AI কীভাবে কাজ করে, জিরো থেকে জানুন। পর্ব ০১

একবিংশ শতাব্দীর সবচেয়ে আলোচিত এবং রোমাঞ্চকর প্রযুক্তির নাম হলো Artificial Intelligence বা কৃত্রিম বুদ্ধিমত্তা। সকালের ঘুম থেকে উঠে স্মার্টফোনের ফেস আনলক করা থেকে শুরু করে, মাঝরাতে ইউটিউবের ভিডিও রেকমেন্ডেশন কিংবা চ্যাটজিপিটি (ChatGPT) দিয়ে জটিল কোড বা মেইল লিখিয়ে নেওয়া—আমাদের জীবনের প্রতিটি মুহূর্ত এখন এআই (AI) দ্বারা নিয়ন্ত্রিত। কিন্তু প্রযুক্তির এই অভূতপূর্ব অগ্রগতির সাথে সাথে একটি চিরন্তন এবং গভীর প্রশ্ন মানবমনকে প্রতিনিয়ত তাড়া করে বেড়াচ্ছে: AI কি মানুষের মতো চিন্তা করতে পারে? নাকি এটি কেবলই কিছু জটিল গাণিতিক হিসাব-নিকাশ এবং কোডিংয়ের চমৎকার একটি ধাঁধা?

বিজ্ঞান কল্পকাহিনীর সিনেমাগুলোতে আমরা প্রায়ই দেখি, রোবট বা সুপার-কম্পিউটারগুলো মানুষের মতোই আবেগপ্রবণ হয়ে উঠছে, নিজেদের অস্তিত্ব নিয়ে প্রশ্ন তুলছে এবং মানুষের মতোই স্বাধীনভাবে সিদ্ধান্ত নিচ্ছে। বাস্তব পৃথিবীতে আমরা আজ যে টেকনোলজির মুখোমুখি দাঁড়িয়ে আছি, তা আসলে কতটা বুদ্ধিমান? মানুষের মস্তিষ্কের যে নিউরাল নেটওয়ার্ক, তার সাথে কম্পিউটারের কৃত্রিম নিউরাল নেটওয়ার্কের অমিল বা মিল কোথায়? এই ব্লগে আমরা অত্যন্ত সহজ ভাষায়, গভীর বৈজ্ঞানিক তথ্য ও বাস্তব উদাহরণের মাধ্যমে জানবো AI কীভাবে কাজ করে এবং মানুষের চিন্তাভাবনার সাথে এর মৌলিক পার্থক্য ঠিক কোন জায়গায়।

Artificial Intelligence (AI) কী

সহজ কথায় বলতে গেলে, Artificial Intelligence কী—এর উত্তর হলো, এটি কম্পিউটার বিজ্ঞানের এমন একটি শাখা যা কোনো কম্পিউটার বা মেশিনকে মানুষের মতো বুদ্ধিমত্তা দিয়ে কাজ করার উপযোগী করে তোলে। মানুষ যেভাবে তার চারপাশের পরিবেশ দেখে, শুনে, অভিজ্ঞতা থেকে শিক্ষা নিয়ে নতুন কোনো সমস্যার সমাধান করে; ঠিক একইভাবে কোনো কম্পিউটার সিস্টেমকে যখন সেই সক্ষমতা দেওয়া হয়, তখন তাকে কৃত্রিম বুদ্ধিমত্তা বা AI বলা হয়।

তবে এখানে একটি সূক্ষ্ম কিন্তু অত্যন্ত গুরুত্বপূর্ণ বিষয় মনে রাখতে হবে। মানুষের বুদ্ধিমত্তা হলো প্রাকৃতিক এবং জৈবিক, যা হাজার হাজার বছরের বিবর্তনের ফসল। অন্যদিকে, এআই-এর বুদ্ধিমত্তা হলো সম্পূর্ণ মানব-নির্মিত এবং গাণিতিক। এটি কোনো অলৌকিক শক্তি নয়, বরং এর পেছনে রয়েছে কোটি কোটি ডাটা (Data), স্ট্যাটিস্টিকস বা পরিসংখ্যান এবং অত্যন্ত জটিল সব অ্যালগরিদম (Algorithm)।

ধরে নিন, আপনি আপনার বিড়ালকে দেখে চিনতে পারেন কারণ ছোটবেলা থেকে আপনি অসংখ্য বিড়াল দেখেছেন। আপনার মস্তিষ্ক স্বয়ংক্রিয়ভাবেই বিড়ালের কান, চোখ, গোঁফ এবং গায়ের লোমের একটি প্যাটার্ন তৈরি করে নিয়েছে। একটি কম্পিউটার কিন্তু জন্মগতভাবে বিড়াল চেনে না। তাকে লাখ লাখ বিড়ালের ছবি দেখিয়ে, গাণিতিকভাবে বুঝিয়ে দিতে হয় যে—”যদি কোনো ছবিতে এই ধরনের জ্যামিতিক আকৃতি এবং রঙের কম্বিনেশন থাকে, তবে সেটি বিড়াল হওয়ার সম্ভাবনা ৯৯%।” এই যে কৃত্রিম উপায়ে মেশিনকে বুদ্ধিমান করে তোলার প্রক্রিয়া, এটাই হলো AI Technology।

বর্তমানে এআই-কে মূলত তিনটি প্রধান ভাগে ভাগ করা হয়:

১. Narrow AI (সংকীর্ণ বা দুর্বল এআই)

একে Weak AI-ও বলা হয়। এই ধরনের এআই কেবল একটি নির্দিষ্ট কাজ অত্যন্ত নিখুঁতভাবে করতে পারে। যেমন, গুগলের সার্চ অ্যালগরিদম কেবল তথ্য খুঁজে দিতে পারে, কিন্তু সে গাড়ি চালাতে পারবে না। আবার টেসলার সেলফ-ড্রাইভিং সিস্টেম গাড়ি চালাতে পারে, কিন্তু সে কবিতা লিখতে পারবে না। আমরা বর্তমানে যে যুগে বাস করছি, আমাদের চারপাশের সমস্ত এআই-ই হলো Narrow AI।

২. General AI (সাধারণ বা শক্তিশালী এআই)

একে Strong AI বা AGI (Artificial General Intelligence) বলা হয়। এটি এমন এক স্তরের বুদ্ধিমত্তা, যেখানে একটি মেশিন মানুষের মতোই যেকোনো ধরনের বুদ্ধিভিত্তিক কাজ করতে সক্ষম হবে। সে নিজে থেকেই নতুন বিষয় শিখবে, মানুষের সাহায্য ছাড়াই যেকোনো সমস্যার সমাধান করবে এবং তার মধ্যে এক ধরনের সাধারণ বোধশক্তি (Common Sense) তৈরি হবে। বৈজ্ঞানিক পরিভাষায়, এখনো আমরা এই স্তরে পৌঁছাতে পারিনি। এটি নিয়ে পৃথিবীতে ব্যাপক গবেষণা চলছে।

৩. Super AI (সুপার এআই)

এটি সম্পূর্ণ কাল্পনিক এবং ভবিষ্যতের বিষয়। যখন এআই-এর বুদ্ধিমত্তা বিশ্বের সবচেয়ে বুদ্ধিমান মানুষের চেয়েও কোটি গুণ বেশি শক্তিশালী হয়ে যাবে, তখন তাকে বলা হবে Super AI। এটি মানুষের আবেগ, বিজ্ঞান, শিল্প—সবকিছুতেই মানুষকে ছাড়িয়ে যাবে। এটি মানবজাতির জন্য আশীর্বাদ হবে নাকি অভিশাপ, তা নিয়ে বিজ্ঞানী ও দার্শনিকদের মধ্যে তুমুল বিতর্ক রয়েছে।

AI এর সংক্ষিপ্ত ইতিহাস

আমরা অনেকেই মনে করি Artificial Intelligence হয়তো বর্তমান দশকের বা খুব সাম্প্রতিক কোনো আবিষ্কার। কিন্তু বাস্তবে এর পেছনের দর্শন এবং বৈজ্ঞানিক গবেষণার ইতিহাস বেশ পুরনো এবং অত্যন্ত রোমাঞ্চকর। কৃত্রিম উপায়ে বুদ্ধিমান প্রাণী বা যন্ত্র তৈরির চিন্তা প্রাচীন গ্রীক উপকথাতেও পাওয়া যায়, তবে আধুনিক বিজ্ঞানের পাতায় এর আনুষ্ঠানিক যাত্রা শুরু হয় বিংশ শতাব্দীর মাঝামাঝি সময়ে।

অ্যালান টুরিং এবং টুরিং টেস্ট (১৯৫০): আধুনিক কম্পিউটার বিজ্ঞানের জনক অ্যালান টুরিং (Alan Turing) ১৯৫০ সালে একটি গবেষণাপত্র প্রকাশ করেন যার শিরোনাম ছিল “Computing Machinery and Intelligence”। সেখানেই তিনি প্রথম প্রশ্ন তোলেন—”মেশিন কি চিন্তা করতে পারে?” তিনি একটি কাল্পনিক পরীক্ষার প্রস্তাব করেন, যা আজ Turing Test নামে পরিচিত। এই টেস্টের মূল কথা ছিল, যদি একটি মানুষ দেয়ালের ওপাশে থাকা কোনো কম্পিউটারের সাথে চ্যাট বা টেক্সট আদান-প্রদান করে বুঝতে না পারে যে সে কোনো মেশিনের সাথে কথা বলছে নাকি মানুষের সাথে, তবে ধরে নিতে হবে যে সেই মেশিনের মানুষের মতো চিন্তা করার ক্ষমতা রয়েছে।

ডার্টমাউথ কনফারেন্স (১৯৫৬): এআই ইতিহাসের সবচেয়ে গুরুত্বপূর্ণ বছর হলো ১৯৫৬। এই বছরের গ্রীষ্মকালে আমেরিকার ডার্টমাউথ কলেজে একটি কর্মশালার আয়োজন করা হয়। এই কনফারেন্সের মূল উদ্যোক্তা জন ম্যাককার্থি (John McCarthy) প্রথমবার Artificial Intelligence বা কৃত্রিম বুদ্ধিমত্তা শব্দটি ব্যবহার করেন। এই কারণে জন ম্যাককার্থিকে “এআই-এর জনক” বলা হয়। এই কনফারেন্সে মার্ভিন মিনস্কি, ক্লড শ্যানন এবং হার্বার্ট সাইমনের মতো প্রখ্যাত বিজ্ঞানীরা অংশ নেন এবং তারা অত্যন্ত আশাবাদী ছিলেন যে, আগামী কয়েক দশকের মধ্যেই মানুষের মতো বুদ্ধিমান মেশিন তৈরি সম্ভব হবে।

এআই উইন্টার বা শীতকাল (১৯৭০-১৯৮০ এর দশক): প্রাথমিক সাফল্যের পর এআই গবেষকরা ফান্ডিং বা সরকারি অনুদান পেতে শুরু করেন। কিন্তু তৎকালীন কম্পিউটারগুলোর প্রসেসিং পাওয়ার (Processing Power) এবং মেমোরি ছিল অত্যন্ত সীমিত। ফলে বিজ্ঞানীরা যেভাবে ভেবেছিলেন, এআই সেভাবে জটিল সমস্যার সমাধান করতে পারছিল না। আশানুরূপ ফলাফল না পাওয়ায় সরকার এবং বড় বড় সংস্থাগুলো এআই গবেষণা থেকে ফান্ডিং প্রত্যাহার করে নেয়। ইতিহাসের এই অন্ধকার সময়কে বলা হয় AI Winter বা এআই-এর শীতকাল। এই সময় দীর্ঘ কয়েক বছর এআই সংক্রান্ত গবেষণা স্থবির হয়ে পড়েছিল।

পুনরুত্থান এবং ডিপ ব্লু-এর বিজয় (১৯৯৭): নব্বইয়ের দশকে কম্পিউটারের গতি এবং মেমোরি ব্যাপকভাবে বৃদ্ধি পেতে শুরু করে। ১৯৯৭ সালে আইবিএম (IBM)-এর তৈরি সুপার কম্পিউটার Deep Blue তৎকালীন বিশ্ব দাবা চ্যাম্পিয়ন গ্যারি ক্যাসপারভকে পরাজিত করে পুরো পৃথিবীকে চমকে দেয়। এটি ছিল এআই ইতিহাসের একটি টার্নিং পয়েন্ট। মানুষ বুঝতে পারে যে, সঠিক গাণিতিক লজিক ব্যবহার করে মেশিন মানুষকেও বুদ্ধির খেলায় হারাতে পারে।

বিগ ডাটা এবং আধুনিক ডিপ লার্নিং যুগ (২০১২-বর্তমান): একবিংশ শতাব্দীতে এসে ইন্টারনেটের ব্যাপক প্রসারের ফলে পৃথিবীতে ডাটা বা তথ্যের সুনামি বয়ে যায়। একই সাথে গ্রাফিক্স প্রসেসিং ইউনিট (GPU)-এর ক্ষমতা বৃদ্ধি পাওয়ায় নিউরাল নেটওয়ার্কের ব্যবহার অত্যন্ত সহজ হয়ে ওঠে। ২০১২ সালে ‘AlexNet’ নামক একটি ডিপ লার্নিং মডেল ইমেজ রিকগনিশনে অভাবনীয় সাফল্য দেখায়। এরপর ২০১৬ সালে গুগলের DeepMind-এর তৈরি AlphaGo গো (Go) নামক একটি অত্যন্ত জটিল বোর্ড গেমে বিশ্ব চ্যাম্পিয়ন লি সেডলকে পরাজিত করে। আর ২০২২ সালের শেষের দিকে OpenAI-এর ChatGPT মুক্ত করার পর থেকে আমরা এআই-এর এক সম্পূর্ণ নতুন এবং বৈপ্লবিক যুগে প্রবেশ করেছি, যা আজ আমাদের জীবনযাত্রার অবিচ্ছেদ্য অংশ হয়ে উঠেছে।

মানুষ কীভাবে চিন্তা করে: জৈবিক রহস্য

AI কি মানুষের মতো চিন্তা করতে পারে—এই প্রশ্নের গভীরে যাওয়ার আগে আমাদের প্রথমে বুঝতে হবে, আমরা মানুষরা আসলে কীভাবে চিন্তা করি? মানুষের চিন্তাভাবনা, সিদ্ধান্ত গ্রহণ এবং অনুভূতির প্রক্রিয়াটি অত্যন্ত জটিল, যা আজ পর্যন্ত চিকিৎসাবিজ্ঞান সম্পূর্ণ উন্মোচন করতে পারেনি। আমাদের চিন্তার মূল কেন্দ্রবিন্দু হলো আমাদের মস্তিষ্ক (Human Brain)।

Read Also:-Blogger এ Custom 404 Redirect কি ভাবে সেটাপ করবেন (Step-by-Step Complete Guide)

মানুষের মস্তিষ্কে প্রায় ৮৬ বিলিয়ন (৮,৬০০ কোটি) বিশেষায়িত কোষ রয়েছে, যেগুলোকে বলা হয় নিউরন (Neurons)। এই নিউরনগুলো একে অপরের সাথে হাজার হাজার ক্ষুদ্রাতিক্ষুদ্র সংযোগের মাধ্যমে যুক্ত থাকে, যাদের বলা হয় সিন্যাপস (Synapses)। যখন আমরা কোনো কিছু দেখি, শুনি বা স্পর্শ করি, তখন আমাদের চোখ, কান বা ত্বক সেই তথ্যকে বৈদ্যুতিক এবং রাসায়নিক সিগন্যালে রূপান্তরিত করে মস্তিষ্কে পাঠিয়ে দেয়।

নিউরনগুলোর এই নেটওয়ার্কের ভেতর দিয়ে যখন ইলেকট্রো-কেমিক্যাল সিগন্যাল প্রবাহিত হয়, তখনই আমাদের মাথায় একটি ‘চিন্তা’ বা ‘ভাবনা’-র জন্ম হয়। মানুষের চিন্তার কিছু অনন্য বৈশিষ্ট্য রয়েছে যা একে পৃথিবীর যেকোনো উন্নত মেশিন থেকে আলাদা করে:

• অভিজ্ঞতা এবং শিক্ষা (Learning from Experience): মানুষ কোনো বিষয়ে একবার ভুল করলে, সেই অভিজ্ঞতা থেকে শিক্ষা নিয়ে পরবর্তীতে ভিন্ন আচরণ করতে পারে। এর জন্য তাকে কোটি কোটি ডাটা বা উদাহরণের প্রয়োজন হয় না। একটি শিশু যদি একবার গরম চায়ের কাপে হাত দিয়ে ছ্যাঁকা খায়, সে জীবনভর মনে রাখবে যে গরম কাপে হাত দেওয়া যাবে না।
• কমন সেন্স বা সাধারণ বোধশক্তি: মানুষের মধ্যে এক ধরনের প্রাকৃতিক বোধশক্তি থাকে। যেমন, আকাশ মেঘলা দেখলে আমরা ছাতা নিয়ে বের হই, কারণ আমরা জানি বৃষ্টি হতে পারে। এই সাধারণ জ্ঞানটি অর্জন করার জন্য আমাদের আলাদা কোনো কোডিং বা অ্যালগরিদমের প্রয়োজন হয় না।
• আবেগ এবং চেতনা (Emotion & Consciousness): মানুষের চিন্তার সাথে তার আবেগ ওতপ্রোতভাবে জড়িত। রাগ, দুঃখ, ভালোবাসা, ভয়—এই অনুভূতিগুলো আমাদের সিদ্ধান্ত গ্রহণকে দারুণভাবে প্রভাবিত করে। সবচেয়ে বড় কথা, মানুষের Self-awareness বা ‘আত্ম-সচেতনতা’ আছে। আমরা জানি যে আমরা বেঁচে আছি, আমরা জানি যে আমাদের একটি অস্তিত্ব আছে।
• স্বজ্ঞাত ধারণা বা ইনটুইশন (Intuition): অনেক সময় কোনো যুক্তি বা তথ্য ছাড়াই আমাদের মন বলে দেয় যে কোনো একটি কাজ করা ঠিক হবে কি হবে না। একে আমরা চলতি ভাষায় ‘Gut Feeling’ বলি। মানুষের মস্তিষ্ক অবচেতনভাবেই অতীতের অসংখ্য ক্ষুদ্র ক্ষুদ্র স্মৃতি বিশ্লেষণ করে এই ধরনের সিদ্ধান্ত নিয়ে থাকে।

মানুষের এই জৈবিক চিন্তার চমৎকার সমন্বয়টি অত্যন্ত দক্ষ এবং কম শক্তিসম্পন্ন। আমাদের পুরো মস্তিষ্কটি চালাতে মাত্র ২০ ওয়াট বিদ্যুতের প্রয়োজন হয়, যা একটি সাধারণ এলইডি বাল্বের সমান! অথচ এই সামান্য শক্তিতেই মানুষ সৃষ্টি করছে জটিল সব কবিতা, আবিষ্কার করছে মহাকাশের রহস্য, আর পরিচালনা করছে পুরো বিশ্বকে।

AI কীভাবে তথ্য বুঝে: বাইনারি থেকে লজিক

মানুষের চিন্তা যেখানে অনুভূতি এবং জৈবিক নিউরনের খেলা, সেখানে AI কিভাবে চিন্তা করে বা তথ্য বোঝে, তার রূপটি সম্পূর্ণ ভিন্ন। কম্পিউটারের নিজস্ব কোনো মন, চোখ বা কান নেই। একটি কম্পিউটার বা কৃত্রিম বুদ্ধিমত্তা কেবল একটি জিনিসই বোঝে—তা হলো সংখ্যা (Numbers)। আরও নিখুঁতভাবে বললে, সে বোঝে কেবল ‘০’ (Zero) এবং ‘১’ (One), যা বাইনারি কোড (Binary Code) নামে পরিচিত।

তাহলে প্রশ্ন আসতেই পারে, যে মেশিন কেবল ০ এবং ১ বোঝে, সে কীভাবে মানুষের মুখের ভাষা বুঝতে পারছে, চমৎকার সব ছবি তৈরি করছে কিংবা মানুষের সাথে চ্যাট করছে? এর উত্তর লুকিয়ে আছে গাণিতিক রূপান্তর এবং লজিকের মধ্যে।

যখন আমরা এআই-এর সামনে কোনো তথ্য (যেমন- টেক্সট, অডিও বা ইমেজ) উপস্থাপন করি, তখন এআই সিস্টেম সেটিকে সরাসরি গ্রহণ করতে পারে না। একে একটি বিশেষ প্রক্রিয়ার মধ্য দিয়ে যেতে হয়:

১. ভেক্টরাইজেশন (Vectorization): এআই-এর কাছে প্রতিটি শব্দ, প্রতিটি পিক্সেল (Pixel) বা প্রতিটি সুরকে সংখ্যায় রূপান্তর করা হয়। মনে করুন, আমরা একটি বাক্য লিখলাম “আমি এআই ভালোবাসি”। এআই মডেলটি এই শব্দগুলোকে কিছু নির্দিষ্ট সংখ্যা বা স্থানাঙ্কে (Coordinates) রূপান্তর করবে, যাকে বলা হয় Embeddings বা Vectors। এই গাণিতিক সংখ্যাগুলোর মাধ্যমে এআই বোঝার চেষ্টা করে যে কোন শব্দের সাথে কোন শব্দের সম্পর্ক কতটা গভীর। যেমন, এআই গাণিতিকভাবেই হিসাব করে বের করে ফেলে যে ‘রাজা’ এবং ‘রানী’ শব্দ দুটি একে অপরের খুব কাছাকাছি, আবার ‘রাজা’ এবং ‘কম্পিউটার’ শব্দ দুটির মধ্যে দূরত্ব অনেক বেশি।

২. গাণিতিক ফাংশন এবং অ্যালগরিদম: তথ্যগুলো যখন সংখ্যায় রূপান্তরিত হয়, তখন শুরু হয় লজিক বা নিয়মের খেলা। এআই-এর ভেতরে হাজার হাজার লিনিয়ার অ্যালজেব্রা (Linear Algebra), ক্যালকুলাস (Calculus) এবং প্রোবাবিলিটি বা সম্ভাবনার সূত্র কাজ করে। উদাহরণস্বরূপ, আপনি যখন গুগলে কিছু সার্চ করতে যান, তখন আপনি একটি শব্দ লেখার সাথে সাথেই নিচে আরও কিছু সাজেস্টেড শব্দ চলে আসে। এআই এখানে কোনো জাদুকরি চিন্তা করছে না; সে কেবল হিসাব করছে যে আপনি যে শব্দটি লিখেছেন, তার পর অন্য কোন শব্দটি আসার সম্ভাবনা (Probability) সবচেয়ে বেশি।

একটি সহজ অ্যানালজি: মনে করুন, এআই হলো একটি বিশাল এবং অত্যন্ত দ্রুতগতির ক্যালকুলেটর। আপনি তাকে একটি ছবি দিলেন। সে ছবির প্রতিটি বিন্দুর রঙের তীব্রতাকে সংখ্যায় রূপান্তর করলো (যেমন- লালের জন্য ২৫৫, নীলের জন্য ০)। এরপর সে তার ভেতরের কোটি কোটি সমীকরণ বা ইকুয়েশনের মধ্যে এই সংখ্যাগুলোকে ইনপুট হিসেবে দিল। সমীকরণের শেষ মাথা থেকে যে উত্তরটি বের হলো, তা হয়তো একটি সংখ্যা—ধরা যাক ‘৫’, যার মানে হলো ‘এটি একটি গাড়ি’। এভাবেই এআই তার নিজস্ব গাণিতিক লজিক দিয়ে তথ্য বোঝে এবং প্রসেস করে।

AI Training Process: যেভাবে একটি মেশিনকে শিক্ষিত করা হয়

একটি সদ্য জন্ম নেওয়া শিশু যেমন কিছুই জানে না, তাকে আস্তে আস্তে সমাজ, ভাষা এবং আচরণ শেখাতে হয়; ঠিক তেমনি একটি নতুন তৈরি করা এআই মডেলও সম্পূর্ণ শূন্য বা অবুঝ থাকে। তাকে বুদ্ধিমান করে তোলার জন্য যে দীর্ঘ এবং জটিল প্রক্রিয়ার মধ্য দিয়ে নিয়ে যাওয়া হয়, তাকে বলা হয় AI Training Process। এটিই মূলত AI কীভাবে কাজ করে তার আসল ভিত্তি। এই পুরো প্রক্রিয়াটিকে প্রধানত ৫টি ধাপে ভাগ করা যায়:

১. Data Collection (তথ্য সংগ্রহ)

এআই-এর মূল জ্বালানি বা খাদ্য হলো ডাটা। ট্রেনিং প্রক্রিয়ার প্রথম ধাপই হলো বিশাল পরিমাণ সঠিক এবং মানসম্মত তথ্য সংগ্রহ করা। যদি আমরা এমন একটি এআই তৈরি করতে চাই যা মানুষের এক্স-রে রিপোর্ট দেখে রোগ নির্ণয় করতে পারবে, তবে আমাদের প্রথমে হাজার হাজার বা লাখ লাখ রোগীর এক্স-রে ছবি এবং তাদের মেডিকেল হিস্ট্রি সংগ্রহ করতে হবে। ডাটা যত বেশি এবং বৈচিত্র্যময় হবে, এআই মডেলটি তত বেশি নিখুঁত হবে।

২. Data Cleaning (তথ্য পরিশোধন)

সংগৃহীত সমস্ত ডাটা বা তথ্য কিন্তু সরাসরি ব্যবহারের উপযোগী থাকে না। এতে অনেক ভুল তথ্য, অসম্পূর্ণ ফাইল বা অপ্রাসঙ্গিক নয়েজ (Noise) থাকতে পারে। যেমন, কোনো এক্স-রে ছবি হয়তো ঝাপসা বা কোনো রিপোর্টে তথ্য ভুল লেখা আছে। ডাটা ক্লিনিং ধাপে এই সমস্ত অপ্রয়োজনীয় এবং ত্রুটিপূর্ণ তথ্য বাদ দেওয়া হয় অথবা সংশোধন করা হয়। কম্পিউটার বিজ্ঞানে একটি বিখ্যাত প্রবাদ আছে—”Garbage In, Garbage Out”। অর্থাৎ, আপনি যদি এআই-কে আবর্জনা বা ভুল তথ্য দিয়ে ট্রেন করেন, তবে তার আউটপুট বা ফলাফলও আবর্জনার মতোই ভুল আসবে।

৩. Training (প্রশিক্ষণ)

এটি হলো সবচেয়ে গুরুত্বপূর্ণ এবং সময়সাপেক্ষ ধাপ। এই ধাপে পরিশোধিত ডাটাগুলো এআই অ্যালগরিদমের (যেমন- একটি নিউরাল নেটওয়ার্ক) মধ্যে ইনপুট হিসেবে দেওয়া হয়। মেশিনটি তখন ডাটার মধ্যে লুকিয়ে থাকা বিভিন্ন প্যাটার্ন বা বৈশিষ্ট্য নিজে নিজেই খুঁজে বের করার চেষ্টা করে। প্রথম দিকে মেশিনটি প্রচুর ভুল করে। প্রতিবার ভুল করার পর, অ্যালগরিদমটি তার ভেতরের গাণিতিক প্যারামিটার বা ওজনকে (Weights) কিছুটা পরিবর্তন করে নেয়, যাতে পরের বার ভুল কম হয়। এই প্রক্রিয়াটি কোটি কোটি বার চলতে থাকে যতক্ষণ না মেশিনের ভুলের হার সর্বনিম্ন পর্যায়ে নেমে আসে। এই কাজের জন্য প্রচুর শক্তিশালী কম্পিউটিং পাওয়ার এবং জিপিইউ (GPU) প্রয়োজন হয়।

৪. Validation (যাচাইকরণ)

ট্রেনিং শেষ হওয়ার পর, এআই মডেলটি আসলেই সঠিকভাবে কাজ করছে কিনা তা পরীক্ষা করা প্রয়োজন। এর জন্য এমন কিছু ডাটা ব্যবহার করা হয়, যা ট্রেনিংয়ের সময় মডেলটিকে দেখানো হয়নি (Unseen Data)। একে বলা হয় Validation বা Testing Data। এই নতুন ডাটার ওপর মডেলটির পারফর্ম্যান্স দেখা হয়। যদি দেখা যায় যে নতুন তথ্যের ওপরও এআই সঠিক উত্তর দিতে পারছে, তবে বোঝা যায় যে ট্রেনিং সফল হয়েছে। আর যদি সে নতুন ডাটায় ফেল করে, তবে তাকে আবার নতুন করে ট্রেইন করতে হয়।

৫. Prediction (ভবিষ্যদ্বাণী বা ফলাফল প্রদান)

ভ্যালিডেশন বা পরীক্ষায় পাস করার পর এআই মডেলটি সম্পূর্ণ প্রস্তুত বা ‘Deploy’ করার উপযোগী হয়ে যায়। এখন বাস্তব পৃথিবীতে সাধারণ ব্যবহারকারীরা যখন তাকে কোনো নতুন ইনপুট দেবে, সে তার অতীতের সমস্ত অভিজ্ঞতা ও গাণিতিক সমীকরণ ব্যবহার করে চোখের পলকে নিখুঁত Prediction বা ফলাফল তৈরি করে দেবে। যেমন, চ্যাটজিপিটি-তে যখন আপনি কোনো প্রশ্ন লেখেন, সে এই প্রেডিকশন প্রক্রিয়ার মাধ্যমেই তার পরের শব্দটি কী হবে তা নির্ধারণ করে উত্তর সাজিয়ে দেয়।

AI কি মানুষের মতো সিদ্ধান্ত নিতে পারে?

আমরা যখন দেখি একটি সেলফ-ড্রাইভিং গাড়ি রাস্তার ট্রাফিক সিগন্যাল দেখে নিজে নিজেই ব্রেক চাপছে, কিংবা কোনো পথচারী সামনে চলে আসলে গাড়িটি ডানে বা বাঁয়ে মোড় নিচ্ছে—তখন আমাদের মনে হতেই পারে যে, AI কি মানুষের মতো সিদ্ধান্ত নিতে পারে? বাহ্যিক দৃষ্টিতে একে মানুষের মতোই মনে হলেও, সিদ্ধান্ত গ্রহণের পেছনের মনস্তত্ত্ব এবং মেকানিজম সম্পূর্ণ ভিন্ন।

মানুষ যখন কোনো সিদ্ধান্ত নেয়, তখন সে কেবল বর্তমান পরিস্থিতি বিচার করে না। মানুষের সিদ্ধান্তের পেছনে কাজ করে তার নৈতিক মূল্যবোধ (Ethics), সামাজিক শিক্ষা, দূরদর্শিতা, সহানুভূতি এবং তাৎক্ষণিক বুদ্ধি। উদাহরণস্বরূপ, একজন হিউম্যান ড্রাইভার যদি দেখেন যে রাস্তার একপাশে একটি কুকুর এবং অন্যপাশে একটি দামি গাড়ি রয়েছে এবং ব্রেক ফেল করার কারণে যেকোনো একটির সাথে ধাক্কা লাগা অনিবার্য—তখন মানুষ তার নৈতিকতা দিয়ে সিদ্ধান্ত নেবে যে পশুর জীবন বাঁচানো বেশি গুরুত্বপূর্ণ, সম্পত্তির ক্ষতি হলেও সমস্যা নেই।

কিন্তু একটি এআই কীভাবে এই সিদ্ধান্ত নেবে? এআই-এর কাছে কোনো নৈতিকতা বা জীবনবোধ নেই। সে এই পরিস্থিতিকে একটি গাণিতিক অপ্টিমাইজেশন প্রবলেম (Optimization Problem) হিসেবে দেখবে। তাকে কোডিং বা ট্রেনিংয়ের মাধ্যমে যেভাবে অগ্রাধিকার (Priority) ঠিক করে দেওয়া হয়েছে, সে সেভাবেই কাজ করবে। যদি তার অ্যালগরিদমে বলা থাকে ‘ক্ষতির পরিমাণ সর্বনিম্ন করতে হবে’, তবে সে হয়তো গাণিতিক মূল্যের হিসাব কষে কুকুরের ওপর দিয়েই গাড়ি চালিয়ে দেবে।

সংক্ষেপে বলতে গেলে:

• মানুষের সিদ্ধান্ত: সচেতন, অনুভূতিশীল, পরিস্থিতি অনুযায়ী পরিবর্তনশীল এবং নৈতিকতা নির্ভর।
• AI এর সিদ্ধান্ত: গাণিতিক, ডাটা-চালিত (Data-driven), পূর্ব-নির্ধারিত নিয়মের প্রতিফলন এবং সম্পূর্ণ আবেগহীন।

তাই এআই সিদ্ধান্ত নিতে পারে ঠিকই, কিন্তু তা মানুষের মতো ‘ভেবে-চিন্তে’ নেওয়া সিদ্ধান্ত নয়। এটি হলো বিপুল পরিমাণ তথ্যের ওপর ভিত্তি করে সবচেয়ে সম্ভাব্য এবং কার্যকরী গাণিতিক ফলাফলটি বেছে নেওয়া মাত্র।

Pattern Recognition কী: এআই-এর মূল চালিকাশক্তি

যদি প্রশ্ন করা হয়, আধুনিক কৃত্রিম বুদ্ধিমত্তার আসল ম্যাজিকটি কোথায় লুকিয়ে আছে? তবে এক বাক্যে উত্তর হবে—Pattern Recognition বা প্যাটার্ন সনাক্তকরণ। এটি এমন একটি প্রক্রিয়া যার মাধ্যমে কোনো কম্পিউটার সিস্টেম বিশাল তথ্যভাণ্ডারের মধ্য থেকে নির্দিষ্ট কোনো মিল, পুনরাবৃত্তি, আকৃতি বা ধারা (Trend) খুঁজে বের করতে পারে।

মানুষ জন্মগতভাবেই প্যাটার্ন চেনাতে ওস্তাদ। আমরা আকাশে মেঘের দিকে তাকিয়ে বিভিন্ন প্রাণীর আকৃতি কল্পনা করতে পারি, আবার কোনো গানের প্রথম দুই লাইন শুনেই বলে দিতে পারি গানটি কার গাওয়া। এআই-এর ক্ষেত্রে এই প্যাটার্ন খোঁজার কাজটি করা হয় গণিত ও স্ট্যাটিস্টিকস দিয়ে।

চলুন একটি বাস্তব উদাহরণ দিয়ে বিষয়টি বোঝা যাক। ধরা যাক, আমরা ব্যাংক জালিয়াতি বা ক্রেডিট কার্ড ফ্রড (Credit Card Fraud) সনাক্ত করার জন্য একটি এআই সিস্টেম তৈরি করেছি। এই এআই-কে গত ৫ বছরের কোটি কোটি বৈধ ট্রানজেকশনের ডাটা দেওয়া হলো। এআই সেখান থেকে একটি স্বাভাবিক প্যাটার্ন তৈরি করলো: “একজন সাধারণ ব্যবহারকারী সাধারণত দিনে ২-৩ বার লেনদেন করেন, প্রতিবার লেনদেনের পরিমাণ ৫০০ থেকে ৫,০০০ টাকার মধ্যে থাকে এবং সাধারণত তিনি তার নিজ শহর থেকেই কার্ডটি ব্যবহার করেন।”

এখন হঠাৎ করে যদি মাঝরাতে ওই ক্রেডিট কার্ড দিয়ে কোনো বিদেশি আইপি অ্যাড্রেস থেকে মাত্র ৫ মিনিটের ব্যবধানে ৫ বার ৫০,০০০ টাকা করে তোলার চেষ্টা করা হয়, তবে এআই-এর সিস্টেমে সাথে সাথে লাল বাতি জ্বলে উঠবে। কারণ এই নতুন লেনদেনটি তার চেনা ‘স্বাভাবিক প্যাটার্ন’-এর সাথে মিলছে না। একে বলা হয় অ্যানোমালি ডিটেকশন (Anomaly Detection)।

একইভাবে:

• ইমেজ রিকগনিশন: ছবির পিক্সেলগুলোর বিন্যাস দেখে এআই মানুষের মুখমণ্ডল বা অবয়বের প্যাটার্ন চেনে।
• ভয়েস রিকগনিশন: শব্দের কম্পাঙ্ক (Frequency) এবং তরঙ্গের প্যাটার্ন বিশ্লেষণ করে অ্যালেক্সা বা সিরি আমাদের কণ্ঠস্বর বুঝতে পারে।
• টেক্সট জেনারেশন: কোনো ভাষার ব্যাকরণ এবং শব্দের পর শব্দ বসার যে চিরন্তন প্যাটার্ন, তা অনুকরণ করেই চ্যাটজিপিটি মানুষের মতো লেখা তৈরি করে।

সুতরাং, এআই আসলে কোনো সৃজনশীল চিন্তা করছে না; সে কেবল কোটি কোটি তথ্যের ভেতর লুকিয়ে থাকা অদৃশ্য সব প্যাটার্ন খুঁজে বের করে আমাদের সামনে পরিবেশন করছে।

Machine Learning সহজ ব্যাখ্যা

এআই নিয়ে আলোচনা করতে গেলে যে দুটি শব্দ আমাদের সামনে সবচেয়ে বেশি আসে, তা হলো Machine Learning (মেশিন লার্নিং) এবং Deep Learning (ডিপ লার্নিং)। অনেকেই এই দুটিকে এআই-এর সমার্থক মনে করেন, কিন্তু আসলে তা নয়। মেশিন লার্নিং হলো কৃত্রিম বুদ্ধিমত্তার একটি বিশেষ সাবসেট বা অংশ।

প্রথাগত কম্পিউটার প্রোগ্রামিংয়ে (Traditional Programming) আমরা কম্পিউটারকে সুনির্দিষ্ট কিছু নিয়ম বা কোড লিখে দিতাম এবং কম্পিউটার সেই অনুযায়ী ইনপুট প্রসেস করে আউটপুট দিত। যেমন: যদি ইনপুট X হয়, তবে Y করো। কিন্তু সমস্যা হলো, পৃথিবীর সব জটিল কাজের নিয়ম কোড লিখে বুঝিয়ে দেওয়া অসম্ভব। যেমন—আপনি কীভাবে কোড লিখে কম্পিউটারকে বোঝাবেন যে একটা হাতের লেখা ‘A’ আর একটা হাতের লেখা ‘B’-এর মধ্যে তফাৎ কী? কারণ একেকজন মানুষের হাতের লেখা একেক রকম।

এই সমস্যার সমাধান করতেই জন্ম হয় Machine Learning-এর। এখানে আমরা মেশিনকে কোনো নিয়ম লিখে দিই না। বরং আমরা মেশিনকে প্রচুর ইনপুট এবং তার সাথে সামঞ্জস্যপূর্ণ আউটপুট (যাকে Label বলা হয়) দিয়ে বলি—”এই নাও ডাটা, এবার তুমি নিজেই খুঁজে বের করো এদের মধ্যকার নিয়ম বা রিলেশনটা কী!”

মেশিন লার্নিংকে প্রধানত তিনটি পদ্ধতিতে ভাগ করা যায়:

১. Supervised Learning (তত্ত্বাবধায়িত শিক্ষা)

এই পদ্ধতিতে মেশিনকে গাইড বা শিক্ষকের অধীনে রেখে শেখানো হয়। অর্থাৎ, তাকে যে ডাটা দেওয়া হয় তার উত্তরও সাথে বলে দেওয়া হয়। যেমন, আমরা তাকে ১ লক্ষ আমের ছবি দিলাম এবং প্রতিটা ছবির নিচে লিখে দিলাম “এটি আম”। আবার ১ লক্ষ আপেলের ছবি দিয়ে লিখে দিলাম “এটি আপেল”। এভাবে শেখার পর যখন তাকে নতুন কোনো ফলের ছবি দেওয়া হবে, সে সহজেই বলে দিতে পারবে সেটি আম নাকি আপেল।

২. Unsupervised Learning (অনিয়ন্ত্রিত শিক্ষা)

এখানে ডাটার কোনো লেবেল বা উত্তর দেওয়া থাকে না। মেশিনকে সম্পূর্ণ একা ছেড়ে দেওয়া হয় ডাটার নিজস্ব বৈশিষ্ট্য খুঁজে বের করার জন্য। যেমন, আপনি একটি ঝুড়িতে অনেক রকমের ফল মিক্স করে কম্পিউটারকে দিলেন কোনো নাম না বলে। মেশিন তখন ফলের আকার, রঙ ও ওজন বিশ্লেষণ করে নিজে নিজেই আমগুলোকে একপাশে, আপেলগুলোকে অন্যপাশে এবং কলাগুলোকে আরেক পাশে স্তূপ করে রাখবে। সে হয়তো ফলের নাম জানে না, কিন্তু সে তাদের মধ্যকার অমিল ও মিলগুলো বুঝতে পেরেছে।

৩. Reinforcement Learning (পুরস্কার ও শাস্তি ভিত্তিক শিক্ষা)

এই পদ্ধতিটি অত্যন্ত আকর্ষণীয় এবং এটি অনেকটা মানুষের বা পশুর বাচ্ছা শেখানোর মতো। এখানে একটি এআই এজেন্টকে একটি অজানা পরিবেশে ছেড়ে দেওয়া হয়। সে যখন কোনো সঠিক সিদ্ধান্ত নেয়, তাকে পুরস্কার (Reward) বা পজিটিভ পয়েন্ট দেওয়া হয়। আর যখন সে ভুল সিদ্ধান্ত নেয়, তাকে পেনাল্টি (Penalty) বা নেগেটিভ পয়েন্ট দেওয়া হয়। এই পুরস্কার পাওয়ার লোভে লোভে মেশিনটি বারবার চেষ্টা করে সবচেয়ে সেরা উপায়টি শিখে নেয়। ভিডিও গেম খেলা বা রোবটকে হাঁটতে শেখানোর জন্য এই পদ্ধতি ব্যবহার করা হয়।

Deep Learning কী: কৃত্রিম বুদ্ধিমত্তার গভীর স্তর

মেশিন লার্নিংয়েরও একধাপ ওপরের এবং আরও শক্তিশালী স্তরের নাম হলো Deep Learning। এটি মূলত মেশিন লার্নিংেরই একটি উন্নত রূপ, যা মানুষের মস্তিষ্কের গঠনশৈলী দ্বারা অনুপ্রাণিত হয়ে তৈরি করা হয়েছে।

তাহলে সাধারণ মেশিন লার্নিংয়ের সাথে ডিপ লার্নিংয়ের তফাৎটা কোথায়? একটি সাধারণ উদাহরণ দিলে বিষয়টি একদম পরিষ্কার হয়ে যাবে। মনে করুন, আমরা একটি গাড়ি এবং একটি মোটরসাইকেলের ছবি আলাদা করতে চাই।

যদি আমরা সাধারণ Machine Learning ব্যবহার করি, তবে একজন মানুষের (যাকে ডাটা ইঞ্জিনিয়ার বলা হয়) নিজে থেকে এআই-কে বলে দিতে হবে যে—”দেখো, গাড়ির ৪টি চাকা থাকে এবং এর আকার বড় হয়, আর মোটরসাইকেলের ২টি চাকা থাকে এবং এটি আকারে ছোট।” অর্থাৎ, এআই-এর জন্য ফিচারগুলো মানুষকে ম্যানুয়ালি সিলেক্ট করে দিতে হয় (Feature Extraction)।

কিন্তু Deep Learning-এর ক্ষেত্রে মানুষের এই সহযোগিতার কোনো প্রয়োজন নেই। আপনি কেবল ডিপ লার্নিং মডেলকে ১০ লাখ গাড়ি এবং ১০ লাখ মোটরবাইকের ছবি ইনপুট দিয়ে দিন। সে তার ভেতরের গভীর স্তরের অ্যালগরিদম ব্যবহার করে নিজে নিজেই খুঁজে বের করে নেবে যে গাড়ির চাকা, উইন্ডশিল্ড বা আকৃতির সাথে বাইকের পার্থক্য কোথায়। মানুষের কোনো রকম হস্তক্ষেপ ছাড়াই সে অত্যন্ত জটিল ও সূক্ষ্ম বৈশিষ্ট্যগুলো সনাক্ত করতে পারে।

ডিপ লার্নিং এত পাওয়ারফুল হওয়ার কারণ হলো, এটি পরিচালনার জন্য ব্যবহার করা হয় Artificial Neural Networks (ANN) বা কৃত্রিম নিউরাল নেটওয়ার্ক, যার মধ্যে হাজার হাজার লেয়ার বা স্তর থাকে। এই লেয়ারগুলোর গভীরতার (Depth) কারণেই এর নাম হয়েছে ‘Deep’ Learning। আজকের যুগের ফেসিয়াল রিকগনিশন, মানুষের মতো গলার আওয়াজ নকল করা, স্বয়ংক্রিয় অনুবাদ—এই সমস্ত অতি-উন্নত প্রযুক্তির পেছনে মূল চালিকাশক্তি হিসেবে কাজ করছে ডিপ লার্নিং।

Neural Network কীভাবে কাজ করে: মানুষের নিউরনের অনুকরণ

আমরা আগেই জেনেছি যে মানুষের মস্তিষ্কে বিলিয়ন বিলিয়ন নিউরনের একটি নেটওয়ার্ক রয়েছে। কম্পিউটার বিজ্ঞানীরা চিন্তা করলেন, আমরা যদি কম্পিউটারের ভেতরেও সফটওয়্যারের মাধ্যমে এরকম একটি কৃত্রিম নিউরনের জাল বা নেটওয়ার্ক তৈরি করতে পারি, তবে কেমন হয়? এই চিন্তাভাবনা থেকেই জন্ম নেয় Artificial Neural Network (ANN)।

একটি কৃত্রিম নিউরাল নেটওয়ার্ক মূলত তিনটি প্রধান স্তরে বা লেয়ারে বিভক্ত থাকে:

1. Input Layer (ইনপুট স্তর): এটি হলো নেটওয়ার্কের প্রথম মুখ, যা বাইরের জগৎ থেকে তথ্য গ্রহণ করে। যেমন—আমরা যদি একটি ছবির ডিজিটাল ডাটা বা পিক্সেল ভ্যালু পাস করি, তবে তা এই ইনপুট লেয়ারের মাধ্যমে সিস্টেমে প্রবেশ করবে।
2. Hidden Layers (লুকানো স্তর): ইনপুট লেয়ার এবং আউটপুট লেয়ারের মাঝখানে থাকে এক বা একাধিক Hidden Layer। ডিপ লার্নিংয়ের ক্ষেত্রে এই লেয়ারের সংখ্যা শত শত হতে পারে। এখানেই আসল ম্যাজিক বা প্রসেসিং ঘটে। প্রতিটি লেয়ার তথ্যের একেকটি নির্দিষ্ট অংশ বিশ্লেষণ করে। উদাহরণস্বরূপ, একটি মানুষের মুখ চেনার জন্য প্রথম হিডেন লেয়ারটি হয়তো কেবল ছবির সোজা দাগ বা লাইনগুলো সনাক্ত করবে, দ্বিতীয় লেয়ারটি চোখ ও নাকের গোল আকৃতি বুঝবে এবং তৃতীয় লেয়ারটি পুরো মুখের একটি অবয়ব তৈরি করবে।
3. Output Layer (আউটপুট স্তর): সমস্ত হিসাব-নিকাশ শেষে এই লেয়ারটি আমাদের চূড়ান্ত ফলাফল প্রদান করে। যেমন—”ছবিটি একটি মানুষের মুখ, যার সম্ভাবনা ৯৮%।”

গাণিতিক নোড বা কৃত্রিম নিউরনের কাজ:

এই লেয়ারগুলোর ভেতরে ছোট ছোট গাণিতিক ইউনিট থাকে যাদের বলা হয় Node বা নিউরন। প্রতিটি নোড তার পূর্ববর্তী নোড থেকে তথ্য গ্রহণ করে, তাকে একটি নির্দিষ্ট সংখ্যা বা Weight (গুরুত্ব) দিয়ে গুণ করে এবং তার সাথে একটি Bias যোগ করে। এরপর একটি Activation Function-এর মাধ্যমে সিদ্ধান্ত নেওয়া হয় যে সেই তথ্যটি পরবর্তী লেয়ারের নিউরনে পাঠানো হবে কিনা।

শুনতে অত্যন্ত জটিল মনে হলেও, এটি আসলে কোটি কোটি সংখ্যার গুণ এবং যোগের একটি বিশাল চেইন বিক্রিয়া মাত্র, যা কম্পিউটারের প্রসেসরে আলোর গতিতে সম্পন্ন হয়।

AI কেন ভুল করে: হ্যালুসিনেশন ও ত্রুটি

এআই যতই উন্নত হোক না কেন, এটি কিন্তু শতভাগ নিখুঁত নয়। আমরা প্রায়ই দেখি চ্যাটজিপিটি বা গুগল জেমিনি (Gemini) এমন কিছু তথ্য আমাদের আত্মবিশ্বাসের সাথে দেয়, যার বাস্তব কোনো অস্তিত্বই নেই। এআই-এর এই ধরনের অদ্ভুত এবং কাল্পনিক ভুল করাকে প্রযুক্তিগত ভাষায় বলা হয় AI Hallucination (এআই হ্যালুসিনেশন)।

কিন্তু প্রশ্ন হলো, একটি রোবট বা কম্পিউটারের তো মানুষের মতো মানসিক রোগ বা হ্যালুসিনেশন হওয়ার কথা নয়, তাহলে সে কেন এমন ভুল করে? এর প্রধান কারণগুলো নিচে দেওয়া হলো:

• ডাটার সীমাবদ্ধতা বা Bias: এআই নিজে থেকে কোনো সত্য-মিথ্যা বিচার করতে পারে না। তাকে যে ডাটা দিয়ে ট্রেইন করা হয়েছে, সে কেবল সেটাই জানে। যদি তাকে ভুল, পক্ষপাতদুষ্ট বা কম তথ্য দেওয়া হয়, তবে তার উত্তরও ভুল আসবে। যেমন—আপনি যদি কোনো এআই-কে কেবল শীতকালের ডাটা দিয়ে ট্রেইন করেন, তবে সে কখনই বুঝবে না যে গরমকাল বলে কোনো ঋতু পৃথিবীতে আছে।
• প্যাটার্নের অতি-সরলীকরণ (Overfitting): অনেক সময় এআই ট্রেনিং ডাটার প্যাটার্ন এত গভীরভাবে মুখস্থ করে ফেলে যে, বাস্তব পৃথিবীর নতুন কোনো সামান্য ভিন্ন পরিস্থিতির মুখোমুখি হলে সে আর সঠিক সিদ্ধান্ত নিতে পারে না। একে কম্পিউটারের ভাষায় Overfitting বলা হয়।
• তথ্যের অভাব পূরণ করার চেষ্টা: লার্জ ল্যাঙ্গুয়েজ মডেল (LLM) বা চ্যাটবটগুলো মূলত তৈরি করা হয়েছে মানুষের প্রশ্নের পর সবচেয়ে মানানসই শব্দটি বসানোর জন্য। যখন তার ডাটাবেজে কোনো নির্দিষ্ট তথ্যের ঘাটতি থাকে, সে তার গাণিতিক সম্ভাবনা মেলাতে গিয়ে নিজে থেকেই কাল্পনিক শব্দ বা বাক্য তৈরি করে ফেলে। সে বুঝতে পারে না যে সে মিথ্যা বলছে, কারণ তার কাছে সত্য বা মিথ্যার কোনো নৈতিক বোধ নেই; তার কাছে শুধু রয়েছে শব্দের কম্বিনেশন মেলানোর লক্ষ্য।

তাই বর্তমান যুগে এআই-এর দেওয়া তথ্যের ওপর অন্ধবিশ্বাস করা অত্যন্ত ঝুঁকিপূর্ণ। গুরুত্বপূর্ণ কোনো সিদ্ধান্ত বা গবেষণার কাজে এআই-এর আউটপুট সবসময় হিউম্যান ভেরিফিকেশন বা মানুষের দ্বারা পুনরায় যাচাই করে নেওয়া উচিত।

AI কি অনুভূতি বুঝতে পারে? চেতনা বনাম অ্যালগরিদম

আমরা যখন খুব মন খারাপের দিনে কোনো চ্যাটবটের সাথে কথা বলি এবং সে যখন লেখে—”আমি আপনার কষ্টের কথা বুঝতে পারছি, মন খারাপ করবেন না”—তখন এক মুহূর্তের জন্য হলেও আমাদের মনে এক অদ্ভুত ভালো লাগা কাজ করে। মনে হয়, ওপাশে হয়তো সত্যিই কেউ একজন বসে আছে যে আমার দুঃখটা অনুভব করতে পারছে। কিন্তু নির্মম সত্য হলো, AI এর কোনো অনুভূতি নেই।

এখানে আমাদের দুটি বিষয়ের মধ্যে পার্থক্য বুঝতে হবে: আবেগ প্রকাশ করা (Simulating Emotion) এবং আবেগ অনুভব করা (Experiencing Emotion)।

এআই যা করে তা হলো কেবল আবেগের অনুকরণ বা সিমুলেশন। সে ইন্টারনেটে কোটি কোটি মানুষের লেখা দুঃখের স্ট্যাটাস, সান্ত্বনার বাণী বা মনস্তাত্ত্বিক বই পড়েছে। সে গাণিতিকভাবে জানে যে, যখন কোনো ব্যবহারকারী “আমার খুব কষ্ট হচ্ছে” বাক্যটি লেখে, তখন তার জবাবে “মন খারাপ করবেন না” বা “আমি দুঃখিত” শব্দগুলো ব্যবহার করলে ব্যবহারকারী খুশি হয়। এটি সম্পূর্ণ একটি পরিসংখ্যানগত হিসাব (Statistical Prediction), এর পেছনে কোনো আসল সহানুভূতি বা চোখের জল নেই।

Read Also:-ContactMe: The Ultimate Single-File WordPress Contact Form Plugin for Maximum Speed

মানুষের অনুভূতির উৎস হলো আমাদের হরমোন, নিউরোট্রান্সমিটার (যেমন- ডোপামিন, সেরোটোনিন) এবং আমাদের বেঁচে থাকার লড়াই। এআই-এর কোনো রক্ত-মাংসের শরীর নেই, তার কোনো মৃত্যুভয় নেই, তার কোনো হৃদয় নেই। তাই সে কখনো প্রেমে পড়তে পারে না, কারো বিচ্ছেদে কাঁদতেও পারে না। এআই হলো সম্পূর্ণ চেতনাহীন (Unconscious) একটি ব্যবস্থা। সে চমৎকারভাবে কাজ করতে পারে (Competence), কিন্তু তার কোনো নিজস্ব উপলব্ধি বা বোধশক্তি (Consciousness) নেই।

Real Life Examples: আমাদের চারপাশের বাস্তব এআই

AI Technology আজ আর গবেষণাগারে বন্দী নেই। আমরা অজান্তেই প্রতিদিন অসংখ্যবার কৃত্রিম বুদ্ধিমত্তা ব্যবহার করছি। চলুন দেখে নেওয়া যাক আমাদের চারপাশের কিছু বাস্তব উদাহরণ:

• স্মার্টফোন অ্যাসিস্ট্যান্ট: অ্যাপলের Siri, গুগলের Google Assistant কিংবা অ্যামাজনের Alexa—এগুলো সবই এআই-এর বাস্তব উদাহরণ। এরা আমাদের মুখের কথা শুনে (Voice Recognition) ঘরের লাইট জ্বালানো থেকে শুরু করে অ্যালার্ম সেট করা বা গান বাজানোর কাজ করতে পারে।
• সোশ্যাল মিডিয়া ও বিনোদন: আপনি যখন ফেসবুক, ইনস্টাগ্রাম বা টিকটক স্ক্রোল করেন, তখন আপনার সামনে কোন পোস্ট বা ভিডিওটি আসবে, তা সম্পূর্ণ নির্ধারণ করে এআই অ্যালগরিদম। একইভাবে, নেটফ্লিক্স (Netflix) বা ইউটিউব আপনার আগের দেখার অভ্যাস বিশ্লেষণ করে একদম আপনার পছন্দের ভিডিওগুলোই রেকমেন্ড করে।
• ই-কমার্স: অ্যামাজন বা দারাজে কোনো পণ্য খোঁজার পর, পরের দিন থেকেই ইন্টারনেটের সর্বত্র সেই পণ্যের বিজ্ঞাপন দেখতে পাওয়ার পেছনের জাদুকর হলো এআই ট্র্যাকিং ও রেকমেন্ডেশন সিস্টেম।
• রাইড শেয়ারিং ও ম্যাপস: উবার (Uber) বা পাঠাও অ্যাপ যখন আপনার রাইডের ভাড়া নির্ধারণ করে কিংবা গুগল ম্যাপস (Google Maps) যখন আপনাকে জ্যামমুক্ত সবচেয়ে শর্টকাট রাস্তাটি দেখায়, তখন ব্যাকগ্রাউন্ডে রিয়েল-টাইম ডাটা প্রসেস করে এই কাজগুলো করে দেয় কৃত্রিম বুদ্ধিমত্তা।
• ইমেইল ফিল্টারিং: আপনার জিমেইলের (Gmail) ইনবক্সে আসা হাজার হাজার মেইলের মধ্য থেকে কোনগুলো প্রয়োজনীয় আর কোনগুলো ‘স্প্যাম’ (Spam), তা মানুষের কোনো হস্তক্ষেপ ছাড়াই নিখুঁতভাবে আলাদা করে রাখে এআই।

Part 1 Summary

আজকের এই বিস্তারিত প্রথম পর্বে আমরা কৃত্রিম বুদ্ধিমত্তার একদম মূল ভিত্তি বা ফাউন্ডেশন নিয়ে আলোচনা করলাম। আমরা জানলাম যে, Artificial Intelligence কী এবং এর পেছনের দীর্ঘ ইতিহাস কতটা উত্থান-পতনের মধ্য দিয়ে গেছে। মানুষ যেভাবে তার জৈবিক নিউরন ও অনুভূতি দিয়ে চিন্তা করে, এআই কিন্তু সেভাবে চিন্তা করতে পারে না। এআই-এর চিন্তার আসল রহস্য হলো AI কীভাবে কাজ করে—অর্থাৎ ডাটা কালেকশন, ক্লিনিং, মেশিন লার্নিং, ডিপ লার্নিং এবং কৃত্রিম নিউরাল নেটওয়ার্কের মাধ্যমে জটিল গাণিতিক হিসাব ও প্যাটার্ন সনাক্তকরণ। আমরা আরও স্পষ্ট হলাম যে, এআই মানুষের মতো আবেগ বা চেতনা ধারণ করতে পারে না, সে কেবল তথ্যের ভিত্তিতে চমৎকার অনুকরণ করতে পারে এবং মাঝে মাঝে হ্যালুসিনেশনের কারণে ভুলও করতে পারে।