AWS AI/ML මූලිකාංග: Supervised, Unsupervised Learning | සිංහල Tutorial

හෙලෝ යාලුවනේ! අද කාලේ ලෝකයේ වැඩිපුරම කතාබහට ලක්වෙන තාක්ෂණික ක්ෂේත්‍රයක් තමයි Artificial Intelligence (AI) සහ Machine Learning (ML) කියන්නේ. මේවා ගැන නොදන්න කෙනෙක් හොයාගන්නත් අමාරුයි වගේ, නේද? හැබැයි මේවා හරියටම මොනවද, කොහොමද වැඩ කරන්නේ කියලා හරියටම දන්න කී දෙනෙක් ඉන්නවද? අද අපි මේ මාතෘකාව ගැන මුල සිට සරලව, පැහැදිලිව සිංහලෙන් කතා කරමු.

මම දන්නවා, මේ වගේ Technical මාතෘකා ගැන කතා කරනකොට ටිකක් සංකීර්ණ වෙන්න පුළුවන් කියලා. ඒත් අපි පුළුවන් තරම් සරලව, දෛනික ජීවිතයට සමීප උදාහරණ එක්ක මේ දේවල් ඉගෙන ගමු. විශේෂයෙන්ම, මේවාට AWS (Amazon Web Services) වගේ Cloud Platform එකක් කොහොමද සම්බන්ධ වෙන්නේ කියලාත් අපි බලමු. මේ Tutorial එක අවසානයේදී, AI/ML ගැන හොඳ මූලික අවබෝධයක් සහ AWS වල මේවාට තියෙන Tools මොනවද කියන එක ගැන දැනුමක් ඔයාට ලැබෙයි.

ඉතින්, අපි පටන් ගමුද?

AI සහ ML යනු කුමක්ද? (What is AI and ML?)

මුලින්ම බලමු මේ AI සහ ML කියන්නේ මොනවද කියලා.

Artificial Intelligence (AI)

සරලවම කිව්වොත්, AI කියන්නේ මිනිස් බුද්ධිය අනුකරණය කරන, එහෙමත් නැත්නම් මිනිස්සු වගේ හිතන, තේරුම් ගන්න, ඉගෙන ගන්න, තීරණ ගන්න පුළුවන් විදියට පරිගණක පද්ධති හදන එකට. උදාහරණයක් විදියට, ස්වයංක්‍රීයව රිය පදවන කාර් (Self-driving cars), Siri, Alexa වගේ Voice Assistants, ඒ වගේම Chess වගේ ගේම්ස් ගහන පරිගණක AI යටතට වැටෙනවා.

Machine Learning (ML)

දැන් ML කියන්නේ AI කියන විශාල ක්ෂේත්‍රයේම කොටසක්, එහෙමත් නැත්නම් AI වලට ලඟා වෙන්න අපි පාවිච්චි කරන ප්‍රධාන ක්‍රමවේදයක්. Machine Learning වලදී වෙන්නේ, දත්ත (Data) භාවිතා කරලා පරිගණකයකට ඍජුවම Program නොකර ඉගෙන ගන්න (Learn) පුළුවන් කරන එක. සාමාන්‍යයෙන් අපි පරිගණකයකට යම් කාර්යයක් කරන්න විධාන (Instructions) දෙනවා, ඒත් ML වලදී පරිගණකය දත්ත වලින් තමන්ටම Rules හදාගෙන වැඩ කරනවා. උදාහරණයක් විදියට, ඊමේල් Spam ද නැද්ද කියලා හඳුනා ගන්න එක, Facebook එකේ ඔයාට පේන Ads තීරණය කරන එක වගේ දේවල්.

ඉතින්, AI කියන්නේ අපේ ඉලක්කය (Goal) – එනම් බුද්ධිමත් පද්ධති හදන එක, ML කියන්නේ ඒ ඉලක්කයට ලඟා වෙන්න අපි පාවිච්චි කරන ක්‍රමය (Methodology) – එනම් දත්ත වලින් ඉගෙන ගන්න එක.

Machine Learning ප්‍රධාන වර්ග (Main Types of Machine Learning)

Machine Learning ඇතුළත ප්‍රධාන ක්‍රමවේද තුනක් තියෙනවා. මේවා තමයි Supervised Learning, Unsupervised Learning, සහ Reinforcement Learning කියන්නේ.

Supervised Learning

මේක තමයි Machine Learning වල වැඩියෙන්ම භාවිතා වෙන වර්ගය. Supervised Learning වලදී අපිට labeled data තියෙනවා. Labeled data කියන්නේ, අපිට තියෙන input data එකට අදාළ output data එකත් තියෙනවා කියන එක. ඒ කියන්නේ, අපිට උගන්වන්න කෙනෙක් ඉන්නවා වගේ.

• හිතන්න: ඔයා පොඩි ළමයෙකුට බල්ලෝ සහ බළල්ලු හඳුනා ගන්න උගන්වනවා කියලා. ඔයා බල්ලෙක් පෙන්නලා කියනවා “මේ බල්ලෙක්”, බළලෙක් පෙන්නලා කියනවා “මේ බළලෙක්” කියලා. ළමයා මේ පින්තූර (Input) සහ ඒවායේ නම් (Output/Label) අතර සම්බන්ධය ඉගෙන ගන්නවා.
• ML වලදී: අපි Model එකට ඓතිහාසික දත්ත (historical data) දෙනවා, ඒ දත්ත වලට අදාළ නිවැරදි පිළිතුරු (correct answers) එක්කම. Model එක මේ Input/Output යුගල වලින් patterns හොයාගෙන, අලුත් දත්තයක් දුන්නාම නිවැරදි Output එකක් දෙන්න ඉගෙන ගන්නවා.
• උදාහරණ:
  • Classification: ඊමේල් එකක් Spam ද (1) නැද්ද (0) කියලා හඳුනා ගන්න එක. (Binary Classification)
  • Regression: ගෙදරක මිලක් (Price) අනාවැකි කීම. (වර්ග අඩි, කාමර ගණන, පිහිටීම වගේ දත්ත වලින්).

Supervised Learning එකේදී අපි කරන දේ:

1. Dataset එකක් (Input & Label) ගන්නවා.
2. ඒ Dataset එකෙන් කොටසක් Training කරන්නත්, තව කොටසක් Test කරන්නත් වෙන් කරනවා.
3. Model එක Training Data වලින් ඉගෙන ගන්නවා.
4. Model එක Test Data වලින් කොච්චර හොඳට වැඩ කරනවද කියලා බලනවා.

Unsupervised Learning

Unsupervised Learning වලදී අපිට තියෙන්නේ unlabeled data. ඒ කියන්නේ, අපිට තියෙන්නේ Input data විතරයි, ඒකට අදාළ නිවැරදි Output එක මොකක්ද කියලා අපි දන්නේ නැහැ. මෙතනදී Model එක තමන්ටම දත්ත ඇතුළේ තියෙන Structure, Patterns, Groups හොයාගන්න උත්සාහ කරනවා.

• හිතන්න: ඔයාට සෙල්ලම් බඩු ගොඩක් තියෙනවා. ඒවා මොනවද කියලා නම් දන්නේ නැහැ. ඒත් ඔයාට ඒවා හැඩය අනුව, පාට අනුව කණ්ඩායම් වලට වෙන් කරන්න පුළුවන්, නේද? මෙතනදී ඔයාට කවුරුත් කියලා දුන්නේ නැහැ මේක මෙතනට දාන්න කියලා. ඔයා තනියම ඒවායේ Similarity එක අනුව Groups හැදුවා.
• ML වලදී: Model එක දත්ත අතර තියෙන සමානකම් (similarities) සහ අසමානකම් (differences) මත පදනම් වෙලා ඒවා Group කරනවා.
• උදාහරණ:
  • Clustering: පාරිභෝගිකයින්ව (Customers) ඔවුන්ගේ මිලදී ගැනීමේ රටා (Purchasing patterns) අනුව විවිධ කොටස් වලට වෙන් කිරීම. (උදා: වැඩිපුර මිලදී ගන්න අය, කලාතුරකින් මිලදී ගන්න අය).
  • Dimensionality Reduction: ඉතා විශාල දත්ත කට්ටලයක් (High-dimensional data) සරල, තේරුම් ගැනීමට පහසු ආකාරයකට අඩු කිරීම. (අනවශ්‍ය Features ඉවත් කිරීම).

Unsupervised Learning එක බිස්නස් වලට ගොඩක් වටිනවා, මොකද ගොඩක් වෙලාවට අපිට Labeled Data හොයාගන්න අමාරුයි, නැත්නම් ඒකට ගොඩක් වියදම් යනවා.

Reinforcement Learning

මේක තවත් රසවත් Machine Learning වර්ගයක්. Reinforcement Learning වලදී, Agent කෙනෙක් Environment එකක තමන්ට දීලා තියෙන Goal එකක් කරා යන්න Trial and Error වලින් ඉගෙන ගන්නවා. හරි වැඩක් කළොත් Reward එකක් ලැබෙනවා, වැරදි වැඩක් කළොත් Penalty එකක් ලැබෙනවා.

• හිතන්න: ඔයා පොඩි බල්ලෙකුට උපක්‍රම (Tricks) උගන්වනවා කියලා. බල්ලා උපක්‍රමය හරියට කළොත් ඔයා ඌට කෑම කෑල්ලක් දෙනවා (Reward). වැරදියට කළොත් මොකුත් දෙන්නේ නැහැ (Penalty). ටිකෙන් ටික බල්ලා ඉගෙන ගන්නවා මොන ක්‍රියාවටද කෑම ලැබෙන්නේ කියලා.
• ML වලදී: Agent (ML Model) එකක් Environment එකක (උදා: පරිගණක ගේමක්, රොබෝවරයෙකුගේ ලෝකය) ක්‍රියා කරනවා. ඒ ක්‍රියාවන් වල ප්‍රතිඵල අනුව, Model එකට ධනාත්මක (Positive) හෝ ඍණාත්මක (Negative) Feedbacks ලැබෙනවා. මේ Feedback පාවිච්චි කරලා Model එක කාලයත් එක්ක හොඳම ක්‍රියාමාර්ගය (Optimal policy) ඉගෙන ගන්නවා.
• උදාහරණ:
  • පරිගණක ගේම්ස් ගහන AI Agentලා (උදා: AlphaGo).
  • රොබෝවරුන්ට යම් කාර්යයන් කරන්න පුරුදු කිරීම.
  • Self-driving cars වල තීරණ ගැනීමේ යාන්ත්‍රණ.

Machine Learning Lifecycle එක (The Machine Learning Lifecycle)

යම්කිසි Machine Learning Project එකක් පටන් ගත්තාම, ඒක සාර්ථකව අවසන් කරන්න නිශ්චිත පියවර ටිකක් තියෙනවා. මේක තමයි Machine Learning Lifecycle එක කියලා කියන්නේ. මේ පියවර ඔස්සේ තමයි අපි Model එකක් හදන්නේ, Training කරන්නේ, Deploy කරන්නේ.

1. Data Collection (දත්ත එකතු කිරීම)

ඕනෑම ML Project එකක පදනම තමයි Data. අපිට විසඳන්න අවශ්‍ය ප්‍රශ්නයට අදාළව, විශ්වාසදායක සහ ගුණාත්මක දත්ත (Quality data) එකතු කරගන්න එක මෙතනදී සිද්ධ වෙනවා. මේ දත්ත Public datasets, Databases, APIs, Sensors වගේ විවිධ මූලාශ්‍ර වලින් ලබා ගන්න පුළුවන්.

2. Data Preparation (දත්ත සකස් කිරීම)

බොහෝ වෙලාවට අපි එකතු කරගන්න දත්ත අපිරිසිදුයි (dirty), අසම්පූර්ණයි (incomplete) හෝ අවුල් සහගතයි. Model එකකට තේරුම් ගන්න පුළුවන් විදියට මේ දත්ත සකස් කරගන්න එක තමයි Data Preparation කියන්නේ. මේකට පහත දේවල් ඇතුළත් වෙන්න පුළුවන්:

• Data Cleaning: Missing values (නැතිවූ අගයන්) fill කරන එක, Outliers (අසාමාන්‍ය දත්ත) හඳුනාගෙන ඒවා handle කරන එක.
• Data Transformation: දත්ත සාමාන්‍යකරණය (Normalization), ප්‍රමාණයට ගැලපීම (Scaling) හෝ වෙනත් ආකෘති වලට වෙනස් කිරීම (Encoding categorical data).
• Feature Engineering: තියෙන දත්ත වලින් අලුත්, වඩාත් ප්‍රයෝජනවත් Features හදන එක.

3. Model Training (Model එක පුහුණු කිරීම)

මේ පියවරේදී අපි සුදුසු Machine Learning Algorithm එකක් (Regression, Classification, Clustering etc.) තෝරාගෙන, අපේ සකස් කරගත් Data (Training Data) භාවිතා කරලා Model එකක් හදනවා. මේකෙදි Model එක, Data ඇතුළේ තියෙන Patterns සහ Relationships ඉගෙන ගන්නවා. මේ ක්‍රියාවලියට ගොඩක් Computing Power යන්න පුළුවන්.

4. Model Evaluation (Model එක ඇගයීම)

Model එක Training කළාට පස්සේ, ඒක කොච්චර හොඳට වැඩ කරනවද කියලා බලන්න ඕනේ. මේකට අපි කලින් වෙන් කරගත් Test Data එක පාවිච්චි කරනවා. Accuracy, Precision, Recall, F1-score, RMSE වගේ metrics පාවිච්චි කරලා Model එකේ කාර්ය සාධනය (Performance) මැන බලනවා. මේ පියවරෙන් අපිට තේරෙනවා Model එක අපේ ප්‍රශ්නය විසඳන්න ප්‍රමාණවත් ද කියලා. නැත්නම් Model එකේ Hyperparameters ටිකක් වෙනස් කරලා ආයෙත් Train කරන්න (Refine) වෙනවා.

5. Model Deployment (Model එක යෙදවීම)

අපේ Model එක හොඳට වැඩ කරනවා කියලා තහවුරු වුණාට පස්සේ, අපි ඒක πραγμα的な (Real-world) පරිසරයකදී පාවිච්චි කරන්න සූදානම් කරනවා. මේක තමයි Deployment කියන්නේ. සාමාන්‍යයෙන් Model එක Web Application එකකට, API එකකට, Mobile App එකකට හෝ වෙනත් Software System එකකට Integrate කරනවා. මේකෙන් Model එකට අලුත් දත්ත ලැබුණාම Predictions දෙන්න පුළුවන් වෙනවා.

6. Model Monitoring and Maintenance (Model එක නිරීක්ෂණය සහ නඩත්තු කිරීම)

Model එක Deploy කළාට පස්සේ වැඩේ ඉවර නැහැ. කාලයත් එක්ක Data එක වෙනස් වෙන්න පුළුවන් (Data Drift). ඒ නිසා Model එකේ Performance එක නිරන්තරයෙන් නිරීක්ෂණය කරන්න ඕනේ. Model එකේ Accuracy එක අඩු වෙනවා නම්, අලුත් Data වලින් ආයෙත් Train කරන්න (Retrain) වෙනවා. මේක continuous process එකක්.

සරල Python Code Snippet එකක්:

දත්ත සකස් කිරීමේ සහ පුහුණු කිරීමේ පියවර සඳහා සංකල්පීය Python කේතයක් මෙන්න. මේකෙන් Data Loading සහ Train/Test Split කරන ආකාරය පෙන්වනවා.

import pandas as pd
from sklearn.model_selection import train_test_split

# 1. Sample Data Collection (conceptual)
# මෙතන අපි සරල DataFrame එකක් හදාගමු.
# Real world එකේදී මේ data එක CSV, Database එකකින් එහෙම load වෙනවා.
data = {
    'feature1': [10, 20, 30, 40, 50, 60, 70, 80, 90, 100],
    'feature2': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
    'label': [0, 0, 0, 1, 1, 1, 0, 0, 1, 1] # Classification සඳහා උදාහරණ label එකක් (0 or 1)
}
df = pd.DataFrame(data)

print("Original DataFrame:")
print(df)

# 2. Data Preparation (Basic Split)
# Features (input) සහ Label (output) වෙන් කරගැනීම.
X = df[['feature1', 'feature2']] # මේවා තමයි අපේ Model එකට යන Features
y = df['label']                  # මේක තමයි අපේ Model එකෙන් predict කරන්න ඕනේ Label එක

# Data එක Training සහ Testing sets වලට බෙදනවා.
# Test data සඳහා 30%ක් වෙන් කරලා තියෙනවා.
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

print("\nTraining Features (X_train):")
print(X_train.head())
print("\nTraining Labels (y_train):")
print(y_train.head())

print("\nTesting Features (X_test):")
print(X_test.head())
print("\nTesting Labels (y_test):")
print(y_test.head())

# 3. Model Training (conceptual)
# මේ පියවරේදී අපි Model එකක් තෝරගෙන train කරනවා.
# උදාහරණයක් විදියට Logistic Regression Model එකක් කියලා හිතමු.
# from sklearn.linear_model import LogisticRegression
# model = LogisticRegression()
# model.fit(X_train, y_train)

print("\nData preparation and split complete. Ready for Model Training!")

වැදගත් පද (Key Terminology)

AI/ML ගැන කතා කරනකොට අපිට පොදු වචන කීපයක් නිතරම හම්බෙනවා. ඒවා මොනවද කියලා ඉක්මනට බලමු.

• Feature: Model එකට Input විදියට දෙන දත්ත. මේවා තමයි Model එකක් Prediction එකක් දෙන්නට පාවිච්චි කරන දේවල්. (උදා: ගෙදරක මිලක් predict කරනවා නම්, වර්ග අඩි, කාමර ගණන, පිහිටීම කියන ඒවා Features).
• Label: Supervised Learning වලදී, අපිට predict කරන්න අවශ්‍ය Output value එක. (උදා: ගෙදරක මිල, Spam ඊමේල් ද නැද්ද යන්න).
• Model: Data වලින් ඉගෙන ගත්ත Algorithm එක. මේක තමයි අලුත් Input Data එකකට Prediction එකක් දෙන එක කරන්නේ.
• Training Data: Model එකට ඉගෙන ගන්න දෙන Data Set එක.
• Validation Data: Model එකේ Parameters optimize කරන්න (tune කරන්න) පාවිච්චි කරන Data. මේක Training සහ Test Data අතරමැද වගේ.
• Test Data: අවසානයේදී, Model එක කොච්චර හොඳට වැඩ කරනවද කියලා evaluate කරන්න පාවිච්චි කරන Data. මේ Data, Model එක Training වෙද්දී දැකලා නැහැ.

ව්‍යාපාරික වටිනාකම (Business Value of AI/ML)

ඇයි මේ AI/ML ගැන ලෝකයේ හැමෝම මේ තරම් කතා කරන්නේ? මොකද මේවාට ව්‍යාපාර වලට විශාල වටිනාකමක් දෙන්න පුළුවන්. ඒවා මොනවද කියලා බලමු:

• කාර්යක්ෂමතාව වැඩි කිරීම (Efficiency Gains): නැවත නැවත කරන වැඩ (repetitive tasks) automate කරන්න පුළුවන්. උදාහරණයක් විදියට, Customer Service වල Chatbots පාවිච්චි කරන එක.
• හොඳ තීරණ ගැනීම (Improved Decision-Making): විශාල දත්ත ප්‍රමාණයක් විශ්ලේෂණය කරලා, ව්‍යාපාරික තීරණ ගැනීමට අවශ්‍ය Insights ලබා දෙනවා. (උදා: Marketing campaign එකකට හොඳම Customer Segment එක හොයාගැනීම).
• පාරිභෝගික අත්දැකීම් වැඩිදියුණු කිරීම (Enhanced Customer Experience): පාරිභෝගිකයින්ගේ අවශ්‍යතා තේරුම් අරගෙන Personalized recommendations, tailor-made offers ලබා දෙනවා. (උදා: Netflix, Amazon වල Recommendation Systems).
• නව නිෂ්පාදන සහ සේවා (New Products & Services): AI/ML පදනම් කරගත් අලුත් නිෂ්පාදන සහ සේවා හදන්න පුළුවන්. (උදා: Smart home devices, Predictive maintenance for machinery).
• පිරිවැය අඩු කිරීම (Cost Reduction): Automation සහ Optimization හරහා මෙහෙයුම් පිරිවැය අඩු කරන්න පුළුවන්.

AWS AI/ML සේවාවන් දළ විශ්ලේෂණයක් (Overview of AWS AI/ML Services)

දැන් අපි Machine Learning වල මූලිකාංග ටික තේරුම් ගත්තා. AWS කියන්නේ Cloud Computing වල ප්‍රමුඛයා. එයාලා මේ AI/ML ක්ෂේත්‍රය වෙනුවෙන් විශාල සේවාවන් ප්‍රමාණයක් ලබා දෙනවා. මේවා ප්‍රධාන කොටස් දෙකකට වෙන් කරන්න පුළුවන්.

1. Infrastructure Services (ML Practitioners/Data Scientists සඳහා)

මේවා Data Scientists, ML Engineers වගේ අයට තමන්ගේම ML Models හදන්න, Train කරන්න, Deploy කරන්න අවශ්‍ය Infrastructure එක සපයනවා.

• Amazon EC2 (Elastic Compute Cloud): ML Training සඳහා අවශ්‍ය Powerful GPUs තියෙන Virtual Servers ලබා ගන්න පුළුවන්.
• Amazon S3 (Simple Storage Service): විශාල Data Sets ගබඩා කරන්න විශ්වාසදායක, scalable storage එකක්. ඔබේ Training Data මේකේ තියාගන්න පුළුවන්.
• Amazon SageMaker: මේක තමයි AWS වල End-to-End Machine Learning Platform එක. Data Labelling ඉඳන්, Model Training, Hosting (Deployment) සහ Monitoring දක්වා හැමදේටම අවශ්‍ය Tools මේකෙන් සපයනවා. මේක පාවිච්චි කරලා ඉක්මනට Models හදන්න, Train කරන්න, Deploy කරන්න පුළුවන්.

Amazon SageMaker වල වැදගත්කම: සාමාන්‍යයෙන් ML Project එකක් කියන්නේ හෙන වැඩ කොටසක්. Environment එකක් Set up කරන එක, Infrastructure manage කරන එක, Code ලියන එක වගේ ගොඩක් දේවල් තියෙනවා. SageMaker මේ වැඩ කොටස විශාල වශයෙන් අඩු කරනවා. ඒකෙන් Developer කෙනෙකුට Model එක හදන එකට විතරක් අවධානය යොමු කරන්න පුළුවන්.

2. AI Services (Pre-built, Ready-to-use APIs)

මේවා කලින්ම AWS එකෙන් Train කරලා හදලා තියෙන AI Models. ඔයාට ML ගැන ලොකු දැනුමක් නැති වුණත්, මේවා API Calls විදියට පාවිච්චි කරලා ඔයාගේ Application වලට AI Capabilities එකතු කරන්න පුළුවන්. මේවා Machine Learning Service Level එකට වඩා AI Service Level එකක්.

• Amazon Rekognition: Images සහ Videos විශ්ලේෂණය කරන්න පුළුවන්. Face recognition, object detection, text in images වගේ දේවල් කරන්න පුළුවන්. (උදා: ආරක්ෂක කැමරා පද්ධතියකින් පුද්ගලයින් හඳුනා ගැනීම).
• Amazon Comprehend: Natural Language Processing (NLP) සේවාවක්. Text එකක තියෙන Sentiments (ධනාත්මකද, ඍණාත්මකද), Keywords, Entities (පුද්ගලයින්, ස්ථාන) වගේ දේවල් හඳුනා ගන්න පුළුවන්. (උදා: Customer Reviews විශ්ලේෂණය කිරීම).
• Amazon Polly: Text-to-Speech සේවාවක්. ලියපු Text එකක් ස්වභාවික ශබ්දයකට හරවන්න පුළුවන්. (උදා: Audio books, Voice assistants).
• Amazon Transcribe: Speech-to-Text සේවාවක්. Audio එකක තියෙන කතා කරන දේවල් Text එකට හරවන්න පුළුවන්. (උදා: Meeting minutes, Call center recordings).
• Amazon Translate: භාෂා පරිවර්තනය. එක් භාෂාවකින් තවත් භාෂාවකට Text පරිවර්තනය කරන්න පුළුවන්.
• Amazon Personalize: Recommendation System එකක්. ඔයාගේ Customers ලට Personalized product recommendations දෙන්න පුළුවන්. Amazon එකේ recommendation system එක වගේමයි.
• Amazon Forecast: කාල ශ්‍රේණි දත්ත (Time-series data) පාවිච්චි කරලා අනාවැකි (Forecasting) පළ කරන්න පුළුවන්. (උදා: අනාගත විකුණුම්, ඉල්ලුම).

මේ AI Services වල තියෙන ලොකුම වාසිය තමයි, ඔයාට ML Models හදන්න, Train කරන්න අවශ්‍ය වෙන්නේ නැහැ. ඔයාට අවශ්‍ය වෙන්නේ Simple API Calls ටිකක් විතරයි. මේකෙන් ඔයාගේ Development time එකත්, Cost එකත් විශාල වශයෙන් අඩු වෙනවා.

නිගමනය (Conclusion)

ඉතින් යාලුවනේ, අද අපි AI සහ Machine Learning වල මූලිකාංග ගැන ගැඹුරින් සාකච්ඡා කළා. AI කියන්නේ මිනිස් බුද්ධිය අනුකරණය කරන එකට, ML කියන්නේ ඒක කරන්න දත්ත වලින් ඉගෙන ගන්න ක්‍රමයට කියලා අපි ඉගෙන ගත්තා. Supervised, Unsupervised, සහ Reinforcement Learning කියන ML වල ප්‍රධාන වර්ග තුන ගැනත්, ML Project එකක Lifecycle එක කොහොමද සිද්ධ වෙන්නේ කියලත් අපි දැක්කා.

ඒ වගේම, AWS වගේ Cloud Platform එකක් කොහොමද මේ AI/ML ක්ෂේත්‍රයට උදව් කරන්නේ කියලත් අපි බැලුවා. Amazon SageMaker වගේ Tools, Data Scientists ලට ඔවුන්ගේ වැඩ පහසු කරන අතර, Amazon Rekognition, Comprehend වගේ AI Services, ML ගැන එතරම් දැනුමක් නැති අයටත් AI වල බලය තමන්ගේ Applications වලට එකතු කරගන්න අවස්ථාව දෙනවා.

මේ ක්ෂේත්‍රය හරිම වේගයෙන් දියුණු වෙනවා. මේ මූලික දැනුම ඔයාට AI/ML ලෝකයට සාර්ථකව පිවිසෙන්න හොඳ පදනමක් වෙයි කියලා මම විශ්වාස කරනවා. AWS Free Tier එකෙන් ඔයාට මේ AI/ML සේවාවන් ගොඩක් අත්හදා බලන්න පුළුවන්. ඒ නිසා බය නැතුව පටන් ගන්න!

ඔයාගේ අත්දැකීම්, ප්‍රශ්න හෝ අදහස් පහළින් Comment කරන්න. තවත් මේ වගේ Tutorial එකකින් හමුවෙමු! සුවපත් දවසක්!