AI-For-Beginners/translations/bn/lessons/1-Intro

কৃত্রিম বুদ্ধিমত্তার পরিচিতি

স্কেচনোট করেছেন Tomomi Imura

পূর্ব-লেকচার কুইজ

কৃত্রিম বুদ্ধিমত্তা একটি উত্তেজনাপূর্ণ বৈজ্ঞানিক শাখা যা গবেষণা করে কীভাবে আমরা কম্পিউটারকে বুদ্ধিমান আচরণ প্রদর্শন করাতে পারি, যেমন: সেই কাজগুলো করা যা মানুষ ভালোভাবে করতে পারে।

মূলত, কম্পিউটার আবিষ্কার করেছিলেন চার্লস ব্যাবেজ সংখ্যা নিয়ে একটি সুনির্দিষ্ট পদ্ধতি অনুসরণ করে কাজ করার জন্য - একটি অ্যালগরিদম। আধুনিক কম্পিউটার, যদিও উনবিংশ শতাব্দীতে প্রস্তাবিত মডেলের তুলনায় অনেক বেশি উন্নত, তবুও এটি এখনও নিয়ন্ত্রিত গণনার একই ধারণা অনুসরণ করে। তাই, যদি আমরা জানি কীভাবে একটি নির্দিষ্ট লক্ষ্য অর্জনের জন্য সুনির্দিষ্ট ধাপগুলো অনুসরণ করতে হবে, তবে আমরা কম্পিউটারকে সেই কাজটি করতে প্রোগ্রাম করতে পারি।

ছবি তুলেছেন Vickie Soshnikova

✅ একটি ব্যক্তির বয়স তার ছবির মাধ্যমে নির্ধারণ করা এমন একটি কাজ যা স্পষ্টভাবে প্রোগ্রাম করা সম্ভব নয়, কারণ আমরা জানি না কীভাবে আমরা এটি করার সময় আমাদের মাথায় একটি সংখ্যা নিয়ে আসি।

---

তবে, এমন কিছু কাজ রয়েছে যা আমরা কীভাবে সমাধান করব তা স্পষ্টভাবে জানি না। উদাহরণস্বরূপ, একটি ব্যক্তির বয়স তার ছবির মাধ্যমে নির্ধারণ করা। আমরা এটি করতে শিখি কারণ আমরা বিভিন্ন বয়সের মানুষের অনেক উদাহরণ দেখেছি, কিন্তু আমরা স্পষ্টভাবে ব্যাখ্যা করতে পারি না কীভাবে আমরা এটি করি, বা কম্পিউটারকে এটি করতে প্রোগ্রাম করতে পারি না। এই ধরনের কাজগুলোই কৃত্রিম বুদ্ধিমত্তা (সংক্ষেপে AI) এর জন্য আগ্রহের বিষয়।

✅ এমন কিছু কাজের কথা ভাবুন যা আপনি কম্পিউটারের উপর ছেড়ে দিতে পারেন এবং যা AI থেকে উপকৃত হতে পারে। অর্থনীতি, চিকিৎসা এবং শিল্পক্ষেত্রের কথা বিবেচনা করুন - এই ক্ষেত্রগুলো আজ কীভাবে AI থেকে উপকৃত হচ্ছে?

দুর্বল AI বনাম শক্তিশালী AI

দুর্বল AI	শক্তিশালী AI
দুর্বল AI এমন AI সিস্টেমকে বোঝায় যা একটি নির্দিষ্ট কাজ বা সংকীর্ণ কাজের সেটের জন্য ডিজাইন এবং প্রশিক্ষিত।	শক্তিশালী AI, বা কৃত্রিম সাধারণ বুদ্ধিমত্তা (AGI), এমন AI সিস্টেমকে বোঝায় যা মানুষের মতো বুদ্ধিমত্তা এবং বোঝাপড়ার ক্ষমতা রাখে।
এই AI সিস্টেমগুলো সাধারণত বুদ্ধিমান নয়; তারা একটি পূর্বনির্ধারিত কাজ সম্পাদনে দক্ষ, কিন্তু প্রকৃত বোঝাপড়া বা চেতনা নেই।	এই AI সিস্টেমগুলো যে কোনো বুদ্ধিবৃত্তিক কাজ করতে সক্ষম যা একজন মানুষ করতে পারে, বিভিন্ন ক্ষেত্রে মানিয়ে নিতে পারে এবং চেতনা বা আত্মসচেতনতার একটি রূপ ধারণ করতে পারে।
দুর্বল AI এর উদাহরণ হলো ভার্চুয়াল সহকারী যেমন Siri বা Alexa, স্ট্রিমিং পরিষেবাগুলোর সুপারিশ অ্যালগরিদম এবং নির্দিষ্ট গ্রাহক পরিষেবা কাজের জন্য ডিজাইন করা চ্যাটবট।	শক্তিশালী AI অর্জন AI গবেষণার একটি দীর্ঘমেয়াদি লক্ষ্য এবং এর জন্য এমন AI সিস্টেমের উন্নয়ন প্রয়োজন যা যুক্তি করতে পারে, শিখতে পারে, বুঝতে পারে এবং বিভিন্ন কাজ ও প্রেক্ষাপটে মানিয়ে নিতে পারে।
দুর্বল AI অত্যন্ত বিশেষায়িত এবং এর সংকীর্ণ ক্ষেত্রের বাইরে মানুষের মতো জ্ঞানীয় ক্ষমতা বা সাধারণ সমস্যা সমাধানের ক্ষমতা নেই।	শক্তিশালী AI বর্তমানে একটি তাত্ত্বিক ধারণা, এবং কোনো AI সিস্টেম এখনও এই স্তরের সাধারণ বুদ্ধিমত্তায় পৌঁছায়নি।

আরও তথ্যের জন্য দেখুন Artificial General Intelligence (AGI)।

বুদ্ধিমত্তার সংজ্ঞা এবং টুরিং টেস্ট

বুদ্ধিমত্তা শব্দটি নিয়ে কাজ করার সময় একটি সমস্যা হলো এই শব্দটির কোনো স্পষ্ট সংজ্ঞা নেই। কেউ যুক্তি দিতে পারে যে বুদ্ধিমত্তা অমূর্ত চিন্তা বা আত্মসচেতনতার সাথে যুক্ত, কিন্তু আমরা এটি সঠিকভাবে সংজ্ঞায়িত করতে পারি না।

ছবি তুলেছেন Amber Kipp Unsplash থেকে

বুদ্ধিমত্তা শব্দটির অস্পষ্টতা বোঝার জন্য একটি প্রশ্নের উত্তর দেওয়ার চেষ্টা করুন: "একটি বিড়াল কি বুদ্ধিমান?" বিভিন্ন মানুষ এই প্রশ্নের ভিন্ন ভিন্ন উত্তর দিতে পারে, কারণ এই দাবিটি সত্য বা মিথ্যা প্রমাণ করার জন্য কোনো সর্বজনগ্রাহ্য পরীক্ষা নেই। আর যদি আপনি মনে করেন যে আছে - তবে আপনার বিড়ালকে একটি IQ টেস্টে নিয়ে যান...

✅ এক মিনিট সময় নিয়ে ভাবুন আপনি কীভাবে বুদ্ধিমত্তাকে সংজ্ঞায়িত করবেন। একটি কাক যে একটি গোলকধাঁধা সমাধান করে খাবার পায়, সেটি কি বুদ্ধিমান? একটি শিশু কি বুদ্ধিমান?

---

AGI নিয়ে কথা বলার সময় আমাদের কোনো উপায় থাকতে হবে যাতে আমরা বলতে পারি যে আমরা একটি সত্যিকারের বুদ্ধিমান সিস্টেম তৈরি করেছি। অ্যালান টুরিং একটি পদ্ধতি প্রস্তাব করেছিলেন যাকে টুরিং টেস্ট বলা হয়, যা বুদ্ধিমত্তার একটি সংজ্ঞার মতো কাজ করে। এই পরীক্ষাটি একটি প্রদত্ত সিস্টেমকে প্রকৃত বুদ্ধিমান কিছু - একজন প্রকৃত মানুষের সাথে তুলনা করে, এবং যেহেতু যেকোনো স্বয়ংক্রিয় তুলনা একটি কম্পিউটার প্রোগ্রামের মাধ্যমে বাইপাস করা যেতে পারে, আমরা একজন মানব জিজ্ঞাসক ব্যবহার করি। সুতরাং, যদি একজন মানুষ একটি প্রকৃত ব্যক্তি এবং একটি কম্পিউটার সিস্টেমের মধ্যে পাঠ-ভিত্তিক সংলাপে পার্থক্য করতে অক্ষম হয় - তবে সিস্টেমটিকে বুদ্ধিমান বলে বিবেচনা করা হয়।

সেন্ট পিটার্সবার্গে তৈরি একটি চ্যাটবট ইউজিন গুসম্যান ২০১৪ সালে টুরিং টেস্ট পাস করার কাছাকাছি পৌঁছেছিল একটি চতুর ব্যক্তিত্ব কৌশল ব্যবহার করে। এটি শুরুতেই ঘোষণা করেছিল যে এটি ১৩ বছর বয়সী একজন ইউক্রেনীয় ছেলে, যা জ্ঞানের অভাব এবং কিছু পাঠের অসঙ্গতিগুলো ব্যাখ্যা করেছিল। বটটি ৫ মিনিটের সংলাপের পরে বিচারকদের ৩০% কে বিশ্বাস করাতে সক্ষম হয়েছিল যে এটি একজন মানুষ, একটি মেট্রিক যা টুরিং বিশ্বাস করেছিলেন ২০০০ সালের মধ্যে একটি মেশিন পাস করতে সক্ষম হবে। তবে, এটি বোঝা উচিত যে এটি নির্দেশ করে না যে আমরা একটি বুদ্ধিমান সিস্টেম তৈরি করেছি, বা একটি কম্পিউটার সিস্টেম মানব জিজ্ঞাসককে বোকা বানিয়েছে - বরং বট নির্মাতারা বোকা বানিয়েছেন!

✅ কখনো কি কোনো চ্যাটবট আপনাকে বোকা বানিয়ে বিশ্বাস করিয়েছে যে আপনি একজন মানুষের সাথে কথা বলছেন? এটি কীভাবে আপনাকে বিশ্বাস করিয়েছে?

কৃত্রিম বুদ্ধিমত্তার বিভিন্ন পদ্ধতি

যদি আমরা চাই যে একটি কম্পিউটার মানুষের মতো আচরণ করুক, তবে আমাদের কোনোভাবে কম্পিউটারের মধ্যে আমাদের চিন্তার প্রক্রিয়াকে মডেল করতে হবে। সুতরাং, আমাদের বুঝতে হবে কী আমাদের বুদ্ধিমান করে তোলে।

একটি মেশিনে বুদ্ধিমত্তা প্রোগ্রাম করতে সক্ষম হতে, আমাদের বুঝতে হবে কীভাবে আমাদের নিজস্ব সিদ্ধান্ত গ্রহণের প্রক্রিয়া কাজ করে। যদি আপনি একটু আত্মবিশ্লেষণ করেন, তবে বুঝতে পারবেন যে কিছু প্রক্রিয়া অবচেতনভাবে ঘটে – যেমন: আমরা বিড়াল এবং কুকুরের মধ্যে পার্থক্য করতে পারি চিন্তা না করেই - আবার কিছু প্রক্রিয়া যুক্তি প্রয়োগ করে ঘটে।

এই সমস্যার দুটি সম্ভাব্য পদ্ধতি রয়েছে:

শীর্ষ-নিচ পদ্ধতি (প্রতীকী যুক্তি)	নিচ-উপর পদ্ধতি (নিউরাল নেটওয়ার্ক)
শীর্ষ-নিচ পদ্ধতি একটি ব্যক্তির যুক্তি করার পদ্ধতিকে মডেল করে। এটি একজন মানুষের কাছ থেকে জ্ঞান বের করে আনা এবং এটি কম্পিউটার-পঠনযোগ্য আকারে উপস্থাপন করার প্রক্রিয়া। আমাদের কম্পিউটারের মধ্যে যুক্তি মডেল করার একটি উপায়ও তৈরি করতে হবে।	নিচ-উপর পদ্ধতি মানুষের মস্তিষ্কের গঠনকে মডেল করে, যা নিউরন নামে অসংখ্য সরল এককের সমন্বয়ে গঠিত। প্রতিটি নিউরন তার ইনপুটগুলোর একটি ওজনযুক্ত গড়ের মতো কাজ করে, এবং আমরা নিউরনের একটি নেটওয়ার্ককে প্রশিক্ষণ ডেটা দিয়ে সমস্যাগুলো সমাধান করতে প্রশিক্ষণ দিতে পারি।

এছাড়াও বুদ্ধিমত্তার জন্য কিছু অন্যান্য সম্ভাব্য পদ্ধতি রয়েছে:

• একটি উদ্ভূত, সমন্বিত বা বহু-এজেন্ট পদ্ধতি এই ধারণার উপর ভিত্তি করে যে একটি বৃহৎ সংখ্যক সরল এজেন্টের মিথস্ক্রিয়ার মাধ্যমে জটিল বুদ্ধিমান আচরণ অর্জন করা যেতে পারে। বিবর্তনমূলক সাইবারনেটিক্স অনুযায়ী, বুদ্ধিমত্তা মেটাসিস্টেম ট্রানজিশন প্রক্রিয়ায় আরও সরল, প্রতিক্রিয়াশীল আচরণ থেকে উদ্ভূত হতে পারে।

• একটি বিবর্তনমূলক পদ্ধতি, বা জেনেটিক অ্যালগরিদম হলো বিবর্তনের নীতির উপর ভিত্তি করে একটি অপ্টিমাইজেশন প্রক্রিয়া।

আমরা এই পদ্ধতিগুলো কোর্সের পরে বিবেচনা করব, কিন্তু এখন আমরা দুটি প্রধান দিকের উপর মনোযোগ দেব: শীর্ষ-নিচ এবং নিচ-উপর।

শীর্ষ-নিচ পদ্ধতি

শীর্ষ-নিচ পদ্ধতিতে, আমরা আমাদের যুক্তি করার প্রক্রিয়াকে মডেল করার চেষ্টা করি। যেহেতু আমরা যুক্তি করার সময় আমাদের চিন্তাগুলো অনুসরণ করতে পারি, তাই আমরা এই প্রক্রিয়াকে আনুষ্ঠানিকভাবে উপস্থাপন করে কম্পিউটারে প্রোগ্রাম করার চেষ্টা করতে পারি। এটি প্রতীকী যুক্তি নামে পরিচিত।

মানুষের মাথায় কিছু নিয়ম থাকে যা তাদের সিদ্ধান্ত গ্রহণ প্রক্রিয়াকে পরিচালিত করে। উদাহরণস্বরূপ, যখন একজন ডাক্তার রোগীর রোগ নির্ণয় করেন, তখন তিনি বুঝতে পারেন যে একজন ব্যক্তির জ্বর রয়েছে, এবং তাই শরীরের ভিতরে কোনো প্রদাহ হতে পারে। একটি নির্দিষ্ট সমস্যার উপর একটি বৃহৎ নিয়মের সেট প্রয়োগ করে একজন ডাক্তার চূড়ান্ত রোগ নির্ণয়ে পৌঁছাতে পারেন।

এই পদ্ধতিটি জ্ঞান উপস্থাপনা এবং যুক্তির উপর ব্যাপকভাবে নির্ভর করে। একজন মানব বিশেষজ্ঞ থেকে জ্ঞান বের করে আনা সবচেয়ে কঠিন অংশ হতে পারে, কারণ অনেক ক্ষেত্রে একজন ডাক্তার জানেন না কেন তিনি একটি নির্দিষ্ট রোগ নির্ণয়ে পৌঁছাচ্ছেন। কখনো কখনো সমাধানটি তার মাথায় স্পষ্ট চিন্তা ছাড়াই চলে আসে। কিছু কাজ, যেমন একটি ছবির মাধ্যমে একজন ব্যক্তির বয়স নির্ধারণ করা, একেবারেই জ্ঞান পরিচালনায় হ্রাস করা যায় না।

নিচ-উপর পদ্ধতি

অন্যদিকে, আমরা আমাদের মস্তিষ্কের সবচেয়ে সরল উপাদান – একটি নিউরনকে মডেল করার চেষ্টা করতে পারি। আমরা একটি তথাকথিত কৃত্রিম নিউরাল নেটওয়ার্ক কম্পিউটারের ভিতরে তৈরি করতে পারি, এবং তারপর এটি উদাহরণ দিয়ে সমস্যাগুলো সমাধান করতে শেখাতে পারি। এই প্রক্রিয়াটি অনেকটা একটি নবজাতক শিশুর তার চারপাশ সম্পর্কে পর্যবেক্ষণ করে শেখার মতো।

✅ নবজাতক শিশুরা কীভাবে শেখে তা নিয়ে একটু গবেষণা করুন। একটি শিশুর মস্তিষ্কের মৌলিক উপাদানগুলো কী?

মেশিন লার্নিং সম্পর্কে কী?
কৃত্রিম বুদ্ধিমত্তার একটি অংশ যা কম্পিউটারকে কিছু ডেটার ভিত্তিতে একটি সমস্যা সমাধান করতে শেখায় তাকে মেশিন লার্নিং বলা হয়। আমরা এই কোর্সে ক্লাসিক্যাল মেশিন লার্নিং বিবেচনা করব না - আমরা আপনাকে একটি পৃথক মেশিন লার্নিং ফর বিগিনার্স কারিকুলামে রেফার করছি।

কৃত্রিম বুদ্ধিমত্তার সংক্ষিপ্ত ইতিহাস

কৃত্রিম বুদ্ধিমত্তা বিশ শতকের মাঝামাঝি সময়ে একটি ক্ষেত্র হিসেবে শুরু হয়েছিল। প্রথমদিকে, প্রতীকী যুক্তি একটি প্রভাবশালী পদ্ধতি ছিল, এবং এটি কিছু গুরুত্বপূর্ণ সাফল্য অর্জন করেছিল, যেমন বিশেষজ্ঞ সিস্টেম – কম্পিউটার প্রোগ্রাম যা কিছু সীমিত সমস্যার ক্ষেত্রে একজন বিশেষজ্ঞের মতো কাজ করতে সক্ষম। তবে, শীঘ্রই এটি স্পষ্ট হয়ে উঠেছিল যে এই পদ্ধতি ভালোভাবে স্কেল করে না। একজন বিশেষজ্ঞ থেকে জ্ঞান বের করে আনা, এটি কম্পিউটারে উপস্থাপন করা, এবং সেই জ্ঞানভাণ্ডারকে সঠিক রাখা একটি অত্যন্ত জটিল কাজ এবং অনেক ক্ষেত্রে এটি বাস্তবসম্মত নয়। এটি ১৯৭০-এর দশকে তথাকথিত AI শীতকাল এর দিকে নিয়ে যায়।

ছবি: দিমিত্রি সশনিকভ, ছবি মারিনা আব্রোসিমোভা (Marina Abrosimova), আনস্প্ল্যাশ

সাম্প্রতিক এআই গবেষণা

সাম্প্রতিক বছরগুলোতে নিউরাল নেটওয়ার্ক গবেষণার বিশাল বৃদ্ধি শুরু হয়েছিল ২০১০ সালের দিকে, যখন বড় বড় পাবলিক ডেটাসেট সহজলভ্য হতে শুরু করে। একটি বিশাল চিত্র সংগ্রহ, যার নাম ImageNet, যেখানে প্রায় ১.৪ কোটি ট্যাগ করা ছবি রয়েছে, এটি ImageNet Large Scale Visual Recognition Challenge এর সূচনা করেছিল।

ছবি: দিমিত্রি সশনিকভ

২০১২ সালে, Convolutional Neural Networks প্রথমবারের মতো চিত্র শ্রেণীবিন্যাসে ব্যবহৃত হয়, যা শ্রেণীবিন্যাস ত্রুটির হার উল্লেখযোগ্যভাবে কমিয়ে দেয় (প্রায় ৩০% থেকে ১৬.৪% এ)। ২০১৫ সালে, মাইক্রোসফট রিসার্চের ResNet আর্কিটেকচার মানব-স্তরের সঠিকতা অর্জন করে।

এরপর থেকে, নিউরাল নেটওয়ার্ক বিভিন্ন কাজে অত্যন্ত সফল আচরণ প্রদর্শন করেছে:

---

বছর	মানব-সমতুল্যতা অর্জিত
২০১৫	চিত্র শ্রেণীবিন্যাস
২০১৬	কথোপকথনমূলক বক্তৃতা স্বীকৃতি
২০১৮	স্বয়ংক্রিয় মেশিন অনুবাদ (চীনা থেকে ইংরেজি)
২০২০	চিত্র ক্যাপশনিং

গত কয়েক বছরে আমরা বড় ভাষার মডেলগুলোর (যেমন BERT এবং GPT-3) বিশাল সাফল্য প্রত্যক্ষ করেছি। এটি মূলত সম্ভব হয়েছে কারণ প্রচুর সাধারণ টেক্সট ডেটা সহজলভ্য, যা মডেলগুলোকে টেক্সটের গঠন এবং অর্থ বোঝার জন্য প্রশিক্ষণ দিতে সাহায্য করে। এই মডেলগুলোকে সাধারণ টেক্সট সংগ্রহে প্রি-ট্রেন করা হয় এবং তারপর নির্দিষ্ট কাজের জন্য বিশেষায়িত করা হয়। আমরা এই কোর্সে প্রাকৃতিক ভাষা প্রক্রিয়াকরণ সম্পর্কে আরও শিখব।

🚀 চ্যালেঞ্জ

ইন্টারনেটে ঘুরে দেখুন এবং আপনার মতে এআই সবচেয়ে কার্যকরভাবে কোথায় ব্যবহৃত হচ্ছে তা নির্ধারণ করুন। এটি কি কোনো ম্যাপিং অ্যাপে, নাকি কোনো বক্তৃতা-থেকে-লিখিত টেক্সট পরিষেবায়, অথবা কোনো ভিডিও গেমে? গবেষণা করুন, এই সিস্টেমটি কীভাবে তৈরি করা হয়েছিল।

পোস্ট-লেকচার কুইজ

পুনরালোচনা ও স্ব-অধ্যয়ন

এই পাঠটি পড়ে এআই এবং এমএল-এর ইতিহাস পর্যালোচনা করুন। এই পাঠের শীর্ষে থাকা স্কেচনোট বা এই পাঠের কোনো একটি উপাদান নিন এবং এটি আরও গভীরভাবে গবেষণা করুন, যাতে এর বিবর্তনের সাংস্কৃতিক প্রেক্ষাপট বোঝা যায়।

অ্যাসাইনমেন্ট: গেম জ্যাম

অস্বীকৃতি:
এই নথিটি AI অনুবাদ পরিষেবা Co-op Translator ব্যবহার করে অনুবাদ করা হয়েছে। আমরা যথাসম্ভব সঠিক অনুবাদের চেষ্টা করি, তবে অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। নথিটির মূল ভাষায় লেখা সংস্করণটিকেই প্রামাণিক উৎস হিসেবে বিবেচনা করা উচিত। গুরুত্বপূর্ণ তথ্যের জন্য পেশাদার মানব অনুবাদ ব্যবহার করার পরামর্শ দেওয়া হচ্ছে। এই অনুবাদ ব্যবহারের ফলে সৃষ্ট কোনো ভুল বোঝাবুঝি বা ভুল ব্যাখ্যার জন্য আমরা দায়ী নই।