প্রাক্-প্রশিক্ষণ থেকে AI এজেন্টের দল: Jensen Huang-এর চারটি সম্প্রসারণচক্র কেন কম্পিউটিংয়ের প্রশ্ন বদলে দেয়
ভূমিকা: কৃত্রিম বুদ্ধিমত্তার সক্ষমতা বাড়লে কী বাড়ে?
কৃত্রিম বুদ্ধিমত্তা [AI] নিয়ে আলোচনা প্রায়ই একটি মডেলের আকার দিয়ে শুরু হয়। তাতে কতগুলি প্যারামিটার আছে? সেটিকে প্রশিক্ষণ দিতে কত তথ্য ব্যবহার করা হয়েছে? এর পেছনের কম্পিউটিং ব্যবস্থা কত বড় ছিল?
এই প্রশ্নগুলি ব্যবস্থার কেবল একটি অংশের বর্ণনা দেয়। Jensen Huang-এর বৃহত্তর বক্তব্য হলো, AI কয়েকটি পর্যায়ে বাড়তে পারে: নিজের ভিত্তি শেখার সময়, আচরণ পরিমার্জনের সময়, একটি নির্দিষ্ট সমস্যা সমাধানের সময় এবং এজেন্টদের মধ্যে কাজ বণ্টনের সময়। এই পর্যায়গুলির সংযোগ বুঝলে কম্পিউটিংয়ের চাহিদা সম্পর্কে আমাদের ভাবনা বদলে যায়।
গুরুত্বপূর্ণ পার্থক্যটি হলো একটি মডেল তৈরি করা আর একটি বুদ্ধিমান ব্যবস্থা ব্যবহার করার মধ্যে। কাজ দুটি সম্পর্কিত, কিন্তু একই ধরনের কাজের চাপ [Workload] নয়।
১. প্রাক্-প্রশিক্ষণ একটি ভিত্তি গড়ে, সম্পূর্ণ প্রস্তুত কর্মী নয়
প্রাক্-প্রশিক্ষণ [Pre-training] একটি মডেলকে বিপুল পরিমাণ তথ্যের সংস্পর্শে এনে তার বিস্তৃত সক্ষমতা তৈরি করে। মডেল এমন ধরন ও সম্পর্ক শেখে, যা পরবর্তী কাজে সহায়তা করতে পারে।
আরও তথ্য ও আরও কম্পিউটিং এই ভিত্তি উন্নত করতে পারে। তবে বেশি বড় প্রশিক্ষণপ্রক্রিয়া কার্যকর বুদ্ধিমত্তার সম্পূর্ণ ব্যাখ্যা নয়। একটি মডেলের ব্যাপক সাধারণ জ্ঞান থাকতে পারে, অথচ আরও ভালো বিচারবোধ, নির্দিষ্ট কাজের অভিজ্ঞতা অথবা প্রশিক্ষণের সময় না-পাওয়া তথ্যের নাগাল তখনও দরকার হতে পারে।
এই কারণেই মানুষের লেখা উপাদানের জোগান শেষ পর্যন্ত সীমাবদ্ধতা হয়ে উঠবে কি না, শুধু সেই প্রশ্নে থামা যায় না। পরের পর্যায়গুলি ব্যবস্থা কীভাবে শেখে এবং কী কাজ করে, দুটোই বদলে দিতে পারে।
২. প্রশিক্ষণ-পরবর্তী পরিমার্জন ভিত্তির ব্যবহার বদলে দেয়
প্রশিক্ষণ-পরবর্তী পরিমার্জন [Post-training] প্রাথমিক শেখার পরে একটি মডেলকে পরিশীলিত করে। গুরুত্ব সরে আসে আচরণ, ব্যবহারিক কাজ এবং মানুষের প্রয়োজনীয় ধরনের উত্তরের দিকে।
কৃত্রিমভাবে তৈরি তথ্য [Synthetic Data] এই প্রক্রিয়ায় অবদান রাখতে পারে। একটি ব্যবস্থা উদাহরণ তৈরি করতে, বিভিন্ন রূপ পরীক্ষা করতে এবং পরবর্তী শিক্ষায় কাজে লাগে এমন উপাদান উৎপন্ন করতে পারে। মূল্যটি নিহিত থাকে এর ফলে পাওয়া অভিজ্ঞতার মানে, কোনো যন্ত্র সেটি তৈরি করেছে শুধু সেই সত্যে নয়।
এই পার্থক্যটি গুরুত্বপূর্ণ। বেশি উপাদান তৈরি করলেই সেটি সঠিক বলে প্রতিষ্ঠিত হয় না। কার্যকর চক্র সংরক্ষণের উপযুক্ত অভিজ্ঞতা বেছে নিয়ে পরবর্তী আচরণ উন্নত করতে ব্যবহার করে। বাছাই ছাড়া পরিমাণ বাড়ালে দুর্বলতা সংশোধনের বদলে তার পুনরাবৃত্তি হতে পারে।
৩. ব্যবহারের সময় কম্পিউটিং বাড়ানো ইনফারেন্সকে আরও কঠিন সমস্যা করে তোলে
ইনফারেন্স [Inference]-কে কখনও একটি সরল শেষ ধাপ হিসেবে ভাবা হয়: মডেল তো ইতিমধ্যেই শিখেছে, তাই উত্তর তৈরি করতে আর খুব বেশি কাজ লাগার কথা নয়।
পরীক্ষাকালীন সম্প্রসারণ [Test-time Scaling] এই ধারণাকে প্রশ্ন করে। একটি কঠিন কাজে ব্যবস্থাকে সমস্যা ছোট ছোট ভাগে ভাঙতে, সম্ভাব্য পদ্ধতির তুলনা করতে, তথ্য খুঁজতে এবং ব্যর্থ প্রচেষ্টা নতুন করে বিবেচনা করতে হতে পারে।
তখন কম্পিউটিংয়ের প্রয়োজন নির্ভর করে কার্যকর উত্তর ফেরত দেওয়ার আগে ব্যবস্থাকে কী করতে হচ্ছে তার ওপর। অল্প কথার উত্তরের আগেও যথেষ্ট কাজ হতে পারে। উল্টো দিকে, দীর্ঘ উত্তর সতর্ক যুক্তিবিচারের প্রমাণ নয়।
ব্যবসার ক্ষেত্রে তাই সাড়া দেওয়ার সময় [Latency], উত্তরের মান এবং পরিচালন খরচ পরস্পর-সম্পর্কিত পছন্দ হয়ে ওঠে। সঙ্গে সঙ্গে পাওয়া সবচেয়ে সস্তা উত্তর সব সময় সফলভাবে সম্পন্ন কাজের সবচেয়ে সস্তা পথ নয়।
৪. এজেন্টভিত্তিক সম্প্রসারণ সক্ষমতার সঙ্গে সমন্বয় যোগ করে
এজেন্টভিত্তিক সম্প্রসারণ [Agentic Scaling] আরেকটি পথ আনে: একটি মডেলকে পরপর সব কাজ করতে বলার বদলে ব্যবস্থা একাধিক এজেন্টের [Agents] মধ্যে কাজ ভাগ করতে পারে।
একজন এজেন্ট নথি পরীক্ষা করতে পারে, আরেকজন বিকল্পের তুলনা করতে পারে। তাদের অনুসন্ধানের ফল একটি যৌথ ফলাফলে সহায়তা করতে পারে। একটি মডেল বড় করা বা তাকে আরও সময় দেওয়ার চেয়ে এটি ভিন্ন ধরনের বৃদ্ধি।
একটি প্রতিষ্ঠানের সঙ্গে তুলনাটি কার্যকর। বেশি কর্মী সক্ষমতা বাড়াতে পারেন, কিন্তু দায়িত্ব, যোগাযোগ এবং চূড়ান্ত সিদ্ধান্ত স্পষ্ট থাকলেই তা সম্ভব। একইভাবে, বেশি এজেন্ট সমন্বয়, অমিল মেটানো এবং যাচাইয়ের কাজ তৈরি করে। তাদের সংখ্যা একটি উপকরণ, সাফল্যের মাপকাঠি নয়।
৫. চারটি পর্যায় মিলে শেখার একটি চক্র গড়ে
সবচেয়ে গুরুত্বপূর্ণ সংযোগ হলো একটি ব্যবস্থা কাজ করার পরে কী ঘটে। এজেন্টদের কার্যকর অভিজ্ঞতা পরবর্তী প্রশিক্ষণের উপাদান হতে পারে। পরিমার্জিত মডেল তখন আরও ভালো যুক্তিবিচার এবং আরও কার্যকর এজেন্টকে সহায়তা করতে পারে।
তাই প্রাক্-প্রশিক্ষণ, প্রশিক্ষণ-পরবর্তী পরিমার্জন, ব্যবহারের সময়কার কাজ এবং এজেন্টের কার্যকলাপকে আলাদা আলাদা ঘরে থাকতেই হবে না। তারা পরস্পরকে পুষ্ট করতে পারে।
এতে অবকাঠামোর প্রশ্নও বদলায়। মডেল প্রশিক্ষণ, ফাইলের মধ্যে অনুসন্ধান এবং কয়েকজন কর্মীর সমন্বয় প্রসেসর, মেমরি, স্টোরেজ ও নেটওয়ার্কের ওপর ভিন্ন চাহিদা তৈরি করে। একটি সংকীর্ণ মানদণ্ডভিত্তিক পরীক্ষা [Benchmark] ঘিরে তৈরি ব্যবস্থা সম্পূর্ণ কর্মপ্রবাহের [Workflow] সঙ্গে খাপ না-ও খেতে পারে।
উপসংহার: শুধু মডেল নয়, কাজের পরিমাপ করুন
Huang-এর চার-অংশের কাঠামো আলোচনাকে এই ধারণার বাইরে নিয়ে যায় যে, AI-এর অগ্রগতি মানেই শুধু আরও বড় তথ্যসমষ্টিতে [Dataset] একবার প্রশিক্ষিত আরও বড় মডেল।
ব্যবহারিক শিক্ষা হলো, কোথায় অতিরিক্ত কম্পিউটিং আরও ভালো ফল দেয় তা শনাক্ত করা। কাজটির কি ভালো ভিত্তি, আরও কার্যকর পরিমার্জন, বেশি সময় ধরে সমস্যা সমাধান, নাকি সমন্বিত কাজের বণ্টন দরকার?
একটি প্রতিষ্ঠানের উচিত সম্পন্ন কাজ, মান, সময় এবং মোট খরচ দিয়ে উত্তর বিচার করা। শুধু প্যারামিটার বা এজেন্ট গোনার চেয়ে এটি বেশি কার্যকর সূচনা। ভবিষ্যতের কম্পিউটিংয়ের প্রশ্ন গোটা শেখা-ও-কাজের ব্যবস্থাকে নিয়ে।
Powered By K7