এআই কিভাবে কাজ করে?

কৃত্রিম বুদ্ধিমত্তা এমন এক জাদুর কৌশলের মতো মনে হতে পারে যা সবাই মাথা নাড়িয়ে চুপচাপ ভাবে ভাবছে... অপেক্ষা করুন, এটি আসলে কাজ করে? ভালো খবর। আমরা এটিকে অস্পষ্টতা ছাড়াই উন্মোচন করব, ব্যবহারিক থাকব এবং কিছু অসম্পূর্ণ উপমা ব্যবহার করব যা এখনও এটিকে ক্লিক করতে সাহায্য করবে। আপনি যদি কেবল সারমর্মটি জানতে চান, তাহলে নীচের এক মিনিটের উত্তরে যান; কিন্তু সত্যি বলতে, বিশদ বিবরণগুলি হল যেখানে আলোর বাল্ব জ্বলে ওঠে 💡।

এর পরে আপনি যে প্রবন্ধগুলি পড়তে পছন্দ করতে পারেন:

🔗 জিপিটি বলতে কী বোঝায়?
GPT সংক্ষিপ্ত রূপ এবং এর অর্থের একটি দ্রুত ব্যাখ্যা।

🔗 এআই কোথা থেকে তথ্য পায়?
AI শেখা, প্রশিক্ষণ এবং প্রশ্নের উত্তর দেওয়ার জন্য যে উৎসগুলি ব্যবহার করে।

🔗 আপনার ব্যবসায় AI কীভাবে অন্তর্ভুক্ত করবেন
AI কার্যকরভাবে সংহত করার জন্য ব্যবহারিক পদক্ষেপ, সরঞ্জাম এবং কর্মপ্রবাহ।

🔗 কিভাবে একটি এআই কোম্পানি শুরু করবেন
ধারণা থেকে শুরু করে শুরু পর্যন্ত: বৈধতা, তহবিল, দল এবং বাস্তবায়ন।

---

AI কিভাবে কাজ করে? এক মিনিটের উত্তর ⏱️

AI ডেটা থেকে প্যাটার্ন শিখে ভবিষ্যদ্বাণী করতে বা কন্টেন্ট তৈরি করতে পারে - হাতে লেখা কোনও নিয়মের প্রয়োজন হয় না। একটি সিস্টেম উদাহরণ গ্রহণ করে, লস ফাংশনের মাধ্যমে এটি কতটা ভুল তা পরিমাপ করে এবং তার অভ্যন্তরীণ নবগুলি - প্যারামিটারগুলিকে - প্রতিবার একটু কম ভুল করার জন্য ঠেলে দেয়। ধুয়ে ফেলুন, পুনরাবৃত্তি করুন, উন্নতি করুন। পর্যাপ্ত চক্রের সাথে, এটি কার্যকর হয়ে ওঠে। আপনি ইমেল শ্রেণীবদ্ধ করছেন, টিউমার চিহ্নিত করছেন, বোর্ড গেম খেলছেন, বা হাইকু লিখছেন না কেন একই গল্প। "মেশিন লার্নিং"-এ একটি সরল-ভাষার ভিত্তির জন্য, IBM-এর সারসংক্ষেপ দৃঢ় [1]।

বেশিরভাগ আধুনিক AI হলো মেশিন লার্নিং। এর সহজ সংস্করণ: ডেটা ফিড করা, ইনপুট থেকে আউটপুট পর্যন্ত ম্যাপিং শেখা, তারপর নতুন জিনিসের সাধারণীকরণ করা। জাদু নয়-গণিত, গণনা, এবং, যদি আমরা সৎ হই, তাহলে এক চিমটি শিল্প।

---

"এআই কীভাবে কাজ করে?" ✅

যখন লোকেরা গুগলে AI কীভাবে কাজ করে? , তখন তারা সাধারণত চায়:

• একটি পুনর্ব্যবহারযোগ্য মানসিক মডেল যা তারা বিশ্বাস করতে পারে

• প্রধান শিক্ষণ প্রকারের একটি মানচিত্র যাতে শব্দভাণ্ডার ভীতিকর না হয়।

• হারিয়ে না গিয়ে নিউরাল নেটওয়ার্কের ভেতরে এক ঝলক দেখুন

• কেন ট্রান্সফরমার এখন পৃথিবী চালাচ্ছে বলে মনে হচ্ছে?

• ডেটা থেকে স্থাপনা পর্যন্ত ব্যবহারিক পাইপলাইন

• একটি দ্রুত তুলনামূলক টেবিল যা আপনি স্ক্রিনশট করে রাখতে পারেন

• নীতিশাস্ত্র, পক্ষপাত এবং নির্ভরযোগ্যতার উপর রেলিং যা হাতে-কলমে তৈরি নয়

তুমি এখানে এটাই পাবে। যদি আমি ঘুরে বেড়াই, তাহলে ইচ্ছাকৃতভাবে - যেন মনোরম পথ ধরে পরের বার রাস্তাগুলো ভালোভাবে মনে রাখবো। 🗺️

---

বেশিরভাগ এআই সিস্টেমের মূল উপাদান 🧪

একটি AI সিস্টেমকে রান্নাঘরের মতো ভাবুন। চারটি উপাদান বারবার দেখা যায়:

1. ডেটা — লেবেল সহ বা ছাড়া উদাহরণ।

2. মডেল — সামঞ্জস্যযোগ্য পরামিতি সহ একটি গাণিতিক ফাংশন।

3. উদ্দেশ্য — একটি ক্ষতির ফাংশন যা অনুমানগুলি কতটা খারাপ তা পরিমাপ করে।

4. অপ্টিমাইজেশন — একটি অ্যালগরিদম যা ক্ষতি কমাতে প্যারামিটারগুলিকে ঠেলে দেয়।

গভীর শিক্ষায়, সাধারণত ব্যাকপ্রোপ্যাগেশন সহ গ্রেডিয়েন্ট ডিসেন্ট - একটি বিশাল সাউন্ডবোর্ডের কোন নবটি চিৎকার করে তা বের করার একটি কার্যকর উপায়, তারপর এটিকে এক পলকে নামিয়ে দিন [2]।

মিনি-কেস: আমরা একটি ভঙ্গুর নিয়ম-ভিত্তিক স্প্যাম ফিল্টারকে একটি ছোট তত্ত্বাবধান করা মডেল দিয়ে প্রতিস্থাপন করেছি। লেবেল → পরিমাপ → আপডেট লুপের এক সপ্তাহ পরে, মিথ্যা ইতিবাচকতা হ্রাস পেয়েছে এবং সমর্থন টিকিট হ্রাস পেয়েছে। অভিনব কিছুই নয় - কেবল পরিষ্কার উদ্দেশ্য ("হ্যাম" ইমেলগুলিতে নির্ভুলতা) এবং আরও ভাল অপ্টিমাইজেশন।

---

এক নজরে শেখার দৃষ্টান্ত 🎓

• তত্ত্বাবধানে শেখা
  আপনি ইনপুট-আউটপুট জোড়া প্রদান করেন (লেবেল সহ ছবি, স্প্যাম/স্প্যাম নয় চিহ্নিত ইমেল)। মডেলটি ইনপুট → আউটপুট শেখে। অনেক ব্যবহারিক সিস্টেমের মেরুদণ্ড [1]।

• তত্ত্বাবধানহীন শিক্ষা
  কোন লেবেল নেই। কাঠামো-ক্লাস্টার, সংকোচন, সুপ্ত কারণগুলি খুঁজুন। অন্বেষণ বা প্রাক-প্রশিক্ষণের জন্য দুর্দান্ত।

• স্ব-তত্ত্বাবধানে শেখা
  মডেলটি নিজস্ব লেবেল তৈরি করে (পরবর্তী শব্দের পূর্বাভাস দেয়, অনুপস্থিত চিত্র প্যাচ)। কাঁচা তথ্যকে স্কেলে একটি প্রশিক্ষণ সংকেতে রূপান্তরিত করে; আধুনিক ভাষা এবং দৃষ্টিভঙ্গি মডেলগুলিকে ভিত্তি করে।

• শক্তিবৃদ্ধি শিক্ষা
  একজন এজেন্ট কাজ করে, পুরষ্কার এবং এমন একটি নীতি শেখে যা ক্রমবর্ধমান পুরষ্কারকে সর্বাধিক করে তোলে। যদি "মূল্যবোধের কার্যকারিতা," "নীতিমালা" এবং "সময়গত-পার্থক্য শিক্ষা" একটি ঘণ্টা বাজায় - এটি তাদের আবাসস্থল [5]।

হ্যাঁ, বাস্তবে বিভাগগুলি ঝাপসা হয়ে যায়। হাইব্রিড পদ্ধতিগুলি স্বাভাবিক। বাস্তব জীবন এলোমেলো; ভালো প্রকৌশল যেখানে আছে সেখানেই এর মুখোমুখি হয়।

---

মাথাব্যথা ছাড়াই একটি নিউরাল নেটওয়ার্কের ভেতরে 🧠

একটি নিউরাল নেটওয়ার্ক ক্ষুদ্র ক্ষুদ্র গণিত ইউনিট (নিউরন) এর স্তরগুলিকে একত্রিত করে। প্রতিটি স্তর ওজন, পক্ষপাত এবং ReLU বা GELU এর মতো একটি মসৃণ অরৈখিকতার সাহায্যে ইনপুটগুলিকে রূপান্তরিত করে। প্রাথমিক স্তরগুলি সহজ বৈশিষ্ট্যগুলি শেখে; আরও গভীর স্তরগুলি বিমূর্ততা এনকোড করে। "জাদু" - যদি আমরা এটিকে বলতে পারি - এটি হল রচনা : ছোট ফাংশনগুলিকে শৃঙ্খলিত করে এবং আপনি অত্যন্ত জটিল ঘটনাকে মডেল করতে পারেন।

প্রশিক্ষণ লুপ, শুধুমাত্র-ভাইবস:

• অনুমান → ত্রুটি পরিমাপ → ব্যাকপ্রপের মাধ্যমে দোষারোপ → ওজন নাজ → পুনরাবৃত্তি।

ব্যাচ জুড়ে এটি করুন এবং, একজন আনাড়ি নৃত্যশিল্পীর মতো প্রতিটি গান উন্নত করার সময়, মডেলটি আপনার পায়ের আঙ্গুলের উপর পা রাখা বন্ধ করে দেয়। একটি বন্ধুত্বপূর্ণ, কঠোর ব্যাকপ্রপ অধ্যায়ের জন্য, [2] দেখুন।

---

কেন ট্রান্সফরমারগুলো দখল করে নিয়েছে - এবং "মনোযোগ" বলতে আসলে কী বোঝায় 🧲

ট্রান্সফরমাররা আত্ম-মনোযোগ ইনপুটের কোন অংশগুলি একে অপরের জন্য গুরুত্বপূর্ণ তা একবারে মূল্যায়ন করে। পুরানো মডেলগুলির মতো কেবল বাম থেকে ডানে একটি বাক্য পড়ার পরিবর্তে, একটি ট্রান্সফরমার সর্বত্র দেখতে পারে এবং সম্পর্কগুলি গতিশীলভাবে মূল্যায়ন করতে পারে - যেমন কে কার সাথে কথা বলছে তা দেখার জন্য একটি ভিড় ঘর স্ক্যান করা।

এই নকশাটি সিকোয়েন্স মডেলিংয়ের জন্য পুনরাবৃত্তি এবং কনভলিউশন বাদ দিয়েছে, যার ফলে বিশাল সমান্তরালতা এবং চমৎকার স্কেলিং সম্ভব হয়েছে। যে গবেষণাপত্রটি এটি শুরু করেছিল - মনোযোগই সব তোমার প্রয়োজন - তাতে স্থাপত্য এবং ফলাফল [3] তুলে ধরা হয়েছে।

এক লাইনে আত্ম-মনোযোগ: কোয়েরি , কী এবং মান ভেক্টর তৈরি করুন; মনোযোগের ওজন পেতে সাদৃশ্য গণনা করুন; সেই অনুযায়ী মানগুলি মিশ্রিত করুন। বিস্তারিতভাবে জটিল, মনোভাবে মার্জিত।

সাবধানতা: ট্রান্সফরমারগুলি একচেটিয়া নয়, বরং প্রাধান্য পায়। সিএনএন, আরএনএন এবং ট্রি এনসেম্বলগুলি এখনও নির্দিষ্ট ডেটা টাইপ এবং ল্যাটেন্সি/ব্যয় সীমাবদ্ধতার ক্ষেত্রে জয়ী হয়। কাজের জন্য আর্কিটেকচার বেছে নিন, প্রচারণা নয়।

---

AI কিভাবে কাজ করে? আপনি আসলে যে ব্যবহারিক পাইপলাইনটি ব্যবহার করবেন 🛠️

1. সমস্যা তৈরি করা
   আপনি কী ভবিষ্যদ্বাণী করছেন বা তৈরি করছেন, এবং সাফল্য কীভাবে পরিমাপ করা হবে?

2. তথ্য
   সংগ্রহ করুন, প্রয়োজনে লেবেল করুন, পরিষ্কার করুন এবং বিভক্ত করুন। অনুপস্থিত মান এবং প্রান্তের ক্ষেত্রে আশা করুন।

3. মডেলিং
   সহজ শুরু। বেসলাইন (লজিস্টিক রিগ্রেশন, গ্রেডিয়েন্ট বুস্টিং, অথবা একটি ছোট ট্রান্সফরমার) প্রায়শই বীরত্বপূর্ণ জটিলতাকে ছাড়িয়ে যায়।

4. প্রশিক্ষণ
   একটি উদ্দেশ্য নির্বাচন করুন, একটি অপ্টিমাইজার নির্বাচন করুন, হাইপারপ্যারামিটার সেট করুন। পুনরাবৃত্তি করুন।

5. মূল্যায়ন
   আপনার আসল লক্ষ্যের সাথে সম্পর্কিত হোল্ড-আউট, ক্রস-ভ্যালিডেশন এবং মেট্রিক্স ব্যবহার করুন (নির্ভুলতা, F1, AUROC, BLEU, বিভ্রান্তি, বিলম্বিতা)।

6. স্থাপনা
   একটি API এর পিছনে পরিবেশন করুন অথবা একটি অ্যাপে এম্বেড করুন। লেটেন্সি, খরচ, থ্রুপুট ট্র্যাক করুন।

7. পর্যবেক্ষণ ও শাসনব্যবস্থা:
   প্রবণতা, ন্যায্যতা, দৃঢ়তা এবং নিরাপত্তা পর্যবেক্ষণ করুন। NIST AI ঝুঁকি ব্যবস্থাপনা কাঠামো (GOVERN, MAP, পরিমাপ, ব্যবস্থাপনা) হল এন্ড-টু-এন্ড বিশ্বস্ত সিস্টেমের জন্য একটি ব্যবহারিক চেকলিস্ট [4]।

মিনি-কেস: একটি ভিশন মডেল ল্যাবে প্রবেশ করেছে, তারপর আলোর পরিবর্তনের সময় মাঠের মধ্যে পড়ে গেছে। ইনপুট হিস্টোগ্রামে চিহ্নিত ড্রিফ্ট পর্যবেক্ষণ করা; দ্রুত বর্ধন + সূক্ষ্ম-সুরকরণ বাম্প কর্মক্ষমতা পুনরুদ্ধার করেছে। বিরক্তিকর? হ্যাঁ। কার্যকর? হ্যাঁ।

---

তুলনা সারণী - পদ্ধতি, এগুলো কাদের জন্য, মোটামুটি খরচ, কেন এগুলো কাজ করে 📊

ইচ্ছাকৃতভাবে অসম্পূর্ণ: একটু অসম বাক্যবিন্যাস এটিকে মানবিক বোধ করতে সাহায্য করে।

পদ্ধতি	আদর্শ দর্শক	দামের মতো	কেন এটি কাজ করে / নোট
তত্ত্বাবধানে শেখা	বিশ্লেষক, পণ্য দল	নিম্ন-মাঝারি	ডাইরেক্ট ম্যাপিং ইনপুট→লেবেল। লেবেল থাকলে দুর্দান্ত; অনেক স্থাপন করা সিস্টেমের মেরুদণ্ড তৈরি করে [1]।
তত্ত্বাবধানহীন	ডেটা এক্সপ্লোরার, গবেষণা ও উন্নয়ন	কম	ক্লাস্টার/সংকোচন/সুপ্ত কারণ খুঁজে বের করে - আবিষ্কার এবং প্রাক-প্রশিক্ষণের জন্য ভালো।
স্ব-তত্ত্বাবধানে	প্ল্যাটফর্ম টিম	মাঝারি	কম্পিউট এবং ডেটা ব্যবহার করে কাঁচা ডেটা-স্কেল থেকে নিজস্ব লেবেল তৈরি করে।
শক্তিবৃদ্ধি শেখা	রোবোটিক্স, অপারেশন গবেষণা	মাঝারি-উচ্চ	পুরষ্কার সংকেত থেকে নীতি শেখে; ক্যাননের জন্য সাটন এবং বার্তো পড়ুন [5]।
ট্রান্সফরমার	এনএলপি, দৃষ্টি, মাল্টিমডাল	মাঝারি-উচ্চ	আত্ম-মনোযোগ দূরপাল্লার অবক্ষেপগুলিকে ধরে রাখে এবং ভালোভাবে সমান্তরাল করে; মূল প্রবন্ধটি দেখুন [3]।
ক্লাসিক এমএল (গাছ)	ট্যাবুলার বিজ অ্যাপস	কম	সস্তা, দ্রুত, প্রায়শই স্ট্রাকচার্ড ডেটার উপর আশ্চর্যজনকভাবে শক্তিশালী বেসলাইন।
নিয়ম-ভিত্তিক/প্রতীকী	সম্মতি, নির্ণায়ক	খুব কম	স্বচ্ছ যুক্তি; যখন আপনার অডিটেবিলিটির প্রয়োজন হয় তখন হাইব্রিডগুলিতে কার্যকর।
মূল্যায়ন এবং ঝুঁকি	সবাই	পরিবর্তিত হয়	এটিকে নিরাপদ এবং কার্যকর রাখতে NIST-এর GOVERN-MAP-MEASURE-MANAGE ব্যবহার করুন [4]।

মূল্য-ইশ = ডেটা লেবেলিং + গণনা + মানুষ + পরিবেশন।

---

গভীর ডুব ১ - ক্ষতির ফাংশন, গ্রেডিয়েন্ট এবং ক্ষুদ্র পদক্ষেপ যা সবকিছু বদলে দেয় 📉

আকার থেকে বাড়ির দাম অনুমান করার জন্য একটি লাইন স্থাপন করার কল্পনা করুন। আপনি প্যারামিটার (w) এবং (b) নির্বাচন করেন, পূর্বাভাস দেন (\hat{y} = wx + b) এবং গড় বর্গ ক্ষতি দিয়ে ত্রুটি পরিমাপ করেন। গ্রেডিয়েন্ট আপনাকে কোন দিকে যেতে হবে (w) এবং (b) দ্রুততম ক্ষতি কমাতে হবে তা বলে - যেমন কুয়াশায় মাটির ঢাল কোন দিকে তাকিয়ে উতরাইয়ে হেঁটে যাওয়া। প্রতিটি ব্যাচের পরে আপডেট করুন এবং আপনার লাইন বাস্তবতার কাছাকাছি চলে আসে।

ডিপ নেটে এটি একটি বড় ব্যান্ডের সাথে একই গান। ব্যাকপ্রপ গণনা করে যে প্রতিটি স্তরের প্যারামিটারগুলি চূড়ান্ত ত্রুটিকে কীভাবে প্রভাবিত করেছে - দক্ষতার সাথে - যাতে আপনি লক্ষ লক্ষ (অথবা বিলিয়ন) নবকে সঠিক দিকে ঠেলে দিতে পারেন [2]।

মূল অন্তর্দৃষ্টি:

• ক্ষতি ভূদৃশ্যকে রূপ দেয়।

• গ্রেডিয়েন্ট হল আপনার কম্পাস।

• শেখার হার ধাপের আকারে অনেক বেশি - খুব বড় এবং আপনি টলমল করেন, খুব ছোট এবং আপনি ঘুমিয়ে পড়েন।

• নিয়মিতকরণ আপনাকে নিখুঁত স্মরণশক্তিসম্পন্ন কিন্তু কোন বোধগম্যতা ছাড়াই একটি তোতাপাখির মতো প্রশিক্ষণ সেট মুখস্থ করতে বাধা দেয়।

---

গভীর ডুব ২ - এম্বেডিং, প্রম্পটিং এবং পুনরুদ্ধার 🧭

শব্দ, ছবি বা আইটেমগুলিকে ভেক্টর স্পেসে ম্যাপ করে

• শব্দার্থগতভাবে অনুরূপ অনুচ্ছেদগুলি খুঁজুন

• অর্থ বোঝে এমন শক্তি অনুসন্ধান

• রিট্রিভাল-অগমেন্টেড জেনারেশন (RAG) প্লাগ ইন করুন যাতে একটি ভাষা মডেল লেখার আগে তথ্য খুঁজে বের করতে পারে

প্রম্পটিং হলো জেনারেটিভ মডেল পরিচালনার মাধ্যম - কাজটি বর্ণনা করা, উদাহরণ দেওয়া, সীমাবদ্ধতা নির্ধারণ করা। এটিকে খুব দ্রুত ইন্টার্নের জন্য একটি খুব বিস্তারিত স্পেসিফিকেশন লেখার মতো ভাবুন: আগ্রহী, মাঝে মাঝে অতিরিক্ত আত্মবিশ্বাসী।

ব্যবহারিক পরামর্শ: যদি আপনার মডেলটি হ্যালুসিনেট করে, তাহলে পুনরুদ্ধার যোগ করুন, প্রম্পটটি শক্ত করুন, অথবা "ভাইবস" এর পরিবর্তে গ্রাউন্ডেড মেট্রিক্স দিয়ে মূল্যায়ন করুন।

---

গভীর ডুব ৩ - বিভ্রম ছাড়াই মূল্যায়ন 🧪

ভালো মূল্যায়ন বিরক্তিকর মনে হয় - এটাই আসল কথা।

• একটি লক করা পরীক্ষা সেট ব্যবহার করুন।

• ব্যবহারকারীর কষ্টের প্রতিফলন ঘটায় এমন একটি মেট্রিক বেছে নিন।

• অ্যাবলেশন চালান যাতে আপনি জানতে পারেন আসলে কী সাহায্য করেছে।

• বাস্তব, অগোছালো উদাহরণ দিয়ে ব্যর্থতা লগ করুন।

উৎপাদনে, পর্যবেক্ষণ হল মূল্যায়ন যা কখনও থামে না। ড্রিফট ঘটে। নতুন স্ল্যাং আবির্ভূত হয়, সেন্সরগুলি পুনঃক্যালিব্রেট করা হয় এবং গতকালের মডেলটি কিছুটা স্লাইড হয়। NIST কাঠামো চলমান ঝুঁকি ব্যবস্থাপনা এবং শাসনের জন্য একটি ব্যবহারিক রেফারেন্স - এটি কোনও নীতিগত নথি নয় যা তাক লাগানোর জন্য [4]।

---

নীতিশাস্ত্র, পক্ষপাত এবং নির্ভরযোগ্যতা সম্পর্কে একটি নোট ⚖️

এআই সিস্টেমগুলি তাদের ডেটা এবং স্থাপনার প্রেক্ষাপট প্রতিফলিত করে। এর ফলে ঝুঁকি তৈরি হয়: পক্ষপাত, বিভিন্ন গোষ্ঠীতে অসম ত্রুটি, বিতরণ পরিবর্তনের সময় ভঙ্গুরতা। নৈতিক ব্যবহার ঐচ্ছিক নয় - এটি টেবিলের ঝুঁকি। NIST সুনির্দিষ্ট অনুশীলনের দিকে ইঙ্গিত করে: ঝুঁকি এবং প্রভাবগুলি নথিভুক্ত করা, ক্ষতিকারক পক্ষপাতের জন্য পরিমাপ করা, ফলব্যাক তৈরি করা এবং ঝুঁকি বেশি হলে মানুষকে লুপে রাখা [4]।

কংক্রিট চালগুলি যা সাহায্য করে:

• বিভিন্ন, প্রতিনিধিত্বমূলক তথ্য সংগ্রহ করুন

• উপ-জনসংখ্যা জুড়ে কর্মক্ষমতা পরিমাপ করুন

• ডকুমেন্ট মডেল কার্ড এবং ডেটা শিট

• যেখানে ঝুঁকি বেশি সেখানে মানুষের তদারকি যোগ করুন

• সিস্টেম অনিশ্চিত থাকলে ব্যর্থ-নিরাপদ নকশা করুন

---

AI কিভাবে কাজ করে? মানসিক মডেল হিসেবে আপনি পুনরায় ব্যবহার করতে পারেন 🧩

একটি সংক্ষিপ্ত চেকলিস্ট যা আপনি প্রায় যেকোনো এআই সিস্টেমে প্রয়োগ করতে পারেন:

• উদ্দেশ্য কী? ভবিষ্যদ্বাণী, র‍্যাঙ্কিং, প্রজন্ম, নিয়ন্ত্রণ?

• শেখার সংকেত কোথা থেকে আসে? লেবেল, স্ব-তত্ত্বাবধানে কাজ, পুরষ্কার?

• কোন স্থাপত্য ব্যবহার করা হয়েছে? রৈখিক মডেল, গাছের নকশা, CNN, RNN, ট্রান্সফরমার [3]?

• এটি কিভাবে অপ্টিমাইজ করা হয়? গ্রেডিয়েন্ট ডিসেন্ট ভ্যারিয়েশন/ব্যাকপ্রপ [2]?

• কোন ডেটা সিস্টেম? ছোট লেবেলযুক্ত সেট, লেবেলবিহীন টেক্সটের সমুদ্র, সিমুলেটেড পরিবেশ?

• ব্যর্থতার মোড এবং সুরক্ষা ব্যবস্থাগুলি কী কী? পক্ষপাত, প্রবাহ, হ্যালুসিনেশন, ল্যাটেন্সি, NIST-এর GOVERN-MAP-MEASURE-MANAGE [4]-এর সাথে খরচ-ম্যাপ করা।

যদি আপনি এগুলোর উত্তর দিতে পারেন, তাহলে আপনি মূলত সিস্টেমটি বুঝতে পারবেন - বাকিটা বাস্তবায়নের বিশদ এবং ডোমেন জ্ঞান।

---

বুকমার্ক করার মতো দ্রুত উৎস 🔖

• মেশিন লার্নিং ধারণার সরল-ভাষা ভূমিকা (IBM) [1]

• চিত্র এবং মৃদু গণিত সহ ব্যাকপ্রোপ্যাগেশন [2]

• ট্রান্সফরমার পেপার যা সিকোয়েন্স মডেলিং পরিবর্তন করেছে [3]

• NIST-এর AI ঝুঁকি ব্যবস্থাপনা কাঠামো (ব্যবহারিক শাসন) [4]

• ক্যানোনিকাল রিইনফোর্সমেন্ট লার্নিং পাঠ্যপুস্তক (বিনামূল্যে) [5]

---

প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী বজ্রপাত ⚡

এআই কি শুধুই পরিসংখ্যান?
এটা পরিসংখ্যান প্লাস অপ্টিমাইজেশন, কম্পিউট, ডেটা ইঞ্জিনিয়ারিং এবং পণ্য নকশা। পরিসংখ্যান হলো কঙ্কাল; বাকিটা হলো পেশী।

বড় মডেল কি সবসময় জিততে পারে?
স্কেলিং সাহায্য করে, কিন্তু ডেটার মান, মূল্যায়ন এবং স্থাপনার সীমাবদ্ধতা প্রায়শই বেশি গুরুত্বপূর্ণ। আপনার লক্ষ্য অর্জনকারী সবচেয়ে ছোট মডেলটি সাধারণত ব্যবহারকারী এবং ওয়ালেটের জন্য সেরা।

AI কি বুঝতে পারে?
সংজ্ঞা দিয়ে বোঝা যায় । মডেলরা ডেটাতে কাঠামো ধারণ করে এবং চিত্তাকর্ষকভাবে সাধারণীকরণ করে; কিন্তু তাদের কিছু অন্ধ দিক থাকে এবং তারা আত্মবিশ্বাসের সাথে ভুল হতে পারে। তাদের শক্তিশালী হাতিয়ার হিসেবে ব্যবহার করুন - জ্ঞানীদের মতো নয়।

ট্রান্সফরমার যুগ কি চিরকাল?
সম্ভবত চিরকাল নয়। এখন এটি প্রাধান্য পাচ্ছে কারণ মনোযোগ সমান্তরালভাবে চলে এবং ভালোভাবে স্কেল করে, যেমনটি মূল গবেষণাপত্রে দেখানো হয়েছে [3]। কিন্তু গবেষণা চলতেই থাকে।

---

AI কিভাবে কাজ করে? অনেক লম্বা, পড়িনি 🧵

• AI ডেটা থেকে প্যাটার্ন শেখে, ক্ষতি কমায় এবং নতুন ইনপুটগুলিতে সাধারণীকরণ করে [1,2]।

• তত্ত্বাবধানে থাকা, তত্ত্বাবধানহীন, স্ব-তত্ত্বাবধানে থাকা, এবং শক্তিবৃদ্ধি শেখা হল প্রধান প্রশিক্ষণ ব্যবস্থা; আরএল পুরষ্কার থেকে শেখে [5]।

• নিউরাল নেটওয়ার্কগুলি লক্ষ লক্ষ প্যারামিটার দক্ষতার সাথে সামঞ্জস্য করতে ব্যাকপ্রোপ্যাগেশন এবং গ্রেডিয়েন্ট ডিসেন্ট ব্যবহার করে [2]।

• ট্রান্সফরমারগুলি অনেক সিকোয়েন্স কাজে প্রাধান্য পায় কারণ স্ব-মনোযোগ স্কেলে সমান্তরালভাবে সম্পর্কগুলিকে ধারণ করে [3]।

• বাস্তব-বিশ্বের AI হল একটি পাইপলাইন-সমস্যা কাঠামো থেকে শুরু করে স্থাপনা এবং শাসনব্যবস্থার মাধ্যমে-এবং NIST-এর কাঠামো আপনাকে ঝুঁকি সম্পর্কে সৎ রাখে [4]।

যদি কেউ আবার জিজ্ঞাসা করে যে AI কীভাবে কাজ করে?, তাহলে তুমি হেসে কফিতে চুমুক দিতে পারো এবং বলতে পারো: এটি ডেটা থেকে শেখে, ক্ষতির মাত্রা কমিয়ে আনে এবং সমস্যার উপর নির্ভর করে ট্রান্সফরমার বা গাছের টুকরোর মতো আর্কিটেকচার ব্যবহার করে। তারপর একটি চোখ টিপে দাও, কারণ এটি সহজ এবং গোপনে সম্পূর্ণ। 😉

---

তথ্যসূত্র

[1] IBM - মেশিন লার্নিং কী?
আরও পড়ুন

[2] মাইকেল নিলসেন - ব্যাকপ্রোপ্যাগেশন অ্যালগরিদম কীভাবে কাজ করে
আরও পড়ুন

[3] ভাসওয়ানি প্রমুখ - মনোযোগই একমাত্র আপনার প্রয়োজন (arXiv)
আরও পড়ুন

[4] NIST - কৃত্রিম বুদ্ধিমত্তা ঝুঁকি ব্যবস্থাপনা কাঠামো (AI RMF 1.0)
আরও পড়ুন

[5] সাটন এবং বার্তো - রিইনফোর্সমেন্ট লার্নিং: একটি ভূমিকা (২য় সংস্করণ)
আরও পড়ুন

অফিসিয়াল এআই অ্যাসিস্ট্যান্ট স্টোরে সর্বশেষ এআই খুঁজুন

আমাদের সম্পর্কে