এআই ডুম এবং হাইপ ভুলে যান, আসুন কম্পিউটারকে উপযোগী করে তুলি

পদ্ধতির দ্বারস্থ সম্পূর্ণ প্রকাশ: AI এর সাথে আমার একটি ইতিহাস রয়েছে, 1980-এর দশকে এটির সাথে ফ্লার্ট করেছিলাম (বিশেষজ্ঞ সিস্টেমগুলি মনে রাখবেন?) এবং তারপরে 1980-এর দশকের শেষের দিকে AI শীতকালকে নিরাপদে এড়িয়ে গিয়েছিলাম এবং অবশেষে আমার বিশেষত্ব হিসাবে নেটওয়ার্কিং-এ অবতরণ করার আগে আনুষ্ঠানিক যাচাইকরণের মাধ্যমে। 1988।

এবং যেমন আমার সিস্টেম অ্যাপ্রোচ সহকর্মী ল্যারি পিটারসনের বুকশেল্ফে প্যাসকেল ম্যানুয়ালের মতো ক্লাসিক রয়েছে, আমার কাছে এখনও আশির দশকের কয়েকটি এআই বই রয়েছে, বিশেষত পিএইচ উইনস্টনের কৃত্রিম বুদ্ধিমত্তা (1984)। সেই বইয়ের মধ্য দিয়ে বেরিয়ে যাওয়া বেশ বিস্ফোরণ, এই অর্থে যে এটির বেশিরভাগই মনে হচ্ছে এটি গতকাল লেখা হতে পারে। উদাহরণস্বরূপ, ভূমিকা এইভাবে শুরু হয়:

আমি "কম্পিউটারগুলি কী করতে পারে" এর 1984 সালের কিছু উদাহরণ দেখেও আগ্রহী হয়েছিলাম। একটি উদাহরণ গুরুতরভাবে কঠিন ক্যালকুলাস সমস্যাগুলি সমাধান করছিল - উল্লেখযোগ্য কারণ সঠিক পাটিগণিত আজকের এলএলএম-ভিত্তিক সিস্টেমগুলির ক্ষমতার বাইরে বলে মনে হয়।

যদি ক্যালকুলাস ইতিমধ্যেই 1984 সালে কম্পিউটার দ্বারা সমাধানযোগ্য ছিল, যদিও মৌলিক গাণিতিক স্টাম্প সিস্টেমগুলিকে আমরা আজকের শিল্প হিসাবে দেখি, সম্ভবত গত 40 বছরে AI-তে অগ্রগতির পরিমাণ ততটা দুর্দান্ত নয় যতটা প্রথম দেখা যাচ্ছে। (যা বলেছে, এমনকি আছে উত্তম ক্যালকুলাস-ট্যাকলিং সিস্টেমগুলি আজ, তারা কেবল এলএলএম-এর উপর ভিত্তি করে নয়, এবং কেউ তাদের এআই হিসাবে উল্লেখ করে কিনা তা স্পষ্ট নয়।)

আমি উইনস্টনের আমার পুরানো কপি বাছাই করার একটি কারণ হল AI এর সংজ্ঞা সম্পর্কে তিনি কী বলতেন তা দেখতে, কারণ এটিও একটি বিতর্কিত বিষয়। এটিতে তার প্রথম পদক্ষেপটি খুব উত্সাহজনক নয়:

আচ্ছা, ঠিক আছে, এটি বেশ বৃত্তাকার, যেহেতু আপনাকে বুদ্ধিমত্তাকে একরকম সংজ্ঞায়িত করতে হবে, যেমন উইনস্টন স্বীকার করেছেন। কিন্তু তারপরে তিনি এআই-এর দুটি লক্ষ্য উল্লেখ করেন:

1. কম্পিউটারকে আরও উপযোগী করতে
2. বুদ্ধিমত্তা সম্ভব করে এমন নীতিগুলি বোঝার জন্য।

অন্য কথায়, বুদ্ধিমত্তাকে সংজ্ঞায়িত করা কঠিন, তবে AI এর অধ্যয়ন আমাদের এটি কী তা আরও ভালভাবে বুঝতে সাহায্য করবে। আমি এতদূর যেতে চাই যে 40 বছর পরেও বুদ্ধিমত্তা কী তা নিয়ে আমাদের বিতর্ক চলছে। প্রথম লক্ষ্যটি প্রশংসনীয় বলে মনে হচ্ছে কিন্তু স্পষ্টতই অনেক নন-এআই প্রযুক্তিতে প্রযোজ্য।

"AI" এর অর্থ নিয়ে এই বিতর্কটি শিল্পে ঝুলে আছে। আমি প্রচুর রটনা পেয়েছি যে আমাদের আর্টিফিশিয়াল জেনারেল ইন্টেলিজেন্স, ওরফে AGI শব্দটির প্রয়োজন হতো না, যদি শুধুমাত্র AI শব্দটি AI হিসাবে পরিসংখ্যানগত মডেল বিপণন করে এমন লোকেদের দ্বারা দূষিত না হত। আমি সত্যিই এই কিনতে না. যতদূর আমি বলতে পারি AI সর্বদা বিস্তৃত কম্পিউটিং কৌশলগুলিকে কভার করেছে, যার বেশিরভাগই কম্পিউটার মানবিক স্তরের বুদ্ধিমত্তা প্রদর্শন করছে ভেবে কাউকে বোকা বানাতে পারে না।

প্রায় আট বছর আগে যখন আমি এআই-এর ক্ষেত্রের সাথে পুনরায় যুক্ত হতে শুরু করি, তখন নিউরাল নেটওয়ার্ক - যেগুলি আমার কিছু সহকর্মী 1988 সালে ব্যবহার করছিলেন তারা অনুকূলে না পড়ার আগে - একটি চমকপ্রদ প্রত্যাবর্তন করেছিল, যেখানে গভীরভাবে চিত্রের স্বীকৃতি নিউরাল নেটওয়ার্ক ছিল অতিক্রান্ত কিছু সতর্কতা সহ মানুষের গতি এবং নির্ভুলতা। এআই-এর এই উত্থানের ফলে ভিএমওয়্যারের আমার প্রকৌশল সহকর্মীদের মধ্যে উদ্বেগের একটি নির্দিষ্ট স্তরের সৃষ্টি হয়েছে, যারা অনুভব করেছিলেন যে একটি গুরুত্বপূর্ণ প্রযুক্তিগত পরিবর্তন চলছে যা (ক) আমাদের অধিকাংশই বুঝতে পারেনি (খ) আমাদের নিয়োগকর্তার সুবিধা নেওয়ার জন্য অবস্থান করা হয়নি .

নিউরাল নেটওয়ার্ক কিভাবে কাজ করে তা শেখার কাজে নিজেকে নিক্ষেপ করার সাথে সাথে (ক বড় সাহায্য রডনি ব্রুকস থেকে) আমি বুঝতে পেরেছি যে আমরা এআই সিস্টেমগুলি সম্পর্কে কথা বলতে যে ভাষা ব্যবহার করি তা আমরা সেগুলি সম্পর্কে কীভাবে চিন্তা করি তার উপর একটি উল্লেখযোগ্য প্রভাব ফেলে। উদাহরণস্বরূপ, 2017 সালের মধ্যে আমরা "গভীর শিক্ষা" এবং "গভীর নিউরাল নেটওয়ার্ক" সম্পর্কে অনেক কিছু শুনছিলাম এবং "গভীর" শব্দের ব্যবহার একটি আকর্ষণীয় দ্বিগুণ অর্থ রয়েছে। যদি আমি বলি যে আমার "গভীর চিন্তা" আছে আপনি হয়তো কল্পনা করতে পারেন যে আমি জীবনের অর্থ বা সমানভাবে গুরুত্বপূর্ণ কিছু নিয়ে ভাবছি, এবং "গভীর শিক্ষা" অনুরূপ কিছু বোঝায় বলে মনে হয়।

কিন্তু প্রকৃতপক্ষে "গভীর শিক্ষার" মধ্যে "গভীর" হল গভীরতার একটি রেফারেন্স, যা স্তরের সংখ্যায় পরিমাপ করা হয়, যা শিক্ষাকে সমর্থন করে এমন নিউরাল নেটওয়ার্কের। সুতরাং এটি অর্থপূর্ণ অর্থে "গভীর" নয়, কিন্তু ঠিক একইভাবে গভীর যেভাবে একটি সুইমিং পুলের একটি গভীর প্রান্ত রয়েছে - যেটিতে আরও জল রয়েছে। এই দ্বৈত অর্থ এই বিভ্রান্তিতে অবদান রাখে যে নিউরাল নেটওয়ার্কগুলি "চিন্তা করছে।"

একই ধরনের বিভ্রান্তি "লার্নিং" এর ক্ষেত্রে প্রযোজ্য, যেখানে ব্রুকস খুবই সহায়ক ছিল: একটি ডিপ নিউরাল নেটওয়ার্ক (DNN) একটি কাজে আরও ভাল হয়ে ওঠে যত বেশি প্রশিক্ষণের ডেটার কাছে এটি উন্মুক্ত হয়, তাই সেই অর্থে এটি অভিজ্ঞতা থেকে "শিখে" কিন্তু এটি যেভাবে শেখে তা মানুষ যেভাবে শিখে তার মতো কিছুই নয়।

ডিএনএন কীভাবে শেখে তার উদাহরণ হিসেবে বিবেচনা করুন AlphaGo, গেম-প্লেয়িং সিস্টেম যা নিউরাল নেটওয়ার্ক ব্যবহার করে পরাজয় মানুষের গ্র্যান্ডমাস্টার সিস্টেম ডেভেলপারদের মতে, যেখানে একজন মানুষ সহজেই বোর্ডের আকার পরিবর্তন করতে পারে (সাধারণত একটি 19×19 গ্রিড), একটি ছোট পরিবর্তন AlphaGo কে নপুংসক করে তুলবে যতক্ষণ না তার রিসাইজ করা বোর্ড থেকে নতুন ডেটার উপর প্রশিক্ষণের সময় আসে।

আমার কাছে এটি সুন্দরভাবে ব্যাখ্যা করে যে কিভাবে DNN-এর "শিক্ষা" মৌলিকভাবে মানুষের শিক্ষার বিপরীত, এমনকি আমরা একই শব্দ ব্যবহার করলেও। নিউরাল নেটওয়ার্ক যা "শিখেছে" তা থেকে সাধারণীকরণ করতে অক্ষম। এবং এই বিন্দু তৈরি, AlphaGo সম্প্রতি ছিল পরাজিত একজন মানব প্রতিপক্ষের দ্বারা যিনি বারবার খেলার একটি স্টাইল ব্যবহার করেছেন যা প্রশিক্ষণের ডেটাতে ছিল না। নতুন পরিস্থিতি পরিচালনা করতে এই অক্ষমতা AI সিস্টেমের একটি বৈশিষ্ট্য বলে মনে হয়।

ভাষার বিষয়

AI সিস্টেমগুলিকে বর্ণনা করার জন্য ব্যবহৃত ভাষা আমরা তাদের সম্পর্কে কীভাবে চিন্তা করি তা প্রভাবিত করে। দুর্ভাগ্যবশত, সাম্প্রতিক AI হাইপের যুক্তিসঙ্গত পুশব্যাক এবং AI সিস্টেমে কিছু উল্লেখযোগ্য ব্যর্থতার কারণে, এখন অনেক লোক নিশ্চিত হতে পারে যে AI সম্পূর্ণরূপে মূল্যহীন কারণ শিবিরের সদস্যরা বলে যে AI মানুষের মতো বুদ্ধিমত্তা অর্জন করতে চলেছে .

আমি পরবর্তী শিবির সম্পর্কে অত্যন্ত সন্দিহান, যেমন উপরে বর্ণিত হয়েছে, কিন্তু আমি এটাও মনে করি যে AI সিস্টেম - বা, যদি আপনি পছন্দ করেন, মেশিন-লার্নিং সিস্টেম - এর ইতিবাচক প্রভাবের দৃষ্টিশক্তি হারানো দুর্ভাগ্যজনক হবে।

আমি বর্তমানে নেটওয়ার্কিং এর জন্য মেশিন-লার্নিং অ্যাপ্লিকেশনগুলির উপর একটি বই লিখতে কয়েকজন সহকর্মীকে সহায়তা করছি, এবং এটা শুনে কাউকে অবাক করা উচিত নয় যে অনেকগুলি নেটওয়ার্কিং সমস্যা রয়েছে যা এমএল-ভিত্তিক সমাধানগুলির জন্য উপযুক্ত। বিশেষ করে, নেটওয়ার্ক ট্র্যাফিকের চিহ্নগুলি ডেটার দুর্দান্ত উত্স, এবং প্রশিক্ষণ ডেটা হল সেই খাদ্য যার উপর মেশিন-লার্নিং সিস্টেমগুলি উন্নতি লাভ করে৷

ডিনায়াল-অফ-সার্ভিস-প্রিভেনশন থেকে শুরু করে ম্যালওয়্যার সনাক্তকরণ থেকে জিওলোকেশন পর্যন্ত অ্যাপ্লিকেশনগুলি সবই ML অ্যালগরিদম ব্যবহার করতে পারে, এবং এই বইয়ের লক্ষ্য হল নেটওয়ার্কিং লোকেদের বুঝতে সাহায্য করা যে ML কোনও জাদু পাউডার নয় যা আপনি পেতে আপনার ডেটাতে ছিটিয়ে দেন। উত্তর, কিন্তু প্রকৌশল সরঞ্জামগুলির একটি সেট যা বাস্তব সমস্যার সমাধান তৈরি করতে বেছে বেছে প্রয়োগ করা যেতে পারে। অন্য কথায়, একটি প্যানেসিয়া বা অতিরিক্ত হাইপড প্লাসিবো নয়। বইটির উদ্দেশ্য হল পাঠকদের বুঝতে সাহায্য করা যে কোন ML টুলগুলি বিভিন্ন শ্রেণীর নেটওয়ার্কিং সমস্যার জন্য উপযুক্ত।

একটি গল্প যা কিছু সময় আগে আমার নজর কেড়েছিল তা হল যুক্তরাজ্যে নেটওয়ার্ক রেলকে সাহায্য করার জন্য AI ব্যবহার গাছপালা পরিচালনা করুন যেটি ব্রিটিশ রেললাইনের পাশাপাশি বৃদ্ধি পায়। এখানে মূল "AI" প্রযুক্তি হল ইমেজ রিকগনিশন (উদ্ভিদের প্রজাতি শনাক্ত করার জন্য) - গত এক দশকে DNN যে ধরনের প্রযুক্তি প্রদান করেছে তার ব্যবহার। সম্ভবত 2023 সালে বিশ্বের মনোযোগ কেড়ে নেওয়া জেনারেটিভ AI সিস্টেমের মতো উত্তেজনাপূর্ণ নয়, তবে AI ছাতার নীচে বসে থাকা একটি কৌশলের একটি ভাল, ব্যবহারিক প্রয়োগ।

আজকাল আমার প্রবণতা হল AI এর পরিবর্তে "মেশিন লার্নিং" শব্দটি ব্যবহার করার চেষ্টা করা যখন উপযুক্ত হয়, আশা করি যে হাইপ এবং অ্যালার্জির প্রতিক্রিয়া উভয়ই এড়াতে যা "AI" এখন তৈরি করে। এবং প্যাট্রিক উইনস্টনের কথাগুলি আমার মনে তাজা করে, আমি কেবল "কম্পিউটারগুলিকে উপযোগী করা" সম্পর্কে কথা বলতে পারি। ®

• এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
• PlatoData.Network উল্লম্ব জেনারেটিভ Ai. নিজেকে ক্ষমতায়িত করুন। এখানে প্রবেশ করুন.
• প্লেটোএআইস্ট্রিম। Web3 ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
• প্লেটোইএসজি। কার্বন, ক্লিনটেক, শক্তি, পরিবেশ সৌর, বর্জ্য ব্যবস্থাপনা. এখানে প্রবেশ করুন.
• প্লেটো হেলথ। বায়োটেক এবং ক্লিনিক্যাল ট্রায়াল ইন্টেলিজেন্স। এখানে প্রবেশ করুন.
• উত্স: https://go.theregister.com/feed/www.theregister.com/2024/04/25/ai_usefulness/