একটি স্মার্টফোনে ছবি তোলার পর স্বয়ংক্রিয়ভাবে আলো ও রং ঠিক হয়ে যাওয়া, ই-মেইলের Spam আলাদা হয়ে যাওয়া, মানচিত্রে যানজট বিবেচনা করে অপেক্ষাকৃত সুবিধাজনক পথ দেখানো কিংবা অনলাইন সেবায় নিজের আগ্রহের সঙ্গে মিল রেখে বিষয়বস্তুর পরামর্শ পাওয়া—এসব সুবিধার পেছনে কোনো না কোনোভাবে Artificial Intelligence বা AI কাজ করতে পারে।

AI এখন শুধু গবেষণাগার, বড় প্রযুক্তি প্রতিষ্ঠান কিংবা বিজ্ঞান কল্পকাহিনির আলোচনায় সীমাবদ্ধ নেই। স্বাস্থ্যসেবা, শিক্ষা, ব্যাংকিং, কৃষি, পরিবহন, উৎপাদন, গ্রাহকসেবা এবং তথ্য ব্যবস্থাপনার মতো গুরুত্বপূর্ণ ক্ষেত্রেও এর ব্যবহার দেখা যাচ্ছে। সাম্প্রতিক সময়ে লেখা, ছবি, শব্দ ও ভিডিও তৈরি করতে সক্ষম Generative AI সাধারণ মানুষের কাছেও প্রযুক্তিটিকে আরও পরিচিত করে তুলেছে।

তবে AI নিয়ে প্রচারের সঙ্গে কিছু ভুল ধারণাও ছড়িয়েছে। অনেকেই AI-কে মানুষের মতো সচেতন কোনো ব্যবস্থা মনে করেন। আবার কেউ কেউ ধরে নেন, AI যে উত্তর দেয় সেটিই নির্ভুল। বাস্তবে বিষয়টি এত সরল নয়। AI নির্দিষ্ট Data, গাণিতিক পদ্ধতি এবং মানুষের নির্ধারিত লক্ষ্য অনুসারে কাজ করে। একটি AI ব্যবস্থা দ্রুত ফল দিতে পারলেও তার সিদ্ধান্ত ভুল, অসম্পূর্ণ কিংবা পক্ষপাতপূর্ণ হতে পারে।

তাই Artificial Intelligence কী, এটি কীভাবে কাজ করে এবং কোথায় ব্যবহার হচ্ছে—এসব বোঝার পাশাপাশি এর সীমাবদ্ধতাও জানা জরুরি।

আর্টিফিশিয়াল ইন্টেলিজেন্স কী

Artificial Intelligence বা AI হলো এমন প্রযুক্তিগত পদ্ধতির সমষ্টি, যার মাধ্যমে কোনো Machine বা Software তথ্য বিশ্লেষণ করে নির্দিষ্ট লক্ষ্য অনুযায়ী ফলাফল, পূর্বাভাস, পরামর্শ কিংবা সিদ্ধান্ত তৈরি করতে পারে।

সহজ ভাষায় বললে, মানুষের বুদ্ধিবৃত্তিক কাজ বলে পরিচিত কিছু কার্যক্রম—যেমন ভাষা বোঝা, ছবির মধ্যে বস্তু শনাক্ত করা, তথ্যের ধরন খুঁজে বের করা, সম্ভাব্য ফল অনুমান করা বা সমস্যার সমাধানের পথ বাছাই করা—কম্পিউটারের মাধ্যমে সম্পন্ন করার প্রযুক্তিই AI।

AI-এর আওতায় যেসব কাজ থাকতে পারে, সেগুলোর মধ্যে রয়েছে—

• বিপুল পরিমাণ তথ্য দ্রুত বিশ্লেষণ করা
• ছবি, মুখ, বস্তু বা লিখিত অক্ষর শনাক্ত করা
• মানুষের ভাষা প্রক্রিয়াকরণ ও অনুবাদ করা
• আগের তথ্যের ভিত্তিতে সম্ভাব্য ফল অনুমান করা
• অস্বাভাবিক লেনদেন বা আচরণ চিহ্নিত করা
• পছন্দের সঙ্গে সামঞ্জস্যপূর্ণ বিষয়বস্তু সুপারিশ করা
• লেখা, ছবি, শব্দ, প্রোগ্রামিং কোড বা ভিডিও তৈরি করা
• নির্দিষ্ট নিয়ম ও তথ্যের ভিত্তিতে সিদ্ধান্তে সহায়তা করা

তবে AI মানুষের মস্তিষ্কের সরাসরি প্রতিলিপি নয়। একটি Software খুব ভালোভাবে ছবি শনাক্ত করতে পারলেও সেটি মানুষের মতো সামাজিক পরিস্থিতি বুঝতে পারবে—এমন নিশ্চয়তা নেই। একইভাবে ভাষাভিত্তিক একটি AI সাবলীল উত্তর তৈরি করতে পারলেও উত্তরটির সত্যতা সম্পর্কে মানুষের মতো সচেতন বিচারবোধ তার নেই।

এ কারণেই AI-কে একটি নির্দিষ্ট উদ্দেশ্যে তৈরি গণনাভিত্তিক ব্যবস্থা হিসেবে দেখা বেশি বাস্তবসম্মত।

AI কি সত্যিই মানুষের মতো চিন্তা করে

কোনো AI-এর উত্তর মানুষের লেখা বা বলা কথার মতো শোনাতে পারে। কিন্তু সেখান থেকে এটি ধরে নেওয়া ঠিক নয় যে ব্যবস্থাটি মানুষের মতো বুঝছে, অনুভব করছে কিংবা সচেতনভাবে মতামত দিচ্ছে।

AI Model সাধারণত প্রশিক্ষণের সময় পাওয়া উদাহরণ ও গাণিতিক সম্পর্ক থেকে নির্দিষ্ট ধরন বা Pattern শনাক্ত করে। নতুন Input দেওয়া হলে সেই শেখা সম্পর্ক ব্যবহার করে একটি Output তৈরি করে। ভাষাভিত্তিক Model-এর ক্ষেত্রে এই Output হতে পারে একটি সম্ভাব্য শব্দক্রম; ছবি শনাক্তকারী Model-এর ক্ষেত্রে হতে পারে ছবিতে থাকা বস্তুর সম্ভাব্য পরিচয়।

অর্থাৎ, AI-এর কার্যকারিতার ভিত্তি হলো গণনা, পরিসংখ্যান, প্রশিক্ষিত Parameter এবং নির্ধারিত প্রক্রিয়া। মানুষের চিন্তা, নৈতিকতা, অভিজ্ঞতা, আবেগ ও প্রেক্ষাপট বোঝার ক্ষমতার সঙ্গে এর গুরুত্বপূর্ণ পার্থক্য রয়েছে।

AI-কে মানুষের সম্পূর্ণ বিকল্প ধরে নিলে তাই ভুল সিদ্ধান্তের আশঙ্কা বাড়ে। বরং এটি এমন একটি সহায়ক ব্যবস্থা, যা নির্দিষ্ট কাজে মানুষের গতি ও বিশ্লেষণক্ষমতা বাড়াতে পারে।

Artificial Intelligence-এর ইতিহাস সংক্ষেপে

Artificial Intelligence নিয়ে ধারণা ও গবেষণার ইতিহাস দীর্ঘ হলেও শব্দটির আনুষ্ঠানিক পরিচিতি আসে গত শতকের মাঝামাঝি সময়ে। ১৯৫৬ সালে যুক্তরাষ্ট্রের Dartmouth College-এ অনুষ্ঠিত Dartmouth Summer Research Project on Artificial Intelligence-কে আধুনিক AI গবেষণার অন্যতম সূচনা হিসেবে বিবেচনা করা হয়।

এই উদ্যোগের প্রধান সংগঠকদের একজন ছিলেন John McCarthy। Dartmouth-এর ইতিহাস অনুযায়ী, ওই সম্মেলনেই Artificial Intelligence নামটি গবেষণার একটি স্বতন্ত্র ক্ষেত্র হিসেবে প্রতিষ্ঠিত হতে শুরু করে। সম্মেলনে Machine কীভাবে শেখা, ভাষা, যুক্তি ও সমস্যা সমাধানের মতো কাজ অনুকরণ করতে পারে, তা নিয়ে আলোচনা হয়েছিল। Dartmouth College-এর AI ইতিহাস

প্রথম দিকের গবেষকদের প্রত্যাশা বড় হলেও তখনকার Computer ছিল ধীর, Memory ছিল সীমিত এবং পর্যাপ্ত Digital Data পাওয়া কঠিন ছিল। ফলে গবেষণা এগোলেও প্রত্যাশিত গতিতে বাস্তব প্রয়োগ তৈরি করা সম্ভব হয়নি। বিভিন্ন সময়ে অর্থায়ন ও আগ্রহ কমে যাওয়ার ঘটনাও ঘটেছে, যেগুলোকে AI Winter নামে উল্লেখ করা হয়।

পরিস্থিতি পরে ধীরে ধীরে বদলায়। শক্তিশালী Processor ও বিশেষায়িত Chip তৈরি হয়, Data সংরক্ষণ সহজ হয় এবং Internet বিপুল পরিমাণ Digital Information তৈরি করে। পাশাপাশি Machine Learning, Neural Network ও Deep Learning পদ্ধতির উন্নতি ঘটে।

ফলে AI শুধু গবেষণার বিষয় না থেকে Search Engine, Smartphone, E-commerce, Cyber Security, চিকিৎসা-সহায়ক ব্যবস্থা এবং শিল্পকারখানার বাস্তব কাজে প্রবেশ করে। সাম্প্রতিক Generative AI ব্যবস্থাগুলো ভাষা, ছবি, শব্দ ও ভিডিও তৈরির সুবিধা সাধারণ ব্যবহারকারীর কাছেও পৌঁছে দিয়েছে।

AI কীভাবে কাজ করে

সব AI একই নিয়মে কাজ করে না। একটি Spam Filter, মুখ শনাক্তকারী ব্যবস্থা এবং ভাষাভিত্তিক Generative AI-এর নকশা ও প্রশিক্ষণ আলাদা হতে পারে। তবে আধুনিক AI তৈরির সাধারণ প্রক্রিয়ায় কয়েকটি মৌলিক ধাপ দেখা যায়।

১. সমস্যাটি নির্ধারণ করা

প্রথমেই নির্ধারণ করতে হয় AI দিয়ে কোন কাজটি করানো হবে। লক্ষ্য অস্পষ্ট হলে উপযুক্ত Data সংগ্রহ, Model নির্বাচন এবং ফলাফল যাচাই করা কঠিন হয়ে যায়।

উদাহরণ হিসেবে, একটি ব্যাংক যদি অস্বাভাবিক লেনদেন শনাক্ত করতে চায়, তাহলে কোন আচরণকে সন্দেহজনক ধরা হবে তা নির্ধারণ করতে হবে। আবার কৃষিজমির ছবিতে রোগ শনাক্ত করার ব্যবস্থার লক্ষ্য হবে নির্দিষ্ট লক্ষণ দেখে সম্ভাব্য সমস্যা চিহ্নিত করা।

এখানে মানুষের ভূমিকা অত্যন্ত গুরুত্বপূর্ণ। কারণ কোন সমস্যার সমাধান করা হবে, কোন তথ্য ব্যবহার হবে এবং গ্রহণযোগ্য ভুলের সীমা কতটুকু—এসব AI নিজে ঠিক করে না।

২. Data সংগ্রহ ও প্রস্তুত করা

আধুনিক AI-এর জন্য Data অন্যতম গুরুত্বপূর্ণ উপাদান। ছবির মধ্যে বিড়াল শনাক্ত করতে হলে Model-কে বিড়ালসহ বিভিন্ন ধরনের ছবির উদাহরণ দেখাতে হতে পারে। ভাষা প্রক্রিয়াকরণের ক্ষেত্রে বিপুল পরিমাণ লেখা, বাক্যের গঠন এবং শব্দের ব্যবহারের ধরন কাজে লাগে।

তবে শুধু বেশি Data থাকলেই ভালো ফল নিশ্চিত হয় না। Data হতে হবে প্রাসঙ্গিক, যথেষ্ট মানসম্পন্ন এবং বাস্তব পরিস্থিতির প্রতিনিধিত্বকারী। ভুল তথ্য, অসম Label, একই ধরনের অতিরিক্ত উদাহরণ বা কোনো জনগোষ্ঠীর অপর্যাপ্ত প্রতিনিধিত্ব Model-এর ফলাফলে সমস্যা তৈরি করতে পারে।

Data ব্যবহারের বৈধতা ও গোপনীয়তাও গুরুত্বপূর্ণ। ব্যক্তিগত তথ্য থাকলে সম্মতি, নিরাপত্তা এবং ব্যবহারসীমা বিবেচনায় নিতে হয়।

৩. Algorithm ও Model নির্বাচন

Algorithm হলো সমস্যা সমাধানের জন্য ব্যবহৃত গাণিতিক নিয়ম বা প্রক্রিয়া। আর Model হলো Data থেকে শেখা সম্পর্ক ও Parameter ধারণকারী কার্যকর ব্যবস্থা, যা নতুন Input বিশ্লেষণ করে Output তৈরি করে।

একটি সমস্যার জন্য Decision Tree উপযুক্ত হতে পারে, অন্যটির জন্য Neural Network দরকার হতে পারে। ছবি, শব্দ ও জটিল ভাষা বিশ্লেষণের কাজে Deep Learning Model বেশি ব্যবহৃত হয়। কোন পদ্ধতি নেওয়া হবে, তা নির্ভর করে সমস্যার ধরন, Data-এর পরিমাণ, ফলাফলের প্রয়োজনীয় নির্ভুলতা এবং ব্যবহারের ঝুঁকির ওপর।

৪. Training বা প্রশিক্ষণ

Training পর্যায়ে Model-কে উদাহরণ দেওয়া হয় এবং তার পূর্বাভাসের ভুল পরিমাপ করা হয়। এরপর গাণিতিক পদ্ধতিতে Model-এর Parameter পরিবর্তন করে ভুল কমানোর চেষ্টা করা হয়। এই প্রক্রিয়া বহুবার চলতে পারে।

এখানে “শেখা” শব্দটি মানুষের শেখার সমার্থক নয়। Model মূলত Data-এর মধ্যে থাকা সম্পর্ক ও Pattern-এর গাণিতিক উপস্থাপনা তৈরি করে।

একটি গুরুত্বপূর্ণ বিষয় হলো, প্রশিক্ষণ শেষ হওয়ার পর সব AI নিজে থেকে প্রতিদিন নতুন কিছু শিখতে থাকে না। অনেক Model ব্যবহারকারীর Input গ্রহণ করে ফল দিলেও নতুন করে Training বা অনুমোদিত হালনাগাদ না হওয়া পর্যন্ত তার মূল Parameter অপরিবর্তিত থাকতে পারে।

৫. Validation ও Testing

Training Data-তে ভালো ফল করলেই Model বাস্তব ব্যবহারের জন্য উপযুক্ত হয়ে যায় না। একই Data মুখস্থ করার মতো আচরণ করলে নতুন পরিস্থিতিতে সেটি ব্যর্থ হতে পারে। এ সমস্যাকে Overfitting বলা হয়।

তাই Training-এর বাইরে থাকা আলাদা Data দিয়ে Model যাচাই করা হয়। বিভিন্ন পরিবেশ, জনগোষ্ঠী, আলো, ভাষা, উচ্চারণ কিংবা ব্যবহারের পরিস্থিতিতে ফল কেমন হচ্ছে, তা পরীক্ষা করা দরকার।

চিকিৎসা, আর্থিক সিদ্ধান্ত কিংবা নিরাপত্তার মতো গুরুত্বপূর্ণ ক্ষেত্রে শুধু সামগ্রিক Accuracy দেখলেই যথেষ্ট নয়। কোন ধরনের ভুল হচ্ছে, কার ওপর ভুলের প্রভাব বেশি পড়ছে এবং ভুল সিদ্ধান্ত সংশোধনের সুযোগ আছে কি না—এসবও বিবেচনা করতে হয়।

৬. Inference বা বাস্তবে ফল তৈরি

প্রশিক্ষিত Model নতুন Input পাওয়ার পর যে প্রক্রিয়ায় Output তৈরি করে, তাকে Inference বলা হয়।

ধরা যাক, একটি প্রশিক্ষিত Model-কে নতুন একটি ফলের ছবি দেওয়া হলো। ছবিতে থাকা রং, আকার, প্রান্ত ও অন্যান্য বৈশিষ্ট্য বিশ্লেষণ করে সেটি ফলটির সম্ভাব্য নাম জানাতে পারে। একইভাবে ভাষাভিত্তিক Model ব্যবহারকারীর নির্দেশনা ও আগের শব্দগুলোর সম্পর্ক বিশ্লেষণ করে পরবর্তী শব্দগুলো নির্বাচন করে উত্তর তৈরি করে।

ফলাফল আত্মবিশ্বাসের সঙ্গে উপস্থাপিত হলেও সেটি ভুল হতে পারে। তাই Output-এর ভাষার দৃঢ়তাকে সত্যতার প্রমাণ হিসেবে দেখা উচিত নয়।

৭. পর্যবেক্ষণ ও সংশোধন

বাস্তবে ব্যবহার শুরু হওয়ার পর Model-এর কার্যকারিতা পর্যবেক্ষণ করতে হয়। সময়ের সঙ্গে মানুষের আচরণ, বাজার, ভাষা ও তথ্যের ধরন বদলালে পুরোনো Model-এর কার্যকারিতা কমে যেতে পারে। একে অনেক ক্ষেত্রে Model Drift বা Data Drift-এর সঙ্গে সম্পর্কিত সমস্যা হিসেবে দেখা হয়।

দায়িত্বশীল প্রতিষ্ঠানের উচিত ভুলের অভিযোগ গ্রহণ, কার্যকারিতা পরীক্ষা, ঝুঁকি পর্যালোচনা এবং প্রয়োজন হলে Model পুনরায় প্রশিক্ষণ বা পরিবর্তনের ব্যবস্থা রাখা।

AI, Machine Learning ও Deep Learning-এর পার্থক্য

এই শব্দগুলো অনেক সময় একই অর্থে ব্যবহার করা হলেও এগুলো পুরোপুরি এক নয়।

Artificial Intelligence

AI হলো তুলনামূলক বিস্তৃত ক্ষেত্র। কোনো Machine-কে তথ্য বিশ্লেষণ, পরিকল্পনা, ভাষা প্রক্রিয়াকরণ, সমস্যা সমাধান বা সিদ্ধান্তে সহায়তার সক্ষমতা দেওয়ার বিভিন্ন পদ্ধতি এর মধ্যে পড়ে।

Machine Learning

Machine Learning হলো AI-এর একটি শাখা, যেখানে প্রতিটি নিয়ম আলাদাভাবে লিখে দেওয়ার পরিবর্তে Data-এর উদাহরণ থেকে একটি Model সম্পর্ক বা Pattern শেখে।

উদাহরণ হিসেবে, Spam ই-মেইলের সব সম্ভাব্য বৈশিষ্ট্য হাতে লিখে দেওয়া কঠিন। একটি Machine Learning Model আগের Spam ও বৈধ ই-মেইলের উদাহরণ বিশ্লেষণ করে সম্ভাব্য পার্থক্য শিখতে পারে।

Deep Learning

Deep Learning হলো Machine Learning-এর একটি অংশ, যেখানে একাধিক স্তরবিশিষ্ট Neural Network ব্যবহৃত হয়। ছবি শনাক্তকরণ, কথার শব্দ বোঝা এবং বৃহৎ ভাষাভিত্তিক Model তৈরিতে এর গুরুত্বপূর্ণ ব্যবহার রয়েছে।

Natural Language Processing

Natural Language Processing বা NLP মানুষের ভাষা বিশ্লেষণ ও তৈরি করার প্রযুক্তিগত ক্ষেত্র। অনুবাদ, লেখা সংক্ষেপ করা, কথাকে লেখায় রূপান্তর এবং প্রশ্নের উত্তর তৈরিতে NLP ব্যবহৃত হয়।

Computer Vision

Computer Vision ছবি ও ভিডিও থেকে তথ্য শনাক্ত করার কাজে ব্যবহৃত হয়। ছবির মধ্যে বস্তু, অক্ষর, মুখ, রাস্তা বা রোগের লক্ষণ চিহ্নিত করার ব্যবস্থা এর উদাহরণ।

Generative AI

Generative AI এমন Model-কে বোঝায়, যা শেখা গঠন ও Pattern ব্যবহার করে নতুন লেখা, ছবি, শব্দ, ভিডিও বা অন্যান্য Digital Content তৈরি করতে পারে। NIST-এর ব্যাখ্যায়, Generative AI বিভিন্ন ধরনের কৃত্রিম Digital Content তৈরিতে সক্ষম হলেও এর সঙ্গে গোপনীয়তা, ভুল তথ্য, পক্ষপাত, নিরাপত্তা এবং তথ্যের বিশ্বাসযোগ্যতার ঝুঁকি জড়িত থাকতে পারে। NIST-এর Generative AI ঝুঁকি নির্দেশিকা

AI-এর প্রধান ধরন