AI සහිත අලුත් රෙදි නිෂපාදනය: Textilegence 2025

පසුගිය මාස 5කදී වස්ත්‍ර හා ඇඳුම් ක්ෂේත්‍රයේ ව්‍යාපාර 1,781ක් වසා දැමුණු බව Textilegence හි නවතම (නොවැම්බර්–දෙසැම්බර් 2025) කලාපය සෘජුවම මතක් කරලා දෙන්නෙ එකම දෙයක්: අපි වැඩ කරන විදිහ ඉක්මනින්ම වෙනස් කරගන්න ඕන කියලා. මේ සංඛ්‍යාව ටර්කියේ ගැන වුනත්, ලෝක වෙළඳපොළේ පීඩනය—උපරිම කාල සීමා, මිල ගණන්, අනුකූලතා (compliance), සහ පරිසර ප්‍රමිතීන්—ශ්‍රී ලංකාවටත් එකම ලෙසම බලපානවා.

අපේ “ශ්‍රී ලංකාවේ වස්ත්‍ර හා ඇඳුම් කර්මාන්තය කෘත්‍රිම බුද්ධිය මඟින් කෙසේ වෙනස් වෙමින් තිබේද” සීරීස් එකේ මේ ලිපියෙන් මම කරන්නෙ Textilegence කලාපය පුවතක් විදියට නැවත කියන එක නෙවෙයි. ඒ වෙනුවට, මේ කලාපය කියන ලෝක ප්‍රවනතා (තාක්ෂණය, යන්ත්‍රෝපකරණ, සස්ථිරත්වය, වෙළඳාම) ශ්‍රී ලංකාවේ නිෂ්පාදකයන්ට AI සහ ඩිජිටල් මෙවලම් හරහා ක්‍රියාත්මක කරගන්න පුළුවන් ක්‍රියාමාර්ග බවට හැරවලා දෙන්නම්.

Textilegence කලාපය ශ්‍රී ලංකාවට වැදගත් වෙන්නේ මොකක් නිසාද?

පිළිතුර: මේ කලාපය කියන්නේ “අලුත් යන්ත්‍රයක්” ගැන නෙවෙයි—අලුත් මෙහෙයුම් ආකෘතියක් ගැන. වියදම් ඉහළ යන අතර, නිෂ්පාදනය සහ අපනයන පහළ යන එක ටර්කියේ දකින්න ලැබෙනවා. ඒක අපට අනාගත සංඥාවක්. ශ්‍රී ලංකාවේදීත් margin එක රඳවන්න නම් productivity එක, quality එක, delivery reliability එක, සහ compliance automation එක එකවර වැඩි කළ යුතුයි.

Textilegence කලාපය තුළ තියෙන තේමා කිහිපයක් ශ්‍රී ලංකාවට සෘජුවම අදාලයි:

• කාර්මික යන්ත්‍රෝපකරණයේ වේගවත් නවෝත්පාදන (spinning, warping, finishing, printing)
• මුද්‍රණ/ඩිජිටල් ප්‍රින්ටිං පරිණාමය (faster, better quality, less waste)
• ග්‍රීන් ට්‍රාන්ස්ෆෝමේෂන් (water recovery, organic cotton education, standards training)
• අන්තර්ජාතික ප්‍රදර්ශන සහ වෙළඳ ප්‍රවේශය (ITMA ASIA + CITME, Heimtextil)

මේ සියල්ලට “අතට අල්ලන්න පුළුවන්” සම්බන්ධකමක් තියෙනවා: AI සහ data-driven operations.

AI භාවිතයෙන් වියදම් ඉහළ යාමට ප්‍රතිචාර දෙන ක්‍රම 5ක්

පිළිතුර: වියදම් ඉහළ යන වෙලාවට AI එකෙන් ලැබෙන්නෙ “ප්‍රචාර” නෙවෙයි—නිශ්චිත savings lines. මම දකින්නෙ බොහෝ කම්හල් AI කියලා සලකන්නේ chatbot එකක් හෝ dashboard එකක් කියලා. එහෙම නෙවෙයි. ඇත්ත වටිනාකම තියෙන්නේ shop-floor data එක පාලනය කරලා waste අඩු කරන එකේ.

1) Demand-to-Plan: නිෂ්පාදන සැලැස්ම හරියටම තැබීම

AI-based planning මඟින්:

• style-level forecast accuracy වැඩි කරලා
• line loading better කරලා
• overtime සහ last-minute changeovers අඩු කරලා

Practical Sri Lanka use-case: holiday season orders (Dec–Feb shipments) වලදී fabric lead-time සහ trims availability එක සම්බන්ධ කරලා plan එක auto-adjust කරගැනීම.

2) Quality prediction: rework එකට පෙර දෝෂය අල්ලන එක

Textilegence කලාපයේ yarn monitoring/control වගේ තාක්ෂණයන් ගැන කියන විට, ඒකේ ශ්‍රී ලංකාවට අර්ථය මෙන්න: quality එක පසුගිය දේවල් ගණන් බලලා නෙවෙයි, ඉදිරියට අනාවැකි කියලා පාලනය කරන්න.

AI models + inline sensors මඟින්:

• yarn breakage patterns
• defect hot-spots
• machine parameter drift

වගේ දේවල් predictive alerts දෙනවා. Result එක: first-pass yield වැඩිවීම.

3) Energy & steam optimization: utilities බිල් අඩු කරන තැන

Finishing සහ dyeing වගේ පියවර utility-heavy. AI එකෙන්:

• steam pressure set-points optimize
• batch scheduling by temperature profiles
• peak demand shave

වගේ දේවල් කරලා utilities cost එක measurable ලෙස අඩු කරන්න පුළුවන්.

4) Digital printing + AI prepress: sampling waste අඩු කිරීම

Textilegence තුළ printing agenda එක ගැන ඉඟි තියෙනවා. ශ්‍රී ලංකාවේ practical move එක: AI-assisted color matching සහ auto-nesting.

• Lab dip cycles අඩු වෙනවා
• strike-offs ගණන අඩු වෙනවා
• fabric waste අඩු වෙනවා

5) Procurement intelligence: raw material volatility පාලනය

Cotton yield losses වගේ දේවල් කලාපයේ සඳහන්. Sri Lanka සඳහා AI procurement models මඟින්:

• supplier risk scoring
• price trend signals
• MOQ vs lead-time optimization

එක තීරණ වඩා හොඳ කරයි.

Textile machinery trends → Sri Lanka AI roadmap එකකට හරවන්නේ කොහොමද?

පිළිතුර: යන්ත්‍ර “ස්මාර්ට්” වෙද්දී, ඉතිරි වෙන්නේ ඒ දත්ත තීරණ වෙන්න convert කරන්නේ කවුද කියන ප්‍රශ්නය. ITMA ASIA + CITME වගේ ප්‍රදර්ශනවලදී දකින්න ලැබෙන්නේ machine-level efficiency improvements. නමුත් කම්හලේ ලාභය තියෙන්නේ line-level සහ plant-level orchestration එකේ.

Shop-floor data එක ගන්න එකට වඩා අමාරු දේ

අපේ බොහෝ කම්හල්වල:

• PLC data තිබුණත් standardize කරලා නැහැ
• QC data spreadsheet වල
• downtime reasons inconsistent

AI projects අසාර්ථක වන්නේ මෙතැන.

90-දින AI පියවර 3ක් (කම්හලේ ප්‍රමාණය කුමක් වුණත්)

1. Data baseline: Top 10 defects, top 10 downtime reasons එක සති 4ක් එකම taxonomy එකකින් capture කරන්න.
2. One line pilot: එක sewing line එකක් (හෝ finishing range එකක්) තෝරලා real-time OEE + defect alerts දාන්න.
3. Action loop: alert → supervisor action → outcome log. AI එකට training data ඒකයි.

මෙහෙම කරද්දී AI එක “magic” නෙවෙයි. discipline එක.

Sustainability ඉල්ලීම් වැඩි වෙද්දී AI එක අත්‍යාවශ්‍ය වෙන්නේ ඇයි?

පිළිතුර: Sustainability කියන්නේ report එකක් නෙවෙයි—process control එක. Textilegence හි Green Times කොටස organic cotton education, GOTS training, wastewater recovery වගේ දේවල් ගෙන එනවා. ඒවා Sri Lanka exporters ට අදාල වෙන්නේ buyer audits සහ traceability requirements නිසා.

AI + digital tools මඟින් sustainability වැඩේ ප්‍රායෝගික වෙනවා:

• Water/wastewater analytics: recovery rate, chemical dosing variance track කිරීම
• Material traceability: batch-level mapping (yarn lot → fabric roll → cut bundle → shipment)
• Compliance automation: document checks, expiry alerts, certificate mapping

මම තදින් විශ්වාස කරන දෙයක් තියෙනවා: 2026දී sustainability team එකක් alone හොඳටම බෑ. Sustainability එක operations team එකේ KPI එකක් වෙන්න ඕන. AI එක එතැන bridge එක.

“Magazine කලාපයක්” Sri Lanka team එකකට වැඩ කරන්න tool එකක් කරගන්න විදිහ

පිළිතුර: Textilegence වගේ කලාපයක වටිනාකම තියෙන්නේ කියවලා අමතක කරන එකේ නෙවෙයි—ඔබේ කම්හලේ backlog එකට tasks හදන එකේ.

මෙන්න මම හොඳයි කියලා දකින workshop format එකක් (විශේෂයෙන් Q1 planning වලට):

1. Tech scan (60 min): finishing, printing, yarn monitoring, warping නවතාක්ෂණ 4ක් තෝරන්න.
2. Gap mapping (45 min): අපේ plant එකේ pain points 5ක් ලියන්න (quality, waste, lead time, energy, compliance).
3. AI fit (45 min): එක් pain point එකකට data source + owner + quick win define කරන්න.
4. Pilot charter (30 min): goal metric එකක් fix කරන්න (උදා: rework -15% in 90 days).

මේක අරමුණක් නැති “digital transformation” කතා වලින් බේරෙන්න හොඳ ක්‍රමයක්.

Lead generation එකකට වැදගත් අන්තිම කොටස: ඔබට දැන්ම අවශ්‍ය දේ මොකක්ද?

පිළිතුර: AI එක අරගෙන “දේවල්” කරන්න කලින්, ඔබට අවශ්‍ය වන්නේ use-case shortlist එකක්. ඒක නැතුව tool එකක් ගත්තොත්, මාස 6කින් project එක dashboard එකකින් ඉවර වෙනවා.

ඔබ ශ්‍රී ලංකාවේ garment/textile manufacturer කෙනෙක් නම්, 2026 මුලදී හොඳ starting points තුනක් මෙන්න:

• Inline quality detection + root-cause logging (sewing/finishing)
• Production planning optimization (line loading + changeover)
• Utilities optimization (steam/energy)

අපේ මේ සීරීස් එකේ ඉදිරි ලිපිවලදී, මේ use-cases එකින් එකට data requirements, vendor questions, pilot KPIs වගේ දේවල් කෙටියෙන් නමුත් හරියටම යන්න මම කැමතියි.

අද Textilegence වගේ කලාපයක් කියවද්දී, එක ප්‍රශ්නයක් තීරණාත්මකයි: “අපිට තියෙන data එකෙන් ලබන මාස 90 ඇතුළත measurable win එකක් ගන්න පුළුවන් තැන කොහෙද?”