23/05/2026
🚨 කෘතිම බුද්ධිය (AI) අතින් මිනිස්සුන්ට වුණු අසාධාරණකම් ගැන ඔබ දැන සිටියාද? 🤖⚖️
AI කිව්වම අපි හිතන්නේ ඒක කිසිම වැරැද්දක් කරන්නේ නැති, 100% ක් සාධාරණ තාක්ෂණයක් කියලා නේද? ඒත් AI එකකට තීරණ ගන්න උගන්වන්න දත්ත (Data) දෙන්නේ අපිමයි. අපේ සමාජයේ ඉතිහාසයේ ඉඳන් තියෙන අගතීන් සහ පක්ෂපාතීත්වයන් (Biases) ඒ දත්ත ඇතුළේ හැංගිලා තියෙනවා. මේ නිසා AI හරහා සැබෑ ලෝකයේ මිනිස්සුන්ට ලොකු අසාධාරණකම් වෙලා තියෙනවා.
🛑 මේ තියෙන්නේ එහෙම වුණු සැබෑ සිදුවීම් කිහිපයක්:
Amazon සමාගමේ රැකියා AI එක: 2014 දී ඇමේසන් සමාගම CV පරීක්ෂා කරන්න හැදුව AI එක, ස්වයංක්රීයවම කාන්තාවන්ගේ CV ප්රතික්ෂේප කරලා පිරිමි අයට විතරක් රැකියා දෙන්න තීරණය කළා. හේතුව? කලින් අවුරුදුවල IT ෆීල්ඩ් එකේ වැඩියෙන්ම හිටියේ පිරිමි අය වීමයි.
මුහුණු හඳුනාගැනීම (Facial Recognition): පොලිස් පරීක්ෂණ වලදී පාවිච්චි කරපු AI පද්ධති සුදු ජාතිකයින්ව හරියටම අඳුරගත්තත්, අඳුරු සමක් ඇති පුද්ගලයින්ව හඳුනාගැනීමේදී ලොකු වැරදි කළා. මේ නිසා ඇමරිකාවේ අහිංසක මිනිස්සු පවා වැරදීමකින් පොලිස් අත්අඩංගුවට පත් වුණා.
සෞඛ්ය අංශයේ ගැටළු: ඇමරිකාවේ රෝහල්වල පාවිච්චි කරපු AI පද්ධතියක්, අසාධ්ය තත්ත්වයේ හිටපු කළු ජාතික රෝගීන්ට වඩා සාමාන්ය තත්ත්වයේ හිටපු සුදු ජාතික රෝගීන්ට වැඩි අවධානයක් (Extra care) දෙන්න නිර්දේශ කළා.
🛠️ මේක විසඳන්නේ කොහොමද? (AI Ethics සහ Fairness Libraries)
"Garbage In, Garbage Out" කියන දේ AI වලටත් පොදුයි. ඒ නිසා දැන් AI ඉංජිනේරුවන් මේ අසාධාරණකම් අවම කරන්න සහ කෘතිම බුද්ධියට ආචාර ධර්ම (Ethics) එකතු කරන්න විශේෂ Software Libraries භාවිතා කරනවා. ඔබත් AI/Machine Learning ඉගෙන ගන්න කෙනෙක් නම්, මේවා ගැන අනිවාර්යයෙන්ම දැනගන්න:
IBM AI Fairness 360 (AIF360): දත්තවල සහ AI ආකෘතියේ (Model) ඇති පක්ෂපාතීත්වය මැනීමට සහ එය අඩු කිරීමට (Mitigate bias) භාවිතා කරන ප්රබල, Open-source මෙවලමක්.
Fairlearn (Microsoft): AI එකක තීරණ විවිධ ජාතීන්ට, ස්ත්රී/පුරුෂ භාවයට කොහොමද බලපාන්නේ කියලා තක්සේරු කරලා පද්ධතිය තුළ සාධාරණත්වය ඇති කරන්න උදව් වෙන Python library එකක්.
SHAP & LIME (Explainable AI - XAI): AI එකක් තීරණයක් ගත්තම "ඇයි මේ තීරණය ගත්තේ?" කියලා පැහැදිලි කරගන්න මේවා පාවිච්චි කරනවා. මේ හරහා AI එකේ තීරණ ගන්නා ක්රියාවලිය පාරදෘශ්ය (Transparent) කරගන්න පුළුවන්.
Google- What-If Tool (WIT): කේත ලියන්නේ නැතිව AI එකේ දත්ත වෙනස් කළොත් ප්රතිඵලය කොහොම වෙනස් වෙයිද කියලා පරීක්ෂා කරලා බලන්න පුළුවන් සරල මෙවලමක්.
අනාගතයේදී AI තාක්ෂණය දියුණු කරනවා වගේම, එයින් මනුෂ්යත්වයට හානියක් නොවන විදිහට 'ආචාර ධර්ම' (AI Ethics) ගැන හිතන එකත් අත්යවශ්යයි! 💡
ඔබ මේ ගැන මොකද හිතන්නේ? Comment එකක් දාගෙන යන්න. 👇
📚 References (වැඩිදුර කියවීමට):
Amazon’s biased recruiting tool: Dastin, J. (2018). Amazon scraps secret AI recruiting tool that showed bias against women. (Reuters)
Facial Recognition Bias (Gender Shades Project): Buolamwini, J., & Gebru, T. (2018). "Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification." (MIT Media Lab)
Healthcare AI Bias: Obermeyer, Z., et al. (2019). "Dissecting racial bias in an algorithm used to manage the health of populations." (Science Magazine)
Fairness Tools:
IBM AIF360: aif360.res.ibm.com
Microsoft Fairlearn: fairlearn.org
✍️ Udara Dissanayake
(R&D Specialist)