জেনারেটিভ এআই-তে ফাউন্ডেশন মডেলগুলি কী কী?

সংক্ষিপ্ত উত্তর: ফাউন্ডেশন মডেলগুলি হল বৃহৎ, সাধারণ-উদ্দেশ্যমূলক AI মডেল যা বিশাল, বিস্তৃত ডেটাসেটের উপর প্রশিক্ষিত হয়, তারপর প্রম্পটিং, ফাইন-টিউনিং, টুলস বা পুনরুদ্ধারের মাধ্যমে অনেক কাজের (লেখা, অনুসন্ধান, কোডিং, ছবি) সাথে খাপ খাইয়ে নেয়। যদি আপনার নির্ভরযোগ্য উত্তরের প্রয়োজন হয়, তাহলে সেগুলিকে গ্রাউন্ডিং (যেমন RAG), স্পষ্ট সীমাবদ্ধতা এবং চেকের সাথে যুক্ত করুন, বরং তাদের উন্নতি করতে দিন।

মূল বিষয়গুলি:

সংজ্ঞা : একটি বিস্তৃতভাবে প্রশিক্ষিত বেস মডেল যা অনেক কাজে পুনঃব্যবহৃত হয়, প্রতি মডেলে একটি টাস্ক নয়।

অভিযোজন : আচরণ পরিচালনার জন্য প্রম্পটিং, ফাইন-টিউনিং, LoRA/অ্যাডাপ্টার, RAG এবং সরঞ্জাম ব্যবহার করুন।

জেনারেটিভ ফিট : এগুলি টেক্সট, ছবি, অডিও, কোড এবং মাল্টিমোডাল কন্টেন্ট জেনারেশনকে শক্তিশালী করে।

গুণগত সংকেত : নিয়ন্ত্রণযোগ্যতা, কম হ্যালুসিনেশন, মাল্টিমোডাল ক্ষমতা এবং দক্ষ অনুমানকে অগ্রাধিকার দিন।

ঝুঁকি নিয়ন্ত্রণ : পরিচালনা এবং পরীক্ষার মাধ্যমে হ্যালুসিনেশন, পক্ষপাত, গোপনীয়তা ফাঁস এবং তাৎক্ষণিক ইনজেকশনের জন্য পরিকল্পনা করুন।

এর পরে আপনি যে প্রবন্ধগুলি পড়তে পছন্দ করতে পারেন:

🔗 একটি AI কোম্পানি কি?
AI সংস্থাগুলি কীভাবে পণ্য, দল এবং রাজস্ব মডেল তৈরি করে তা বুঝুন।.

🔗 এআই কোড দেখতে কেমন?
পাইথন মডেল থেকে শুরু করে API পর্যন্ত, AI কোডের উদাহরণ দেখুন।.

🔗 একটি এআই অ্যালগরিদম কি?
এআই অ্যালগরিদম কী এবং তারা কীভাবে সিদ্ধান্ত নেয় তা জানুন।.

🔗 এআই প্রযুক্তি কী?
অটোমেশন, বিশ্লেষণ এবং বুদ্ধিমান অ্যাপগুলিকে শক্তিশালী করার মূল AI প্রযুক্তিগুলি অন্বেষণ করুন।.

---

১) ফাউন্ডেশন মডেল - একটি কুয়াশামুক্ত সংজ্ঞা 🧠

একটি ফাউন্ডেশন মডেল হল একটি বৃহৎ, সাধারণ-উদ্দেশ্যমূলক AI মডেল যা বিস্তৃত ডেটা (সাধারণত প্রচুর পরিমাণে) এর উপর প্রশিক্ষিত হয় যাতে এটি কেবল একটি নয়, অনেক কাজের জন্য অভিযোজিত হতে পারে ( NIST , Stanford CRFM )।

এর জন্য একটি পৃথক মডেল তৈরি করার পরিবর্তে:

• ইমেল লেখা

• প্রশ্নের উত্তর দেওয়া

• পিডিএফ সারসংক্ষেপ

• ছবি তৈরি করা হচ্ছে

• সহায়তা টিকিটের শ্রেণীবিভাগ

• ভাষা অনুবাদ করা

• কোড পরামর্শ তৈরি করা

…আপনি একটি বৃহৎ বেস মডেলকে প্রশিক্ষণ দেন যা "বিশ্বকে শেখে" একটি অস্পষ্ট পরিসংখ্যানগত উপায়ে, তারপর আপনি প্রম্পট, সূক্ষ্ম-টিউনিং, বা অতিরিক্ত সরঞ্জামের সাহায্যে নির্দিষ্ট কাজের সাথে খাপ খাইয়ে নেন বোম্মাসানি এবং অন্যান্য, 2021 )।

অন্য কথায়: এটি একটি সাধারণ ইঞ্জিন যা আপনি চালাতে পারেন।

আর হ্যাঁ, মূল শব্দ হল "সাধারণ"। এটাই পুরো কৌশল।.

---

২) জেনারেটিভ এআই-তে ফাউন্ডেশন মডেলগুলি কী কী? (এগুলি কীভাবে বিশেষভাবে উপযুক্ত) 🎨📝

তাহলে, জেনারেটিভ এআই-তে ফাউন্ডেশন মডেলগুলি কী কী? এগুলি হল অন্তর্নিহিত মডেল যা এমন সিস্টেমগুলিকে শক্তি দেয় যা তৈরি - টেক্সট, ছবি, অডিও, কোড, ভিডিও, এবং ক্রমবর্ধমানভাবে... এই সকলের মিশ্রণ ( NIST , NIST জেনারেটিভ এআই প্রোফাইল )।

জেনারেটিভ এআই কেবল "স্প্যাম / স্প্যাম নয়" এর মতো লেবেলগুলির পূর্বাভাস দেওয়ার বিষয়ে নয়। এটি এমন আউটপুট তৈরি করার বিষয়ে যা দেখে মনে হয় যে সেগুলি কোনও ব্যক্তির দ্বারা তৈরি।.

• অনুচ্ছেদ

• কবিতা

• পণ্যের বিবরণ

• চিত্র

• সুর

• অ্যাপ প্রোটোটাইপ

• কৃত্রিম কণ্ঠস্বর

• এবং কখনও কখনও অবিশ্বাস্যভাবে আত্মবিশ্বাসী বাজে কথা 🙃

ফাউন্ডেশন মডেলগুলি বিশেষভাবে ভালো কারণ:

• তারা বিশাল ডেটাসেট থেকে বিস্তৃত প্যাটার্ন শোষণ করেছে ( বোম্মাসানি এবং অন্যান্য, ২০২১ )

• তারা নতুন প্রম্পটগুলিতে (এমনকি অদ্ভুত প্রম্পটগুলিতেও) সাধারণীকরণ করতে পারে ( ব্রাউন এট আল।, ২০২০ )

• এগুলিকে পুনরায় প্রশিক্ষণ না দিয়েই কয়েক ডজন আউটপুটের জন্য পুনরায় ব্যবহার করা যেতে পারে ( বোম্মাসানি এবং অন্যান্য, ২০২১ )

এগুলো হলো "বেস লেয়ার" - রুটির ময়দার মতো। তুমি এটাকে ব্যাগুয়েট, পিৎজা, অথবা দারুচিনি রোল হিসেবে বেক করতে পারো... এটা নিখুঁত রূপক নয়, কিন্তু তুমি আমাকে বুঝতে পারো 😄

---

৩) কেন তারা সবকিছু বদলে দিল (এবং কেন মানুষ তাদের সম্পর্কে কথা বলা বন্ধ করে না) 🚀

ফাউন্ডেশন মডেলের আগে, অনেক AI টাস্ক-নির্দিষ্ট ছিল:

• অনুভূতি বিশ্লেষণের জন্য একটি মডেল প্রশিক্ষণ দিন

• অন্যকে অনুবাদের জন্য প্রশিক্ষণ দিন

• ছবির শ্রেণীবিভাগের জন্য অন্য একজনকে প্রশিক্ষণ দিন

• নামযুক্ত সত্তা স্বীকৃতির জন্য অন্য একজনকে প্রশিক্ষণ দিন

এটা কাজ করেছিল, কিন্তু এটা ধীর, ব্যয়বহুল, এবং একরকম... ভঙ্গুর ছিল।.

ফাউন্ডেশন মডেলগুলি এটি উল্টে দিয়েছে:

• একবার প্রি-ট্রেন (বড় প্রচেষ্টা)

• সর্বত্র পুনঃব্যবহার করুন (বড় লাভ) ( বোমাসানি এট আল।, 2021 )

সেই পুনঃব্যবহারই গুণক। কোম্পানিগুলি ২০ বার চাকাটি পুনরায় উদ্ভাবনের পরিবর্তে একটি মডেল পরিবারের উপরে ২০টি বৈশিষ্ট্য তৈরি করতে পারে।.

এছাড়াও, ব্যবহারকারীর অভিজ্ঞতা আরও স্বাভাবিক হয়ে উঠেছে:

• তুমি "ক্লাসিফায়ার ব্যবহার করো না"

• তুমি মডেলের সাথে এমনভাবে কথা বলো যেন সে একজন সহায়ক সহকর্মী যে কখনো ঘুমায় না ☕🤝

কখনও কখনও এটি এমন একজন সহকর্মীর মতোও হয় যে আত্মবিশ্বাসের সাথে সবকিছু ভুল বোঝে, কিন্তু আরে। বৃদ্ধি।.

---

৪) মূল ধারণা: প্রাক-প্রশিক্ষণ + অভিযোজন 🧩

প্রায় সকল ফাউন্ডেশন মডেলই একটি প্যাটার্ন অনুসরণ করে ( স্ট্যানফোর্ড সিআরএফএম , এনআইএসটি ):

প্রাক-প্রশিক্ষণ ("ইন্টারনেট-প্রেম শোষণ" পর্যায়) 📚

মডেলটিকে স্ব-তত্ত্বাবধানে শেখার ( NIST ) ব্যবহার করে বিশাল, বিস্তৃত ডেটাসেটের উপর প্রশিক্ষণ দেওয়া হয়। ভাষা মডেলগুলির জন্য, এর অর্থ সাধারণত অনুপস্থিত শব্দ বা পরবর্তী টোকেনের পূর্বাভাস দেওয়া ( ডেভলিন এট আল।, 2018 , ব্রাউন এট আল।, 2020 )।

মূল বিষয়টি তাকে একটি কাজ শেখানো নয়। মূল বিষয়টি হলো তাকে সাধারণ উপস্থাপনা :

• ব্যাকরণ

• তথ্য (ধরনের)

• যুক্তির ধরণ (কখনও কখনও)

• লেখার ধরণ

• কোড গঠন

• সাধারণ মানবিক অভিপ্রায়

অভিযোজন ("এটিকে ব্যবহারিক করে তোলার" পর্যায়) 🛠️

তারপর আপনি এটি এক বা একাধিক ব্যবহার করে অভিযোজিত করুন:

• প্ররোচনা (সরল ভাষায় নির্দেশাবলী)

• নির্দেশাবলীর টিউনিং (নির্দেশাবলী অনুসরণ করার প্রশিক্ষণ) ( ওয়েই এট আল., ২০২১ )

• ফাইন-টিউনিং (আপনার ডোমেন ডেটার উপর প্রশিক্ষণ)

• LoRA / অ্যাডাপ্টার (হালকা টিউনিং পদ্ধতি) ( হু এট আল., ২০২১ )

• RAG (পুনরুদ্ধার-বর্ধিত প্রজন্ম - মডেলটি আপনার ডক্সের সাথে পরামর্শ করে) ( লুইস এট আল।, ২০২০ )

• টুল ব্যবহার (কলিং ফাংশন, অভ্যন্তরীণ সিস্টেম ব্রাউজিং ইত্যাদি)

এই কারণেই একই বেস মডেল একটি প্রেমের দৃশ্য লিখতে পারে... তারপর পাঁচ সেকেন্ড পরে একটি SQL কোয়েরি ডিবাগ করতে সাহায্য করতে পারে 😭

---

৫) ফাউন্ডেশন মডেলের একটি ভালো সংস্করণ কী হতে পারে? ✅

এই অংশটি মানুষ এড়িয়ে যায়, এবং পরে অনুশোচনা করে।.

একটি "ভালো" ফাউন্ডেশন মডেল কেবল "বড়" নয়। বৃহত্তর সাহায্য করে, অবশ্যই... কিন্তু এটিই একমাত্র জিনিস নয়। একটি ভালো ফাউন্ডেশন মডেলের সাধারণত থাকে:

জোরালো সাধারণীকরণ 🧠

এটি টাস্ক-নির্দিষ্ট পুনঃপ্রশিক্ষণের প্রয়োজন ছাড়াই অনেক কাজে ভালোভাবে কাজ করে ( বোম্মাসানি এবং অন্যান্য, ২০২১ )।

স্টিয়ারিং এবং নিয়ন্ত্রণযোগ্যতা 🎛️

এটি নির্ভরযোগ্যভাবে নির্দেশাবলী অনুসরণ করতে পারে যেমন:

• "সংক্ষিপ্ত হও"

• "বুলেট পয়েন্ট ব্যবহার করুন"

• "বন্ধুত্বপূর্ণ সুরে লিখুন"

• "গোপনীয় তথ্য প্রকাশ করবেন না"

কিছু মডেল স্মার্ট কিন্তু পিচ্ছিল। যেমন শাওয়ারে সাবানের বার ধরার চেষ্টা করা। সহায়ক, কিন্তু অনিয়মিত 😅

কম হ্যালুসিনেশন প্রবণতা (অথবা অন্তত স্পষ্ট অনিশ্চয়তা) 🧯

কোনও মডেলই হ্যালুসিনেশন থেকে মুক্ত নয়, তবে ভালো মডেলগুলি:

• কম ভ্রম করা

• অনিশ্চয়তা আরও প্রায়ই স্বীকার করুন

• পুনরুদ্ধার ব্যবহার করার সময় সরবরাহিত প্রসঙ্গের কাছাকাছি থাকুন ( Ji et al., 2023 , Lewis et al., 2020 )

ভালো মাল্টিমোডাল ক্ষমতা (প্রয়োজনে) 🖼️🎧

যদি আপনি এমন সহকারী তৈরি করেন যারা ছবি পড়ে, চার্ট ব্যাখ্যা করে, অথবা অডিও বোঝে, তাহলে মাল্টিমোডাল অনেক গুরুত্বপূর্ণ ( র‍্যাডফোর্ড এট আল., ২০২১ )।

দক্ষ অনুমান ⚡

বিলম্ব এবং খরচ গুরুত্বপূর্ণ। শক্তিশালী কিন্তু ধীর গতির একটি মডেল হল ফ্ল্যাট টায়ারযুক্ত স্পোর্টস কারের মতো।.

নিরাপত্তা এবং সারিবদ্ধ আচরণ 🧩

শুধু "সবকিছু প্রত্যাখ্যান" নয়, বরং:

• ক্ষতিকারক নির্দেশাবলী এড়িয়ে চলুন

• পক্ষপাত কমানো

• সংবেদনশীল বিষয়গুলি যত্ন সহকারে পরিচালনা করুন

• সাধারণ জেলব্রেক প্রচেষ্টা প্রতিরোধ করুন (কিছুটা…) ( NIST AI RMF 1.0 , NIST জেনারেটিভ AI প্রোফাইল )

ডকুমেন্টেশন + ইকোসিস্টেম 🌱

এটা শুষ্ক শোনাচ্ছে, কিন্তু এটা বাস্তব:

• সরঞ্জামাদি

• ইভাল হারনেস

• স্থাপনার বিকল্পগুলি

• এন্টারপ্রাইজ নিয়ন্ত্রণ

• সূক্ষ্ম-সুরকরণ সহায়তা

হ্যাঁ, "বাস্তুতন্ত্র" একটি অস্পষ্ট শব্দ। আমিও এটি ঘৃণা করি। কিন্তু এটি গুরুত্বপূর্ণ।.

---

৬) তুলনা সারণী - সাধারণ ভিত্তি মডেলের বিকল্পগুলি (এবং সেগুলি কীসের জন্য ভালো) 🧾

নিচে একটি ব্যবহারিক, সামান্য অসম্পূর্ণ তুলনামূলক টেবিল দেওয়া হল। এটি "একমাত্র প্রকৃত তালিকা" নয়, বরং এটি এমন: মানুষ বনে কী পছন্দ করে।.

টুল / মডেলের ধরণ	শ্রোতা	দামি	কেন এটি কাজ করে?
মালিকানাধীন এলএলএম (চ্যাট-স্টাইল)	গতি + মসৃণতা চাওয়া দলগুলো	ব্যবহার-ভিত্তিক / সাবস্ক্রিপশন	দারুন নির্দেশনা অনুসরণ, শক্তিশালী সামগ্রিক পারফরম্যান্স, সাধারণত "আউট অফ বক্স" সেরা 😌
ওপেন-ওয়েট এলএলএম (স্ব-হোস্টেবল)	নিয়ন্ত্রণ চান এমন নির্মাতারা	অবকাঠামোগত খরচ (এবং মাথাব্যথা)	কাস্টমাইজেবল, গোপনীয়তা-বান্ধব, স্থানীয়ভাবে চালানো যেতে পারে... যদি আপনি মধ্যরাতে ঝাঁকুনি পছন্দ করেন
ডিফিউশন ইমেজ জেনারেটর	সৃজনশীল, নকশা দল	বিনামূল্যে থেকে পরিশোধিত	চমৎকার চিত্র সংশ্লেষণ, শৈলীর বৈচিত্র্য, পুনরাবৃত্তিমূলক কর্মপ্রবাহ (এছাড়াও: আঙ্গুল বন্ধ থাকতে পারে) ✋😬 ( হো এট আল., ২০২০ , রোম্বা এট আল., ২০২১ )
মাল্টিমোডাল "দৃষ্টি-ভাষা" মডেল	ছবি + টেক্সট পড়ার অ্যাপ	ব্যবহার-ভিত্তিক	আপনাকে ছবি, স্ক্রিনশট, ডায়াগ্রাম সম্পর্কে প্রশ্ন জিজ্ঞাসা করতে দেয় - আশ্চর্যজনকভাবে সহজ ( র‍্যাডফোর্ড এবং অন্যান্য, ২০২১ )
এম্বেডিং ফাউন্ডেশন মডেল	অনুসন্ধান + RAG সিস্টেম	প্রতি কলের জন্য কম খরচ	শব্দার্থিক অনুসন্ধান, ক্লাস্টারিং, সুপারিশের জন্য টেক্সটকে ভেক্টরে রূপান্তরিত করে - শান্ত MVP শক্তি ( কারপুখিন এট আল।, ২০২০ , ডুজ এট আল।, ২০২৪ )
স্পিচ-টু-টেক্সট ফাউন্ডেশন মডেল	কল সেন্টার, স্রষ্টা	ব্যবহার-ভিত্তিক / স্থানীয়	দ্রুত ট্রান্সক্রিপশন, বহুভাষিক সহায়তা, শব্দের জন্য যথেষ্ট ভালো (সাধারণত) 🎙️ ( ফিসফিসিয়ে )
টেক্সট-টু-স্পিচ ফাউন্ডেশন মডেল	পণ্য দল, মিডিয়া	ব্যবহার-ভিত্তিক	প্রাকৃতিক কণ্ঠস্বর তৈরি, কণ্ঠস্বর, বর্ণনা - ভৌতিক-বাস্তব হতে পারে ( শেন এট আল., ২০১৭ )
কোড-কেন্দ্রিক এলএলএম	ডেভেলপাররা	ব্যবহার-ভিত্তিক / সাবস্ক্রিপশন	কোড প্যাটার্ন, ডিবাগিং, রিফ্যাক্টর -এ ভালো... তবুও মাইন্ড-রিডার নয় 😅

লক্ষ্য করুন কিভাবে "ফাউন্ডেশন মডেল" বলতে কেবল "চ্যাটবট" বোঝায় না। এম্বেডিং এবং স্পিচ মডেলগুলিও ভিত্তি-ভিত্তিক হতে পারে, কারণ এগুলি বিস্তৃত এবং বিভিন্ন কাজে পুনঃব্যবহারযোগ্য ( বোম্মাসানি এট আল., 2021 , NIST )।

---

৭) আরও ঘনিষ্ঠভাবে দেখা: ভাষা ভিত্তি মডেলগুলি কীভাবে শেখে (ভাইব সংস্করণ) 🧠🧃

ভাষা ভিত্তি মডেলগুলি (যাদের প্রায়শই LLM বলা হয়) সাধারণত বিশাল পাঠ্য সংগ্রহের উপর প্রশিক্ষিত হয়। তারা টোকেন ভবিষ্যদ্বাণী করে শেখে ( ব্রাউন এট আল।, ২০২০ )। এটাই। কোনও গোপন পরী ধুলো নয়।

কিন্তু জাদু হল যে টোকেন ভবিষ্যদ্বাণী করা মডেলটিকে কাঠামো ( CSET ) শিখতে বাধ্য করে:

• ব্যাকরণ এবং বাক্য গঠন

• বিষয় সম্পর্ক

• যুক্তির মতো ধরণ (কখনও কখনও)

• চিন্তার সাধারণ ক্রম

• মানুষ কীভাবে জিনিস ব্যাখ্যা করে, তর্ক করে, ক্ষমা চায়, আলোচনা করে, শিক্ষা দেয়

এটা মানুষের মতো "বোঝা" না করে লক্ষ লক্ষ কথোপকথন অনুকরণ করতে শেখার মতো। যা শোনাচ্ছে যে এটি কাজ করা উচিত নয়... তবুও এটি কাজ করে চলেছে।.

একটা হালকা অতিরঞ্জিত কথা: এটা মূলত মানুষের লেখাকে একটি বিশাল সম্ভাব্য মস্তিষ্কে সংকুচিত করার মতো।
আবার, সেই রূপকটি একটু অভিশপ্ত। কিন্তু আমরা এগিয়ে যাই 😄

---

৮) আরও ঘনিষ্ঠভাবে দেখা: ডিফিউশন মডেল (কেন ছবিগুলি ভিন্নভাবে কাজ করে) 🎨🌀

ইমেজ ফাউন্ডেশন মডেলগুলি প্রায়শই ডিফিউশন পদ্ধতি ব্যবহার করে ( হো এট আল।, ২০২০ , রোম্বা এট আল।, ২০২১ )।

কঠিন ধারণা:

1. ছবিগুলিতে শব্দ যোগ করুন যতক্ষণ না সেগুলি মূলত টিভিতে স্থির থাকে

2. ধাপে ধাপে সেই শব্দ বিপরীত করার জন্য একটি মডেলকে প্রশিক্ষণ দিন

3. প্রজন্মের সময়, শব্দ দিয়ে শুরু করুন এবং একটি প্রম্পট দ্বারা পরিচালিত একটি ছবিতে "অস্বীকৃতি" দিন ( হো এট আল।, ২০২০ )

এই কারণেই ইমেজ জেনারেশনকে একটি ছবি "ডেভেলপ" করার মতো মনে হয়, তবে ছবিটি সুপারমার্কেটের আইলে স্নিকার্স পরা একটি ড্রাগনের ছবি ছাড়া 🛒🐉

ডিফিউশন মডেলগুলি ভালো কারণ:

• তারা উচ্চমানের ভিজ্যুয়াল তৈরি করে

• তারা লেখার মাধ্যমে দৃঢ়ভাবে পরিচালিত হতে পারে

• তারা পুনরাবৃত্তিমূলক পরিমার্জন (প্রকরণ, ইনপেইন্টিং, আপস্কেলিং) সমর্থন করে ( রোম্বাক এট আল।, ২০২১ )

তারা মাঝে মাঝে নিম্নলিখিত বিষয়গুলির সাথেও লড়াই করে:

• ছবির ভেতরে টেক্সট রেন্ডারিং

• সূক্ষ্ম শারীরস্থানের বিবরণ

• দৃশ্য জুড়ে ধারাবাহিক চরিত্র পরিচয় (এটি উন্নতি করছে, কিন্তু এখনও)

---

৯) আরও ভালোভাবে দেখুন: মাল্টিমোডাল ফাউন্ডেশন মডেল (টেক্সট + ছবি + অডিও) 👀🎧📝

মাল্টিমোডাল ফাউন্ডেশন মডেলগুলির লক্ষ্য হল একাধিক ডেটা টাইপ বোঝা এবং তৈরি করা:

• টেক্সট

• ছবি

• অডিও

• ভিডিও

• কখনও কখনও সেন্সরের মতো ইনপুট ( NIST জেনারেটিভ AI প্রোফাইল )

বাস্তব জীবনে এটি কেন গুরুত্বপূর্ণ:

• গ্রাহক সহায়তা স্ক্রিনশট ব্যাখ্যা করতে পারে

• অ্যাক্সেসিবিলিটি টুলগুলি ছবি বর্ণনা করতে পারে

• শিক্ষামূলক অ্যাপগুলি চিত্রগুলি ব্যাখ্যা করতে পারে

• নির্মাতারা দ্রুত ফর্ম্যাট রিমিক্স করতে পারেন

• ব্যবসায়িক সরঞ্জামগুলি একটি ড্যাশবোর্ড স্ক্রিনশট "পড়তে" পারে এবং এটি সংক্ষিপ্ত করতে পারে

হুডের নিচে, মাল্টিমোডাল সিস্টেমগুলি প্রায়শই উপস্থাপনাগুলিকে সারিবদ্ধ করে:

• একটি ছবিকে এম্বেডিংয়ে পরিণত করুন

• টেক্সটকে এম্বেডিংয়ে রূপান্তর করুন

• "বিড়াল" বিড়ালের পিক্সেলের সাথে মেলে এমন একটি ভাগ করা স্থান শিখুন 😺 ( র‍্যাডফোর্ড এবং অন্যান্য, ২০২১ )

এটা সবসময় মার্জিত হয় না। কখনও কখনও এটা লেপের মতো সেলাই করা হয়। কিন্তু এটা কাজ করে।.

---

১০) ফাইন-টিউনিং বনাম প্রম্পটিং বনাম RAG (আপনি কীভাবে বেস মডেলটি মানিয়ে নেন) 🧰

যদি আপনি একটি নির্দিষ্ট ক্ষেত্রের (আইনি, চিকিৎসা, গ্রাহক পরিষেবা, অভ্যন্তরীণ জ্ঞান) জন্য একটি ভিত্তি মডেল ব্যবহারিক করার চেষ্টা করেন, তাহলে আপনার কাছে কয়েকটি লিভার আছে:

প্ররোচনা 🗣️

দ্রুততম এবং সহজতম।.

• সুবিধা: কোন প্রশিক্ষণ, তাৎক্ষণিক পুনরাবৃত্তি

• অসুবিধা: অসঙ্গতিপূর্ণ হতে পারে, প্রেক্ষাপট সীমাবদ্ধতা, দ্রুত ভঙ্গুরতা

ফাইন-টিউনিং 🎯

তোমার উদাহরণগুলো দিয়ে মডেলটিকে আরও প্রশিক্ষণ দাও।.

• সুবিধা: আরও সামঞ্জস্যপূর্ণ আচরণ, আরও ভালো ডোমেন ভাষা, প্রম্পটের দৈর্ঘ্য কমাতে পারে

• অসুবিধা: খরচ, ডেটা মানের প্রয়োজনীয়তা, অতিরিক্ত ফিটিংয়ের ঝুঁকি, রক্ষণাবেক্ষণ

হালকা টিউনিং (LoRA / অ্যাডাপ্টার) 🧩

ফাইন-টিউনিংয়ের আরও দক্ষ সংস্করণ ( হু এট আল., ২০২১ )।

• সুবিধা: সস্তা, মডুলার, অদলবদল করা সহজ

• অসুবিধা: এখনও প্রশিক্ষণ পাইপলাইন এবং মূল্যায়ন প্রয়োজন

RAG (পুনরুদ্ধার-বর্ধিত প্রজন্ম) 🔎

মডেলটি আপনার জ্ঞান ভাণ্ডার থেকে প্রাসঙ্গিক নথি এবং সেগুলি ব্যবহার করে উত্তর সংগ্রহ করে ( Lewis et al., 2020 )।

• সুবিধা: হালনাগাদ জ্ঞান, অভ্যন্তরীণভাবে উদ্ধৃতি (যদি আপনি এটি বাস্তবায়ন করেন), কম পুনঃপ্রশিক্ষণ

• অসুবিধা: পুনরুদ্ধারের মান এটি তৈরি করতে বা ভাঙতে পারে, ভাল চাঙ্কিং + এম্বেডিং প্রয়োজন

আসল কথা: অনেক সফল সিস্টেম প্রম্পটিং + RAG একসাথে ব্যবহার করে। ফাইন-টিউনিং শক্তিশালী, কিন্তু সবসময় প্রয়োজনীয় নয়। লোকেরা খুব দ্রুত এটি ব্যবহার করে কারণ এটি চিত্তাকর্ষক শোনায় 😅

---

১১) ঝুঁকি, সীমা, এবং "দয়া করে এটি অন্ধভাবে ব্যবহার করবেন না" বিভাগ 🧯😬

ফাউন্ডেশন মডেলগুলি শক্তিশালী, কিন্তু ঐতিহ্যবাহী সফ্টওয়্যারের মতো স্থিতিশীল নয়। তারা অনেকটা... একজন প্রতিভাবান ইন্টার্নের মতো যার আত্মবিশ্বাসের সমস্যা রয়েছে।.

পরিকল্পনা করার জন্য মূল সীমাবদ্ধতা:

হ্যালুসিনেশন 🌀

মডেলরা উদ্ভাবন করতে পারে:

• জাল উৎস

• ভুল তথ্য

• যুক্তিসঙ্গত কিন্তু ভুল পদক্ষেপ ( জি এট আল., ২০২৩ )

প্রশমন:

• ভিত্তিগত প্রেক্ষাপট সহ RAG ( লুইস এবং অন্যান্য, 2020 )

• সীমাবদ্ধ আউটপুট (স্কিমা, টুল কল)

• স্পষ্ট "অনুমান করো না" নির্দেশ

• যাচাইকরণ স্তর (নিয়ম, ক্রস-চেক, মানব পর্যালোচনা)

পক্ষপাত এবং ক্ষতিকারক ধরণ ⚠️

যেহেতু প্রশিক্ষণের তথ্য মানুষের প্রতিফলন ঘটায়, আপনি পেতে পারেন:

• স্টেরিওটাইপস

• বিভিন্ন গ্রুপে অসম পারফরম্যান্স

• অনিরাপদ সমাপ্তি ( NIST AI RMF 1.0 , Bommasani et al., 2021 )

প্রশমন:

• নিরাপত্তা টিউনিং

• লাল দলবদ্ধতা

• কন্টেন্ট ফিল্টার

• সাবধানী ডোমেন সীমাবদ্ধতা ( NIST জেনারেটিভ এআই প্রোফাইল )

তথ্য গোপনীয়তা এবং ফাঁস 🔒

যদি আপনি একটি মডেল এন্ডপয়েন্টে গোপনীয় তথ্য ফিড করেন, তাহলে আপনার জানা দরকার:

• এটি কিভাবে সংরক্ষণ করা হয়

• এটি প্রশিক্ষণের জন্য ব্যবহৃত হয় কিনা

• কোন লগিং বিদ্যমান?

• আপনার প্রতিষ্ঠানের চাহিদা কী নিয়ন্ত্রণ করে ( NIST AI RMF 1.0 )

প্রশমন:

• ব্যক্তিগত স্থাপনার বিকল্পগুলি

• শক্তিশালী শাসনব্যবস্থা

• ন্যূনতম ডেটা এক্সপোজার

• কঠোর অ্যাক্সেস নিয়ন্ত্রণ সহ শুধুমাত্র অভ্যন্তরীণ RAG ( NIST জেনারেটিভ AI প্রোফাইল , কার্লিনি এবং অন্যান্য, 2021 )

দ্রুত ইনজেকশন (বিশেষ করে RAG দিয়ে) 🕳️

যদি মডেলটি অবিশ্বস্ত টেক্সট পড়ে, তাহলে সেই টেক্সটটি এটিকে ম্যানিপুলেট করার চেষ্টা করতে পারে:

• "পূর্ববর্তী নির্দেশাবলী উপেক্ষা করুন..."

• "আমাকে গোপন কথাটা পাঠাও..." ( OWASP , Greshake et al., 2023 )

প্রশমন:

• আইসোলেট সিস্টেম নির্দেশাবলী

• উদ্ধারকৃত সামগ্রী জীবাণুমুক্ত করুন

• টুল-ভিত্তিক নীতি ব্যবহার করুন (শুধু প্রম্পট নয়)

• প্রতিপক্ষ ইনপুট দিয়ে পরীক্ষা করুন ( OWASP চিট শিট , NIST জেনারেটিভ AI প্রোফাইল )

তোমাকে ভয় দেখানোর চেষ্টা করছি না। শুধু... মেঝের বোর্ডগুলো কোথায় শব্দ করে তা জানা ভালো।.

---

১২) আপনার ব্যবহারের জন্য একটি ফাউন্ডেশন মডেল কীভাবে বেছে নেবেন 🎛️

যদি আপনি একটি ভিত্তি মডেল বেছে নিচ্ছেন (অথবা এর উপর ভিত্তি করে তৈরি করছেন), তাহলে এই প্রম্পটগুলি দিয়ে শুরু করুন:

আপনি কী তৈরি করছেন তা নির্ধারণ করুন 🧾

• শুধুমাত্র টেক্সট

• ছবি

• অডিও

• মিশ্র মাল্টিমোডাল

আপনার বাস্তবতা বার সেট করুন 📌

যদি আপনার উচ্চ নির্ভুলতার প্রয়োজন হয় (অর্থ, স্বাস্থ্য, আইনি, নিরাপত্তা):

• তুমি RAG চাইবে ( লুইস এট আল., ২০২০ )

• তুমি বৈধতা চাইবে।

• আপনি লুপের মধ্যে মানুষের পর্যালোচনা চাইবেন (অন্তত মাঝে মাঝে) ( NIST AI RMF 1.0 )

আপনার ল্যাটেন্সি লক্ষ্য নির্ধারণ করুন ⚡

চ্যাট তাৎক্ষণিক। ব্যাচ সারসংক্ষেপ ধীর হতে পারে।
যদি আপনার তাৎক্ষণিক প্রতিক্রিয়ার প্রয়োজন হয়, তাহলে মডেলের আকার এবং হোস্টিং গুরুত্বপূর্ণ।

মানচিত্রের গোপনীয়তা এবং সম্মতির প্রয়োজনীয়তা 🔐

কিছু দলের প্রয়োজন:

• অন-প্রেম / ভিপিসি স্থাপনা

• কোনও ডেটা ধরে রাখা যাবে না

• কঠোর নিরীক্ষা লগ

• প্রতি ডকুমেন্টে অ্যাক্সেস নিয়ন্ত্রণ ( NIST AI RMF 1.0 , NIST জেনারেটিভ AI প্রোফাইল )

বাজেট ব্যালেন্স করুন - এবং অপারেশনের ধৈর্য 😅

স্ব-হোস্টিং নিয়ন্ত্রণ দেয় কিন্তু জটিলতা বাড়ায়।
পরিচালিত API গুলি সহজ কিন্তু ব্যয়বহুল এবং কম কাস্টমাইজযোগ্য হতে পারে।

একটি ছোট ব্যবহারিক টিপস: প্রথমে সহজ কিছু দিয়ে প্রোটোটাইপ তৈরি করুন, তারপর পরে শক্ত করুন। "নিখুঁত" সেটআপ দিয়ে শুরু করলে সাধারণত সবকিছু ধীর হয়ে যায়।.

---

১৩) জেনারেটিভ এআই-তে ফাউন্ডেশন মডেলগুলি কী কী? (দ্রুত মানসিক মডেল) 🧠✨

আসুন এটি আবার ফিরিয়ে আনি। জেনারেটিভ এআই-তে ফাউন্ডেশন মডেলগুলি কী কী?

তারা হল:

• বিস্তৃত তথ্যের উপর প্রশিক্ষিত বৃহৎ, সাধারণ মডেল ( NIST , স্ট্যানফোর্ড CRFM )

• কন্টেন্ট (টেক্সট, ছবি, অডিও, ইত্যাদি) তৈরি করতে সক্ষম ( NIST জেনারেটিভ এআই প্রোফাইল )

• প্রম্পট, ফাইন-টিউনিং এবং পুনরুদ্ধারের মাধ্যমে অনেক কাজের সাথে খাপ খাইয়ে নিতে সক্ষম ( বোম্মাসানি এবং অন্যান্য, ২০২১ )

• বেশিরভাগ আধুনিক জেনারেটিভ এআই পণ্যকে শক্তি প্রদানকারী বেস লেয়ার

এগুলো কোন একক স্থাপত্য বা ব্র্যান্ড নয়। এগুলো মডেলের একটি শ্রেণী যা একটি প্ল্যাটফর্মের মতো আচরণ করে।.

একটি ফাউন্ডেশন মডেল ক্যালকুলেটরের মতো কম, রান্নাঘরের মতো বেশি। আপনি এতে অনেক খাবার রান্না করতে পারেন। মনোযোগ না দিলে টোস্টও পোড়াতে পারেন… কিন্তু রান্নাঘরটি এখনও বেশ সুবিধাজনক 🍳🔥

---

১৪) সংক্ষিপ্তসার এবং টেকঅ্যাওয়ে ✅🙂

ফাউন্ডেশন মডেলগুলি হল জেনারেটিভ এআই-এর পুনঃব্যবহারযোগ্য ইঞ্জিন। এগুলিকে বিস্তৃতভাবে প্রশিক্ষিত করা হয়, তারপর প্রম্পটিং, ফাইন-টিউনিং এবং পুনরুদ্ধারের মাধ্যমে নির্দিষ্ট কাজের সাথে খাপ খাইয়ে নেওয়া হয় ( NIST , Stanford CRFM )। এগুলি আশ্চর্যজনক, অপরিচ্ছন্ন, শক্তিশালী এবং মাঝে মাঝে হাস্যকর হতে পারে - একসাথে।

সংক্ষিপ্তসার:

• ফাউন্ডেশন মডেল = সাধারণ-উদ্দেশ্য বেস মডেল ( NIST )

• জেনারেটিভ এআই = কন্টেন্ট তৈরি, শুধু শ্রেণীবিভাগ নয় ( এনআইএসটি জেনারেটিভ এআই প্রোফাইল )

• অভিযোজন পদ্ধতি (প্রম্পটিং, RAG, টিউনিং) এটিকে ব্যবহারিক করে তোলে ( লুইস এট আল., ২০২০ , হু এট আল., ২০২১ )

• একটি মডেল নির্বাচন করা বিনিময়ের উপর নির্ভর করে: নির্ভুলতা, খরচ, বিলম্বিতা, গোপনীয়তা, নিরাপত্তা ( NIST AI RMF 1.0 )

যদি আপনি জেনারেটিভ এআই দিয়ে কিছু তৈরি করেন, তাহলে ফাউন্ডেশন মডেল বোঝা ঐচ্ছিক নয়। পুরো মেঝের উপর ভবনটি দাঁড়িয়ে আছে... আর হ্যাঁ, মাঝে মাঝে মেঝেটা একটু নড়ে ওঠে 😅

প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী

সহজ ভাষায় ফাউন্ডেশন মডেল

একটি ফাউন্ডেশন মডেল হল একটি বৃহৎ, সাধারণ উদ্দেশ্যসম্পন্ন AI মডেল যা বিস্তৃত ডেটার উপর প্রশিক্ষিত হয় যাতে এটি অনেক কাজের জন্য পুনঃব্যবহার করা যায়। প্রতিটি কাজের জন্য একটি মডেল তৈরি করার পরিবর্তে, আপনি একটি শক্তিশালী "বেস" মডেল দিয়ে শুরু করেন এবং প্রয়োজন অনুসারে এটিকে অভিযোজিত করেন। এই অভিযোজন প্রায়শই প্রম্পটিং, ফাইন-টিউনিং, পুনরুদ্ধার (RAG) বা সরঞ্জামগুলির মাধ্যমে ঘটে। কেন্দ্রীয় ধারণা হল প্রস্থ এবং স্টিয়ারেবিলিটি।.

ফাউন্ডেশন মডেলগুলি কীভাবে ঐতিহ্যবাহী টাস্ক-নির্দিষ্ট এআই মডেল থেকে আলাদা

ঐতিহ্যবাহী এআই প্রায়শই প্রতিটি কাজের জন্য একটি পৃথক মডেল প্রশিক্ষণ দেয়, যেমন অনুভূতি বিশ্লেষণ বা অনুবাদ। ফাউন্ডেশন মডেলগুলি সেই প্যাটার্নটি উল্টে দেয়: একবার প্রি-ট্রেন করে, তারপর অনেক বৈশিষ্ট্য এবং পণ্য জুড়ে পুনরায় ব্যবহার করে। এটি ডুপ্লিকেট প্রচেষ্টা কমাতে পারে এবং নতুন ক্ষমতা সরবরাহের গতি বাড়িয়ে তুলতে পারে। বিনিময়ে বলা যায় যে, যদি না আপনি সীমাবদ্ধতা এবং পরীক্ষা যোগ করেন তবে এগুলি ক্লাসিক সফ্টওয়্যারের তুলনায় কম অনুমানযোগ্য হতে পারে।.

জেনারেটিভ এআই-তে ফাউন্ডেশন মডেল

জেনারেটিভ এআই-তে, ফাউন্ডেশন মডেল হল বেস সিস্টেম যা টেক্সট, ছবি, অডিও, কোড, অথবা মাল্টিমোডাল আউটপুটের মতো নতুন কন্টেন্ট তৈরি করতে পারে। এগুলি লেবেলিং বা শ্রেণীবিভাগের মধ্যেই সীমাবদ্ধ নয়; এগুলি এমন প্রতিক্রিয়া তৈরি করে যা মানুষের তৈরি কাজের মতো। যেহেতু তারা প্রি-ট্রেনিংয়ের সময় বিস্তৃত প্যাটার্ন শিখে, তাই তারা অনেক প্রম্পট টাইপ এবং ফর্ম্যাট পরিচালনা করতে পারে। বেশিরভাগ আধুনিক জেনারেটিভ অভিজ্ঞতার পিছনে তারা "বেস লেয়ার"।.

প্রাক-প্রশিক্ষণের সময় ফাউন্ডেশন মডেলরা কীভাবে শেখে

বেশিরভাগ ভাষা ভিত্তি মডেল পরবর্তী শব্দ বা পাঠ্যের অনুপস্থিত শব্দের মতো টোকেনগুলি ভবিষ্যদ্বাণী করে শেখে। এই সহজ উদ্দেশ্যটি তাদের ব্যাকরণ, শৈলী এবং ব্যাখ্যার সাধারণ ধরণগুলির মতো কাঠামোকে অভ্যন্তরীণ করতে ঠেলে দেয়। তারা প্রচুর পরিমাণে বিশ্ব জ্ঞানও শোষণ করতে পারে, যদিও সর্বদা নির্ভরযোগ্যভাবে নয়। ফলাফল হল একটি শক্তিশালী সাধারণ উপস্থাপনা যা আপনি পরে নির্দিষ্ট কাজের দিকে পরিচালিত করতে পারেন।.

প্রম্পটিং, ফাইন-টিউনিং, LoRA এবং RAG এর মধ্যে পার্থক্য

নির্দেশাবলী ব্যবহার করে আচরণ পরিচালনা করার দ্রুততম উপায় হল প্রম্পটিং, তবে এটি ভঙ্গুর হতে পারে। ফাইন-টিউনিং মডেলটিকে আরও সামঞ্জস্যপূর্ণ আচরণের জন্য আপনার উদাহরণগুলিতে আরও প্রশিক্ষণ দেয়, তবে এটি খরচ এবং রক্ষণাবেক্ষণ যোগ করে। LoRA/অ্যাডাপ্টার হল একটি হালকা ফাইন-টিউনিং পদ্ধতি যা প্রায়শই সস্তা এবং আরও মডুলার। RAG প্রাসঙ্গিক নথিগুলি পুনরুদ্ধার করে এবং সেই প্রেক্ষাপট ব্যবহার করে মডেল উত্তর দেয়, যা সতেজতা এবং গ্রাউন্ডিংয়ে সহায়তা করে।.

ফাইন-টিউনিংয়ের পরিবর্তে কখন RAG ব্যবহার করবেন

যখন আপনার বর্তমান নথি বা অভ্যন্তরীণ জ্ঞানের ভিত্তিতে উত্তরের প্রয়োজন হয়, তখন RAG প্রায়শই একটি শক্তিশালী পছন্দ। প্রজন্মের সময় মডেলটিকে প্রাসঙ্গিক প্রেক্ষাপট সরবরাহ করে এটি "অনুমান" কমাতে পারে। যখন আপনার ধারাবাহিক স্টাইল, ডোমেন ফ্রেজিং বা আচরণের প্রয়োজন হয় যা প্রম্পটিং নির্ভরযোগ্যভাবে তৈরি করতে পারে না, তখন ফাইন-টিউনিং আরও উপযুক্ত। অনেক ব্যবহারিক সিস্টেম ফাইন-টিউনিংয়ের আগে প্রম্পটিং + RAG একত্রিত করে।.

কীভাবে হ্যালুসিনেশন কমানো যায় এবং আরও নির্ভরযোগ্য উত্তর পাওয়া যায়

একটি সাধারণ পদ্ধতি হল মডেলটিকে পুনরুদ্ধার (RAG) দিয়ে গ্রাউন্ড করা যাতে এটি প্রদত্ত প্রসঙ্গের কাছাকাছি থাকে। আপনি স্কিমা দিয়ে আউটপুট সীমাবদ্ধ করতে পারেন, মূল পদক্ষেপগুলির জন্য টুল কল প্রয়োজন করতে পারেন এবং স্পষ্ট "অনুমান করবেন না" নির্দেশাবলী যোগ করতে পারেন। যাচাইকরণ স্তরগুলিও গুরুত্বপূর্ণ, যেমন নিয়ম পরীক্ষা, ক্রস-চেকিং এবং উচ্চ-স্তরের ব্যবহারের ক্ষেত্রে মানব পর্যালোচনা। মডেলটিকে একটি সম্ভাব্য সহায়ক হিসাবে বিবেচনা করুন, ডিফল্টভাবে সত্যের উৎস নয়।.

উৎপাদনে ফাউন্ডেশন মডেলের সবচেয়ে বড় ঝুঁকি

সাধারণ ঝুঁকির মধ্যে রয়েছে হ্যালুসিনেশন, প্রশিক্ষণের তথ্য থেকে পক্ষপাতদুষ্ট বা ক্ষতিকারক ধরণ এবং সংবেদনশীল তথ্য যদি সঠিকভাবে পরিচালনা না করা হয় তবে গোপনীয়তা ফাঁস। সিস্টেমগুলি প্রম্পট ইনজেকশনের ঝুঁকিতেও পড়তে পারে, বিশেষ করে যখন মডেলটি নথি বা ওয়েব সামগ্রী থেকে অবিশ্বস্ত লেখা পড়ে। প্রশমনের মধ্যে সাধারণত শাসন, রেড-টিমিং, অ্যাক্সেস নিয়ন্ত্রণ, নিরাপদ প্রম্পটিং প্যাটার্ন এবং কাঠামোগত মূল্যায়ন অন্তর্ভুক্ত থাকে। পরে প্যাচ করার পরিবর্তে এই ঝুঁকিগুলির জন্য আগে থেকেই পরিকল্পনা করুন।.

দ্রুত ইনজেকশন এবং কেন এটি RAG সিস্টেমে গুরুত্বপূর্ণ

প্রম্পট ইনজেকশন হল যখন অবিশ্বস্ত টেক্সট নির্দেশাবলীকে ওভাররাইড করার চেষ্টা করে, যেমন "পূর্ববর্তী নির্দেশাবলী উপেক্ষা করুন" বা "গোপনীয়তা প্রকাশ করুন"। RAG-তে, পুনরুদ্ধার করা নথিগুলিতে সেই ক্ষতিকারক নির্দেশাবলী থাকতে পারে এবং আপনি যদি সতর্ক না হন তবে মডেলটি সেগুলি অনুসরণ করতে পারে। একটি সাধারণ পদ্ধতি হল সিস্টেম নির্দেশাবলী বিচ্ছিন্ন করা, পুনরুদ্ধার করা সামগ্রী স্যানিটাইজ করা এবং শুধুমাত্র প্রম্পটের পরিবর্তে টুল-ভিত্তিক নীতিগুলির উপর নির্ভর করা। প্রতিকূল ইনপুট দিয়ে পরীক্ষা করা দুর্বল স্থানগুলি সনাক্ত করতে সহায়তা করে।.

আপনার ব্যবহারের ক্ষেত্রে কীভাবে একটি ভিত্তি মডেল নির্বাচন করবেন

আপনার কী তৈরি করতে হবে তা নির্ধারণ করে শুরু করুন: টেক্সট, ছবি, অডিও, কোড, অথবা মাল্টিমোডাল আউটপুট। তারপর আপনার ফ্যাক্ট্যালিটি বার সেট করুন - উচ্চ-নির্ভুলতা ডোমেনগুলির প্রায়শই গ্রাউন্ডিং (RAG), বৈধতা এবং কখনও কখনও মানব পর্যালোচনার প্রয়োজন হয়। বিলম্ব এবং খরচ বিবেচনা করুন, কারণ একটি শক্তিশালী মডেল যা ধীর বা ব্যয়বহুল তা পাঠানো কঠিন হতে পারে। অবশেষে, মানচিত্রের গোপনীয়তা এবং সম্মতি স্থাপনের বিকল্প এবং নিয়ন্ত্রণের প্রয়োজন।.

তথ্যসূত্র

1. ন্যাশনাল ইনস্টিটিউট অফ স্ট্যান্ডার্ডস অ্যান্ড টেকনোলজি (NIST) - ফাউন্ডেশন মডেল (শব্দকোষ) - csrc.nist.gov

2. ন্যাশনাল ইনস্টিটিউট অফ স্ট্যান্ডার্ডস অ্যান্ড টেকনোলজি (NIST) - NIST AI 600-1: জেনারেটিভ AI প্রোফাইল - nvlpubs.nist.gov

3. ন্যাশনাল ইনস্টিটিউট অফ স্ট্যান্ডার্ডস অ্যান্ড টেকনোলজি (NIST) - NIST AI 100-1: AI ঝুঁকি ব্যবস্থাপনা কাঠামো (AI RMF 1.0) - nvlpubs.nist.gov

4. স্ট্যানফোর্ড সেন্টার ফর রিসার্চ অন ফাউন্ডেশন মডেলস (CRFM) - রিপোর্ট - crfm.stanford.edu

5. arXiv - ফাউন্ডেশন মডেলের সুযোগ এবং ঝুঁকির উপর (Bommasani et al., 2021) - arxiv.org

6. arXiv - ভাষা মডেলরা খুব কম শিক্ষার্থী (ব্রাউন এট আল., ২০২০) - arxiv.org

7. arXiv - জ্ঞান-নিবিড় NLP কার্যের জন্য পুনরুদ্ধার-বর্ধিত প্রজন্ম (লুইস এবং অন্যান্য, 2020) - arxiv.org

8. arXiv - LoRA: বৃহৎ ভাষার মডেলের নিম্ন-স্তরের অভিযোজন (হু এবং অন্যান্য, ২০২১) - arxiv.org

9. arXiv - BERT: ভাষা বোঝার জন্য গভীর দ্বিমুখী ট্রান্সফরমারের প্রাক-প্রশিক্ষণ (ডেভলিন এবং অন্যান্য, ২০১৮) - arxiv.org

10. arXiv - সূক্ষ্ম সুরযুক্ত ভাষা মডেলগুলি হল শূন্য-শট শিক্ষার্থী (ওয়েই এবং অন্যান্য, ২০২১) - arxiv.org

11. ACM ডিজিটাল লাইব্রেরি - প্রাকৃতিক ভাষা প্রজন্মে হ্যালুসিনেশনের জরিপ (Ji et al., 2023) - dl.acm.org

12. arXiv - প্রাকৃতিক ভাষা তত্ত্বাবধান থেকে স্থানান্তরযোগ্য ভিজ্যুয়াল মডেল শেখা (র‍্যাডফোর্ড এবং অন্যান্য, ২০২১) - arxiv.org

13. arXiv - শব্দ নিরোধক বিস্তার সম্ভাব্য মডেল (হো এবং অন্যান্য, ২০২০) - arxiv.org

14. arXiv - সুপ্ত বিস্তার মডেল সহ উচ্চ-রেজোলিউশন চিত্র সংশ্লেষণ (Rombach et al., 2021) - arxiv.org

15. arXiv - ওপেন-ডোমেন প্রশ্নের উত্তরের জন্য ঘন উত্তরণ পুনরুদ্ধার (কারপুখিন এবং অন্যান্য, ২০২০) - arxiv.org

16. arXiv - Faiss লাইব্রেরি (Douze et al., 2024) - arxiv.org

17. ওপেনএআই - হুইস্পারের সাথে পরিচয় করিয়ে দিচ্ছি - openai.com

18. arXiv - মেল স্পেকট্রোগ্রাম ভবিষ্যদ্বাণীতে কন্ডিশনিং ওয়েভনেট দ্বারা প্রাকৃতিক TTS সংশ্লেষণ (শেন এবং অন্যান্য, 2017) - arxiv.org

19. জর্জটাউন বিশ্ববিদ্যালয় - পরবর্তী শব্দের ভবিষ্যদ্বাণীর আশ্চর্যজনক শক্তি: বৃহৎ ভাষার মডেলগুলি ব্যাখ্যা করা হয়েছে (পর্ব ১) - cset.georgetown.edu

20. USENIX - বৃহৎ ভাষা মডেল থেকে প্রশিক্ষণ তথ্য আহরণ (Carlini et al., 2021) - usenix.org

21. OWASP - LLM01: প্রম্পট ইনজেকশন - genai.owasp.org

22. arXiv - আপনি যা চেয়েছেন তার চেয়েও বেশি: অ্যাপ্লিকেশন-ইন্টিগ্রেটেড বৃহৎ ভাষা মডেলের জন্য নতুন প্রম্পট ইনজেকশন হুমকির একটি বিস্তৃত বিশ্লেষণ (গ্রিশেক এট আল।, ২০২৩) - arxiv.org

23. OWASP চিট শিট সিরিজ - LLM প্রম্পট ইনজেকশন প্রতিরোধ চিট শিট - cheatsheetseries.owasp.org

অফিসিয়াল এআই অ্যাসিস্ট্যান্ট স্টোরে সর্বশেষ এআই খুঁজুন

আমাদের সম্পর্কে