Colombo Institute of Technology

මේ වන විට 100 කටත් වඩා වැඩි පිරිසක් ඉතාමත් සාර්ථකව අභ්‍යවකාශ විද්‍යාව පිළිබඳව තම දැනුම වර්ධනය කරගන්නා අභ්‍යවකාශ විද්‍යාව සහතික පත්‍ර පාඨමාලාවේ පස්වන කණ්ඩායම (5th Batch), 2023 සැප්තැම්බර් 03, ඉරිදා සවස 6.00 ට ආරම්භ කිරීමට සැලසුම් කර තිබෙනවා.

මෙම පාඨමාලාව ඔබගේ විද්‍යාව පිළිබඳව දැනුම වර්ධනය කර ගැනීමට හෝ විද්‍යා අංශයෙන් ඉදිරියට යාමට බලාපොරොත්තු වන ඔබගේ දරුවාගේ අනාගතය හැඩගැස්වීමට මිල කළ නොහැකි ආයෝජනයක් වනු ඇති.

එනිසා මෙම පාඨමාලාව සමග සම්බන්ද වීමට කැමති ඔබ මෙහි ඇති google form එක පුරවන්න.

https://docs.google.com/forms/d/1albjndzYZjoy8ntQgjkvmqCJYlA7hoSSXisXDMaWSWc/edit

එසේත් නොමැති නම් මෙහි ඇති QR කේතය ස්කෑන් කිරීම මගින්ද google form එකට යාමට පුළුවන්.

ඉන් අනතුරුව විද්‍යුත් තැපැල් මාර්ගයෙන් හෝ දුරකථන මාර්ගයෙන් ඔබව සම්බන්ධ කරගනු ඇති.

සංවේදක (Sensors) යනු රොබෝ තාක්ෂණයේ අත්‍යවශ්‍ය අංගයක් වන අතර, එමගින් රොබෝවගේ පරිසරය මත පදනම්ව තීරණ ගැනීම සඳහා පාලන පද්ධති සඳහා තොරතුරු සපයයි. ඔවුන් රොබෝවට තම වටපිටාව හඳුනා ගැනීමට සහ එය සමඟ අන්තර් ක්‍රියා කිරීමට ඉඩ සලසයි, එමඟින් සැරිසැරීමට, වස්තූන් හැසිරවීමට සහ විවිධ කාර්යයන් කිරීමට හැකි වේ. දැන් අපි රොබෝ තාක්ෂණයේ බහුලව භාවිතා වන සංවේදක කිහිපයක් ගැන අවධානය යොමු කරමු

අවස්ථිති මිනුම් ඒකකය (nertial Measurement Unit (IMU))
අවස්ථිති මිනුම් ඒකකයක් යනු රොබෝවගේ ත්වරණය, කෝණික ප්‍රවේගය සහ දිශානතිය මනින සංවේදකවල එකතුවකි. එය සාමාන්‍යයෙන් ත්‍රි-අක්ෂ ත්වරණමාන (three-axis accelerometers), අක්ෂ තුනේ ගයිරොස්කෝප් (three-axis gyroscopes) සහ සමහර විට තුන් අක්ෂ චුම්භකමානයකින් (three-axis magnetometer) සමන්විත වේ. රොබෝවගේ චලනය ස්ථාවර කිරීමට, එහි පිහිටීම සහ ප්‍රවේගය නිර්ණය කිරීමට සහ පාලන පද්ධති සඳහා ප්‍රතිපෝෂණ සැපයීමට IMU භාවිතා වේ.

පරාස සංවේදක (Range sensors)
රොබෝව සහ එහි පරිසරයේ ඇති අනෙකුත් වස්තූන් අතර දුර තීරණය කිරීමට පරාස සංවේදක භාවිතා කරයි. මෙම සංවේදක අතිධ්වනික, අධෝරක්ත සහ ලේසර් පදනම් වූ සංවේදක ඇතුළු විවිධ වර්ගවල විය හැකිය. අතිධ්වනික සංවේදක දුර තීරණය කිරීම සඳහා ශබ්ද තරංග භාවිතා කරන අතර අධෝරක්ත සංවේදක ආලෝක තරංග භාවිතා කරයි. ලේසර් පාදක සංවේදක වඩාත් නිවැරදි වන අතර මිලිමීටර මට්ටමේ නිරවද්‍යතාවයකින් මිනුම් ලබා දිය හැක. බාධක හඳුනාගැනීම, සිතියම්ගත කිරීම සහ එක් ප්‍රදේශයක් හඳුනාගැනීම සඳහා පරාස සංවේදක භාවිතා වේ.

දර්ශන සංවේදක (Vision sensors)
දෘශ්‍ය සංවේදකවලට රොබෝවගේ වටපිටාවේ ඡායාරූප ගන්නා කැමරා සහ වෙනත් උපාංග ඇතුළත් වේ. මෙම සංවේදක වස්තූන් හඳුනා ගැනීමට, මුහුණු හඳුනා ගැනීමට, චලනය නිරීක්ෂණය කිරීමට සහ වෙනත් දෘශ්‍ය කාර්යයන් කිරීමට භාවිතා කරයි. ඒවා රොබෝව මත සවි කළ හැක එසේ නොමැතිව පුළුල් දර්ශන ක්ෂේත්‍රයක් ග්‍රහණය කර ගැනීමට බාහිරවද භාවිතා කළ හැක. සංචලනය, වස්තු හඳුනාගැනීම සහ මානව-රොබෝ අන්තර්ක්‍රියා වැනි කාර්යයන් සඳහා රොබෝ විද්‍යාවේ දෘශ්‍ය සංවේදක අත්‍යවශ්‍ය වේ.

ස්පර්ශක සංවේදක (Touch sensors)
තමා සිටිනා පරිසරයේ ඇති වස්තූන් සමඟ රොබෝවගේ අන්තර්ක්‍රියා පිළිබඳ ප්‍රතිපෝෂණ සැපයීමට ස්පර්ශ සංවේදක භාවිතා කරයි. වස්තුවේ හැඩය, පෘෂ්ඨිය ස්වභාවය සහ අනෙකුත් ගුණාංග තීරණය කිරීම සඳහා ඔවුන් පීඩනය, බලය සහ වෙනත් ස්පර්ශක තොරතුරු හඳුනා ගනී. ස්පර්ශක සංවේදක රොබෝවගේ සමෙහි තැන්පත් කළ හැකිය, නැතහොත් ස්පර්ශක අත්වැසුම් වැනි වෙනම උපාංග ලෙස භාවිතා කළ හැකිය. ඒවා ග්‍රහණය කර ගැනීම, හැසිරවීම සහ ස්පර්ශක ගවේෂණය වැනි කාර්යයන් සඳහා රොබෝ තාක්ෂණයේ භාවිතා වේ.

ආසන්නතා සංවේදක (Proximity sensors)
ආසන්නතා සංවේදක මගින් රොබෝවේ ආසන්න වටපිටාවේ වස්තූන් පවතින බව හඳුනා ගනී. ඒවා ධාරිත්‍රක, ප්‍රේරක සහ චුම්බක සංවේදක ඇතුළු විවිධ වර්ගවල විය හැකිය. ධාරිත්‍රක සංවේදක විද්‍යුත් ක්ෂේත්‍රවල වෙනස්කම් හඳුනා ගන්නා අතර ප්‍රේරක සංවේදක චුම්භක ක්ෂේත්‍රවල වෙනස්කම් හඳුනා ගනී. චුම්බක සංවේදක මගින් චුම්භකත්වය ඇති කළ හැකි ද්‍රව්‍ය පවතින බව හඳුනා ගනී. වස්තු හඳුනාගැනීම, බාධක වළක්වා ගැනීම සහ ආරක්ෂාව වැනි කාර්යයන් සඳහා ආසන්නතා සංවේදක භාවිතා වේ.

අවසානයට රොබෝ තාක්ෂණය තුළ සංවේදක තීරණාත්මක කාර්යභාරයක් ඉටු කරයි, රොබෝවන්ට ඔවුන්ගේ පරිසරය වටහා ගැනීමට සහ එය සමඟ අන්තර් ක්‍රියා කිරීමට මෙමගින් හැකි වේ. රොබෝ තාක්‍ෂණය අඛණ්ඩව වර්ධනය වන විට, නව සංවේදක වර්ග සංවර්ධනය කර රොබෝ පද්ධතිවලට ඒකාබද්ධ වෙමින් රොබෝවන්ට වඩාත් සංකීර්ණ කාර්යයන් කිරීමට සහ ඔවුන්ගේ පරිසරය සමඟ වඩාත් බාධාවකින් තොරව අන්තර් ක්‍රියා කිරීමට හැකි වේ.

Large Language Modeling (LLM) යනු ස්වභාවික භාෂා අනුකරණය කිරීමට සහ උත්පාදනය කිරීමට යන්ත්‍ර ඉගෙනුම් ආකෘති පුහුණු කිරීම කෙරෙහි අවධානය යොමු කරන කෘතිම බුද්ධි ක්ෂේත්‍රයකි. LLM විසින් මෑත වසරවලදී සැලකිය යුතු දියුණුවක් අත්කර ගෙන ඇති අතර, GPT-3 (Generative Pre-trained Transformer 3) වැනි ආකෘති සංවර්ධනය කිරීමත් සමඟ OpenAI විසින් බිලියන 175 පරාමිති අඩංගු වන පුළුල් පරාසයක කාර්යයන් සිදු කළ හැකි ආකෘතීන් නිර්මාණය කර ඇත.

LLM හි එක් ප්‍රධාන ප්‍රතිලාභයක් නම්, එය පාරිභෝගික සේවා, භාෂා පරිවර්තනය සහ වචන සකස් කිරීම කිරීම ඇතුළුව පුළුල් පරාසයක යෙදුම්වල භාවිතා කළ හැකි වඩාත් මානව-සමාන සංවාද අතුරුමුහුණත් (Human like interface) නිර්මාණය කිරීමට ඉඩ සැලසීමයි. සමාජ මාධ්‍යවල නැගීම සහ chat-bots සහ virtual Assistants භාවිතය වැඩි වීමත් සමඟ ස්වභාවික භාෂා සැකසුම් හැකියාවන් සඳහා වැඩි ඉල්ලුමක් පවතින අතර, LLM එයට හොඳ විසඳුමක් ලෙස සැලකේ.

LLM මාදිලි සාමාන්‍යයෙන් විකිපීඩියා හෝ පුවත් ලිපි වැනි දේ වල භාවිතා කරනා ස්වාභාවික භාෂා දත්ත කට්ටල මත පූර්ව-පුහුණු (pre-trained) කර ඇත. මෙම පූර්ව-පුහුණු ක්‍රියාවලිය මඟින් ආකෘතිවලට භාෂාවේ යටින් පවතින ව්‍යුහය සහ රටා ඉගෙන ගැනීමට ඉඩ සලසයි, එමඟින් පරිශීලක යෙදවුම්වලට අනුකූල සහ අදාළ ප්‍රතිචාර ජනනය කිරීමට ඔවුන්ට හැකි වේ.

කෙසේ වෙතත්, LLM හා සම්බන්ධ සමහර අභියෝගද ඇත. එක් ප්‍රධාන අභියෝගයක් වන්නේ මෙම ආකෘති පුහුණු කිරීමට සහ යෙදවීමට අවශ්‍ය ගණනය කිරීමේ පිරිවැය සහ යටිතල පහසුකම්ය. LLM මාදිලි පුහුණු කිරීම සඳහා මහා පරිමාණ පරිගණක සම්පත් (large scale computing resources) වෙත ප්‍රවේශය අවශ්‍ය වන අතර, එහි ප්‍රතිඵලයක් ලෙස ලැබෙන මාදිලි ක්‍රියාත්මක කිරීම සඳහා ගණනය කිරීමේ මිල අධික විය හැක. මීට අමතරව, පුහුණුවීම් සහ විශාල මාදිලි ධාවනය කිරීමේ බලශක්ති පරිභෝජනය සහ පාරිසරික බලපෑම පිළිබඳවද ගැටලු පවතී.

තවත් අභියෝගයක් වන්නේ LLM මාදිලිවල පක්ෂග්‍රාහී වීමේ හැකියාවයි (Potential for bias). මෙම ආකෘතීන් මිනිසා විසින් ජනනය කරන ලද විශාල දත්ත කට්ටල මත පුහුණු කර ඇති බැවින්, පුහුණු දත්තවල පවතින පක්ෂග්‍රාහීත්වය නොදැනුවත්වම LLM ප්‍රතිදානයන් තුලට ඇතුලත් විය හැක.

අවසාන වශයෙන්, Large Language Modeling යනු පුළුල් පරාසයක යෙදුම් සහ ස්වභාවික භාෂා සැකසුම් ක්ෂේත්‍රය ඉදිරියට ගෙන යාම සඳහා සැලකිය යුතු විභවයක් සහිත ශීඝ්‍රයෙන් වර්ධනය වන ක්ෂේත්‍රයකි. LLM ආශ්‍රිත අභියෝග පවතින අතර, මේ ආශ්‍රිතව සිදුවෙමින් පවතින පර්යේෂණ සහ සංවර්ධනයන් මෙම අභියෝගවලට මුහුණ දීමට සහ කෘතිම බුද්ධියේ සහ භාෂා සැකසීමේ නව ප්‍රගතිය සඳහා මග පාදනු ඇත.

පරිගණක ප්‍රොසෙසර සංවර්ධනය (Computer Processor Development) මෑත ඉතිහාසයේ වඩාත්ම කැපී පෙනෙන දියුණුවක් ලැබූ තාක්ෂණයකි.

පළමු ඉලෙක්ට්‍රොනික පරිගණකය 1940 ගණන්වල නිපදවන ලද අතර එය ගණනය කිරීම් සිදු කිරීම සඳහා රික්තක නල (Vacuum tubes) භාවිතා කරන ලදී. මෙම කාලය තුළ පළමු පරිගණක ප්‍රොසෙසරයන්ද නිපදවන ලද අතර ඒවා Central Processing Units (CPUs) ලෙස හැඳින්වේ. මෙම මුල් CPU සරල වූ අතර ඒවා මූලික ගණිතමය සහ තාර්කික මෙහෙයුම් සිදු කිරීමට භාවිතා කරන ලදී.

පළමු මයික්‍රොප්‍රොසෙසරය 1971 දී ඉන්ටෙල් සමාගම විසින් නිපදවන ලදී. 4004 යනු ගණක යන්ත්‍ර සහ අනෙකුත් කුඩා ඉලෙක්ට්‍රොනික උපාංගවල භාවිතා කරන ලද 4-bit CPU එකක් විය. 8008 යනු පළමු 8-bit CPU වන අතර එය මුල් පුද්ගලික පරිගණකවල භාවිතා විය. 8086 යනු පළමු 16-bit CPU වන අතර එය x86 architecture සඳහා පදනම විය, එය අදටත් භාවිතා වේ.

1980 ගණන්වල පුද්ගලික පරිගණකවල දියුණුව වඩාත් බලවත් හා කාර්යක්ෂම ප්‍රොසෙසර සඳහා ඇති ඉල්ලුමට හේතු විය. මෙම කාලය තුළ Intel 386 සහ 486 ප්‍රොසෙසර හඳුන්වා දුන් අතර ඒවා පෙර CPU වලට වඩා සැලකිය යුතු දියුණුවක් විය. 1993 දී හඳුන්වා දුන් පෙන්ටියම් ප්‍රොසෙසරය ප්‍රථම Superscalar Processor වූ අතර එයින් අදහස් කළේ බහුවිධ උපදෙස් එකවර ක්‍රියාත්මක කළ හැකි බවයි.

2000 ගණන්වල මුල් භාගයේ ජංගම උපාංගවල දියුණුව කුඩා හා වඩා බලශක්ති කාර්යක්ෂම ප්‍රොසෙසරවල වර්ධනයට හේතු විය. බ්‍රිතාන්‍ය අර්ධ සන්නායක සමාගමක් වන ARM Holdings විසින් ARM architecture දියුණු කරන ලද අතර එය ස්මාර්ට් ෆෝන් සහ අනෙකුත් ජංගම උපාංගවල බහුලව භාවිතා වේ. පළමු ARM ප්‍රොසෙසරය 1991 දී නිකුත් කරන ලද අතර එය Apple Newton හි භාවිතා කරන ලදී.

2000 ගණන්වල මැද භාගයේදී, multi-core ප්‍රොසෙසර හඳුන්වා දෙන ලද අතර, එමඟින් එක් චිපයක් මත CPU වැඩි ප්‍රමාණයක් සඳහා ඉඩ ලබා දෙන ලදී. මෙම තාක්ෂණය multi threading යෙදුම්වල සැලකිය යුතු කාර්ය සාධනයක් ලබා ගැනීමට ඉඩ සලසයි. Intel 2006 දී Core 2 Duo ප්‍රොසෙසරය හඳුන්වා දුන් අතර එය පළමු main stream dual-core ප්‍රොසෙසරය විය.

විශාල දත්ත සහ කෘත්‍රිම බුද්ධියේ දියුණුව, මෙම යෙදුම් සඳහා අවශ්‍ය දැවැන්ත දත්ත ප්‍රමාණය හැසිරවිය හැකි විශේෂිත ප්‍රොසෙසර සංවර්ධනය කිරීමට හේතු වී ඇත. Graphical Processing Unit (GPU) වසර ගණනාවක් තිස්සේ Parallel Processing සඳහා භාවිතා කර ඇත, නමුත් ඒවා මෑතකදී AI වැනි දේ සඳහා නැවත සකස් කර ඇත. මීට අමතරව, Google සහ Intel වැනි සමාගම් පිළිවෙලින් Tensor Processing Unit (TPU) සහ Neural Compute Stick වැනි විශේෂිත ප්‍රොසෙසර නිපදවා ඇත.

පරිගණක ප්‍රොසෙසර සංවර්ධනය, වැඩිදියුණු කිරීමේ සහ නව්‍යකරණයේ අඛණ්ඩ ගමනක් වී ඇත. මුල් අවදියේ වැකුම් ටියුබ් වල සිට AI වැනි දේ සඳහා විශේෂිත ප්‍රොසෙසරවල වර්තමාන යුගය දක්වා, ප්‍රොසෙසර කුඩා, වේගවත් සහ වඩා බල-කාර්යක්ෂම වී ඇත. පරිගණක ප්‍රොසෙසර වල අනාගතය AI, ක්වොන්ටම් පරිගණනය සහ අනෙකුත් නැගී එන තාක්ෂණයන්හි දියුණුව මගින් තීරණය වනු ඇත.

පරිගණක භාෂා (Computer programming languages) 20 වන සියවසේ මැද භාගයේදී මුලින්ම නිර්මාණය වූ දා සිට සැලකිය යුතු ලෙස පරිණාමය වී ඇත. ආරම්භයේ දී, පරිගණක භාෂා සරල යොදා ගැනීම් වලින් සමන්විත වූ අතර පැරණිතම ඒවා වන්නේ machine code සහ assembly language භාෂාවන්ය. කෙසේ වෙතත්, කාලය සහ පරිගණක තාක්ෂණයේ දියුණුවත් සමඟ, පරිගණක භාෂා වඩාත් සංකීර්ණ, බහුකාර්ය සහ භාවිතයට පහසු වී ඇත.

1950 සහ 1960 ගණන් වලදී, Fortran, COBOL සහ Lisp වැනි පළමු ඉහළ මට්ටමේ පරිගණක භාෂා සංවර්ධනය කරන ලදී. මෙම භාෂා machine code සහ assembly language භාෂාවන්ට වඩා පරිශීලක-හිතකාමී (user friendly) ලෙස නිර්මාණය කර ඇති අතර, ඒවා මිනිසාට කියවිය හැකි ආකාරයෙන් කේත ලිවීමට ක්‍රමලේඛකයින්ට ඉඩ ලබා දුනි. 1970 ගණන් වලදී, C සහ Pascal වැනි භාෂාවන් වර්ධනය වීමත් සමඟ පරිගණක භාෂා අඛණ්ඩව පරිණාමය විය, ඒවා පෙර භාෂාවලට වඩා කාර්යක්ෂමව නිර්මාණය කර ඇත.

1980 සහ 1990 ගණන් වලදී, C++, Java, සහ Python වැනි භාෂා දියුණු වීමත් සමඟ පරිගණක භාෂා වඩාත් බහුකාර්ය විය. මෙම භාෂාවන් Object Oriented ලෙස නිර්මාණය කර ඇති අතර එමඟින් විවිධ යෙදුම්වල භාවිතා කළ හැකි නැවත භාවිතා කළ හැකි කේතයක් නිර්මාණය කිරීමට ක්‍රමලේඛකයින්ට ඉඩ ලබා දුනි. මීට අමතරව, මෙම භාෂා නිර්මාණය කර ඇත්තේ විවිධ පරිගණක පද්ධති වලින් ස්වාධීන (platform independent) වන පරිදිය, එනම් මෙම භාෂාවලින් ලියා ඇති කේතයක් ඕනෑම පරිගණකයක හෝ මෙහෙයුම් පද්ධතියක භාවිත කළ හැක.

මෑත වසරවලදී, Swift, Kotlin සහ Rust වැනි භාෂා වර්ධනය වීමත් සමඟ පරිගණක භාෂා අඛණ්ඩව පරිණාමය වී ඇත. මෙම භාෂා පෙර භාෂාවලට වඩා කාර්යක්ෂම, ආරක්ෂිත සහ භාවිතයට පහසු වන පරිදි නිර්මාණය කර ඇත. මීට අමතරව, ක්‍රියාකාරී ක්‍රමලේඛනය (functional programming) සහ ප්‍රතික්‍රියා ක්‍රමලේඛනය (reactive programming) වැනි නව ක්‍රමලේඛන ආකෘතීන් වඩාත් ජනප්‍රිය වී ඇති අතර, මෙම ආකෘතීන්ට සහය දැක්වීම සඳහා නව භාෂා බොහොමයක් සංවර්ධනය කර ඇත.

සමස්තයක් වශයෙන්, පරිගණක භාෂා සංවර්ධනය ක්‍රමානුකූලව වැඩිදියුණු කිරීමේ ක්‍රියාවලියක් වී ඇති අතර, සෑම නව භාෂාවක්ම පෙර භාෂාවල ශක්තිමත් ලක්ෂණයන් මත ගොඩනඟා ඒවායේ දුර්වලතා ආමන්ත්‍රණය කරයි. අද, තෝරා ගැනීමට ක්‍රමලේඛන භාෂා සිය ගණනක් ඇත, ඒ සෑම භාෂාවකටම තමන්ගේම ශක්තීන් සහ දුර්වලතා ඇති අතර, ක්‍රමලේඛකයින්ට ඔවුන්ගේ අවශ්‍යතා සපුරාලන භාෂාවක් සොයා ගැනීම වෙන කවරදාටත් වඩා පහසු කරයි.

1980 ගණන්වල පළමු පරම්පරාවේ (1G) ඇනලොග් සෙලියුලර් ජාලවල සිට වර්තමාන පස්වන පරම්පරාවේ (5G) රැහැන් රහිත තාක්ෂණය දක්වා වසර ගණනාවක් පුරා ජංගම සන්නිවේදනය සැලකිය යුතු වර්ධනයකට ලක්ව ඇත. ජංගම සන්නිවේදන තාක්ෂණයේ සෑම පරම්පරාවක්ම වේගය, විශ්වසනීයත්වය සහ සමස්ත පරිශීලක අත්දැකීම අනුව සැලකිය යුතු දියුණුවක් ලබා ගෙන ඇත.

පළමු පරම්පරාවේ (1G) ජංගම සන්නිවේදන තාක්ෂණය ඇනලොග් සම්ප්‍රේෂණය මත පදනම් වූ අතර අඩු ගුණාත්මක හඬ ඇමතුම් ලබා දෙන ලදී. මෙයට දෙවන පරම්පරාවේ (2G) තාක්‍ෂණය මගින් ඩිජිටල් සම්ප්‍රේෂණය හඳුන්වා දුන් අතර වඩා හොඳ හඬ ගුණාත්මක භාවයක්, කෙටි පණිවිඩ යැවීම සහ ඊමේල් සහ මූලික අන්තර්ජාල පරිශීලනය වැනි මූලික දත්ත සේවා ලබා දෙන ලදී

තුන්වන පරම්පරාවේ (3G) තාක්ෂණය අධිවේගී අන්තර්ජාල ප්‍රවේශය, වීඩියෝ ඇමතුම් සහ ජංගම රූපවාහිනී සේවා සපයන ලදී. සිව්වන පරම්පරාවේ (4G) තාක්‍ෂණය ජංගම දත්ත සේවාවල වේගය සහ විශ්වසනීයත්වය තවදුරටත් වැඩිදියුණු කළ අතර, අධි-විභේදන වීඩියෝ ප්‍රවාහය (High resolution video), මාර්ගගත ක්‍රීඩා (Online games) සහ අතථ්‍ය යථාර්ථය 9Virtual reality) වැනි වඩාත් දියුණු යෙදුම් සක්‍රීය කරයි.

දැනට පවතින පස්වන පරම්පරාවේ (5G) තාක්‍ෂණය මෙම අවස්ථාවේ වඩාත්ම දියුණු ජංගම සන්නිවේදන තාක්‍ෂණයයි. එය ස්වයංක්‍රීය වාහන, දුරස්ථ සැත්කම් සහ ස්මාර්ට් නගර වැනි උසස් යෙදුම් සක්‍රීය කරන අතිශය වේගවත් අන්තර්ජාල වේගය, අඩු ප්‍රමාදය සහ ඉහළ විශ්වසනීයත්වයක් සපයයි. 5G මඟින් Internet of Things (IoT) ද සක්‍රීය කරයි, එමඟින් විශාල, උපාංග සහ සංවේදක ජාලයක් අතර සම්බන්ධතාවය සහ සන්නිවේදනය සඳහා ඉඩ ලබා දේ.

ජංගම සන්නිවේදනයේ දියුණුව අපගේ දෛනික ජීවිතයේ අත්‍යවශ්‍ය අංගයක් බවට පත් වී ඇති ස්මාර්ට් ෆෝන් සහ ටැබ්ලට් වැනි විවිධ ජංගම උපාංග නිර්මාණය කිරීමට ද හේතු වී තිබේ. මෙම උපාංග අපට මිතුරන් සහ පවුලේ අය සමඟ සම්බන්ධව සිටීමට, දුරස්ථව වැඩ කිරීමට සහ ලෝකයේ ඕනෑම තැනක සිට තොරතුරු සහ විනෝදාස්වාදය සඳහා ප්‍රවේශ වීමට ඉඩ සලසයි.

සමස්තයක් වශයෙන්, ජංගම සන්නිවේදනයේ දියුණුව අප සන්නිවේදනය කරන, වැඩ කරන සහ ජීවත් වන ආකාරයේ විප්ලවීය වෙනසක් සිදු කර ඇති අතර, එය අනාගතයේදීද අඛණ්ඩව පරිණාමය වීමක් සහ වැඩිදියුණු වීමක් අපේක්ෂා කෙරේ.

පරිගණක දැක්ම (Computer Vision) යනු අප අවට ලෝකයේ දෘශ්‍ය දත්ත පරිවර්ථනය කිරීමට සහ තේරුම් ගැනීමට පරිගණකවලට හැකියාව ලබා දීම කෙරෙහි අවධානය යොමු කරන අධ්‍යයන ක්ෂේත්‍රයකි. පින්තූර සහ වීඩියෝ වලින් තොරතුරු විශ්ලේෂණය කිරීමට සහ උපුටා ගැනීමට ඇල්ගොරිතම සහ ශිල්පීය ක්‍රම භාවිතා කිරීම එයට ඇතුළත් වේ.

මෑත වසරවලදී, විශාල දත්ත කට්ටල, බලවත් GPUs සහ ගැඹුරු ඉගෙනුම් ශිල්පීය ක්‍රමවල දියුණුව හේතුවෙන් පරිගණක දැක්ම සැලකිය යුතු දියුණුවක් අත්විඳ ඇත. පරිගණක දර්ශනයේ සමහර ප්‍රධාන යෙදුම්වලට ඇතුළත් වන්නේ:

වස්තු හඳුනාගැනීම: පරිගණක දර්ශන ඇල්ගොරිතම මඟින් රූපයක් හෝ වීඩියෝවක් තුළ ඇති වස්තූන් හඳුනාගෙන වර්ගීකරණය කළ හැක.

මුහුණු හඳුනාගැනීම: මෙයට රූපවල හෝ වීඩියෝවල සිටින පුද්ගලයන්ගේ අනන්‍යතාව හඳුනා ගැනීම සහ සත්‍යාපනය කිරීම ඇතුළත් වේ.

රූප සහ වීඩියෝ සැකසීම: රූප සහ වීඩියෝවල ගුණාත්මක භාවය ඉහළ නැංවීමට, අනවශ්‍ය සංඥා (noise) ඉවත් කිරීමට සහ අනෙකුත් රූප සැකසුම් කාර්යයන් සිදු කිරීමට පරිගණක දර්ශනය භාවිතා කළ හැක.

වැඩි දියුණු කළ යථාර්ථය (Augmented reality): පරිගණක දෘෂ්ඨි තාක්‍ෂණය ඩිජිටල් රූප සහ තොරතුරු සැබෑ ලෝකයට සමගාමීව තැබීමට භාවිත කළ හැකි අතර, වැඩිදියුණු කළ යථාර්ථයේ අත්දැකීමක් නිර්මාණය කරයි.

ස්වයංක්‍රීය වාහන: පරිගණක දැක්ම ස්වයංක්‍රීය වාහන සංවර්ධනය කිරීම සඳහා අවශ්‍ය වන ප්‍රධාන තාක්‍ෂණයකි. එමඟින් මෙම වාහනවලට ඔවුන්ගේ සංවේදකවලින් ලැබෙන දත්ත මත පදනම්ව සැරිසැරීමට සහ තීරණ ගැනීමට හැකියාව ලැබේ.

පරිගණක දැක්ම ක්ෂේත්‍රයේ සැලකිය යුතු ප්‍රගතියක් තිබියදීත්, තවමත් විසඳා ගතයුතු අභියෝගද කිහිපයක් ඇත. විශාලම අභියෝගයක් වන්නේ අඩු ආලෝක තත්ත්වයන්, අවහිරතා සහ විවිධ කැමරා කෝණ වැනි පුළුල් පරාසයක දී ශක්තිමත් සහ නිවැරදිව භාවිතා කළ හැකි ඇල්ගොරිතම සංවර්ධනය කිරීමයි. තවත් අභියෝගයක් වන්නේ මෙම ඇල්ගොරිතම වල විනිවිදභාවය සහ පැහැදිලි කළ හැකි බව සහතික කිරීමයි, එවිට පරිශීලකයින්ට තීරණ ගන්නා ආකාරය තේරුම් ගත හැකිය.

සමස්තයක් වශයෙන්, පරිගණක දැක්ම යනු පුළුල් පරාසයක යෙදුම් සහ අනාගත දියුණුව සඳහා සැලකිය යුතු විභවයන් සහිත වේගයෙන් විකාශනය වන ක්ෂේත්‍රයකි.

ස්වයංක්‍රීය රිය පැදවීම යනු මිනිස් මැදිහත්වීමකින් තොරව තමන් විසින්ම ධාවනය කළ හැකි වාහන සංවර්ධනය කිරීම අරමුණු කරගත් නැගී එන තාක්‍ෂණයකි. ස්වයංක්‍රීය රිය පැදවීමේ වත්මන් තත්ත්වය මෙසේය.

ස්වයංක්‍රීයකරණයේ මට්ටම්: ස්වයංක්‍රීය රිය පැදවීමේ තාක්‍ෂණය ස්වයංක්‍රීයකරණයේ ප්‍රමාණය මත පදනම්ව මට්ටම් හයකට වර්ගීකරණය කර ඇත, 0 මට්ටමේ (ස්වයංක්‍රීයකරණයක් නොමැත) සිට 5 වන මට්ටම (සම්පූර්ණ ස්වයංක්‍රීයකරණය) දක්වා. දැනට, වාණිජමය වශයෙන් ලබා ගත හැකි වාහන 2 මට්ටමේ (අර්ධ ස්වයංක්‍රීයකරණය) හෝ 3 මට්ටමේ (කොන්දේසි සහිත ස්වයංක්‍රීයකරණය) වේ.

වාණිජ යෙදවීම: වාහන නිෂ්පාදකයින් සහ තාක්ෂණ සමාගම් කිහිපයක් පොදු මාර්ගවල ස්වයංක්‍රීය වාහන පරීක්ෂා කරමින් සිටී. කෙසේ වෙතත්, නියාමන අභියෝග, තාක්ෂණික සීමාවන් සහ ආරක්ෂාව පිළිබඳ ගැටළු හේතුවෙන් පූර්ණ ස්වයංක්‍රීය වාහන වාණිජමය වශයෙන් යෙදවීම තවමත් සීමා වී ඇත.

ආරක්ෂාව පිළිබඳ ගැටළු: ස්වයංක්‍රීය රිය පැදවීමේ තාක්ෂණය මුහුණ දෙන ප්‍රධාන අභියෝගයක් වන්නේ ආරක්ෂාවයි. ස්වයංක්‍රීයව ධාවනය වන මෝටර් රථවලට මානව දෝෂ හේතුවෙන් සිදුවන අනතුරු අවම කිරීමේ හැකියාව පවතින අතරම, සයිබර් ආරක්‍ෂාව, සංවේදක විශ්වසනීයත්වය සහ සංකීර්ණ ගමනාගමන අවස්ථා වලදී තීරණ ගැනීම වැනි නව ආරක්‍ෂිත අභියෝගවලටද ඔවුන් මුහුණ දෙයි.

තාක්ෂණික සීමාවන්: වත්මන් ස්වයංක්‍රීය රියදුරු පද්ධති ධාවනය වන ආකාරය සංවේදක, කැමරා සහ මෘදුකාංග ඇල්ගොරිතම මත රඳා පවතී. කෙසේ වෙතත්, මෙම පද්ධතිවලට සීමාවන් ඇත, විශේෂයෙන් අයහපත් කාලගුණික තත්ත්වයන් සහ අනපේක්ෂිත මාර්ග තදබදය ඇති අවස්ථාවන්වලදී මේවායින් බලාපොරොත්තු වන තත්වයට ක්‍රියාත්මක වීමේ ගැටලු පැන නගී .

නියාමන අභියෝග: ස්වයංක්‍රීය රියදුරු පද්ධති සඳහා ආරක්ෂක ප්‍රමිතීන් සහ මාර්ගෝපදේශ සංවර්ධනය කිරීමට නියාමන ආයතන තවමත් ක්‍රියා කරයි. මීට අමතරව, ස්වයං-රිය පදවන මෝටර් රථ සම්බන්ධ අනතුරු සම්බන්ධ වගකීම් ගැටළු තවමත් විවාදයට ලක්වෙමින් පවතී.

පර්යේෂණ සහ සංවර්ධනය: අභියෝග මධ්‍යයේ වුවද, ස්වයංක්‍රීය රිය පැදවීමේ තාක්‍ෂණයේ පර්යේෂණ සහ සංවර්ධනය අඛණ්ඩව ප්‍රගතියක් ලබමින් සිටිනා අතර ස්වයංක්‍රීයව ධාවනය වන මෝටර් රථවල හැකියාවන් වැඩිදියුණු කිරීම සඳහා උසස් සංවේදක, යන්ත්‍ර ඉගෙනුම් ඇල්ගොරිතම සහ පරිගණක දර්ශන තාක්ෂණයන් සංවර්ධනය කිරීමට සමාගම් සහ විවිද අධ්‍යයන ආයතන ආයෝජනයන් සිදු කරයි.

අවසාන වශයෙන්, ස්වයංක්‍රීය රිය පැදවීමේ තාක්‍ෂණය තවමත් එහි සංවර්ධනයේ මුල් අවධියේ පවතින අතර, පූර්ණ ස්වයංක්‍රීය වාහන පොදු මාර්ගවල පුළුල් ලෙස යෙදවීමට පෙර සැලකිය යුතු අභියෝගවලට විසඳුම් සෙවීම අවශ්‍ය වේ. කෙසේ වෙතත්, මෙම තාක්‍ෂණය අඛණ්ඩව ප්‍රගතියක් ලබන අතර, එය අප ගමන් කරන ආකාරය පරිවර්තනය කිරීම සහ මාර්ග ආරක්ෂාව වැඩි දියුණු කිරීම සඳහා අනාගතයේදී ඉතාමත් වැඩි දායකත්වයක් දක්වනු ඇත.

කෘතිම ස්නායු ජාල (Artificial Neural Networks - ANNs) යනු මිනිස් මොළයේ ව්‍යුහය සහ ක්‍රියාකාරීත්වය මගින් ආභාෂය ලත් යන්ත්‍ර ඉගෙනුම් ඇල්ගොරිදමයකි. ANNs සමන්විත වන්නේ අන්තර් සම්බන්ධිත නෝඩ් (node) (හෝ "නියුරෝන (neuron)") වලින් වන අතර තොරතුරු සකසන සහ සම්ප්‍රේෂණය කරන ස්ථර වලට එය සකසා ඇත. රූප සහ කථන හඳුනාගැනීමේ සිට ස්වභාවික භාෂා සැකසීම සහ අනාවැකි ආකෘතිකරණය (predictive modeling) දක්වා පුළුල් පරාසයක යෙදුම්වල ANN භාවිතා වේ.

ANN හි මූලික ඒකකය නියුරෝන වේ, එය අනෙකුත් නියුරෝන වලින් ආදාන සංඥා (input) ලබාගෙන ප්රතිදාන සංඥාවක් (output) නිපදවයි. මෙම සංඥා බරක් ආදේශ කිරීමෙන් පසුව (weighted) සාරාංශ කර (summed), ඉන් අනතුරුව නියුරෝන ප්‍රතිදානය තීරණය කරන රේඛීය නොවන ක්‍රියාකාරී ශ්‍රිතයක් (non-linear activation function) හරහා ගමන් කරයි. සක්‍රීය කිරීමේ ශ්‍රිතය මගින් ජාලයට ආදාන සහ ප්‍රතිදාන අතර සංකීර්ණ, රේඛීය නොවන සම්බන්ධතා අර්ථ දැක්වීමට ඉඩ සලසයි.

අධීක්ෂිත ඉගෙනීම (supervised learning), අධීක්‍ෂණය නොකළ ඉගෙනීම (unsupervised learning) හෝ සවිබලගැන්වීමේ ඉගෙනීම (reinforcement learning) භාවිතයෙන් ANN පුහුණු කළ හැකිය. අධීක්ෂණය කරන ලද ඉගෙනීමේදී, ජාලයට ආදාන-ප්‍රතිදාන යුගල කට්ටලයක් ලබා දෙන අතර, ජාලයේ ප්‍රතිදානය සහ අපේක්ෂිත ප්‍රතිදානය අතර වෙනස අවම කිරීම සඳහා නියුරෝනවල බර සකස් කරනු ලැබේ. අධීක්‍ෂණය නොකළ ඉගෙනීමේදී, ජාලයට පැහැදිලි ලේබල් නොමැතිව ආදාන දත්ත ලබා දෙන අතර, දත්තවල රටා සහ ව්‍යුහය සොයා ගැනීමට බර සකස් කරනු ලැබේ. සවිබලගැන්වීමේ ඉගෙනීමේදී, ත්‍යාග හෝ දඬුවම් (rewards or penalties) ආකාරයෙන් ප්‍රතිපෝෂණ (feedback) ලබා ගැනීමෙන් ජාලය අත්හදා බැලීම් සහ දෝෂ (trial and error) හරහා ඉගෙන ගැනීම සිදු කරයි.

ANN වල ප්‍රධාන වාසියක් වන්නේ උදාහරණ වලින් ඉගෙනීමට සහ සාමාන්‍යකරණය (generalize) කිරීමට ඇති හැකියාවයි. පුහුණු වූ පසු, ANN ජාලයකට ඉහළ නිරවද්‍යතාවයකින් නව, නොදුටු දත්ත පිළිබඳ අනාවැකි පළ කළ හැකිය. කෙසේ වෙතත්, ANNs වැඩිපුර භාවිතා කිරීමෙන් ද ගැටළු ඇතිවිය හැක, එහිදී ජාලය පුහුණු දත්තවලට වඩා නැඹුරුතාවයක් දක්වා නව දත්ත මත දුර්වල ලෙස ක්‍රියා කරයි.

ANN භාවිතා කරන විට තවත් වැදගත් සැලකිල්ලක් දැක්විය යුතු කරුණක් වන්නේ පද්ධතියේ සැකැස්ම (architecture) සහ අධි පරාමිතීන් (hyper-parameters) තෝරා ගැනීමයි. පද්ධතියේ සැකැස්ම යනු ස්ථර සහ නියුරෝන වල සංඛ්‍යාව වන අතර අධි පරාමිති වලට ඉගෙනීමේ අනුපාතය (learning rate) සහ විධිමත් කිරීම (regularization) වැනි සැකසුම් ඇතුළත් වේ. ප්‍රශස්ත පද්ධති සැකැස්මක් සහ අධි පරාමිති සොයා ගැනීම සඳහා බොහෝ විට අත්හදා බැලීම් සහ දෝෂ සහ වසම් ප්‍රවීණත්වයේ එකතුවක් අවශ්‍ය වේ.

බොහෝ යෙදුම්වල මේවායේ ජනප්‍රියත්වයක් සහ සාර්ථකත්වයක් තිබියදීත්, ANN වලටද යම් සීමාවන් තිබේ. එනම් ඒවා පුහුණු කිරීම පරිගණකමය වශයෙන් මිල අධික විය හැකි අතර ලේබල් කළ දත්ත විශාල ප්‍රමාණයක් අවශ්‍ය වේ. මීට අමතරව, ANNs පාරාන්ධ (opaque) විය හැකි අතර, ඔවුන්ගේ අනාවැකි පිටුපස ඇති යටින් පවතින තර්කය (underlying reasoning) අර්ථ නිරූපණය කිරීමේ දුෂ්කරතාවයක් ඇතිවිය හැක

සමස්තයක් වශයෙන්, ANNs යනු බොහෝ ක්ෂේත්‍රවල විප්ලවීය වෙනසක් කිරීමට හැකියාව ඇති යන්ත්‍ර ඉගෙනුම් මෙවලමකි. කෙසේ වෙතත්, ඒවා භාවිතා කළ යුත්තේ ප්‍රවේශමෙන් වන අතර සිදුවිය හැකි ගැටලු පිළිබඳව සැලකිලිමත් විය යුතුය.

ගැඹුරු ඉගෙනීම (Deep leaning) යනු සංකීර්ණ ගැටළු විශ්ලේෂණය කිරීම හා විසඳීම සඳහා කෘතිම ස්නායුක ජාල (Artificial Neural Networks) භාවිතා කරනා ක්‍රමයකි. එය මිනිස් මොළයේ ව්යුහය හා ක්රියාකාරිත්වය අනුකරණය කරන අතර, එයට අතිමහත් දත්ත ප්රමාණයක් විශ්ලේෂණය කිරීමෙන් පසු කාලයත් සමඟ එහි ක්රියාකාරිත්වය ඉගෙන ගැනීමට හා වැඩිදියුණු කිරීමටද හැකිය.

ගැඹුරු ඉගෙනුම් වල ප්රධාන අංගයක් වන්නේ ආරම්භක දත්ත (Raw data) වලින් අදාළ කරුණු ස්වයංක්රීයව උකහා ගැනීමේ හැකියාව වන අතර එමඟින් රූප හඳුනා ගැනීම (image recognition), කථන හඳුනා ගැනීම (speech recognition), ස්වාභාවික භාෂා සැකසීම (natural language processing) සහ තවත් බොහෝ දේ සිදු කළ හැක.

ගැඹුරු ඉගෙනීම සඳහා භාවිතා කරන වඩාත් ප්‍රසිද්ධ ක්‍රමයක් වන්නේ රූප සැකසීම සඳහා නිර්මාණය කර ඇති Convolutional Neural Network (CNN) ය. රූප හඳුනා ගැනීම (image recognition), වස්තු හඳුනා ගැනීම (object detection) සහ රූප ඛණ්ඩනය (image segmentation) වැනි කාර්යයන් CNN ක්‍රමයට ඉතාමත් පහසුවෙන් සිදු කළ හැක

ගැඹුරු ඉගෙනුම් වල බහුලව භාවිතා වන තවත් ක්‍රමයක් වන්නේ වචන (Text), කථනය (Speech) සහ කාල ශ්‍රේණි දත්ත (Time series data) වැනි අනුක්රමික දත්ත (Sequential data) සැකසීම සඳහා නිර්මාණය කර ඇති පුනරාවර්තන ස්නායුක ජාලයයි (Recurrent Neural Network (RNN)) ය. භාෂා පරිවර්තනය (language translation), කථනය හඳුනාගැනීම (speech recognitio) සහ වීඩියෝ ශීර්ෂ පාඨ සෑදීම (video captioning) වැනි දේ සඳහා මෙය යොදා ගත හැක

ගැඹුරු ඉගෙනුම් රූප හා කථන හඳුනාගැනීම, ස්වාභාවික භාෂා සැකසුම්, ස්වයංක්රීය වාහන පැදවීම සහ තවත් බොහෝ යෙදුම් පරාසයක විශිෂ්ට සාර්ථකත්වයක් පෙන්නුම් කර ඇත. සෞඛ්ය සේවා, මූල්ය හා විද්යාත්මක පර්යේෂණ වැනි ක්ෂේත්රවල සැලකිය යුතු දියුණුවක් ලබා ගැනීම සඳහාද එය භාවිතා කර ඇත.

කෙසේ වෙතත්, ගැඹුරු ඉගෙනීමට අභියෝගද කිහිපයක් ඇත. එයින් ප්‍රධාන එකක් වන්නේ උසස් තත්ත්වයේ පුහුණු දත්ත විශාල ප්රමාණයක් අවශ්‍ය වීම සහ ඒවා එකතු කිරීම හා ලේබල් කිරීම මිල අධික සහ කාලය ගත වන ක්‍රියාවලියක් වීමයි.

සමස්තයක් වශයෙන්, ගැඹුරු ඉගෙනීම සංකීර්ණ ගැටළු විසඳීමට සහ කෘතිම බුද්ධිය තවදුරටත් වර්ධනය කිරීම සඳහා ඉතාමත් ඉවහල් වන ක්‍රියා දාමයකි.

කටහඬ හඳුනාගැනීම, එසේත් නොමැති නම් කථනය හඳුනාගැනීම (Voice recognition) ලෙසද හැදින්වෙන මෙය, කෘත්‍රිම බුද්ධියේ (AI) ශීඝ්‍රයෙන් වර්ධනය වන ක්ෂේත්‍රයකි, එමගින් යන්ත්‍රවලට මිනිස් කථනය හඳුනා ගැනීමට සහ අර්ථ නිරූපණය කිරීමට හැකි වේ. මෙම තාක්‍ෂණය එහි ආරම්භයේ සිට බොහෝ දුරක් පැමිණ ඇති අතර එහි හැකියාවන් නිරන්තරයෙන් වර්ධනය වේ.

මෑත වසරවල කටහඬ හඳුනාගැනීමේ තාක්ෂණයේ වඩාත්ම වැදගත් දියුණුවක් වන්නේ ගැඹුරු ඉගෙනුම් ඇල්ගොරිතම (Deep learning algorithms) සංවර්ධනය කිරීමයි. මෙම ඇල්ගොරිතම මිනිස් මොළය තොරතුරු සකසන ආකාරය අනුව හැඩගස්වා ඇති අතර, යන්ත්‍රවලට කථන රටා හඳුනා ගැනීමට සහ වෙන කවරදාටත් වඩා නිවැරදිව වචන සහ වාක්‍ය ඛණ්ඩ හඳුනා ගැනීමට ඉඩ සලසයි.

ගැඹුරු ඉගෙනීමේ උපකාරයෙන්, කටහඬ හඳුනාගැනීමේ පද්ධති වඩාත් නිවැරදි වී ඇති අතර දැන් වාචික කතා, ස්ලැන්ග් සහ උච්චාරණ ඇතුළු ස්වභාවික භාෂාව තේරුම් ගැනීමටද හැක. අතථ්‍ය සහායකයින් (Virtual assistants), ස්මාර්ට් නිවාස උපාංග (smart home devices) සහ පාරිභෝගික සේවා චැට්බෝට් (customer service chatbots) ඇතුළු විවිධ යෙදුම්වල හඬ හඳුනාගැනීමේ තාක්‍ෂණය භාවිත කිරීමට මෙනිසා හැකි වී ඇත.

හඬ හඳුනාගැනීමේ තාක්ෂණයේ තවත් වැදගත් වර්ධනයක් වන්නේ ස්වභාවික භාෂා සැකසුම් (NLP - Natural Language Processing) හැකියාවන් එයට ඒකාබද්ධ කිරීමයි. NLP, යන්ත්‍රවලට කථා කරන වචන පිටුපස ඇති සන්දර්භය සහ අභිප්‍රාය තේරුම් ගැනීමට ඉඩ සලසයි, එමඟින් වඩාත් නිවැරදි හා අදාළ ප්‍රතිචාර සැපයීමට ඔවුන්ට හැකි වේ.

මෙම දියුණුවට අමතරව, කටහඬ හඳුනාගැනීමේ තාක්ෂණය යන්ත්‍ර ඉගෙනීම සහ පරිගණක දැක්ම (Computer vision) වැනි වෙනත් AI තාක්‍ෂණයන් සමඟ ද ඒකාබද්ධ වෙමින් ඊටත් වඩා බලවත් සහ සංකීර්ණ පද්ධති නිර්මාණය කරයි. නිදසුනක් වශයෙන්, සමහර සමාගම් කථනයේ හැඟීම් හඳුනාගෙන ඒ අනුව ප්‍රතිචාර දැක්විය හැකි හඬ හඳුනාගැනීමේ පද්ධති සංවර්ධනය කිරීමට කටයුතු කරමින් සිටී.

මෙම දියුණුව තිබියදීත්, කටහඬ හඳුනාගැනීමේ තාක්ෂණයේ ජය ගැනීමට තවමත් අභියෝග කිහිපයක් තිබේ. එක් ප්‍රධාන අභියෝගයක් වන්නේ යන්ත්‍රවලට කථනය නිවැරදිව හඳුනා ගැනීමට අපහසු වන පසුබිම් ශබ්දය සහ වෙනත් සාධක සමඟ කටයුතු කිරීමයි. කෙසේ වෙතත්, සිදුවෙමින් පවතින පර්යේෂණ සහ සංවර්ධනය සමඟ, හඬ හඳුනාගැනීමේ තාක්ෂණයේ අනාගතය යහපත් බව පෙනෙන අතර, ඉදිරි වසරවලදී ඊටත් වඩා නව්‍ය යෙදුම් දැකීමට අපට අපේක්ෂා කළ හැක.

5 වන කාර්මික විප්ලවය (5th Industrial Revolution), Industry 5.0 ලෙසද හැඳින්වේ. එය කාර්මික විප්ලවයේ නවතම අදියර වන අතර එමගින් Industry 4.0 හී තාක්ෂණයන් වන ස්වයංක්‍රීයකරණය (Automation), කෘතිම බුද්ධිය (Artificial Intelligence) සහ Internet of Things (IoT) මිනිසාගේ නිර්මාණශීලිත්වය සහ දක්ෂතාවය සමඟ එකට මුසු කිරීමට උත්සාහ කරයි. Industry 5.0 හි මූලික අවධානය යොමු වන්නේ නිෂ්පාදන ක්‍රියාවලියේ කේන්ද්‍රස්ථානයට මිනිසුන් තැබීමෙන් වඩාත් තිරසාර හා මානුෂීය කර්මාන්තයක් නිර්මාණය කිරීමයි.

Industry 4.0 හි ඇති සීමාවන්ට ප්‍රතිචාරයක් ලෙස Industry 5.0 සංකල්පය මතු විය. Industry 4.0 තාක්‍ෂණයන්ට නිෂ්පාදන සහ කර්මාන්ත පරිවර්තනය කිරීමේ හැකියාව ඇති අතර, ඒවා බොහෝ විට විවේචනයට ලක්වන්නේ ඒවායේ මානව ස්පර්ශය (Human touch) නොමැතිකම මිනිස් රැකියා නැති කිරීමේ හැකියාව නිසාය. Industry 5.0 හී දී නිෂ්පාදන ක්‍රියාවලියේදී මානව සේවකයින්ගේ කාර්යභාරය අවධාරණය කරමින් සහ මිනිසුන් සහ යන්ත්‍ර අතර සහයෝගීතාවය සඳහා නව අවස්ථා නිර්මාණය කිරීමෙන් මෙම ගැටළු විසඳීමට උත්සාහ කරයි.

Industry 5.0 තවමත් එහි මුල් අවධියේ පවතින අතර, එහිදී භාවිතා කරනු ලබන තාක්ෂණයන් සහ ක්‍රියාවලීන් පිළිබඳව පැහැදිලි එකඟතාවයක් නොමැත. කෙසේ වෙතත්, මෙමගින් වැඩිදියුණු කළ හැකි ක්‍රියාදාමයන් අතරට මානව-යන්ත්‍ර අන්තර්ක්‍රියා (Human-machine interactions) වැඩි දියුණු කිරීම සඳහා Augmented reality, පැළඳිය හැකි උපකරණ (Wearables) සහ වෙනත් තාක්ෂණයන් භාවිතය, තිරසාරභාවය සහ සමාජ වගකීමට ප්‍රමුඛත්වය දෙන නව නිෂ්පාදන ආකෘති සංවර්ධනය සහ නව පුහුණු වැඩසටහන් සහ අධ්‍යාපන මුලපිරීම් නිර්මාණය කිරීම ඇතුළත් වේ.

සමස්තයක් වශයෙන්, 5 වන කාර්මික විප්ලවය වඩාත් තිරසාර, මානුෂීය සහ සාධාරණ අනාගතයක් නිර්මාණය කිරීම සඳහා මිනිසාගේ නිර්මාණශීලිත්වය සහ දක්ෂතාවය සමඟ උසස් තාක්ෂණයන්හි බලය ඒකාබද්ධ කරන කර්මාන්තයේ නව යුගයක් නියෝජනය කරයි.