ডেটার মাত্রা ১০ হাজার থেকে ৩০-এ নামিয়ে ML-এ নতুন দিগন্ত!
মেশিন লার্নিংয়ে এক অবাক করা কৌশল এখন ডেটার মাত্রা 10,000 থেকে কমিয়ে মাত্র 30-এ নামিয়ে আনতে পারে। শুধু র্যান্ডম সংখ্যার ম্যাট্রিক্স দিয়ে গুণ করলেই জ্যামিতিক কাঠামো অক্ষত থাকে। এই পদ্ধতি জটিল অপটিমাইজেশন ছাড়াই দ্রুত ডেটা প্রসেসিংয়ের পথ দেখাচ্ছে।
মেশিন লার্নিংয়ে এক অবাক করা কৌশল এখন ডেটার মাত্রা 10,000 থেকে কমিয়ে মাত্র 30-এ নামিয়ে আনতে পারে। শুধু র্যান্ডম সংখ্যার ম্যাট্রিক্স দিয়ে গুণ করলেই জ্যামিতিক কাঠামো অক্ষত থাকে। এই পদ্ধতি জটিল অপটিমাইজেশন ছাড়াই দ্রুত ডেটা প্রসেসিংয়ের পথ দেখাচ্ছে।
মেশিন লার্নিংয়ের জগতে এক যুগান্তকারী ফলাফল সামনে এসেছে। dev.to-এর একটি প্রতিবেদন অনুযায়ী, গবেষকরা এখন 10,000 মাত্রার ডেটাকে মাত্র 30 মাত্রায় নামিয়ে আনতে পারছেন। এই কাজটি তারা করছেন শুধু র্যান্ডম নয়েজ দিয়ে গুণ করে। কোনো জটিল অ্যালগরিদম বা প্রশিক্ষণের প্রয়োজন নেই।
এই পদ্ধতির মূল ভিত্তি হলো Johnson-Lindenstrauss lemma। এই লেমা প্রমাণ করে যে, উচ্চমাত্রিক ডেটার জোড়াগুলোর মধ্যে দূরত্ব প্রায় অপরিবর্তিত রাখা সম্ভব। ডেটার প্রতিটি পয়েন্টকে একটি র্যান্ডম লিনিয়ার ম্যাপ R দিয়ে গুণ করলে মাত্রা কমলেও কাঠামো টিকে থাকে। এই প্রক্রিয়ায় কোনো ডেটা বিশ্লেষণের প্রয়োজন হয় না, শুধু একটি র্যান্ডম ম্যাট্রিক্সই যথেষ্ট।
পদ্ধতিটি অত্যন্ত সহজ। প্রতিটি পয়েন্ট x-কে পাঠানো হয় (1/√k)·R·x সূত্রে। এখানে k হলো কাঙ্ক্ষিত মাত্রার সংখ্যা, যেমন 30। এই রূপান্তরের ফলে ডেটার পয়েন্টগুলোর মধ্যে দূরত্ব প্রায় অপরিবর্তিত থাকে। গবেষকরা বলছেন, এই কৌশল মেশিন লার্নিংয়ে ডাইমেনশনালিটি রিডাকশনের জন্য অত্যন্ত কার্যকর।
আগের পদ্ধতিগুলোতে যেমন PCA বা t-SNE ব্যবহার করতে হতো, যেখানে জটিল অপটিমাইজেশন ও ইজেনভ্যালু হিসাবের প্রয়োজন পড়ত। কিন্তু এই নতুন পদ্ধতিতে সেই ঝামেলা নেই। শুধু র্যান্ডম সংখ্যার একটি ম্যাট্রিক্স তৈরি করে ডেটার সাথে গুণ করলেই কাজ শেষ। এই সরলতা ডেটা সায়েন্টিস্টদের জন্য সময় ও কম্পিউটেশনাল রিসোর্স দুটোই বাঁচাবে।
বাংলাদেশের ডেভেলপার এবং ডেটা সায়েন্টিস্টদের জন্য এই খবর বিশেষভাবে গুরুত্বপূর্ণ। স্থানীয় স্টার্টআপগুলোতে প্রায়ই সীমিত কম্পিউটেশনাল রিসোর্সে বড় ডেটাসেট নিয়ে কাজ করতে হয়। এই পদ্ধতি ব্যবহার করে তারা দ্রুত ডেটা প্রসেসিং করতে পারবে এবং মডেল ট্রেনিংয়ের সময় কমাতে পারবে। শিক্ষার্থীদের জন্যও এটি একটি সহজ ও কার্যকর টুল হিসেবে কাজ করবে।
এই কৌশলটি বড় ডেটাসেটের ক্ষেত্রে বিশেষভাবে কার্যকর। যেমন ইমেজ প্রসেসিং, ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং এবং জিনোমিক্সের মতো ক্ষেত্রে যেখানে হাজার হাজার মাত্রা থাকে। গবেষকরা মনে করছেন, এই পদ্ধতি ভবিষ্যতে আরও উন্নত করা যাবে। তবে ইতিমধ্যেই এটি প্রমাণ করেছে যে, মেশিন লার্নিংয়ে মাঝে মাঝে সবচেয়ে সহজ সমাধানই সবচেয়ে 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...