“জেনারেটিভ এআই” হলো এমন এআই সিস্টেমের সাধারণ নাম যা নতুন টেক্সট, ছবি, অডিও বা কোড তৈরি করতে পারে। ২০২২ সালের শেষ দিক থেকে, চ্যাট অ্যাসিস্ট্যান্ট এবং ইমেজ জেনারেটরের মাধ্যমে এই সিস্টেমগুলো লক্ষ লক্ষ মানুষের দৈনন্দিন জীবনে প্রবেশ করেছে। কিন্তু একটি কম্পিউটার প্রোগ্রাম কীভাবে এমন একটি নিবন্ধ লিখতে পারে বা এমন একটি ল্যান্ডস্কেপ আঁকতে পারে যা আগে কখনো ছিল না?
লার্জ ল্যাঙ্গুয়েজ মডেল
টেক্সট-জেনারেটিং সিস্টেমগুলো “লার্জ ল্যাঙ্গুয়েজ মডেল”-এর ওপর ভিত্তি করে তৈরি। এগুলো “ট্রান্সফরমার” নামক একটি নিউরাল নেটওয়ার্ক আর্কিটেকচারের ওপর নির্ভর করে, যা ২০১৭ সালে গুগলের গবেষকদের একটি গবেষণাপত্রে প্রথম পরিচিতি পায়। মডেলটিকে প্রচুর পরিমাণে লিখিত ডেটা—ওয়েব টেক্সট, বই এবং কোড—দিয়ে প্রশিক্ষণ দেওয়া হয়। প্রশিক্ষণের কাজটি আশ্চর্যজনকভাবে সহজ: একটি টেক্সট দেখে তার পরবর্তী অংশটি—অর্থাৎ একটি শব্দ বা শব্দের অংশ যাকে “টোকেন” বলা হয়—তা অনুমান করা। কোটি কোটি উদাহরণের মাধ্যমে এই অনুমান করার চেষ্টা করে মডেলটি ভাষার গঠন, ধারণার মধ্যে সম্পর্ক এবং প্রচুর জ্ঞান পরিসংখ্যানগত প্যাটার্ন হিসেবে শিখে ফেলে।
চ্যাট অ্যাসিস্ট্যান্ট হয়ে ওঠা
প্রি-ট্রেনিং থেকে সদ্য আসা একটি মডেল জানে কীভাবে টেক্সট চালিয়ে যেতে হয়, কিন্তু ব্যবহারকারী কী চান তা সবসময় বোঝে না। তাই দ্বিতীয় ধাপে এটিকে প্রশ্ন-উত্তর উদাহরণ এবং মানুষের ফিডব্যাকের মাধ্যমে ফাইন-টিউন করা হয়, যেখানে মানুষ বিচার করে কোন উত্তরগুলো বেশি সহায়ক, সঠিক এবং নিরাপদ। এভাবে মডেলটি এমন একজন অ্যাসিস্ট্যান্টে পরিণত হয় যা নির্দেশ মেনে চলে, কথোপকথন চালিয়ে যেতে পারে এবং ক্ষতিকারক অনুরোধের ক্ষেত্রে সতর্ক থাকে।
ইমেজ জেনারেশন
অধিকাংশ টেক্সট-টু-ইমেজ টুল “ডিফিউশন মডেল” ব্যবহার করে। প্রশিক্ষণের সময় এই মডেলগুলো শেখে কীভাবে ধাপে ধাপে ছবিতে নয়েজ (noise) যোগ করা হয় এবং তারপর কীভাবে তা দূর করা হয়। ব্যবহারের সময়, তারা র্যান্ডম নয়েজ থেকে শুরু করে ব্যবহারকারীর বর্ণনার সাথে সামঞ্জস্য রেখে ধাপে ধাপে নয়েজ দূর করে একটি নতুন ছবি তৈরি করে।
সীমাবদ্ধতা এবং ঝুঁকি
- হ্যালুসিনেশন: ল্যাঙ্গুয়েজ মডেলগুলো যা “সম্ভাব্য” তা তৈরি করে, যা “সত্য” তা নয়। তাই এগুলো মাঝে মাঝে সম্পূর্ণ বিশ্বাসযোগ্য কিন্তু ভুল তথ্য, অস্তিত্বহীন উৎস বা উদ্ধৃতি তৈরি করতে পারে।
- আপ-টু-ডেট তথ্য: মডেলের জ্ঞান তার প্রশিক্ষণের ডেটা সংগ্রহের সময় পর্যন্ত সীমাবদ্ধ; কিছু টুল ওয়েব সার্চের মাধ্যমে এই ঘাটতি পূরণ করে।
- পক্ষপাতিত্ব: প্রশিক্ষণের ডেটাতে থাকা পক্ষপাতিত্ব মডেলের উত্তরে প্রতিফলিত হতে পারে।
- গোপনীয়তা: ব্যক্তিগত, আর্থিক বা গোপনীয় ব্যবসায়িক তথ্য শেয়ার করার আগে টুলের ডেটা পলিসি যাচাই করুন।
- কপিরাইট এবং মৌলিকতা: প্রশিক্ষণের ডেটা এবং জেনারেট করা কন্টেন্টের অধিকার নিয়ে আইনি বিতর্ক এখনো চলছে।
বুদ্ধিমানের সাথে ব্যবহার
জেনারেটিভ এআই খসড়া তৈরি, ব্রেইনস্টর্মিং, দীর্ঘ টেক্সটের সারাংশ তৈরি, বিভিন্ন উপায়ে কোনো বিষয় ব্যাখ্যা করা এবং কোড লেখার জন্য একটি শক্তিশালী সহায়ক। তবে স্বাস্থ্য, আইন এবং অর্থসংক্রান্ত গুরুত্বপূর্ণ বিষয়ে সবসময় নির্ভরযোগ্য উৎস এবং বিশেষজ্ঞদের কাছ থেকে তথ্য যাচাই করুন এবং চূড়ান্ত সিদ্ধান্ত ও দায়িত্ব নিজের কাছে রাখুন।
সচরাচর শোনা শব্দসমূহ: একটি সংক্ষিপ্ত শব্দকোষ
- প্রম্পট (Prompt): মডেলকে দেওয়া নির্দেশ বা প্রশ্ন। প্রম্পট যত স্পষ্ট এবং প্রাসঙ্গিক হবে, ফলাফল তত নির্ভুল হবে।
- কনটেক্সট উইন্ডো (Context window): মডেলটি একবারে যতটুকু টেক্সট “দেখতে” পারে। যদি কথোপকথন এই সীমা ছাড়িয়ে যায়, তবে শুরুর দিকের অংশগুলো আর বিবেচনায় নেওয়া নাও হতে পারে।
- টেম্পারেচার (Temperature): উত্তরের র্যান্ডমনেস বা অনিয়মিততার সেটিং। কম মান দিলে আরও সামঞ্জস্যপূর্ণ এবং পুনরাবৃত্তিযোগ্য ফলাফল পাওয়া যায়, বেশি মান দিলে আরও বৈচিত্র্যময় এবং সৃজনশীল ফলাফল পাওয়া যায়।
- ফাইন-টিউনিং (Fine-tuning): কোনো নির্দিষ্ট কাজ বা ডোমেইনের জন্য অতিরিক্ত ডেটা দিয়ে প্রি-ট্রেইনড মডেলকে আরও প্রশিক্ষণ দেওয়া।
- মাল্টিমোডাল (Multimodal): এমন মডেল যা টেক্সটের পাশাপাশি ছবি, অডিও বা ভিডিওর মতো বিভিন্ন ধরনের ডেটা বুঝতে এবং তৈরি করতে পারে।
নির্ভুলতা কীভাবে বাড়ানো যায়? রিট্রিভাল-অগমেন্টেড জেনারেশন (RAG)
ল্যাঙ্গুয়েজ মডেলগুলো তাদের প্রশিক্ষণের ডেটা থেকে তথ্য “মনে রাখে”, তাই পুরনো বা তাদের অজানা বিষয়ে তারা ভুল উত্তর দিতে পারে। এই সমস্যা কমানোর একটি সাধারণ পদ্ধতি হলো “রিট্রিভাল-অগমেন্টেড জেনারেশন” (RAG), যা ২০২০ সালে লুইস এবং তার সহকর্মীরা বর্ণনা করেছিলেন। এই পদ্ধতিতে সিস্টেমটি প্রথমে প্রশ্নের সাথে প্রাসঙ্গিক তথ্যের জন্য বিশ্বস্ত নথিপত্রের একটি সংগ্রহে অনুসন্ধান করে, তারপর মডেলটিকে শুধুমাত্র সেই নথিপত্রের ওপর ভিত্তি করে উত্তর দিতে বলে।
RAG-এর ফলে উত্তরটি কোন নথির ওপর ভিত্তি করে দেওয়া হয়েছে তা দেখানো সহজ হয় এবং মডেলের অজানা তথ্য, যেমন কোম্পানির অভ্যন্তরীণ নথিপত্র নিয়ে কাজ করা সম্ভব হয়। তবে এটি পুরোপুরি সমস্যার সমাধান করে না: যদি অনুসন্ধানে ভুল নথি আসে বা মডেল তা ভুলভাবে পড়ে, তবে ভুল হতে পারে। এই কারণে, ইউএস ন্যাশনাল ইনস্টিটিউট অফ স্ট্যান্ডার্ডস অ্যান্ড টেকনোলজি (NIST)-এর ২০২৪ সালের জেনারেটিভ এআই ঝুঁকি প্রোফাইলে আউটপুটগুলো মানুষের দ্বারা যাচাই করার সুপারিশ করা হয়েছে।
সচরাচর জিজ্ঞাসিত প্রশ্নাবলী
এআই কি সত্যিই “বোঝে”?
এটি বিজ্ঞানী এবং দার্শনিকদের মধ্যে এখনো বিতর্কের বিষয়। মডেলগুলো ভাষার জটিল প্যাটার্ন খুব ভালোভাবে ব্যবহার করতে পারে, কিন্তু তাদের মধ্যে মানুষের মতো কোনো বোঝাপড়া আছে কি না, তা নিয়ে কোনো ঐকমত্য নেই।
উৎস এবং আরও পড়ার জন্য
- Ashish Vaswani et al., “Attention Is All You Need” (2017).
- Jonathan Ho et al., “Denoising Diffusion Probabilistic Models” (2020).
- OECD AI Principles; UNESCO Recommendation on the Ethics of Artificial Intelligence (2021).
- Lewis P. et al. – Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, NeurIPS (2020)
- NIST AI 600-1 – Generative Artificial Intelligence Profile (2024)
একটি মন্তব্য করুন
আপনার ইমেইল ঠিকানা প্রকাশিত হবে না। প্রয়োজনীয় ক্ষেত্রগুলি * দিয়ে চিহ্নিত