আমি দৈনন্দিন জীৱনত ব্যৱহাৰ কৰা যন্ত্ৰসমূহৰ এটা প্ৰধান বৈশিষ্ট্য এইয়ে যে, যন্ত্ৰসমূহক সদায় এটা নিৰ্দিষ্ট কাম কৰিবলৈ নিৰ্দেশনা দি থকাৰ প্ৰয়োজন হয়। উদাহৰণস্বৰূপে, কম্পিউটাৰ, মোবাইল, ইত্যাদিয়ে ব্যৱহাৰকাৰীয়ে দিয়া নিৰ্দেশবোৰ এটাৰ পিছত এটাকৈ সমাধান কৰে। থিক তেনেদৰে, গাড়ী (এক জটিল যন্ত্ৰ) এখন চলাবলৈ আমি অনবৰতে সঠিক দিশৰ নিৰ্দেশনা দিয়াৰ প্ৰয়োজন হয়। চালক অবিহনে গাড়ী এখন অলপো আগবাঢ়ি যাব নোৱাৰে। যন্ত্ৰৰ এই মৌলিক সমস্যাটো আন বহুত ক্ষেত্ৰৰো এটা সীমাবদ্ধতা। এটা যন্ত্ৰৰ মগজু থাকিলে ই নিজকে নিজে নিয়ন্ত্ৰণ কৰিব পাৰিলেহেঁতেন আৰু বিভিন্ন পৰিস্থিতিত মানুহৰ দৰে সঠিক সিদ্ধান্তত উপনীত হ’ব পাৰিলেহেঁতেন।
প্ৰাচীন সভ্যতাৰ সময়তেই এবেকাছৰ (Abacus) উদ্ভাৱন হোৱাৰেপৰা বৰ্তমানৰ অত্যাধুনিক ছুপাৰকম্পিউটাৰৰ দিনলৈকে কম্পিউটাৰ আৰু অন্যান্য ইলেকট্ৰনিক ডিভাইছসমূহ গণনাৰ (Calculation and program execution) কামতহে বেছিকৈ ব্যৱহাৰ হৈছে। কিন্তু ১৯৫০ চনত এদল বিজ্ঞানীয়ে মানবজাতিৰ এটা প্ৰশ্নক লৈ গৱেষণা আৰম্ভ কৰে – “কম্পিউটাৰক ভাবিবলৈ শিকাব পৰা যায় নেকি?”, আৰু এই গৱেষণাই বিজ্ঞানৰ এক নতুন বিষয় “কৃত্ৰিম বুদ্ধিমত্তা” (Artificial Intelligence, চমুকৈ AI) ৰ জন্ম দিয়ে। এই গৱেষণাৰ ফলস্বৰূপে আজি self driving car(Tesla Model X), voice recognition system, language translator, chat-bot assistance, spam filter, AI chess player আদিবোৰৰ বিকাশ সম্ভৱ হৈছে।
বিজ্ঞানীসকলৰ অনুমান, মানুহৰ মগজুত প্ৰায় ১০০ বিলিয়ন নিউৰণৰ মাজত ছিনেপছৰ মাজেৰে ১০০ ত্রিলিয়ন সংযোগৰ সৃষ্টি হৈছে। কিন্তু আজিও কোনেও সঠিককৈ কব পৰা নাই সেই সংযোগৰ মাজত কি হয় আৰু কেনেকৈ ই মানুহৰ চিন্তা(Decision making) ত প্ৰভাৱ পেলায়। বৰ্তমানলৈ কিছুমান ৰাসায়নিক বিক্ৰিয়া, নিউৰ’ট্ৰেন্সমিটাৰ আৰু হ’ৰমণৰ নিঃসৰণৰদ্বাৰা আমাৰ চিন্তাবোৰ প্ৰভাৱিত হোৱা বুলি গম পোৱা গৈছে। জীৱকূলৰ মগজুৰ এই নিউৰণৰ আৰ্হিতেই উদ্ভাৱন কৰা হৈছে Artificial Neural Network(ANN) নামৰ এক Framework(Diagram 2), যিয়ে Artificial intelligence ক এক নতুন গতি প্ৰদান কৰে৷ বেছিভাগ অত্যাধুনিক AI product ত Artificial Neural Network(ANN) ৰ ব্যৱহাৰ কৰা হৈছে। ANN কৃত্ৰিম বুদ্ধিমত্তাৰ অন্তৰ্গত Machine learning(চমুকৈ ML) আৰু Deep learning বিষয়ৰ এক অপৰিহাৰ্য অংশ।
ট’ৰণ্টো বিশ্ববিদ্যালয়ৰ অধ্যাপক জেফ্ৰি হিনটনৰ Deep learning আৰু Back-propagation algorithm সম্বন্ধীয় গৱেষণাই ANN ক জটিল সমস্যা সমাধান কৰিবপৰাকৈ উপযোগী কৰি তোলে। AI হল গণিতৰ ব্যৱহাৰিক প্ৰয়োগিকীকৰণ। Calculus ৰ সৈতে Gradient descent algorithm(SGD) ব্যৱহাৰ কৰি AI model এটাৰ Accuracy rate বৃদ্ধি কৰা হয়। সহজ ভাষাত কৃত্ৰিম বুদ্ধিমত্তা এক সংখ্যাৰ খেল, কিন্তু এটা বৃহৎ বিষয়। তলত থুলমুলকৈ এই বিষয়ে আলোচনা কৰা হ’ল।
Diagram 1 ত মানুহৰ মগজুৰ নিউৰণ আৰু Diagram 2 ত এটা Artificial neural network দেখুওৱা হৈছে। Diagram 1 ত যেনেদৰে Synapse ৰ মাজেৰে নিউৰণৰ মাজত সংযোগ স্থাপন হৈছে, ঠিক তেনেদৰে Diagram 2 ত Layer 0/Input layer আৰু Layer 1/Hidden layer ৰ মাজত a b c d e f ৰে আৰু Layer 1 আৰু Layer 2 ৰ মাজত p q r ৰ মাজেৰে সংযোগ স্থাপন হৈছে। Layer 0 ৰ 0 1 আৰু Layer 1 ৰ 0 1 2 আদিবোৰ ANN ত Nodes বা Neuron/Perceptron বুলি ধৰা হয়। Layer 0/Input Layer ৰ 0 1 হল Input neuron আৰু Layer 2/Output layer ৰ 0 হ’ল Output neuron । a b c d e f p q r ৰ মাজেৰে তথ্য সৰবৰাহ কৰি নিউৰণৰ মাজৰ সংযোগবোৰৰ Weights optimization কৰা হয়। জটিল আৰু বৃহৎ ANN architecture বোৰত কোটি কোটি Neuron থাকিব পাৰে যাৰ ফলত নেটৱৰ্কটোয়ে জটিল সমস্যাবোৰো সমাধান কৰিবলৈ সক্ষম হৈ পৰে।
যেতিয়া ANN ক এটা নিৰ্দিষ্ট কাম কৰিবলৈ শিকোৱা হয়, তেতিয়া ই এক Training/Learning process ৰ মাজেৰে পাৰ হয়। Supervised learning, Unsupervised learning, Reinforcement learning, ইত্যাদিবোৰ হ’ল বিভিন্ন ধৰণৰ Learning method। বৰ্তমান বাস্তৱ জীৱনৰ জটিল সমস্যাবোৰ সমাধান কৰিবলৈ supervised learning method বেছিকৈ ব্যৱহাৰ হোৱা দেখা হৈছে। মানুহে যেনেকৈ বাস্তৱ জীৱনৰ অভিজ্ঞতাৰপৰা বা ভুলৰ শুধৰণিৰ মাজেৰে শিকে, তেনেকৈ ANN nets বোৰকো Real world information ৰ সহায়ত প্ৰশিক্ষণ দিয়া হয়। Human face detection ANN এটা প্ৰস্তুত কৰিবলৈ ANN টোত মানুহৰ মুখাৱয়বৰ ফটোবোৰ Input neuron ৰ মাজেৰে পাৰ কৰি Learning process সমাপ্ত কৰিব লাগিব৷ প্ৰশিক্ষণৰ পূৰ্বে সকলো তথ্য সংখ্যালৈ ৰূপান্তৰ কৰা হয়। ইয়াক Data Vectorization বুলি কোৱা হয়।
এটা সহজ AI program উদাহৰণ স্বৰূপে লোৱা হ’ল৷ যদি (২ : ৪), (৩ : ৬), (৭ : ১৪), (৯ : ১৮) হয়, তেন্তে (৫ : ?) কিমান হ’ব ? ২, ৩, ৭, ৯ হ’ব AI model টোৰ input আৰু ৪, ৬, ১৪, ১৮ হ’ব target output ৷ মানুহৰ মগজুয়ে সহজতে ধাৰণা কৰিব পাৰে যে input আৰু output ৰ মাজত × ২ (পূৰণ ২) ৰ এটা সম্পৰ্ক আছে আৰু উত্তৰ (৫, ১০) হ’ব৷ এইতো সমস্যা এটা Linear equation (y = x * w আৰু y = ৬, x = ৩) ৰ সৈতে মিলাই চালে w ৰ মান হ’ব ২(Target output) ৷ Equation টোত w ৰ মান Brute force programming ব্যৱহাৰ কৰি উলিয়াবলৈ চেষ্টা কৰিলে অসীমবাৰ(Infinitely N times) চেষ্টা কৰিব লাগিব ৷ এনে কৰিলে কম্পিউটাৰৰ Memory limit পাৰ হোৱাৰ সম্ভাৱনা থাকে বাবে এনেবোৰ সমস্যা Stochastic gradient descent algorithm(SGD) ৰ সহায়ত সমাধান কৰা হয় ৷ ইয়াৰ ফলত Computation ৰ বাবে প্ৰয়োজন হোৱা সময়ৰো ৰাহি হয় ৷ Diagram 3 ত SGD দেখুওৱা হৈছে ৷ এই Diagram টোত Loss ৰ মান যিমানেই Global loss minimum ৰ ওচৰলৈ(কমি) আহিব, সিমানেই w ৰ মান Target output ২ ৰ উচৰলৈ আহি থাকিব ৷ প্ৰথমবাৰৰ বাবে (৫, ১০) ত w ৰ মান ৩ ধৰিলে Loss ৰ পৰিমাণ হ’ব ৫ × ৩ = ১৫, (১৫ – ১০) × (১৫ – ১০) => ৫ × ৫ = ২৫ ৷ Loss ৰ পৰিমাণ যিমানেই শূন্যৰ উচৰলৈ আহিব সিমানেই AI Model টোৰ প্ৰদৰ্শন উন্নত হ’ব৷
এতিয়া, আমি কেনেকৈ AI system নিৰ্মাণ কৰিব পাৰোঁ? প্ৰথমতে বহুত জটিল যেন লাগিলেও আজিকালি সহজতে AI product নিৰ্মাণ কৰিব পাৰি। বহুতৰ এটা ভুল ধাৰণা আছে যে AI Product প্ৰস্তুত কৰিবলৈ বৃহৎ বিনিয়োগৰ প্ৰয়োজন বা Computing power ৰ প্ৰয়োজন হয় আৰু বৃহৎ প্ৰতিস্থান সমূহেহে এনেধৰণৰ Product সাঁজিব পাৰে। কিন্তু, আচলতে বেছিভাগ AI project কৰিবলৈ আপোনাক মাত্ৰ এটা কম্পিউটাৰৰহে প্ৰয়োজন। কোটি কোটি Data sample থকা বৃহৎ AI model নিৰ্মাণ প্ৰক্ৰিয়াত GPU(Graphics Processing Unit) ৰ ব্যৱহাৰ হয়। GPU ৰ Parallel computing ব্যৱহাৰ কৰি ছেকেণ্ডত কেইবা ত্ৰিলিয়ন Operation কৰিব পৰা যায়। আজিকালি ক্ষীপ্ৰতৰ GPU যেনে Nvidia GTX/RTX আদি বজাৰত কিনিবলৈ পোৱা যায় বাবে কম খৰছতে State of the art, অৰ্থাৎ অত্যাধুনিক AI products নিৰ্মাণ কৰাটো সম্ভৱ হৈছে। Google Colaboratory , AWS, Microsoft Azure আদি Cloud computing service অনলাইনযোগে ব্যৱহাৰ কৰি অতি কম খৰছতে AI model নিৰ্মাণ কৰিব পাৰি।
সুখৰ খবৰ এয়ে যে AI programming কৰিবলৈ কেৱল Programming language ৰ জ্ঞানৰহে প্ৰয়োজন। তথাপিও AI ৰ গভীৰ অধ্যয়ন কৰিবলৈ গণিতৰ Linear Algebra, Calculus, Linear regression, Activation function, Loss function, Gradient descent algorithm, Slope formula, Derivative, Chain rule আদিবোৰৰ জ্ঞান থকাটো বহুত সুবিধাজনক। AI ৰ বাবে Python programming language ব্যৱহাৰ কৰাটো সকলোতকৈ লাভজনক। ইয়াৰ কাৰণ হৈছে AI ত ব্যৱহাৰ হোৱা বেছিভাগ Library আৰু API বোৰ Python language ৰে বনোৱা হৈছে। AI ৰ বাবে PyTorch, Tensorflow, Keras, CNTK, Scikit-learn আদি Python library ৰ জ্ঞান থকাটো অতি গুৰুত্বপূৰ্ণ। এই Library বোৰৰ জৰিয়তে গণিতৰ বিশদ জ্ঞান নথকাকৈ আমি জতিল AI programming কৰিব পাৰোঁ। tensorflow.org, pytorch.org, fast.ai, elitedatascience.com, coursera.org, udacity.com, udemy.com, neuralnetworksanddeeplearning.com , kaggle.com আদি ৱেবছাইটত কৃত্ৰিম বুদ্ধিমত্তাৰ বিষয়ে পঢ়িব পৰা যায়। YouTube ত এই বিষয়ত সুন্দৰ ভিডিঅ’ পোৱা যায়। কলা, বাণিজ্য বা বিজ্ঞান, যিকোনো শাখাৰ ছাত্ৰ ছাত্ৰীয়ে AI শিকিব পাৰে।
বৰ্তমান ইণ্টাৰনেটৰ যুগত আমি সকলোৱে কম বেছি পৰিমাণে কম্পিউটাৰ, মোবাইল আৰু অন্যান্য ইলেকট্ৰনিক ডিভাইছ ব্যৱহাৰ কৰোঁ। দৈনন্দিন জীৱনত আমি গম নোপোৱাকৈয়ে AI ব্যৱহাৰ কৰি আছো৷ উদাহৰণস্বৰূপে Google search results, Google translate, Facebook timeline, Face unlocking, Speech to text এই সকলোবোৰ AI ৰ দ্বাৰা পৰিচালিত। তথ্য-প্ৰযুক্তিৰ যুগান্তকাৰী উদ্ভাৱন কৃত্ৰিম বুদ্ধিমত্তাই বহুতো বিজ্ঞানীক নবেল বঁটা পোৱাত সহায় কৰিছে। স্বাস্থ্য, আন্তঃগাঁথনি, সুৰক্ষা, ছফ্টৱেৰ, যাতায়ত, বেংকিং, ছচিয়েল নেটৱৰ্কিং, অনলাইন বাণিজ্য, ছাৰ্চ ইঞ্জিন, ৰবটিক্স, মহাকাশ বিজ্ঞান আদিবোৰ ক্ষেত্ৰত বহুলভাৱে AI ৰ প্ৰয়োগ হৈছে। বিখ্যাত জাহাজ,গাড়ী আৰু উৰাজাহাজ নিৰ্মাণ কোম্পানী Rolls-Royce য়ে সাগৰ পৃষ্ঠৰ ওপৰত মিছাইল চিনাক্তকৰণৰ এটা AI System নিৰ্মাণ কৰিছে। বৰ্তমান AI ব্যৱহাৰ কৰি ব্যৱসায় কৰাটোও সহজ হৈ পৰিছে আৰু ই ছাত্ৰ-ছাত্ৰীৰ বাবে সোণালী সুযোগ। লগতে ই কৰ্ম-সংস্থাপনৰো সৃষ্টি কৰিছে।
কৃত্ৰিম বুদ্ধিমত্তাৰ কথা আলোচনা কৰি শেষ কৰিব নোৱাৰি। মই এইটো লিখনিৰ মাজেৰে আপোনালোকক এটা সামগ্ৰিক আভাস দিয়াৰ চেষ্টা কৰিছোঁ। কিছুমান ক্ষেত্ৰত Artificial intelligence য়ে মানৱ বুদ্ধিমত্তাতকৈ ভাল প্ৰদৰ্শন দাঙি ধৰিছে। Google Deepmind য়ে নিৰ্মাণ কৰা AlphaGo AI য়ে প্ৰাচীন বৰ্ড গেম গ'(Go)ৰ বিশ্ব চেম্পিয়ন লী চিড’লক পৰাজিত কৰি বিশ্বত খলকনিৰ সৃষ্টি কৰে। ইতিমধ্যে IBM DeepBlue ছুপাৰকম্পিউটাৰে দবা খেলত বিশ্ব চেম্পিয়ন গেৰী কাছপাৰভক পৰাভূত কৰিছে। Artificial intelligence পিছলৈ “Frankenstein Effect” হ’ব পাৰে বুলি বহুতে শংকা প্ৰকাশ কৰিছে। কিন্তু AI ক সদায় জনহিতৈষী কামত ব্যৱহাৰ কৰা হ’ব বুলি মানৱজাতি আশাবাদী হৈ আছে। অনাগত ভৱিষ্যতত কৃত্ৰিম বুদ্ধিমত্তাই মানুহৰ জীৱন আৰু পৃথিৱীক সলনি কৰাটো নিশ্চিত।
লেখক:
ইন্দ্ৰনীল তালুকদাৰ
Computer programmer, Invision
৯৬৭৮৫১৭৩৩৭, invisionweb.in