AI গবেষণায় বড় চমক: জ্ঞান স্থানান্তর ব্যর্থ, লুপ পদ্ধতি টিকলো
একটি গবেষণা সিরিজের তৃতীয় পর্বে দেখা গেছে, জ্ঞান বাহক (knowledge carrier) ব্যবহার করে কার্যকারণ সংযোগ (causal binding) স্থানান্তর করা সম্ভব হয়নি। তবে লুপ-ভিত্তিক পদ্ধতি টিকে গেছে এবং কোড ওপেন সোর্স হিসেবে প্রকাশ করা হয়েছে।
একটি গবেষণা সিরিজের তৃতীয় পর্বে দেখা গেছে, জ্ঞান বাহক (knowledge carrier) ব্যবহার করে কার্যকারণ সংযোগ (causal binding) স্থানান্তর করা সম্ভব হয়নি। তবে লুপ-ভিত্তিক পদ্ধতি টিকে গেছে এবং কোড ওপেন সোর্স হিসেবে প্রকাশ করা হয়েছে।
বড় ভাষার মডেলের (LLM) বিকল্প খোঁজার এক গবেষণা সিরিজের তৃতীয় পর্বে গুরুত্বপূর্ণ একটি ফলাফল এসেছে। গবেষকরা দেখিয়েছেন, জ্ঞানকে কন্টেইনারে (container) সংরক্ষণ করে তা স্থানান্তর করার সব প্রচেষ্টা ব্যর্থ হয়েছে। অন্যদিকে লুপ-ভিত্তিক পদ্ধতি (loop-based approach) টিকে গেছে এবং কাজ করছে।
এই গবেষণাটি dev.to ML প্ল্যাটফর্মে প্রকাশিত হয়েছে। গবেষকরা জানিয়েছেন, আগের পর্বগুলিতে তারা জ্ঞান বাহক (knowledge carrier) নিয়ে পরীক্ষা-নিরীক্ষা করেছিলেন। কিন্তু প্রতিটি জ্ঞান বাহকই কার্যকারণ সংযোগ (causal binding) স্থানান্তরে ব্যর্থ হয়েছে। কার্যকারণ সংযোগ বলতে বোঝায় একটি ঘটনার কারণ ও ফলাফলের মধ্যে সম্পর্ক বোঝার ক্ষমতা।
গবেষণার প্রথম পর্বের শিরোনাম ছিল 'My Synthetic Eval Said 30/30. LoCoMo Said 0.13'। দ্বিতীয় পর্বের শিরোনাম ছিল 'Can You Build an Alternative to LLMs? 8 Months, ~200 Failed Experiments, One Wall'। এই তৃতীয় পর্বে গবেষকরা ব্যাখ্যা করেছেন কেন প্রতিটি কন্টেইনার ব্যর্থ হয়েছে এবং কেন লুপ পদ্ধতি টিকে গেছে।
গবেষকরা জানিয়েছেন, যে কোডটি টিকে গেছে তা ওপেন সোর্স হিসেবে AuraSDK-তে প্রকাশ করা হয়েছে। যে কেউ চাইলে এই কোড দেখতে এবং ব্যবহার করতে পারবেন। এটি বড় ভাষার মডেলের বিকল্প হিসেবে কাজ করতে পারে এমন একটি পদ্ধতির দরজা খুলে দিয়েছে।
বাংলাদেশের ডেভেলপার এবং প্রযুক্তি উৎসাহীদের জন্য এই গবেষণা গুরুত্বপূর্ণ। বর্তমানে বিশ্বব্যাপী AI খাতে LLM-এর উপর ব্যাপক নির্ভরতা রয়েছে। কিন্তু এই গবেষণা দেখাচ্ছে যে LLM-এর বিকল্প পদ্ধতি নিয়েও কাজ করা সম্ভব। বাংলাদেশের ডেভেলপাররা AuraSDK-তে থাকা ওপেন সোর্স কোড ব্যবহার করে নিজেদের মতো করে পরীক্ষা-নিরীক্ষা চালাতে পারবেন।
ফ্রিল্যান্সার এবং শিক্ষার্থীদের জন্যও এটি একটি সুযোগ। এই গবেষণা থেকে শেখা যায় যে AI-তে কাজ করার জন্য শুধু বড় মডেল নয়, বরং ছোট এবং ভিন্ন পদ্ধতিও কার্যকর হতে পারে। গবেষকরা প্রায় 200 ব্যর্থ পরীক্ষার পর একটি সফল পদ্ধতি খুঁজে পেয়েছেন। এটি আমাদের শেখায় যে ব্যর্থতা থেকেও শেখা যায় এবং ধৈর্য ধরে কাজ করলে সাফল্য আসে।
ভবিষ্যতে গবেষকরা লুপ-ভিত্তিক পদ্ধতি নিয়ে আরও কাজ করবেন বলে জানিয়েছেন। তারা আশা করছেন যে এই পদ্ধতি ব্যবহার করে বড় ভাষার মডেলের কিছু সীমাবদ্ধতা কাটিয়ে ওঠা সম্ভব হবে। বিশেষ করে কার্যকারণ সংযোগ বোঝার ক্ষেত্রে এই পদ্ধতি বেশি কার্যকর হতে পারে।
আরও পড়ুন
এই সংবাদটি আন্তর্জাতিক সূত্রের তথ্য অবলম্বনে AI-সহায়তায় বাংলায় উপস্থাপন ও বাংলাদেশের প্রেক্ষাপটে সম্পাদিত। মূল তথ্যের জন্য নিচের সূত্র দেখুন।
মূল প্রতিবেদন: dev.to ML
সোর্স দেখুন ↗মন্তব্য০
লোড হচ্ছে...