কৃত্রিম বুদ্ধিমত্তার (এআই) “অন্তর্নিহিত যুক্তি” কোনো একক, স্থির ধারণা নয়। বরং, এটি বুদ্ধিমত্তা তৈরি করার উপায় নিয়ে কয়েক দশক ধরে চলা বুদ্ধিবৃত্তিক বিতর্কের ফলাফল। এআই বুঝতে হলে, প্রথমে এর বুদ্ধিবৃত্তিক উৎস - দুটি মূল দার্শনিক স্কুলের দ্বন্দ্ব এবং একীভূত হওয়া - প্রতীকবাদ এবং সংযোগবাদের গভীরে যেতে হবে। এই স্কুলগুলি বুদ্ধিমত্তার স্বতন্ত্র বিরোধী দৃষ্টিভঙ্গি উপস্থাপন করে এবং তাদের পরিবর্তনশীল ভাগ্য পুরো এআই ক্ষেত্রের ঐতিহাসিক গতিপথ এবং ভবিষ্যতের দিকনির্দেশকে রূপ দিয়েছে।
১.১ চিন্তাধারার দুটি শাখা
কৃত্রিম বুদ্ধিমত্তার নির্মাণ-যুক্তি দুটি প্রধান পথে উন্মোচিত হয়: উপর থেকে নীচের দিকে প্রতীকী হেরফের এবং নীচ থেকে উপরের দিকে জৈব-অনুপ্রাণিত শিক্ষা।
প্রতীকবাদ (উপর থেকে নীচের লজিক)
প্রতীকবাদ, যা লজিসিজম বা কম্পিউটার স্কুল নামেও পরিচিত, এই মূল বিশ্বাসের উপর ভিত্তি করে তৈরি যে বুদ্ধিমত্তার সারমর্ম হল স্পষ্ট, আনুষ্ঠানিক নিয়মের একটি সেট অনুসারে প্রতীকগুলিকে ম্যানিপুলেট করা। এটি একটি “উপর থেকে নীচের” পদ্ধতি, এই ধারণার সাথে যে মানুষের জ্ঞান এবং চিন্তাভাবনা প্রক্রিয়াগুলিকে প্রতীকী ক্রিয়াকলাপে বিমূর্ত করা যেতে পারে। এই দৃষ্টিকোণ থেকে, বুদ্ধিমত্তাকে যৌক্তিক যুক্তির একটি প্রক্রিয়া হিসাবে দেখা হয় এবং মনকে একটি কাঠামোগত ডেটাতে চলমান একটি কম্পিউটার প্রোগ্রামের সাথে তুলনা করা যেতে পারে।
এই স্কুলের সবচেয়ে সাধারণ প্রকাশ হল বিশেষজ্ঞ সিস্টেম। এই সিস্টেমগুলি ১৯৭০ এবং ১৯৮০-এর দশকে তাদের স্বর্ণযুগ উপভোগ করেছে, যা এআই-এর প্রথম বৃহৎ আকারের বাণিজ্যিক সাফল্য চিহ্নিত করে। তারা নির্দিষ্ট সংকীর্ণ ক্ষেত্রগুলিতে (যেমন চিকিৎসা নির্ণয় বা রাসায়নিক বিশ্লেষণ) মানব বিশেষজ্ঞদের সিদ্ধান্ত গ্রহণের প্রক্রিয়াগুলিকে অনুকরণ করার লক্ষ্য রাখে, একটি জ্ঞানের ভিত্তি তৈরি করে যাতে বিপুল সংখ্যক “যদি-তাহলে” নিয়ম রয়েছে। বিশেষজ্ঞ সিস্টেমের সাফল্য প্রতীকবাদকে তার শীর্ষে নিয়ে যায়, এটিকে সেই সময়ে এআই-এর প্রায় সমার্থক করে তোলে।
সংযোগবাদ (নীচ থেকে উপরের লজিক)
প্রতীকবাদের বিপরীতে, সংযোগবাদ, যা বায়োনিক্স স্কুল নামেও পরিচিত, যুক্তি দেয় যে বুদ্ধিমত্তা একটি উদ্ভূত ঘটনা। এটি কোনো কেন্দ্রীয় নিয়ন্ত্রক বা পূর্বনির্ধারিত নিয়ম দ্বারা নিয়ন্ত্রিত নয়, বরং বিপুল সংখ্যক সরল, আন্তঃসংযুক্ত প্রক্রিয়াকরণ ইউনিটগুলির (অর্থাৎ, কৃত্রিম নিউরনের) মধ্যে জটিল মিথস্ক্রিয়া থেকে উদ্ভূত হয়। এই “নীচ থেকে উপরের” যুক্তিটি মানুষের মস্তিষ্কের গঠন দ্বারা অনুপ্রাণিত, এই বিশ্বাস পোষণ করে যে বুদ্ধিমত্তা প্রোগ্রাম করা হয় না, বরং ডেটা থেকে প্যাটার্ন শেখার মাধ্যমে অর্জিত হয়।
সংযোগবাদের মূল বিশ্বাস হল যে জটিল আচরণগুলি বিশ্বব্যাপী সুস্পষ্ট নিয়মগুলির প্রয়োজন ছাড়াই সরল স্থানীয় মিথস্ক্রিয়া থেকে উদ্ভূত হতে পারে। এর মূল প্রযুক্তিগত মূর্তরূপ হল কৃত্রিম নিউরাল নেটওয়ার্ক (এএনএন)। এই মডেলগুলি প্রচুর পরিমাণে নমুনা ডেটাতে প্রশিক্ষণ এবং নিউরনের মধ্যে “ওজন” (অর্থাৎ, সংযোগের শক্তি) ক্রমাগত সামঞ্জস্য করে ইনপুট এবং আউটপুটগুলির মধ্যে জটিল সম্পর্কগুলি শিখে।
১.২ ইতিহাসের দোলক: উত্থান, পতন এবং পুনরুত্থান
এআই বিকাশের ইতিহাস কোনো সরলরৈখিক অগ্রগতি নয়, বরং প্রতীকবাদ এবং সংযোগবাদের মধ্যে একটি দোলকের মতো। এই প্রক্রিয়াটি গভীরভাবে প্রকাশ করে যে একটি তাত্ত্বিক দৃষ্টান্তের সাফল্য বা ব্যর্থতা কেবল তার ধারণার গভীরতার উপর নির্ভর করে না, সেই সময়ের প্রযুক্তি এবং অর্থনৈতিক অবস্থার সীমাবদ্ধতার উপরও নির্ভর করে। এআই-এর অন্তর্নিহিত যুক্তি একটি শূন্যতায় বিকশিত হয় না এবং এর বিকাশের পথটি (১) মূলধারার দার্শনিক চিন্তা, (২) উপলব্ধ কম্পিউটিং ক্ষমতা এবং (৩) অর্থনৈতিক সম্ভাব্যতা-এর মধ্যে জটিল আন্তঃক্রিয়ার সরাসরি ফল।
প্রাথমিক সুবিধা এবং প্রথম এআই শীতকাল
এআই-এর প্রথম দিকে, সংযোগবাদ দুর্দান্ত সম্ভাবনা দেখিয়েছিল। যাইহোক, ১৯৬৯ সালে, প্রতীকবাদের একজন শীর্ষস্থানীয় ব্যক্তিত্ব মারভিন মিনস্কি পারসেপ্ট্রনস বইটি প্রকাশ করেন, যা ইতিহাসে একটি গুরুত্বপূর্ণ বাঁক হয়ে দাঁড়ায়। মিনস্কি গাণিতিকভাবে কঠোরভাবে প্রমাণ করেছিলেন যে সেই সময়ের সাধারণ একক-স্তরীয় নিউরাল নেটওয়ার্কগুলি (অর্থাৎ, পারসেপ্ট্রন) সবচেয়ে মৌলিক সমস্যাগুলির মধ্যে কয়েকটি সমাধান করতে পারে না, যেমন যৌক্তিক “এক্সক্লুসিভ অর” (XOR) সমস্যা। এই সুনির্দিষ্ট একাডেমিক সমালোচনা, সেই সময়ে কম্পিউটারের সাধারণ অভাবের সাথে মিলিত হয়ে সংযোগবাদী গবেষণায় একটি বিধ্বংসী আঘাত হানে। গবেষণার তহবিল নাটকীয়ভাবে হ্রাস করা হয়েছিল এবং নিউরাল নেটওয়ার্ক গবেষণা এক দশকেরও বেশি সময় ধরে স্থবিরতার মধ্যে প্রবেশ করে, যা প্রথম “এআই শীতকাল” নামে পরিচিত। এই সময়কালে, প্রতীকবাদের যুক্তি একটি পরম প্রভাবশালী অবস্থান দখল করে।
প্রতীকবাদের স্বর্ণযুগ এবং দ্বিতীয় এআই শীতকাল
বিশেষজ্ঞ সিস্টেম ১৯৮০-এর দশকে প্রসারিত হয়েছিল, যা বাণিজ্যিক অ্যাপ্লিকেশনগুলির শীর্ষে প্রতীকবাদকে ঠেলে দিয়েছে। যাইহোক, এর সীমাবদ্ধতাগুলি ধীরে ধীরে প্রকাশিত হয়েছিল: বিশেষজ্ঞ সিস্টেম তৈরি করা ব্যয়বহুল ছিল, জ্ঞানের ভিত্তি বজায় রাখা কঠিন ছিল, তারা অস্পষ্ট তথ্য পরিচালনা করতে পারত না এবং নতুন জ্ঞান স্বয়ংক্রিয়ভাবে শেখার ক্ষমতা তাদের ছিল না। অবশেষে, প্রতীকী এআই প্রোগ্রাম (যেমন লিস্প ভাষা) চালানোর জন্য বিশেষভাবে ব্যবহৃত “লিস্প মেশিন”-এর বাণিজ্যিক ব্যর্থতা এই যুগের সমাপ্তি চিহ্নিত করে। শক্তিশালী কর্মক্ষমতা এবং কম দামের সাধারণ-উদ্দেশ্যের কম্পিউটারগুলির (যেমন আইবিএম পিসি) উত্থান এই ডেডিকেটেড হার্ডওয়্যার ডিভাইসগুলিকে অপ্রতিদ্বন্দ্বী করে তোলে এবং এআই ক্ষেত্রটি তখন দ্বিতীয় শীতকালে প্রবেশ করে। এটি আবারও প্রমাণ করে যে একটি তাত্ত্বিক যুক্তি যদি বিকাশ অব্যাহত রাখতে হয় তবে এটির সমর্থনে একটি শক্তিশালী এবং অর্থনৈতিক হার্ডওয়্যার ভিত্তি থাকতে হবে।
সংযোগবাদের পুনরুজ্জীবন
সংযোগবাদের পুনরুজ্জীবন আকস্মিক ছিল না, তবে তিনটি মূল কারণ দ্বারা চালিত হয়েছিল:
অ্যালগরিদম ব্রেকথ্রু: “শীতকালে”, ব্যাকপ্রোপাগেশন অ্যালগরিদমগুলির প্রবর্তন এবং আরও জটিল নেটওয়ার্ক কাঠামোর উদ্ভাবন যেমন দীর্ঘ স্বল্প-মেয়াদী মেমরি নেটওয়ার্ক (এলএসটিএমএস) নিউরাল নেটওয়ার্কগুলির কার্যকর প্রশিক্ষণের জন্য অ্যালগরিদমিক ভিত্তি স্থাপন করেছে।
ডেটা বন্যা: ইন্টারনেটের জনপ্রিয়তা একটি অভূতপূর্ব পরিমাণে ডেটা এনেছে। এই ডেটা নিউরাল নেটওয়ার্কগুলির জন্য পর্যাপ্ত “পুষ্টি” সরবরাহ করেছে যা প্রশিক্ষণের জন্য প্রচুর সংখ্যক নমুনা প্রয়োজন।
কম্পিউটিং পাওয়ার বিপ্লব: গ্রাফিক্স প্রসেসর (জিপিইউ), মূলত ভিডিও গেমগুলির জন্য ডিজাইন করা, একটি বিশাল সমান্তরাল কম্পিউটিং আর্কিটেকচার রয়েছে যা নিউরাল নেটওয়ার্কগুলিতে কোর ম্যাট্রিক্স ক্রিয়াকলাপগুলির জন্য পুরোপুরি উপযুক্ত বলে প্রমাণিত হয়েছে। জিপিইউগুলির উত্থান কম্পিউটিং পাওয়ারের বাধা ভেঙে দিয়েছে যা কয়েক দশক ধরে সংযোগবাদকে জর্জরিত করেছিল, যা এর তাত্ত্বিক সম্ভাবনাকে সত্যিকার অর্থে প্রকাশ করার অনুমতি দিয়েছে।
অবশেষে, অ্যালগরিদম, ডেটা এবং কম্পিউটিং পাওয়ারের মিলন গভীর শিক্ষার বিপ্লবকে প্রজ্বলিত করেছে, যা সংযোগবাদের যুক্তিকে আজকের এআই ক্ষেত্রে অবিসংবাদিত মূলধারায় পরিণত করেছে।
১.৩ দার্শনিক অচলাবস্থা: বোঝা বনাম সিমুলেশন
দুটি প্রধান স্কুলের মধ্যে ঐতিহাসিক বিরোধ শেষ পর্যন্ত একটি গভীর দার্শনিক প্রশ্নের দিকে নিয়ে যায় যা আজও অমীমাংসিত: একটি মেশিন যা বুদ্ধিমান আচরণের নিখুঁতভাবে অনুকরণ করতে সক্ষম তা কি সত্যিই বোঝার ক্ষমতা রাখে?
টিউরিং পরীক্ষা
অ্যালান টিউরিং-এর “টিউরিং পরীক্ষা” বুদ্ধিমত্তার একটি কর্মক্ষম, আচরণবাদী সংজ্ঞা প্রদান করে। পরীক্ষায় জড়িত একটি মেশিন মানুষের সাথে কথোপকথন করতে পারে কিনা এবং মানুষ বলতে পারবে না যে এটি একটি মেশিন নাকি একজন ব্যক্তি; তাহলে মেশিনটিকে বুদ্ধিমান হিসাবে বিবেচনা করা যেতে পারে। টিউরিং পরীক্ষা “বুদ্ধিমত্তা কী” এই মৌলিক প্রশ্নটিকে পাশ কাটিয়ে “বুদ্ধিমত্তার কী আচরণ করা উচিত” এর দিকে মোড় নেয়।
“চীনা ঘর” চিন্তা পরীক্ষা
দার্শনিক জনSearle ১৯৮০ সালে বিখ্যাত “চীনা ঘর” চিন্তা পরীক্ষা প্রস্তাব করেন, যা প্রতীকবাদ এবং টিউরিং পরীক্ষার উপর একটি ভয়ঙ্কর আক্রমণ শুরু করে। পরীক্ষাটি নিম্নরূপ ধারণা করা হয়েছে: একজন ব্যক্তি যিনি চীনা ভাষা বোঝেন না তাকে একটি ঘরে তালাবদ্ধ করা হয়েছে এবং ঘরটিতে চীনা প্রক্রিয়াকরণ নিয়মের একটি বিস্তারিত ম্যানুয়াল রয়েছে (একটি প্রোগ্রামের সমতুল্য)। তিনি একটি উইন্ডোর মাধ্যমে চীনা অক্ষরে লেখা নোট (ইনপুট) পান, এবং তারপরে সংশ্লিষ্ট অক্ষরগুলি খুঁজে এবং একত্রিত করার জন্য নিয়ম ম্যানুয়ালের নির্দেশাবলী কঠোরভাবে অনুসরণ করেন এবং তারপরে উইন্ডোর বাইরে ফলাফলগুলি প্রেরণ করেন (আউটপুট)। ঘরের বাইরের লোকদের কাছে, ঘরটির প্রতিক্রিয়া একজন নেটিভ চীনা স্পিকারের থেকে আলাদা নয়, তাই এটি টিউরিং পরীক্ষায় উত্তীর্ণ হয়।
যাইহোক, Searle উল্লেখ করেছেন যে ঘরের ব্যক্তি শুরু থেকে শেষ পর্যন্ত কোনও চীনা অক্ষরের অর্থ (শব্দার্থবিদ্যা) কখনও বোঝেননি এবং তিনি যা করেছিলেন তা হল বিশুদ্ধ প্রতীকী হেরফের (সিনট্যাক্স)। Searle উপসংহারে পৌঁছেছেন যে কেবল প্রতীকগুলিকে ম্যানিপুলেট করা, যতই জটিল হোক না কেন, কখনও সত্যিকারের “বোঝাপড়া” তৈরি করতে পারে না। এই যুক্তিটি “শক্তিশালী এআই” এর ধারণাকে (অর্থাৎ, এই বিশ্বাস যে সঠিকভাবে প্রোগ্রাম করা একটি কম্পিউটারের মন থাকতে পারে) জোরালোভাবে চ্যালেঞ্জ করে।
আজ, বৃহৎ ভাষা মডেল (এলএলএম) দ্বারা উপস্থাপিত আধুনিক এআইকে একটি অর্থে “চীনা ঘর”-এর একটি সুপার-আপগ্রেডেড সংস্করণ হিসাবে দেখা যেতে পারে। তারা প্রচুর পরিমাণে পাঠ্য ডেটাতে পরিসংখ্যানগতভাবে প্যাটার্ন মেলানোর মাধ্যমে আপাতদৃষ্টিতে বুদ্ধিমান উত্তর তৈরি করে। তারা সত্যিকারের ভাষা “বোঝে” কিনা নাকি কেবল জটিল “স্টোকাস্টিক টিয়া” তা নিয়ে বিতর্ক আধুনিক সময়ে টিউরিং বনাম Searle বিতর্কের ধারাবাহিকতা।
দীর্ঘকাল ধরে, প্রতীকবাদ এবং সংযোগবাদকে দুটি পারস্পরিক একচেটিয়া দৃষ্টান্ত হিসাবে বিবেচনা করা হয়েছে। যাইহোক, ইতিহাসের “যুদ্ধ” একটি সংশ্লেষ আকারে শেষ হতে চলেছে। ভবিষ্যতের অন্তর্নিহিত যুক্তি হয় বা নয় পছন্দ নয়, বরং উভয়ের সংমিশ্রণ। এই প্রবণতা নিউরো-সিম্বলিক এআই এর উত্থানে প্রতিফলিত হয়েছে। এই ক্ষেত্রের লক্ষ্য হল নিউরাল নেটওয়ার্কগুলির শক্তিশালী প্যাটার্ন সনাক্তকরণ ক্ষমতাগুলিকে প্রতীকী সিস্টেমের কঠোর যৌক্তিক যুক্তির ক্ষমতার সাথে একত্রিত করা, আরও শক্তিশালী সিস্টেম তৈরির লক্ষ্যে যা শিখতে এবং যুক্তি দিতে উভয়ই সক্ষম। উদাহরণস্বরূপ, আধুনিক এআই এজেন্টরা তাদের নিজস্ব ক্ষমতা বাড়ানোর জন্য বাহ্যিক প্রতীকী সরঞ্জামগুলি (যেমন ক্যালকুলেটর, ডাটাবেস প্রশ্ন) কল করতে পারে, যা নিউরাল মডেল এবং প্রতীকী সরঞ্জামগুলির একটি ব্যবহারিক সংমিশ্রণ।
এছাড়াও, আধুনিক বৃহৎ ভাষা মডেলগুলিতে “মিশ্রণ বিশেষজ্ঞদের (এমওই)“ আর্কিটেকচারও ধারণাগতভাবে প্রতীকবাদের বিশেষজ্ঞ সিস্টেমগুলির প্রতিধ্বনি করে। এমওই মডেলে একাধিক বিশেষায়িত “বিশেষজ্ঞ” সাব-নেটওয়ার্ক এবং একটি “গেটিং” নেটওয়ার্ক থাকে যা প্রতিটি ইনপুট পরিচালনা করার জন্য সবচেয়ে উপযুক্ত বিশেষজ্ঞ নির্বাচন করার জন্য দায়ী। এটি কার্যকরীভাবে নিয়ম অনুসারে নির্দিষ্ট কার্যকরী মডিউলগুলিকে কল করে একটি প্রতীকী সিস্টেমের মতোই, তবে এর বাস্তবায়ন সম্পূর্ণরূপে সংযোগবাদী - শেষ থেকে শেষ শিক্ষা এবং পার্থক্যমূলক অপ্টিমাইজেশনের মাধ্যমে। এটি দেখায় যে এআই-এর অন্তর্নিহিত যুক্তি বিরোধ থেকে পরিপূরকতার দিকে অগ্রসর হচ্ছে, যা ফিউশনের মাধ্যমে অভূতপূর্ব শক্তিশালী ক্ষমতা তৈরি করছে।
সারণী ১: মৌলিক এআই দৃষ্টান্তগুলির তুলনা: প্রতীকবাদ বনাম সংযোগবাদ
| বৈশিষ্ট্য | প্রতীকবাদ (উপর থেকে নীচে) | সংযোগবাদ (নীচ থেকে উপরে) |
|---|---|---|
| মূল নীতি | প্রতীকগুলিকে ম্যানিপুলেট করে এবং আনুষ্ঠানিক নিয়ম অনুসরণ করে বুদ্ধিমত্তা অর্জন করা হয়। | একটি বৃহৎ সংখ্যক সরল, আন্তঃসংযুক্ত ইউনিটের মিথস্ক্রিয়া থেকে বুদ্ধিমত্তা উদ্ভূত হয়। |
| জ্ঞান উপস্থাপনা | সুস্পষ্ট, কাঠামোগত জ্ঞানের ভিত্তি (যেমন, “যদি-তাহলে” নিয়ম)। | অন্তর্নিহিত, বিতরণকৃত, নেটওয়ার্ক সংযোগের ওজনে এনকোড করা জ্ঞান। |
| যুক্তি পদ্ধতি | যৌক্তিক deduction, অনুসন্ধান এবং হিউরিস্টিক নিয়ম উপর ভিত্তি করে যুক্তি। | ডেটা-চালিত প্যাটার্ন স্বীকৃতি এবং পরিসংখ্যানগত অনুমানের উপর ভিত্তি করে যুক্তি। |
| মূল প্রযুক্তি | বিশেষজ্ঞ সিস্টেম, লজিক প্রোগ্রামিং, জ্ঞানের গ্রাফ। | কৃত্রিম নিউরাল নেটওয়ার্ক, গভীর শিক্ষা, বৃহৎ ভাষা মডেল। |
| সুবিধা | শক্তিশালী ব্যাখ্যাযোগ্যতা, যৌক্তিকভাবে কঠোর, সু-সংজ্ঞায়িত এলাকায় সেরা। | শক্তিশালী শেখার ক্ষমতা, অস্পষ্ট এবং অসংগঠিত ডেটা পরিচালনা করতে পারে, ভাল সাধারণীকরণ ক্ষমতা। |
| অসুবিধা | জ্ঞান অধিগ্রহণ বাধা, অনিশ্চয়তা পরিচালনা করার দুর্বল ক্ষমতা, ভঙ্গুর সিস্টেম। | “ব্ল্যাক বক্স” সমস্যা (দুর্বল ব্যাখ্যাযোগ্যতা), প্রচুর পরিমাণে ডেটা এবং কম্পিউটিং পাওয়ার প্রয়োজন, প্রতিকূল আক্রমণের জন্য সংবেদনশীল। |
| ঐতিহাসিক শিখর | ১৯৭০ ও ১৯৮০-এর দশকে বিশেষজ্ঞ সিস্টেমের যুগ। | ২০১০ থেকে আজকের গভীর শিক্ষার যুগ। |
| প্রতিনিধিত্বকারী ব্যক্তিত্ব | মারভিন মিনস্কি, হার্বার্ট এ. সাইমন, অ্যালেন নিউয়েল। | জিওফ্রে hints, ইয়ান লেকুন, জন হপফিল্ড, ফাই-ফাই লি। |
আধুনিক এআই-এর সর্বজনীন ভাষা: মূল গাণিতিক নীতি
আধুনিক এআই-এর রহস্য উন্মোচন করতে হলে উপলব্ধি করতে হবে যে এর “অন্তর্নিহিত যুক্তি” মানুষের সাধারণ জ্ঞান বা যুক্তি নয়, বরং একটি সুনির্দিষ্ট এবং সর্বজনীন গাণিতিক ভাষা। বিশেষত, সংযোগবাদ-অধ্যুষিত এআই মূলত “ডেটা, অ্যালগরিদম এবং কম্পিউটিং পাওয়ার” দ্বারা চালিত ফলিত গণিত। বুদ্ধিমত্তা তৈরি, শিক্ষা এবং অপ্টিমাইজেশনের প্রক্রিয়াগুলিকে তিনটি গাণিতিক স্তম্ভের সমন্বয়ে বিভক্ত করা যেতে পারে: সম্ভাব্যতা পরিসংখ্যান, রৈখিক বীজগণিত এবং ক্যালকুলাস।
২.১ এআই-এর গাণিতিক প্রকৃতি
বর্তমান কৃত্রিম বুদ্ধিমত্তার মূল কাজটিকে সাধারণত বর্ণনা করা যেতে পারে: একটি উচ্চ-মাত্রিক, জটিল সমস্যা স্থানে প্রায় সর্বোত্তম সমাধান খুঁজে বের করা। সমস্ত সম্ভাবনাকে সম্পূর্ণরূপে চেষ্টা করে সমস্যা সমাধানের পরিবর্তে, এটি একটি যথেষ্ট ভাল সমাধান খুঁজে পেতে গাণিতিক পদ্ধতি প্রয়োগ করে। গণিত এআইকে আনুষ্ঠানিক মডেলিং সরঞ্জাম এবং বৈজ্ঞানিক বর্ণনার ভাষা সরবরাহ করে এবং এআই সিস্টেম তৈরি, বোঝা এবং উন্নত করার ভিত্তি।
২.২ স্তম্ভ ১: সম্ভাব্যতা এবং পরিসংখ্যান - অনিশ্চয়তার যুক্তি
সম্ভাব্যতা তত্ত্ব এবং পরিসংখ্যান অনিশ্চিত পরিবেশে যুক্তি দেওয়ার এবং ডেটা থেকে প্যাটার্ন বের করার জন্য এআইকে একটি তাত্ত্বিক কাঠামো সরবরাহ করে। এআই মডেলগুলি মূলত সম্ভাব্য সিস্টেম যা ভবিষ্যদ্বাণী এবং সিদ্ধান্ত নেওয়ার জন্য ডেটার অন্তর্নিহিত বিতরণ শিখে।
যাইহোক, বিগ ডেটার উত্থান ঐতিহ্যবাহী পরিসংখ্যানের ভিত্তিকে একটি গুরুতর চ্যালেঞ্জ জানাচ্ছে। ঐতিহ্যবাহী পরিসংখ্যানগত তত্ত্বগুলি, যেমন বৃহৎ সংখ্যার নিয়ম এবং কেন্দ্রীয় সীমা উপপাদ্য, বেশিরভাগ ক্ষেত্রেই এই ধারণার উপর ভিত্তি করে তৈরি যে নমুনাগুলি “স্বাধীন এবং অভিন্নভাবে বিতরণ করা” (i.i.d.) এবং নমুনার আকার n বৈশিষ্ট্যের সংখ্যা p-এর চেয়ে অনেক বেশি (অর্থাৎ, p ≪ n)। কিন্তু বিগ ডেটার যুগে, এই অনুমানগুলি প্রায়শই ভেঙে যায়। উদাহরণস্বরূপ, চিত্র সনাক্তকরণ টাস্কে, একটি উচ্চ-রেজোলিউশনের ছবিতে কয়েক মিলিয়ন পিক্সেল (বৈশিষ্ট্য p) থাকতে পারে, যেখানে প্রশিক্ষণ ডেটাসেটে কেবলমাত্র কয়েক হাজার চিত্র (নমুনা n) থাকতে পারে, যা “মাত্রা অভিশাপ” সমস্যার দিকে পরিচালিত করে যেখানে p ≫ n। এই ক্ষেত্রে, “ছদ্ম-সম্পর্ক” তৈরি করা সহজ যা ঐতিহ্যবাহী পরিসংখ্যানগত পদ্ধতিকে অবৈধ করে তোলে।
গভীর শিক্ষার উত্থান কিছু পরিমাণে এই চ্যালেঞ্জের প্রতিক্রিয়া। এটি ঐতিহ্যবাহী পরিসংখ্যানগত অনুমানের উপর নির্ভর না করে উচ্চ-মাত্রিক ডেটা থেকে কার্যকর বৈশিষ্ট্য উপস্থাপনা স্বয়ংক্রিয়ভাবে শেখার একটি পদ্ধতি সরবরাহ করে। তা