কৃত্রিম বুদ্ধিমত্তা (এআই) প্রযুক্তির একটি সেট যা কম্পিউটারকে কথ্য এবং লিখিত ভাষা দেখতে, বুঝতে এবং অনুবাদ করতে, ডেটা বিশ্লেষণ করতে, সুপারিশ করতে এবং আরও অনেক কিছু করতে সক্ষম করে। এআই হ ‘ল আধুনিক কম্পিউটিংয়ে উদ্ভাবনের মেরুদণ্ড, ব্যক্তি এবং ব্যবসায়ের জন্য মূল্য আনলক করে। উদাহরণস্বরূপ, অপটিক্যাল ক্যারেক্টার রিকগনিশন (ও. সি. আর) ছবি এবং নথি থেকে টেক্সট এবং ডেটা বের করতে এআই ব্যবহার করে, কাঠামোগত সামগ্রীকে ব্যবসায়-প্রস্তুত কাঠামোগত ডেটাতে পরিণত করে এবং মূল্যবান অন্তর্দৃষ্টি আনলক করে।
কৃত্রিম বুদ্ধিমত্তা হল বিজ্ঞানের এমন একটি ক্ষেত্র যা কম্পিউটার এবং মেশিন তৈরির সাথে সম্পর্কিত যা যুক্তি করতে, শিখতে এবং এমনভাবে কাজ করতে পারে যার জন্য সাধারণত মানুষের বুদ্ধিমত্তার প্রয়োজন হয় বা যার মধ্যে এমন ডেটা জড়িত থাকে যার স্কেল মানুষ বিশ্লেষণ করতে পারে তার চেয়ে বেশি।
এআই একটি বিস্তৃত ক্ষেত্র যা কম্পিউটার বিজ্ঞান, ডেটা অ্যানালিটিক্স এবং পরিসংখ্যান, হার্ডওয়্যার এবং সফ্টওয়্যার ইঞ্জিনিয়ারিং, ভাষাবিজ্ঞান, স্নায়ুবিজ্ঞান এবং এমনকি দর্শন ও মনোবিজ্ঞান সহ বিভিন্ন শাখাকে অন্তর্ভুক্ত করে। ব্যবসায়িক ব্যবহারের জন্য অপারেশনাল স্তরে, এআই হ ‘ল প্রযুক্তির একটি সেট যা প্রাথমিকভাবে মেশিন লার্নিং এবং গভীর শিক্ষার উপর ভিত্তি করে, ডেটা বিশ্লেষণ, ভবিষ্যদ্বাণী এবং পূর্বাভাস, বস্তুর শ্রেণিবিন্যাস, প্রাকৃতিক ভাষা প্রক্রিয়াকরণ, সুপারিশ, বুদ্ধিমান ডেটা পুনরুদ্ধার এবং আরও অনেক কিছুর জন্য ব্যবহৃত হয়।
কৃত্রিম বুদ্ধিমত্তার প্রকার
কৃত্রিম বুদ্ধিমত্তাকে বিভিন্ন উপায়ে সংগঠিত করা যেতে পারে, যা বিকাশের পর্যায় বা সম্পাদিত কর্মের উপর নির্ভর করে। উদাহরণস্বরূপ, এআই বিকাশের চারটি পর্যায় সাধারণত স্বীকৃত।
প্রতিক্রিয়াশীল মেশিনঃ সীমিত এআই যা কেবল পূর্বনির্ধারিত নিয়মের উপর ভিত্তি করে বিভিন্ন ধরণের উদ্দীপনার প্রতি প্রতিক্রিয়া জানায়। মেমরি ব্যবহার করে না এবং তাই নতুন ডেটা দিয়ে শিখতে পারে না। 1997 সালে দাবা চ্যাম্পিয়ন গ্যারি কাসপারভকে পরাজিত করা আইবিএম-এর ডিপ ব্লু একটি প্রতিক্রিয়াশীল যন্ত্রের উদাহরণ ছিল।
সীমিত মেমরিঃ বেশিরভাগ আধুনিক এআইকে সীমিত মেমরি হিসাবে বিবেচনা করা হয়। এটি সাধারণত একটি কৃত্রিম নিউরাল নেটওয়ার্ক বা অন্যান্য প্রশিক্ষণ মডেলের মাধ্যমে নতুন তথ্য দিয়ে প্রশিক্ষিত হয়ে সময়ের সাথে সাথে স্মৃতি উন্নত করতে ব্যবহার করতে পারে। গভীর শিক্ষা, মেশিন লার্নিংয়ের একটি উপসেট, সীমিত মেমরি কৃত্রিম বুদ্ধিমত্তা হিসাবে বিবেচিত হয়।
মনের তত্ত্বঃ মনের তত্ত্ব এআই বর্তমানে বিদ্যমান নেই, তবে এর সম্ভাবনা নিয়ে গবেষণা চলছে। এটি এআই-কে বর্ণনা করে যা মানুষের মনকে অনুকরণ করতে পারে এবং মানুষের সমান সিদ্ধান্ত নেওয়ার ক্ষমতা রাখে, যার মধ্যে আবেগকে স্বীকৃতি দেওয়া এবং মনে রাখা এবং সামাজিক পরিস্থিতিতে মানুষের মতো প্রতিক্রিয়া দেখানো রয়েছে।
স্ব-সচেতনতাঃ মনের তত্ত্বের ঊর্ধ্বে একটি পদক্ষেপ এআই, স্ব-সচেতন এআই এমন একটি পৌরাণিক যন্ত্রকে বর্ণনা করে যা তার নিজস্ব অস্তিত্ব সম্পর্কে সচেতন এবং মানুষের বুদ্ধিবৃত্তিক এবং মানসিক ক্ষমতা রয়েছে। মনের এআই তত্ত্বের মতো, স্ব-সচেতন এআই বর্তমানে বিদ্যমান নেই।
কৃত্রিম বুদ্ধিমত্তার প্রকারগুলিকে বিস্তৃতভাবে শ্রেণীবদ্ধ করার একটি আরও কার্যকর উপায় হল যন্ত্রটি কী করতে পারে। বর্তমানে আমরা যাকে কৃত্রিম বুদ্ধিমত্তা বলি তাকে কৃত্রিম “সংকীর্ণ” বুদ্ধিমত্তা হিসাবে বিবেচনা করা হয়, কারণ এটি তার প্রোগ্রামিং এবং প্রশিক্ষণের উপর ভিত্তি করে কেবল সংকীর্ণ ক্রিয়া সম্পাদন করতে পারে। উদাহরণস্বরূপ, বস্তুর শ্রেণিবিন্যাসের জন্য ব্যবহৃত একটি এআই অ্যালগরিদম প্রাকৃতিক ভাষা প্রক্রিয়াকরণ করতে সক্ষম হবে না। গুগল সার্চ হল সংকীর্ণ এআই-এর একটি রূপ, যেমন ভবিষ্যদ্বাণীমূলক বিশ্লেষণ বা ভার্চুয়াল সহকারী।
কৃত্রিম সাধারণ বুদ্ধিমত্তা (এ. জি. আই) হল একটি যন্ত্রের মানুষের মতো “অনুধাবন, চিন্তা এবং কাজ” করার ক্ষমতা। বর্তমানে এজিআই-এর অস্তিত্ব নেই। পরবর্তী স্তরটি হবে কৃত্রিম অতি বুদ্ধিমত্তা (এ. এস. আই) যেখানে যন্ত্রটি মানুষের চেয়ে শ্রেষ্ঠ সব উপায়ে কাজ করতে সক্ষম হবে।
কৃত্রিম বুদ্ধিমত্তা প্রশিক্ষণ মডেল
ব্যবসায়ীরা যখন এআই সম্পর্কে কথা বলে, তখন তারা প্রায়শই “প্রশিক্ষণের তথ্য” সম্পর্কে কথা বলে। কিন্তু তার মানে কি? মনে রাখবেন যে সীমিত-মেমরি কৃত্রিম বুদ্ধিমত্তা হল এআই যা সময়ের সাথে সাথে নতুন তথ্য দিয়ে প্রশিক্ষিত হয়ে উন্নতি করে। মেশিন লার্নিং হল কৃত্রিম বুদ্ধিমত্তার একটি উপসেট যা ফলাফল অর্জনের জন্য তথ্য প্রশিক্ষণের জন্য অ্যালগরিদম ব্যবহার করে।
ব্রড স্ট্রোকে, মেশিন লার্নিংয়ে প্রায়শই তিন ধরনের লার্নিং মডেল ব্যবহার করা হয়ঃ
তত্ত্বাবধানে শিক্ষা হল একটি মেশিন লার্নিং মডেল যা লেবেলযুক্ত প্রশিক্ষণ তথ্য ব্যবহার করে একটি আউটপুটের জন্য একটি নির্দিষ্ট ইনপুট ম্যাপ করে। (structured data). সহজ কথায়, বিড়ালের ছবি শনাক্ত করার জন্য অ্যালগরিদমকে প্রশিক্ষণ দেওয়ার জন্য, এটিকে বিড়াল হিসাবে লেবেলযুক্ত ছবিগুলি খাওয়ান।
তত্ত্বাবধানহীন শিক্ষা হল একটি মেশিন লার্নিং মডেল যা লেবেলবিহীন তথ্যের উপর ভিত্তি করে নিদর্শনগুলি শেখে। (unstructured data). তত্ত্বাবধানে শেখার বিপরীতে, শেষ ফলাফল সময়ের আগে জানা যায় না। বরং, অ্যালগরিদম ডেটা থেকে শেখে, এটিকে বৈশিষ্ট্যের উপর ভিত্তি করে গোষ্ঠীতে শ্রেণীবদ্ধ করে। উদাহরণস্বরূপ, তত্ত্বাবধানহীন শিক্ষা প্যাটার্ন ম্যাচিং এবং বর্ণনামূলক মডেলিংয়ে ভাল।
তত্ত্বাবধানে এবং তত্ত্বাবধানহীন শিক্ষার পাশাপাশি, সেমি-সুপারভাইজড লার্নিং নামে একটি মিশ্র পদ্ধতি প্রায়শই নিযুক্ত করা হয়, যেখানে কেবলমাত্র কিছু ডেটা লেবেল করা হয়। সেমি-সুপারভাইজড লার্নিং-এ, একটি শেষ ফলাফল জানা যায়, তবে অ্যালগরিদমকে অবশ্যই পছন্দসই ফলাফল অর্জনের জন্য কীভাবে ডেটা সংগঠিত এবং গঠন করতে হবে তা নির্ধারণ করতে হবে।
রিইনফোর্সমেন্ট লার্নিং হল একটি মেশিন লার্নিং মডেল যা “করে শেখা” হিসাবে বিস্তৃতভাবে বর্ণনা করা যেতে পারে। একজন “প্রতিনিধি” ট্রায়াল অ্যান্ড এরর (একটি ফিডব্যাক লুপ) দ্বারা একটি সংজ্ঞায়িত কাজ সম্পাদন করতে শেখে যতক্ষণ না তার কার্যকারিতা একটি কাঙ্ক্ষিত সীমার মধ্যে থাকে। এজেন্ট ইতিবাচক শক্তিবৃদ্ধি পায় যখন এটি কাজটি ভালভাবে সম্পাদন করে এবং নেতিবাচক শক্তিবৃদ্ধি পায় যখন এটি খারাপভাবে সম্পাদন করে। শক্তিবৃদ্ধি শেখার একটি উদাহরণ হবে একটি রোবোটিক হাতকে একটি বল তুলতে শেখানো।
কৃত্রিম স্নায়ুতন্ত্রের সাধারণ প্রকার
এআই-এর একটি সাধারণ ধরনের প্রশিক্ষণ মডেল হল একটি কৃত্রিম স্নায়বিক নেটওয়ার্ক, যা মানুষের মস্তিষ্কের উপর ভিত্তি করে তৈরি একটি মডেল।
একটি নিউরাল নেটওয়ার্ক কৃত্রিম নিউরনের একটি সিস্টেম-কখনও কখনও সিএ
নিউরাল নেটওয়ার্ক হল কৃত্রিম নিউরনের একটি ব্যবস্থা-যাকে কখনও কখনও পারসেপ্ট্রন বলা হয়-যা গণনামূলক নোড যা ডেটা শ্রেণীবদ্ধ ও বিশ্লেষণ করতে ব্যবহৃত হয়। তথ্যগুলি একটি নিউরাল নেটওয়ার্কের প্রথম স্তরে দেওয়া হয়, প্রতিটি পারসেপ্ট্রন একটি সিদ্ধান্ত নেয়, তারপরে সেই তথ্যটি পরবর্তী স্তরের একাধিক নোডে প্রেরণ করে। তিনটিরও বেশি স্তর সহ প্রশিক্ষণ মডেলগুলিকে “গভীর স্নায়বিক নেটওয়ার্ক” বা “গভীর শিক্ষা” হিসাবে উল্লেখ করা হয়। কিছু আধুনিক নিউরাল নেটওয়ার্কে শত শত বা হাজার হাজার স্তর থাকে। চূড়ান্ত পারসেপ্ট্রনগুলির আউটপুট নিউরাল নেটওয়ার্কে সেট করা কাজটি সম্পন্ন করে, যেমন কোনও বস্তুর শ্রেণীবিভাগ করা বা ডেটাতে নিদর্শনগুলি খুঁজে বের করা।
আপনি সম্মুখীন হতে পারেন এমন কয়েকটি সাধারণ ধরনের কৃত্রিম স্নায়ুতন্ত্রের মধ্যে রয়েছেঃ
ফিড ফরওয়ার্ড নিউরাল নেটওয়ার্ক (এফএফ) নিউরাল নেটওয়ার্কের প্রাচীনতম রূপগুলির মধ্যে একটি, যেখানে আউটপুট অর্জন না হওয়া পর্যন্ত কৃত্রিম নিউরনের স্তরগুলির মধ্য দিয়ে ডেটা একদিকে প্রবাহিত হয়। আধুনিক দিনে, বেশিরভাগ ফিড ফরওয়ার্ড নিউরাল নেটওয়ার্ককে বেশ কয়েকটি স্তর (এবং একাধিক “লুকানো” স্তর) সহ “গভীর ফিড ফরওয়ার্ড” হিসাবে বিবেচনা করা হয়। ফিড ফরওয়ার্ড নিউরাল নেটওয়ার্কগুলি সাধারণত “ব্যাকপ্রপাগেশন” নামক একটি ত্রুটি-সংশোধন অ্যালগরিদমের সাথে যুক্ত করা হয় যা সহজ কথায়, নিউরাল নেটওয়ার্কের ফলাফল দিয়ে শুরু হয় এবং শুরু পর্যন্ত কাজ করে, নিউরাল নেটওয়ার্কের নির্ভুলতা উন্নত করতে ত্রুটি খুঁজে বের করে। অনেক সহজ কিন্তু শক্তিশালী নিউরাল নেটওয়ার্ক গভীরভাবে কাজ করে।
পুনরাবৃত্ত নিউরাল নেটওয়ার্কগুলি (আরএনএন) ফিড ফরওয়ার্ড নিউরাল নেটওয়ার্কগুলির থেকে পৃথক যে তারা সাধারণত সময় সিরিজের ডেটা বা ডেটা ব্যবহার করে যা ক্রম জড়িত। ফিড ফরওয়ার্ড নিউরাল নেটওয়ার্কগুলির বিপরীতে, যা নেটওয়ার্কের প্রতিটি নোডে ওজন ব্যবহার করে, পুনরাবৃত্ত নিউরাল নেটওয়ার্কগুলির বর্তমান স্তরের আউটপুটের সাথে সম্পর্কিত হিসাবে পূর্ববর্তী স্তরে কী ঘটেছিল তার “মেমরি” রয়েছে। উদাহরণস্বরূপ, প্রাকৃতিক ভাষা প্রক্রিয়াকরণ করার সময়, আরএনএনগুলি একটি বাক্যে ব্যবহৃত অন্যান্য শব্দগুলি “মনে রাখতে” পারে। আরএনএনগুলি প্রায়শই বক্তৃতা শনাক্তকরণ, অনুবাদ এবং ক্যাপশন চিত্রের জন্য ব্যবহৃত হয়।
লং/শর্ট টার্ম মেমোরি (এল. এস. টি. এম) হল আর. এন. এন-এর একটি উন্নত রূপ যা পূর্ববর্তী স্তরগুলিতে কী ঘটেছিল তা “মনে রাখতে” মেমরি ব্যবহার করতে পারে। আরএনএন এবং এলটিএসএম-এর মধ্যে পার্থক্য হল যে এলটিএসএম “মেমোরি সেল” ব্যবহারের মাধ্যমে বেশ কয়েকটি স্তর আগে কী ঘটেছিল তা মনে রাখতে পারে। এল. এস. টি. এম প্রায়শই বক্তৃতা শনাক্তকরণ এবং ভবিষ্যদ্বাণী করতে ব্যবহৃত হয়।
কনভোলিউশনাল নিউরাল নেটওয়ার্ক (সিএনএন) আধুনিক কৃত্রিম বুদ্ধিমত্তার কিছু সাধারণ নিউরাল নেটওয়ার্ককে অন্তর্ভুক্ত করে। প্রায়শই চিত্র শনাক্তকরণে ব্যবহৃত হয়, সিএনএনগুলি বেশ কয়েকটি স্বতন্ত্র স্তর (একটি কনভোলিউশনাল স্তর, তারপর একটি পুলিং স্তর) ব্যবহার করে যা একটি চিত্রের বিভিন্ন অংশকে আবার একত্রিত করার আগে ফিল্টার করে। (in the fully connected layer). অতিরিক্ত স্তরগুলিতে আরও জটিল বৈশিষ্ট্যগুলি সন্ধান করার আগে পূর্ববর্তী কনভোলিউশনাল স্তরগুলি কোনও চিত্রের সহজ বৈশিষ্ট্যগুলি যেমন রঙ এবং প্রান্তগুলি সন্ধান করতে পারে।
জেনারেটিভ অ্যাডভারসারিয়াল নেটওয়ার্ক (জিএএন) একটি খেলায় একে অপরের বিরুদ্ধে প্রতিদ্বন্দ্বিতা করে এমন দুটি নিউরাল নেটওয়ার্কের সাথে জড়িত যা শেষ পর্যন্ত আউটপুটের নির্ভুলতা উন্নত করে। একটি নেটওয়ার্ক (জেনারেটর) উদাহরণ তৈরি করে যে অন্য নেটওয়ার্ক (বৈষম্যকারী) সত্য বা মিথ্যা প্রমাণ করার চেষ্টা করে। বাস্তবসম্মত ছবি তৈরি এবং এমনকি শিল্প তৈরি করতে জিএএন ব্যবহার করা হয়েছে।
