Apple-এর MoMo ফ্রেমওয়ার্ক: রোবট এখন শিখবে কাজের স্টাইল, শুধু কাজ নয়
Apple ML Research-এর নতুন MoMo ফ্রেমওয়ার্ক রোবটকে শুধু কাজ করতে শেখায় না, শেখায় কীভাবে কাজটি করতে হয়। দুই-ধাপের এই ইমিটেশন লার্নিং পদ্ধতি কাজের ভিন্নতা ধরে রাখে এবং এক কাজের দক্ষতা অন্য কাজে ব্যবহার করে।
Apple ML Research-এর নতুন MoMo ফ্রেমওয়ার্ক রোবটকে শুধু কাজ করতে শেখায় না, শেখায় কীভাবে কাজটি করতে হয়। দুই-ধাপের এই ইমিটেশন লার্নিং পদ্ধতি কাজের ভিন্নতা ধরে রাখে এবং এক কাজের দক্ষতা অন্য কাজে ব্যবহার করে।
রোবট এখন শুধু কাজ করতে জানে না, জানে কীভাবে করতে হয়। Apple ML Research সম্প্রতি MoMo নামের একটি নতুন কৃত্রিম বুদ্ধিমত্তা ফ্রেমওয়ার্ক প্রকাশ করেছে, যা রোবটকে কাজের কার্যকরী ভিন্নতা শেখায়। এই দুই-ধাপের ইমিটেশন লার্নিং পদ্ধতি রোবটের কর্মকাণ্ডকে স্পেস এবং সময়ের ভিত্তিতে ছোট ছোট টোকেনে ভাগ করে, যাতে রোবট প্রতিটি কাজের সূক্ষ্ম পার্থক্য বুঝতে পারে।
MoMo-র মূল লক্ষ্য হলো রোবটকে এমনভাবে শেখানো যাতে এটি পরিবেশ, বস্তু এবং পরিস্থিতি অনুযায়ী নিজের কাজের ধরন বদলাতে পারে। আগের মডেলগুলো সাধারণত একটি কাজের জন্য একটি নির্দিষ্ট পদ্ধতি শিখত। MoMo সেই সীমাবদ্ধতা কাটিয়ে একটি ধারাবাহিক মোশন-মোড শর্ত শেখে, যা একাধিক কাজে ব্যবহার করা যায়। ফলে রোবট যখন নতুন কাজ পায়, তখন সে আগের অভিজ্ঞতা থেকে সঠিক পদ্ধতি বেছে নিতে পারে।
MoMo-র প্রযুক্তিগত কাঠামো দুটি অংশে বিভক্ত। প্রথম অংশে একটি স্প্যাটিওটেম্পোরাল অ্যাকশন টোকেনাইজার কাজ করে, যা রোবটের চলাফেরাকে সময় এবং স্থানের ভিত্তিতে ছোট ছোট ইউনিটে ভাগ করে। দ্বিতীয় অংশে একটি বিহেভিয়ার-ক্লোনিং ট্রান্সফরমার থাকে, যা সেই টোকেনগুলো ব্যবহার করে কাজ শেখে। এই ট্রান্সফরমারটি টাস্ক এবং একটি ধারাবাহিক মোশন-মোড শর্ত ইনপুট হিসেবে নেয়, যাতে রোবট বুঝতে পারে কোন পরিস্থিতিতে কোন ধরনের গতি প্রযোজ্য।
এই পদ্ধতির সবচেয়ে বড় সাফল্য হলো এটি কাজের নির্বাহী ভিন্নতাকে (execution-level variation) একটি পুনর্ব্যবহারযোগ্য আচরণগত ফ্যাক্টর হিসেবে শেখে। অর্থাৎ রোবট শুধু "কী করতে হবে" তা জানে না, জানে "কীভাবে করতে হবে"। উদাহরণস্বরূপ, একটি রোবট যদি একটি কাপ তুলতে শেখে, তাহলে সে শিখবে যে কাপটি টেবিলের উপর আছে নাকি তাকের উপর, কাপটি ভারী নাকি হালকা, তার উপর ভিত্তি করে কীভাবে ধরতে হবে। এই দক্ষতা সে অন্য কাজেও প্রয়োগ করতে পারবে, যেমন বোতল বা বই তুলতে।
বাংলাদেশের রোবোটিক্স এবং AI গবেষণা খাতের জন্য এই খবর অত্যন্ত তাৎপর্যপূর্ণ। স্থানীয় গবেষক এবং ডেভেলপাররা MoMo-র কাঠামো থেকে শিখে নিজেদের মতো করে ইমিটেশন লার্নিং মডেল তৈরি করতে পারেন। বিশেষ করে যারা শিল্পক্ষেত্রে রোবট ব্যবহার করছেন, তারা এই পদ্ধতি প্রয়োগ করে রোবটকে আরও নমনীয় এবং বুদ্ধিমান করে তুলতে পারেন। ফ্রিল্যান্সার এবং শিক্ষার্থীরাও এই গবেষণা থেকে নতুন প্রজেক্টের ধারণা নিতে পারেন।
MoMo এখনও গবেষণার স্তরে আছে, তবে এর সম্ভাবনা বিশাল। Apple ML Research জানিয়েছে, এই ফ্রেমওয়ার্কটি বিভিন্ন ধরনের রোবট ম্যানিপুলেশন টাস্কে পরীক্ষা করা হয়েছে এবং ফলাফল আশাব্যঞ্জক। ভবিষ্যতে এই পদ্ধতি রোবটকে আরও স্বাধীনভাবে কাজ করতে সাহায্য করবে, যেখানে রোবট নিজে নিজে পরিস্থিতি বুঝে সঠিক কাজের ধরন বেছে নেবে।
আরও পড়ুন
এই সংবাদটি আন্তর্জাতিক সূত্রের তথ্য অবলম্বনে AI-সহায়তায় বাংলায় উপস্থাপন ও বাংলাদেশের প্রেক্ষাপটে সম্পাদিত। মূল তথ্যের জন্য নিচের সূত্র দেখুন।
মূল প্রতিবেদন: Apple ML Research
সোর্স দেখুন ↗মন্তব্য০
লোড হচ্ছে...