এখানে, আমি কৃত্রিম শিক্ষা বুদ্ধিমত্তা সিস্টেম (Artificial Learning Intelligence System: ALIS) এর ধারণা, নীতি, মৌলিক নকশা এবং উন্নয়ন পদ্ধতি বিস্তারিতভাবে আলোচনা করব।
ধারণা
বর্তমান জেনারেটিভ এআই, প্রাথমিকভাবে বৃহৎ ভাষা মডেলগুলি, নিউরাল নেটওয়ার্ক-ভিত্তিক তত্ত্বাবধানে শেখার উপর ভিত্তি করে প্রশিক্ষিত।
একটি শেখার প্রক্রিয়া হিসাবে, আমরা এই নিউরাল নেটওয়ার্কের শিক্ষাকে সহজাত শিক্ষা হিসাবে সংজ্ঞায়িত করি।
অ্যালিস (ALIS) সহজাত শিক্ষা থেকে পৃথক একটি অর্জিত শিক্ষা প্রক্রিয়াকে একীভূত করে, যা উভয় শেখার প্রক্রিয়াকে একত্রিত করে অনুমান সক্ষম করে।
এই অর্জিত শিক্ষায়, অর্জিত জ্ঞান নিউরাল নেটওয়ার্কের বাইরে সঞ্চিত হয় এবং অনুমানের সময় ব্যবহার করা হয়।
অতএব, অ্যালিসের প্রযুক্তিগত মূল হল অনুমানের সময় পুনঃব্যবহারযোগ্য জ্ঞানের নিষ্কাশন, সঞ্চয় এবং নির্বাচন ও ব্যবহার।
এছাড়াও, অ্যালিস শুধুমাত্র একটি একক মৌলিক প্রযুক্তি নয়, এটি একটি সিস্টেম প্রযুক্তি যা সহজাত শিক্ষা এবং অর্জিত শিক্ষাকে একত্রিত করে।
একটি শিক্ষা বুদ্ধিমত্তা সিস্টেমের উপাদানসমূহ
অ্যালিস (ALIS) এই নীতিতে কাজ করে যে বিদ্যমান সহজাত শিক্ষা এবং ভবিষ্যতে বিবেচিত অর্জিত শিক্ষা উভয়ই শেখা ও অনুমানের একই কাঠামো অনুসরণ করে।
অ্যালিসে শেখার নীতিগুলি ব্যাখ্যা করার জন্য, আমরা একটি শিক্ষা বুদ্ধিমত্তা সিস্টেমের পাঁচটি উপাদান সংজ্ঞায়িত করি।
প্রথমটি হলো বুদ্ধিমান প্রসেসর। এটি একটি প্রক্রিয়াকরণ সিস্টেমকে বোঝায় যা জ্ঞান ব্যবহার করে অনুমান করে এবং শেখার জন্য জ্ঞান নিষ্কাশন করে।
বৃহৎ ভাষা মডেল (LLMs) এবং মানব মস্তিষ্কের কিছু অংশ বুদ্ধিমান প্রসেসরের প্রধান উদাহরণ।
দ্বিতীয়টি হলো নলেজ স্টোর। এটি এমন একটি স্টোরেজ স্থানকে বোঝায় যেখানে নিষ্কাশিত জ্ঞান সংরক্ষণ করা যায় এবং প্রয়োজন অনুযায়ী পুনরুদ্ধার করা যায়।
এলএলএমগুলিতে, নলেজ স্টোর নিউরাল নেটওয়ার্কের প্যারামিটার নিয়ে গঠিত। মানুষের ক্ষেত্রে, এটি মস্তিষ্কের দীর্ঘমেয়াদী স্মৃতির সাথে সঙ্গতিপূর্ণ।
তৃতীয়টি হলো জগৎ। এটি মানব বা অ্যালিসের মতো একটি শিক্ষা বুদ্ধিমত্তা সিস্টেম দ্বারা অনুভূত বাহ্যিক পরিবেশকে বোঝায়।
মানুষের জন্য, জগৎ নিজেই বাস্তবতা। এলএলএমগুলির ক্ষেত্রে, একটি প্রক্রিয়া যা এলএলএম থেকে আউটপুট গ্রহণ করে এবং সেটিকে প্রতিক্রিয়া প্রদান করে তাকে জগতের সমতুল্য বিবেচনা করা যেতে পারে।
চতুর্থটি হলো স্টেট মেমরি। এটি একটি অভ্যন্তরীণ অস্থায়ী স্মৃতির মতো উপাদানকে বোঝায় যা একটি শিক্ষা বুদ্ধিমত্তা সিস্টেম অনুমানের সময় ব্যবহার করে।
এলএলএমগুলিতে, এটি অনুমানের সময় ব্যবহৃত মেমরি স্থান, যা হিডেন স্টেটস নামে পরিচিত। মানুষের ক্ষেত্রে, এটি স্বল্পমেয়াদী স্মৃতির সাথে সঙ্গতিপূর্ণ।
পঞ্চমটি হলো ফ্রেমওয়ার্ক। এটি, এক কথায়, একটি চিন্তার কাঠামো। শিক্ষা বুদ্ধিমত্তা সিস্টেমের পরিভাষায়, এটি অনুমানের সময় প্রয়োজনীয় জ্ঞান নির্বাচনের মানদণ্ড এবং স্টেট মেমরি সংগঠিত করার জন্য একটি যৌক্তিক স্টেট স্পেস কাঠামোকে বোঝায়।
এলএলএমগুলিতে, এটি হিডেন স্টেটসগুলির শব্দার্থিক কাঠামো, এবং এর বিষয়বস্তু সাধারণত অস্পষ্ট এবং মানুষের পক্ষে বোঝা কঠিন। এছাড়াও, জ্ঞান নির্বাচন মনোযোগ প্রক্রিয়ায় এমবেড করা হয়, যা প্রক্রিয়াকরণ করা প্রতিটি টোকেনের জন্য কোন বিদ্যমান টোকেনগুলি উল্লেখ করতে হবে তা নির্বাচন করে।
মানুষের ক্ষেত্রে, উপরে উল্লিখিত হিসাবে, এটি একটি চিন্তার কাঠামো। একটি নির্দিষ্ট ফ্রেমওয়ার্ক ব্যবহার করে চিন্তা করার সময়, দীর্ঘমেয়াদী স্মৃতি থেকে একটি নির্দিষ্ট জ্ঞান-সেট স্মরণ করা হয় এবং স্বল্পমেয়াদী স্মৃতিতে লোড করা হয়। তারপর, বর্তমানে অনুভূত তথ্য চিন্তার কাঠামো অনুযায়ী সংগঠিত করা হয় পরিস্থিতি বোঝার জন্য।
একটি শিক্ষা বুদ্ধিমত্তা সিস্টেমের নীতিমালা
একটি শিক্ষা বুদ্ধিমত্তা সিস্টেম নিম্নলিখিতভাবে কাজ করে:
একটি বুদ্ধিমান প্রসেসর জগতের উপর ক্রিয়া করে। জগৎ, এই ক্রিয়ার প্রতিক্রিয়া হিসাবে, ফলাফল ফেরত পাঠায়।
বুদ্ধিমান প্রসেসর এই ফলাফলগুলি থেকে পুনরায় ব্যবহারযোগ্য জ্ঞান নিষ্কাশন করে এবং এটিকে নলেজ স্টোরে সংরক্ষণ করে।
জগতে বারবার ক্রিয়া করার সময়, বুদ্ধিমান প্রসেসর নলেজ স্টোর থেকে জ্ঞান নির্বাচন করে এবং তার ক্রিয়াগুলিকে পরিবর্তন করতে এটি ব্যবহার করে।
এটিই মৌলিক প্রক্রিয়া।
তবে, মৌলিকভাবে, জ্ঞান নিষ্কাশন, সংরক্ষণ, নির্বাচন এবং ব্যবহারের পদ্ধতিগুলিই নির্ধারণ করে যে সিস্টেমটি অর্থপূর্ণ শিক্ষা অর্জন করতে পারবে কিনা।
মানুষের এমন প্রক্রিয়া রয়েছে যা কার্যকরভাবে এই জ্ঞান নিষ্কাশন, সংরক্ষণ, নির্বাচন এবং ব্যবহার পরিচালনা করে, যা তাদের শিখতে সক্ষম করে।
এলএলএম সহ নিউরাল নেটওয়ার্কগুলির নিষ্কাশন প্রক্রিয়া বাহ্যিক শিক্ষকদের দ্বারা পরিচালিত হয়, তবে তাদের সংরক্ষণ, নির্বাচন এবং ব্যবহারের প্রক্রিয়া রয়েছে। এটি তাদের একটি শিক্ষক সরবরাহ করা হলেই শিখতে সক্ষম করে।
এছাড়াও, একটি শিক্ষা বুদ্ধিমত্তা সিস্টেম ফ্রেমওয়ার্কগুলির নিষ্কাশন, সংরক্ষণ এবং নির্বাচন, এবং স্টেট মেমরির মধ্যে তাদের ব্যবহারের পদ্ধতিগুলিও জ্ঞান হিসাবে শিখতে পারে, যার ফলে আরও জটিল শিক্ষা সম্ভব হয়।
জ্ঞানের প্রকারভেদ
এই নীতিগুলির উপর ভিত্তি করে, অর্জিত শিক্ষা নকশা করার সময়, অর্জিত জ্ঞান কী রূপ ধারণ করবে তা স্পষ্ট করা প্রয়োজন।
এমন একটি পদ্ধতি বিবেচনা করা যেতে পারে যেখানে অর্জিত জ্ঞান নিউরাল নেটওয়ার্কের প্যারামিটার হিসাবে আলাদাভাবে শেখা হয়।
তবে, অর্জিত জ্ঞানকে কেবল নিউরাল নেটওয়ার্কের প্যারামিটারের মধ্যেই সীমাবদ্ধ রাখতে হবে না। একটি ব্যবহারিক বিকল্প হলো প্রাকৃতিক ভাষায় লিখিত জ্ঞান।
প্রাকৃতিক ভাষায় লিখিত জ্ঞান এলএলএমগুলির প্রাকৃতিক ভাষা প্রক্রিয়াকরণ ক্ষমতা ব্যবহার করে নিষ্কাশন ও ব্যবহার করা যেতে পারে। এছাড়াও, যেহেতু এটি সাধারণ আইটি সিস্টেমের ডেটা হিসাবে পরিচালনা করা যায়, তাই সংরক্ষণ এবং নির্বাচনও সহজ।
অধিকন্তু, প্রাকৃতিক ভাষায় লিখিত জ্ঞান মানুষ এবং অন্যান্য এলএলএমগুলির জন্য পরীক্ষা করা, বোঝা এবং কিছু ক্ষেত্রে এর বিষয়বস্তু সম্পাদনা করাও সহজ।
এটি অন্যান্য শিক্ষা বুদ্ধিমত্তা সিস্টেমের সাথে ভাগ করা, একত্রিত করা বা বিভক্ত করা যেতে পারে।
এই কারণগুলির জন্য, অ্যালিস (ALIS) ধারণার অর্জিত জ্ঞান প্রাথমিকভাবে প্রাকৃতিক ভাষায় লিখিত জ্ঞানকে লক্ষ্য করে নকশা করা হবে।
অর্জিত স্টেট মেমরি এবং ফ্রেমওয়ার্ক
আমরা অর্জিত জ্ঞানের বিন্যাস হিসেবে প্রাকৃতিক ভাষার টেক্সট নির্বাচন করার সুবিধাগুলো ব্যাখ্যা করেছি।
অনুরূপভাবে, প্রাকৃতিক ভাষার টেক্সট স্টেট মেমরি এবং অনুমানের জন্য ফ্রেমওয়ার্ক হিসেবেও ব্যবহার করা যেতে পারে।
ধারণাগত কাঠামো হিসেবে ফ্রেমওয়ার্কগুলিকে প্রাকৃতিক ভাষায় লিখিত জ্ঞান হিসেবে নলেজ স্টোরে সংরক্ষণ ও ব্যবহার করা যেতে পারে।
একটি ফ্রেমওয়ার্ক দ্বারা সংজ্ঞায়িত কাঠামোর উপর ভিত্তি করে স্টেট ইনিশিয়ালাইজ বা আপডেট করার সময়ও টেক্সট-ফর্ম্যাট স্টেট মেমরি ব্যবহার করা যেতে পারে।
অর্জিত জ্ঞান ছাড়াও ফ্রেমওয়ার্ক এবং স্টেট মেমরিকে টেক্সট ফরম্যাটে ডিজাইন করার মাধ্যমে, ALIS সাধারণ অর্জিত শিক্ষা এবং অনুমানের জন্য LLM-এর প্রাকৃতিক ভাষা প্রক্রিয়াকরণ ক্ষমতা ব্যবহার করতে পারে।
আনুষ্ঠানিক জ্ঞান
অর্জিত জ্ঞান, ফ্রেমওয়ার্ক এবং স্টেট মেমরি কেবল প্রাকৃতিক ভাষার টেক্সটেই নয়, আরও কঠোর আনুষ্ঠানিক ভাষা বা আনুষ্ঠানিক মডেলেও প্রকাশ করা যেতে পারে।
যদিও আমি "নির্বাচন" লিখেছি, অ্যালিসের লক্ষ্য হলো সহজাত এবং অর্জিত শিক্ষার হাইব্রিড ব্যবহারের জন্য একাধিক স্বতন্ত্র অর্জিত জ্ঞান শেখার প্রক্রিয়া অন্তর্ভুক্ত করা।
আনুষ্ঠানিক ভাষা বা আনুষ্ঠানিক মডেল দ্বারা উপস্থাপিত জ্ঞানকে আরও সুনির্দিষ্ট এবং অস্পষ্টতা মুক্ত করা যেতে পারে।
এছাড়াও, যদি একটি ফ্রেমওয়ার্ক আনুষ্ঠানিক ভাষা বা মডেল ব্যবহার করে প্রকাশ করা হয় এবং স্টেট মেমরিতে একটি প্রাথমিক অবস্থা উন্মোচন করা হয়, তবে এলএলএম-এর পরিবর্তে আনুষ্ঠানিক মডেলগুলি প্রক্রিয়াকরণে সক্ষম একটি বুদ্ধিমান প্রসেসর দ্বারা একটি কঠোর মডেলের মাধ্যমে সিমুলেশন বা যৌক্তিক উন্নয়ন করা যেতে পারে।
এই ধরনের আনুষ্ঠানিক ভাষা বা আনুষ্ঠানিক মডেলের একটি প্রধান উদাহরণ হলো প্রোগ্রামিং ভাষা।
সিস্টেমটি যখন বিশ্ব সম্পর্কে শেখে, তখন যদি এটি সেখানে প্রাপ্ত আইন এবং ধারণাগুলিকে একটি ফ্রেমওয়ার্কে একটি প্রোগ্রাম হিসাবে প্রকাশ করতে পারে, তবে এটি সেগুলিকে কম্পিউটারে সিমুলেট করতে পারে।
কলাম ১: জ্ঞানের প্রকারভেদ
একটি শিক্ষণীয় বুদ্ধিমত্তা ব্যবস্থার মধ্যে জ্ঞানকে সংগঠিত করার সময়, এটি স্পষ্ট হয়ে যায় যে এটিকে তিনটি প্রধান জ্ঞান ব্যবস্থা এবং দুটি অবস্থার প্রকারে শ্রেণীবদ্ধ করা যেতে পারে।
তিনটি জ্ঞান ব্যবস্থা হলো: নিউরাল নেটওয়ার্ক দ্বারা পরিচালিত নেটওয়ার্ক প্যারামিটার জ্ঞান; প্রাকৃতিক ভাষায় প্রকাশিত প্রাকৃতিক জ্ঞান; এবং আনুষ্ঠানিক ভাষায় প্রকাশিত আনুষ্ঠানিক জ্ঞান।
দুটি অবস্থার প্রকার হলো স্টেটলেস (Stateless) এবং স্টেটফুল (Stateful)।
স্টেটলেস নেটওয়ার্ক প্যারামিটার জ্ঞান হলো গভীর শিক্ষণ এআই-এর মতো স্বজ্ঞাত জ্ঞান। বিড়াল ও কুকুরের বৈশিষ্ট্য, যা স্পষ্টভাবে চিন্তা বা মৌখিকভাবে শনাক্ত করা যায় না, তা স্টেটলেস নেটওয়ার্ক প্যারামিটার জ্ঞান হিসেবে শেখা যেতে পারে।
স্টেটফুল নেটওয়ার্ক প্যারামিটার জ্ঞান হলো এমন জ্ঞান যা জেনারেটিভ এআই-এর মতো অস্পষ্ট, পুনরাবৃত্তিমূলক প্রক্রিয়ার মাধ্যমে উদ্ভূত হয়।
স্টেটলেস প্রাকৃতিক জ্ঞান হলো স্বতন্ত্র শব্দের সাথে জড়িত অর্থের মতো জ্ঞান।
স্টেটফুল প্রাকৃতিক জ্ঞান হলো এমন জ্ঞান যা বাক্যগুলির মধ্যে প্রসঙ্গ অন্তর্ভুক্ত করে।
কিছু প্রাকৃতিক জ্ঞান সহজাতভাবে স্টেটফুল নেটওয়ার্ক প্যারামিটার জ্ঞানে অন্তর্ভুক্ত থাকে, তবে প্রাকৃতিক ভাষার টেক্সট থেকে অর্জিত জ্ঞানও রয়েছে।
স্টেটলেস আনুষ্ঠানিক জ্ঞান হলো এমন জ্ঞান যা পুনরাবৃত্তি ছাড়াই গাণিতিক সূত্রগুলিতে প্রকাশ করা যেতে পারে। স্টেটফুল আনুষ্ঠানিক জ্ঞান হলো এমন জ্ঞান যা একটি প্রোগ্রাম হিসাবে প্রকাশ করা যেতে পারে।
কেউ প্রাকৃতিক জ্ঞান এবং আনুষ্ঠানিক জ্ঞানের জন্য নিজের স্বল্পমেয়াদী স্মৃতিকে স্টেট মেমরি হিসাবে ব্যবহার করতে পারে।
তবে, এটি স্বল্পমেয়াদী স্মৃতি হওয়ায় একটি অবস্থা স্থিতিশীলভাবে বজায় রাখা কঠিন হওয়ার একটি সমস্যা রয়েছে। উপরন্তু, এটি আনুষ্ঠানিক, অস্পষ্টতাহীন অবস্থা ধারণ করতে পারদর্শী নয়।
অন্যদিকে, প্রাকৃতিক ভাষার টেক্সট, আনুষ্ঠানিক ভাষা বা আনুষ্ঠানিক মডেলগুলি লিখতে বা সম্পাদনা করার জন্য কাগজ, কম্পিউটার এবং স্মার্টফোনগুলি স্টেট মেমরি হিসাবে ব্যবহার করা যেতে পারে।
সাধারণত, কাগজ বা কম্পিউটারের ডেটা জ্ঞান সংরক্ষণের জন্য একটি নলেজ স্টোর হিসাবে বিবেচিত হয়, তবে এটি চিন্তাভাবনা সংগঠিত করার জন্য স্টেট মেমরি হিসাবেও ব্যবহার করা যেতে পারে।
সুতরাং, এটি স্পষ্ট যে মানুষ এই তিনটি জ্ঞান ব্যবস্থা এবং দুটি অবস্থার প্রকারের পূর্ণ ব্যবহার করে বুদ্ধিবৃত্তিক কার্যক্রম পরিচালনা করে।
অ্যালিস (ALIS)-ও এই একই তিনটি জ্ঞান ব্যবস্থা এবং দুটি অবস্থার প্রকার ব্যবহার করে বুদ্ধিবৃত্তিক কার্যক্রম সক্ষম ও শক্তিশালী করার মাধ্যমে তার ক্ষমতাকে নাটকীয়ভাবে উন্নত করার সম্ভাবনা রাখে।
বিশেষভাবে, অ্যালিসের বিশাল নলেজ স্টোর এবং স্টেট মেমরি ব্যবহার করার শক্তি রয়েছে। উপরন্তু, এটি প্রতিটি থেকে অনেক কিছু তৈরি করে এবং সেগুলিকে পরিবর্তন বা একত্রিত করে বুদ্ধিবৃত্তিক কাজগুলি সহজেই সম্পাদন করতে পারে।
কলাম ২: বুদ্ধিমান অর্কেস্ট্রেশন
যদিও একটি নলেজ স্টোরে প্রচুর পরিমাণে জ্ঞান সঞ্চয় করার সুবিধা রয়েছে, তবে জ্ঞানের পরিমাণ কেবল বুদ্ধিবৃত্তিক কার্যকলাপে সুবিধাজনক হয় না, কারণ একটি জেনারেটিভ এআই একবারে প্রক্রিয়াকরণ করতে পারে এমন টোকেন সংখ্যার সীমাবদ্ধতা এবং অপ্রাসঙ্গিক জ্ঞান দ্বারা সৃষ্ট গোলমাল থাকে।
বিপরীতভাবে, নলেজ স্টোরকে উপযুক্তভাবে ভাগ করে এবং এটিকে উচ্চ-ঘনত্বের বিশেষায়িত নলেজ স্টোরে রূপান্তরিত করে, যেখানে প্রতিটি নির্দিষ্ট বুদ্ধিবৃত্তিক কাজের জন্য প্রয়োজনীয় জ্ঞান থাকে, সেখানে টোকেন সীমা এবং গোলমালের সমস্যাগুলি হ্রাস করা যেতে পারে।
বিনিময়ে, প্রতিটি বিশেষায়িত নলেজ স্টোর শুধুমাত্র তার নির্দিষ্ট বুদ্ধিবৃত্তিক কাজের জন্য ব্যবহারযোগ্য হয়ে ওঠে।
অনেক বুদ্ধিবৃত্তিক কার্যকলাপ বিভিন্ন বুদ্ধিবৃত্তিক কাজের জটিল সংমিশ্রণ। অতএব, বুদ্ধিকে বুদ্ধিবৃত্তিক কাজের ধরন অনুযায়ী বিশেষায়িত নলেজ স্টোরে ভাগ করে এবং বুদ্ধিবৃত্তিক কার্যকলাপকে পৃথক কাজে উপবিভক্ত করার মাধ্যমে, অ্যালিস (ALIS) এই বিশেষায়িত নলেজ স্টোরগুলির মধ্যে উপযুক্তভাবে পরিবর্তন করে সম্পূর্ণ বুদ্ধিবৃত্তিক কার্যকলাপ সম্পাদন করতে পারে।
এটি একটি অর্কেস্ট্রার মতো, যেখানে পেশাদার সঙ্গীতজ্ঞরা বিভিন্ন যন্ত্র বাজান এবং একজন কন্ডাক্টর সমগ্র পরিবেশনার নেতৃত্ব দেন।
এই সিস্টেম প্রযুক্তি, বুদ্ধিমান অর্কেস্ট্রেশনের মাধ্যমে, অ্যালিস তার বুদ্ধিবৃত্তিক কার্যকলাপগুলি সংগঠিত করতে সক্ষম হবে।
অ্যালিসের মৌলিক নকশা এবং উন্নয়ন পদ্ধতি
এখান থেকে, আমরা অ্যালিসের উন্নয়নকে সংগঠিত করব।
নীতিমালা এবং কলামগুলিতে ইতিমধ্যে আলোচনা করা হয়েছে যে, অ্যালিস অন্তর্নিহিতভাবে ফাংশন এবং সংস্থানগুলির সহজ সম্প্রসারণের জন্য ডিজাইন করা হয়েছে। এর কারণ হল অ্যালিসের সারমর্ম নির্দিষ্ট ফাংশনগুলিতে নয়, বরং জ্ঞান নিষ্কাশন, সংরক্ষণ, নির্বাচন এবং ব্যবহারের প্রক্রিয়াগুলিতে নিহিত।
উদাহরণস্বরূপ, একাধিক ধরণের জ্ঞান নিষ্কাশন প্রক্রিয়া সরবরাহ করা যেতে পারে, এবং সিস্টেম ডিজাইন তাদের থেকে নির্বাচন করতে বা একই সাথে ব্যবহার করার জন্য অবাধ পছন্দ দেয়।
এছাড়াও, অ্যালিস নিজেই এই নির্বাচন সম্পাদন করতে পারে।
অনুরূপভাবে, সংরক্ষণ, নির্বাচন এবং ব্যবহারও অবাধে বেছে নেওয়া বা সমান্তরাল করা যেতে পারে।
অতএব, অ্যালিসকে জলপ্রপাত পদ্ধতিতে সম্পূর্ণ কার্যকারিতা ডিজাইন করার প্রয়োজন ছাড়াই ইনক্রিমেন্টাল এবং অ্যাজাইল পদ্ধতিতে ডেভেলপ করা যেতে পারে।
অ্যালিসের শুরু
এবার, একটি অত্যন্ত সরল অ্যালিস ডিজাইন করা যাক।
মৌলিক ইউজার ইন্টারফেস (UI) হবে একটি পরিচিত চ্যাট এআই। প্রাথমিকভাবে, ব্যবহারকারীর ইনপুট সরাসরি এলএলএম (LLM)-এ পাঠানো হবে। এলএলএম-এর প্রতিক্রিয়া ইউজার ইন্টারফেসে প্রদর্শিত হবে এবং সিস্টেম পরবর্তী ব্যবহারকারীর ইনপুটের জন্য অপেক্ষা করবে।
পরবর্তী ইনপুট পাওয়ার পর, এলএলএম-কে শুধু নতুন ইনপুটই নয়, ব্যবহারকারী এবং এলএলএম-এর মধ্যেকার সম্পূর্ণ চ্যাট হিস্টরিও সরবরাহ করা হবে।
এই চ্যাট এআই-এর ইউজার ইন্টারফেসের আড়ালে, চ্যাট হিস্টরি থেকে পুনরায় ব্যবহারযোগ্য জ্ঞান নিষ্কাশনের জন্য একটি প্রক্রিয়া প্রস্তুত রাখা হবে।
এই প্রক্রিয়াটি চ্যাট এআই সিস্টেমে একটি কার্যপ্রণালী হিসেবে যুক্ত করা যেতে পারে যা কথোপকথন শেষ হলে অথবা নিয়মিত বিরতিতে চলে। অবশ্যই, জ্ঞান নিষ্কাশনের জন্য একটি এলএলএম ব্যবহার করা হবে।
এই এলএলএম-কে অ্যালিসের ধারণা ও নীতিসমূহ, এবং জ্ঞান নিষ্কাশনের পদ্ধতি সম্পর্কে সিস্টেম প্রম্পট হিসেবে নির্দেশ দেওয়া হবে। যদি জ্ঞান উদ্দেশ্য অনুযায়ী নিষ্কাশিত না হয়, তবে পরীক্ষা-নিরীক্ষার মাধ্যমে সিস্টেম প্রম্পট উন্নত করতে হবে।
চ্যাট হিস্টরি থেকে নিষ্কাশিত জ্ঞান সরাসরি একটি নলেজ লেকে সংরক্ষণ করা হবে। একটি নলেজ লেক হলো একটি সাধারণ প্রক্রিয়া যা জ্ঞানকে কাঠামোগত করার আগে একটি সমতল অবস্থায় সংরক্ষণ করে।
এরপর, নলেজ লেক থেকে জ্ঞান নির্বাচন সহজ করার জন্য একটি কাঠামোগত প্রক্রিয়া প্রস্তুত করা হবে।
এর মধ্যে সাধারণত আরএজি (RAG)-এ ব্যবহৃত সিমেন্টিক সার্চের জন্য একটি এমবেডিং ভেক্টর স্টোর এবং কীওয়ার্ড ইনডেক্স সরবরাহ করা অন্তর্ভুক্ত।
অন্যান্য সম্ভাবনার মধ্যে রয়েছে আরও উন্নত জ্ঞান গ্রাফ তৈরি করা অথবা ক্যাটাগরি ক্লাসিফিকেশন করা।
নলেজ লেকের জন্য এই কাঠামোগত তথ্যের সংগ্রহকে নলেজ বেস বলা হবে। এই সম্পূর্ণ নলেজ বেস এবং নলেজ লেক মিলে নলেজ স্টোর তৈরি করবে।
এরপর, নলেজ স্টোরকে চ্যাট ইউজার ইন্টারফেসের প্রক্রিয়াকরণে একীভূত করা হবে।
এটি মূলত একটি সাধারণ আরএজি প্রক্রিয়ার মতোই। ব্যবহারকারীর ইনপুটের জন্য, নলেজ স্টোর থেকে প্রাসঙ্গিক জ্ঞান নির্বাচন করা হয় এবং ব্যবহারকারীর ইনপুটের সাথে এলএলএম-এ পাঠানো হয়।
এটি এলএলএম-কে ব্যবহারকারীর ইনপুট প্রক্রিয়াকরণের সময় স্বয়ংক্রিয়ভাবে জ্ঞান ব্যবহার করতে দেয়।
এভাবে, ব্যবহারকারীর সাথে প্রতিটি কথোপকথনের সাথে জ্ঞান বৃদ্ধি পায়, যা একটি সরল অ্যালিস তৈরি করে যা পূর্ববর্তী কথোপকথন থেকে সঞ্চিত জ্ঞান ব্যবহার করে।
সরল পরিস্থিতি
উদাহরণস্বরূপ, এমন একটি পরিস্থিতি কল্পনা করুন যেখানে একজন ব্যবহারকারী এই সরল অ্যালিস (ALIS) ব্যবহার করে একটি ওয়েব অ্যাপ্লিকেশন তৈরি করছেন।
ব্যবহারকারী রিপোর্ট করবেন যে এলএলএম (LLM) দ্বারা প্রস্তাবিত কোডে একটি ত্রুটি দেখা দিয়েছে। এরপর, ব্যবহারকারী এবং এলএলএম সমস্যা সমাধানে সহযোগিতা করবে। ধরা যাক, তারা আবিষ্কার করে যে এলএলএম-এর জানা বাহ্যিক এপিআই (API) স্পেসিফিকেশন পুরানো ছিল এবং সর্বশেষ এপিআই স্পেসিফিকেশনের সাথে মানিয়ে নেওয়ার পর সমস্যাটি সমাধান হয়।
এই ক্ষেত্রে, এলএলএম-এর এপিআই স্পেসিফিকেশন পুরানো ছিল এবং সর্বশেষ এপিআই স্পেসিফিকেশন কী, এই জ্ঞান চ্যাট থ্রেড থেকে নলেজ স্টোরে জমা করা যেতে পারে।
এরপর, যখন পরবর্তী সময়ে একই এপিআই ব্যবহার করে একটি প্রোগ্রাম তৈরি করা হবে, তখন অ্যালিস এই জ্ঞান ব্যবহার করে শুরু থেকেই সর্বশেষ এপিআই স্পেসিফিকেশনের উপর ভিত্তি করে একটি প্রোগ্রাম তৈরি করতে পারবে।
প্রাথমিক অ্যালিসের উন্নতিসাধন
তবে, এটি ঘটার জন্য, এই জ্ঞানকে ব্যবহারকারীর ইনপুটের প্রতিক্রিয়ায় নির্বাচন করতে হবে। এটি হতে পারে যে এই জ্ঞানটি ব্যবহারকারীর ইনপুটের সাথে সরাসরি সংযুক্ত নয়, কারণ প্রাথমিক ব্যবহারকারীর ইনপুটে সমস্যাযুক্ত এপিআই (API)-এর নাম উপস্থিত হওয়ার সম্ভাবনা কম।
এমন পরিস্থিতিতে, এপিআই নামটি কেবলমাত্র এলএলএম (LLM)-এর প্রতিক্রিয়ায় প্রথমবার প্রকাশ পাবে।
অতএব, আমরা একটি প্রি-চেক মন্তব্য এবং পোস্ট-চেক মন্তব্যের জন্য একটি প্রক্রিয়া যুক্ত করে সাধারণ অ্যালিসকে কিছুটা প্রসারিত করব।
প্রি-চেক মন্তব্যগুলি এলএলএম-এর সাম্প্রতিক "চিন্তাভাবনা মোড"-এর মতো। আমরা স্টেট মেমরি হিসাবে টেক্সট ধারণ করতে পারে এমন একটি মেমরি প্রস্তুত করি এবং একটি সিস্টেম প্রম্পটের মাধ্যমে এলএলএম-কে ব্যবহারকারীর ইনপুট পাওয়ার পর প্রি-চেক মন্তব্য করার নির্দেশ দিই।
এলএলএম-এর প্রি-চেক মন্তব্যের ফলাফল তখন স্টেট মেমরিতে রাখা হয় এবং এই ফলাফলের উপর ভিত্তি করে নলেজ স্টোর থেকে জ্ঞান নির্বাচন করা হয়।
এরপর, চ্যাট হিস্টরি, প্রি-চেক মন্তব্যের ফলাফল, ব্যবহারকারীর ইনপুটের সাথে সংশ্লিষ্ট জ্ঞান এবং প্রি-চেক মন্তব্যের ফলাফলের সাথে সংশ্লিষ্ট জ্ঞান এলএলএম-এ পাঠানো হয় তার আউটপুট পাওয়ার জন্য।
এছাড়াও, এলএলএম দ্বারা ফেরত আসা ফলাফলের জন্য, নলেজ স্টোরে জ্ঞান অনুসন্ধান করা হয়। সেখানে পাওয়া যেকোনো জ্ঞান সহ, এলএলএমকে একটি পোস্ট-চেক করার জন্য অনুরোধ করা হয়।
যদি কোনো সমস্যা পাওয়া যায়, তবে সমস্যাগুলি এবং নির্দেশনার কারণগুলি সহ সেগুলিকে চ্যাট এলএলএম-এ ফেরত পাঠানো হয় (মন্তব্য/প্রতিক্রিয়া)।
প্রি-চেক মন্তব্য এবং পোস্ট-চেক মন্তব্য উভয় সময়ে জ্ঞান নির্বাচন করার সুযোগ প্রদানের মাধ্যমে, আমরা সঞ্চিত জ্ঞান ব্যবহার করার সম্ভাবনা বাড়াতে পারি।
ভবিষ্যৎ পরিকল্পনা
প্রাথমিক অ্যালিস (ALIS) তৈরি এবং এর দুর্বলতাগুলি সমাধানের জন্য উন্নতি যুক্ত করার প্রক্রিয়াটি সুনির্দিষ্টভাবে অ্যাজাইল ডেভেলপমেন্ট, যা প্রমাণ করে যে অ্যালিসকে ক্রমবর্ধমানভাবে উন্নত করা যেতে পারে।
এছাড়াও, উদাহরণস্বরূপ, প্রাথমিক অ্যালিস সফটওয়্যার ডেভেলপমেন্টে ব্যবহারের জন্য সবচেয়ে উপযুক্ত। এর কারণ এটি একটি উচ্চ চাহিদাসম্পন্ন ক্ষেত্র এবং যেখানে জ্ঞান স্পষ্টভাবে সঞ্চয় করা যায়।
এটি এমন একটি ডোমেইন যেখানে ফলাফলগুলি দ্ব্যর্থহীন, তবুও এটি পরীক্ষা-নিরীক্ষা, পুনরাবৃত্তিমূলক জ্ঞান সঞ্চয় থেকে উল্লেখযোগ্যভাবে উপকৃত হয় এবং এর প্রয়োজনও রয়েছে।
অতিরিক্তভাবে, যেহেতু অ্যালিস ডেভেলপমেন্ট নিজেই সফটওয়্যার ডেভেলপমেন্ট, তাই অ্যালিস ডেভেলপাররা অ্যালিসের ব্যবহারকারীও হতে পারে, যা একটি আকর্ষণীয় দিক।
তাছাড়া, অ্যালিস সিস্টেমের সাথে, নলেজ লেক গিটহাবের মতো প্ল্যাটফর্মে উন্মুক্তভাবে ভাগ করা যেতে পারে।
এটি অনেক ব্যক্তিকে অ্যালিস সিস্টেমের উন্নতি এবং জ্ঞান সঞ্চয়ে অবদান রাখতে দেবে, যেখানে সবাই সুবিধাগুলি উপভোগ করবে এবং অ্যালিস ডেভেলপমেন্টকে আরও দক্ষতার সাথে ত্বরান্বিত করবে।
অবশ্যই, জ্ঞান ভাগাভাগি শুধু অ্যালিস ডেভেলপারদের মধ্যে সীমাবদ্ধ নয়; এটি অ্যালিস ব্যবহারকারী সকল সফটওয়্যার ডেভেলপারদের কাছ থেকে সংগ্রহ করা যেতে পারে।
জ্ঞানের প্রাকৃতিক ভাষার প্রকৃতি আরও দুটি সুবিধা প্রদান করে।
প্রথম সুবিধা হলো, এলএলএম (LLM) মডেল পরিবর্তন বা আপডেট হলেও জ্ঞান ব্যবহার করা সম্ভব।
দ্বিতীয় সুবিধা হলো, বিশাল সঞ্চিত নলেজ লেক এলএলএমগুলির জন্য একটি প্রি-ট্রেনিং ডেটাসেট হিসাবে ব্যবহার করা যেতে পারে। এটি দুটি উপায়ে ব্যবহার করা যেতে পারে: ফাইন-টিউনিং হিসাবে, অথবা এলএলএম প্রি-ট্রেনিংয়ের জন্য।
যাই হোক না কেন, যদি নলেজ লেকে সঞ্চিত জ্ঞান থেকে সহজাতভাবে শেখা এলএলএম ব্যবহার করা যায়, তবে সফটওয়্যার ডেভেলপমেন্ট আরও বেশি দক্ষ হয়ে উঠবে।
এছাড়াও, সফটওয়্যার ডেভেলপমেন্টে রিকোয়ারমেন্ট অ্যানালাইসিস, ডিজাইন, ইমপ্লিমেন্টেশন, টেস্টিং, অপারেশন এবং রক্ষণাবেক্ষণের মতো বিভিন্ন প্রক্রিয়া জড়িত থাকে। প্রতিটি সফটওয়্যার ডোমেইন এবং প্ল্যাটফর্মের জন্য বিশেষ জ্ঞানও বিদ্যমান। এই দৃষ্টিকোণ থেকে বিশাল পরিমাণে সঞ্চিত জ্ঞানকে বিভক্ত করার একটি প্রক্রিয়া তৈরি করে, একটি অ্যালিস অর্কেস্ট্রা গঠন করা যেতে পারে।
সুতরাং, অ্যালিসের জন্য মৌলিক প্রযুক্তিগুলি প্রস্তুত। অবশিষ্ট গুরুত্বপূর্ণ পদক্ষেপ হলো জ্ঞান নিষ্কাশন পদ্ধতি, উপযুক্ত জ্ঞান নির্বাচন, বিশেষ জ্ঞান বিভাজন এবং স্টেট মেমরি ব্যবহারের মতো বিভিন্ন পদ্ধতির সাথে ব্যবহারিকভাবে পরীক্ষা-নিরীক্ষা করে কার্যকর পন্থাগুলি আবিষ্কার করা। জটিলতা বাড়ার সাথে সাথে প্রক্রিয়াকরণের সময় এবং এলএলএম ব্যবহারের খরচও বাড়বে, যার জন্য অপ্টিমাইজেশন প্রয়োজন।
এই পরীক্ষা-নিরীক্ষা প্রক্রিয়া এবং অপ্টিমাইজেশনগুলি ফ্রেমওয়ার্কগুলির উন্নয়ন এবং পরিমার্জনের মাধ্যমে শেখার-ভিত্তিক পদ্ধতিতে অগ্রসর হতে পারে।
প্রাথমিকভাবে, ডেভেলপাররা, ব্যবহারকারী হিসাবে, সম্ভবত পরীক্ষা-নিরীক্ষার মাধ্যমে ফ্রেমওয়ার্কগুলি অ্যালিসে একীভূত করবে। তবে, তখনও এলএলএম নিজেই ফ্রেমওয়ার্কের ধারণা তৈরি করার দায়িত্বে নিয়োজিত হতে পারে।
তারপর, বিশ্ব থেকে প্রাপ্ত ফলাফল এবং নিষ্কাশিত জ্ঞানের উপর ভিত্তি করে, ফ্রেমওয়ার্কগুলি উন্নত এবং আবিষ্কার করার জন্য একটি ফ্রেমওয়ার্ক অ্যালিসে অন্তর্ভুক্ত করার মাধ্যমে, অ্যালিস নিজেই শেখার-ভিত্তিক পদ্ধতিতে পরীক্ষা-নিরীক্ষা এবং অপ্টিমাইজেশন সম্পাদন করবে।
বাস্তব জগতে অ্যালিস
অ্যালিস (ALIS) যখন এই পর্যায়ে পরিমার্জিত হবে, তখন এটি শুধুমাত্র সফটওয়্যার ডেভেলপমেন্টের জগতেই সীমাবদ্ধ না থেকে বিস্তৃত বিভিন্ন ডোমেইনে জ্ঞান অর্জনে সক্ষম হবে।
সফটওয়্যার ডেভেলপমেন্টের মতোই, অ্যালিসের প্রয়োগের পরিধি প্রসারিত হয়ে মানুষের কম্পিউটার ব্যবহার করে পরিচালিত বিভিন্ন বুদ্ধিবৃত্তিক কার্যকলাপেও ছড়িয়ে পড়বে বলে আশা করা হচ্ছে।
এমনকি এই ধরনের বিশুদ্ধ বুদ্ধিবৃত্তিক কার্যকলাপেও, অ্যালিস তার লক্ষ্য বিশ্বের সাথে সম্পর্কিত একটি এমবডিড এআই-এর মতো গুণমান ধারণ করবে।
এর কারণ হলো, এটি নিজেকে এবং বিশ্বের মধ্যেকার সীমানাকে চিনতে পারে, সেই সীমানার মাধ্যমে বিশ্বের উপর ক্রিয়া করে এবং বিশ্ব থেকে প্রাপ্ত তথ্য উপলব্ধি করতে পারে।
যখন বিশ্বের সাথে এই সীমানা শারীরিকভাবে দৃশ্যমান এবং এক জায়গায় স্থানীয়ভাবে অবস্থিত থাকে, তখন আমরা সাধারণত এটিকে একটি শরীর বলি।
তবে, সীমানা অদৃশ্য এবং স্থানিকভাবে বিতরণ করা হলেও, একটি সীমানার মাধ্যমে উপলব্ধি এবং ক্রিয়ার কাঠামো শারীরিকভাবে শরীর ধারণ করার মতোই থাকে।
এই অর্থে, বুদ্ধিবৃত্তিক কার্যক্রম সম্পাদনকারী একটি অ্যালিসকে কার্যত একটি এমবডিড এআই-এর বৈশিষ্ট্য ধারণকারী হিসাবে বিবেচনা করা যেতে পারে।
এবং, যদি অ্যালিস এমন একটি পর্যায়ে পরিমার্জিত হয় যেখানে এটি নতুন, অজানা জগতেও উপযুক্তভাবে শিখতে পারে, তবে এমন একটি সম্ভাবনা রয়েছে যে অ্যালিসকে একটি বাস্তব এমবডিড এআই-এর অংশ হিসাবে অন্তর্ভুক্ত করা যেতে পারে যার একটি প্রকৃত শারীরিক শরীর রয়েছে।
এভাবে, অ্যালিস অবশেষে বাস্তব জগতে প্রয়োগ করা হবে এবং সেখান থেকে শিখতে শুরু করবে।