිලි කෙරේ. යන්ත්‍ර ඉගෙනීමේ ආකෘති (Models) සහ යෙදුම් (Applications) සාකච්ඡා කරන අතර, මෙම ක්ෂේත්‍රයේ පවතින සීමාවන් (Limitations) සහ ආචාරධාර්මික ගැටලු (Ethics) පිළිබඳව ද අවධානය යොමු කෙරේ. සිංහල බසින් ලියැවුණු ලිපිය යන්ත්‍ර ඉගෙනීම ආරම්භ කිරීමට අවශ්‍ය මූලික දැනුම, අධ්‍යයන මාර්ග සහ ප්‍රායෝගික ක්‍රම පිළිබඳ මගපෙන්වීමක් ලබා දෙයි.