জ্ঞানীয় দৃষ্টান্ত: মস্তিষ্ক-অনুপ্রাণিত এআই বিকাশের অন্বেষণ

"আমাদের বুদ্ধিমত্তাই আমাদেরকে মানুষ করে তোলে এবং এআই সেই গুণেরই একটি সম্প্রসারণ" - ইয়ান লেকুন

নিউরাল নেটওয়ার্কের আবির্ভাবের পর থেকে (এটি কৃত্রিম নিউরাল নেটওয়ার্ক নামেও পরিচিত), এআই শিল্প অতুলনীয় সাফল্য উপভোগ করেছে। নিউরাল নেটওয়ার্ক হল আধুনিক এআই সিস্টেমের চালিকাশক্তি এবং সেগুলি মানুষের মস্তিষ্কের অনুকরণে তৈরি করা হয়েছে। আধুনিক এআই গবেষণায় এমন অ্যালগরিদম তৈরি এবং প্রয়োগ করা জড়িত যা মানুষের মস্তিষ্কের স্নায়বিক প্রক্রিয়াগুলিকে নকল করার লক্ষ্যে এমন সিস্টেম তৈরি করে যা মানুষের মতোই শেখে এবং কাজ করে।

এই নিবন্ধে, আমরা AI সিস্টেম তৈরির জন্য মস্তিষ্ক-অনুপ্রাণিত পদ্ধতি বোঝার চেষ্টা করব। এটি লক্ষণীয় যে এই বিষয়টি একটি অন্তর্নিহিতভাবে বিস্তৃত হলেও, আমি যতটা সম্ভব সংক্ষিপ্ত এবং সংক্ষিপ্ত হব। আমি সাব-বিষয়গুলিকে স্বতন্ত্র নিবন্ধ হিসাবে বিবেচনা করার পরিকল্পনা করছি, এবং আমি অবশ্যই নিবন্ধের শেষে রেফারেন্স ছেড়ে দেব।

বিষয়বস্তু ভাঙ্গন

আমি কীভাবে এটির কাছে যেতে আশা করি:

• AI-তে মস্তিষ্ক-অনুপ্রাণিত পদ্ধতির ইতিহাস: এখানে আমরা আলোচনা করব কীভাবে বিজ্ঞানী নরম্যান ওয়েইনার অ্যান ওয়ারেন ম্যাককুলচ নিউরোসায়েন্স এবং কম্পিউটার বিজ্ঞানের একীকরণ নিয়ে এসেছিলেন, কীভাবে ফ্র্যাঙ্ক রোজেনব্ল্যাটের পারসেপ্ট্রন মানুষের বুদ্ধিমত্তার নকল করার প্রথম বাস্তব প্রচেষ্টা ছিল এবং কীভাবে এটি ব্যর্থ হয়েছিল। গ্রাউন্ড ব্রেকিং কাজ নিয়ে এসেছে যা নিউরাল নেটওয়ার্কের প্ল্যাটফর্ম হিসাবে কাজ করবে।

  
  

• মানুষের মস্তিষ্ক কীভাবে কাজ করে এবং কীভাবে এটি AI সিস্টেমের সাথে সম্পর্কিত: এই বিভাগে, আমরা AI-তে মস্তিষ্ক-অনুপ্রাণিত পদ্ধতির জন্য জৈবিক ভিত্তির মধ্যে ডুব দেব। আমরা মানব মস্তিষ্কের মৌলিক গঠন এবং কার্যাবলী নিয়ে আলোচনা করব, এর মূল বিল্ডিং ব্লক, নিউরন এবং কীভাবে তারা তথ্য প্রক্রিয়াকরণের জন্য একসাথে কাজ করে এবং জটিল ক্রিয়াকলাপগুলিকে সক্ষম করে তা বুঝব।

  
  

• AI-তে মস্তিষ্ক-অনুপ্রাণিত পদ্ধতির পিছনে মূল নীতিগুলি: এখানে আমরা AI-তে মস্তিষ্ক-অনুপ্রাণিত পদ্ধতির পিছনে মৌলিক ধারণাগুলি নিয়ে আলোচনা করব। আমরা ব্যাখ্যা করব কিভাবে ধারণা যেমন; নিউরাল নেটওয়ার্ক, হায়ারার্কিক্যাল প্রসেসিং, এবং প্লাস্টিসিটি এবং কীভাবে সমান্তরাল প্রক্রিয়াকরণের কৌশল, বিতরণ করা উপস্থাপনা, এবং পুনরাবৃত্ত প্রতিক্রিয়া এআইকে মস্তিষ্কের কার্যকারিতা অনুকরণে সহায়তা করে।

• মানব মস্তিষ্কের অনুকরণে তৈরি এআই সিস্টেম তৈরির চ্যালেঞ্জ: এখানে আমরা মানব মস্তিষ্কের অনুকরণ করে এমন সিস্টেম তৈরি করার প্রচেষ্টার অন্তর্নিহিত চ্যালেঞ্জ এবং সীমাবদ্ধতা সম্পর্কে কথা বলব। চ্যালেঞ্জ যেমন; মস্তিষ্কের জটিলতা, এবং জ্ঞানের একীভূত তত্ত্বের অভাব এই চ্যালেঞ্জ এবং সীমাবদ্ধতাগুলিকে কীভাবে মোকাবেলা করা হচ্ছে তা অন্বেষণ করে।

  
  

চলো আমরা শুরু করি!

AI-তে মস্তিষ্ক-অনুপ্রাণিত পদ্ধতির ইতিহাস

বুদ্ধিমান আচরণে সক্ষম এমন মেশিন তৈরির ড্রাইভ এমআইটি প্রফেসরের অনুপ্রেরণার অনেকটাই ঋণী, . নরবার্ট ওয়েইনার একজন শিশু প্রডিজি ছিলেন যিনি তিন বছর বয়সে পড়তে পারতেন। গণিত, নিউরোফিজিওলজি, ওষুধ এবং পদার্থবিদ্যার মতো বিভিন্ন ক্ষেত্রে তার বিস্তৃত জ্ঞান ছিল।

নরবার্ট ওয়েইনার বিশ্বাস করতেন যে বিজ্ঞানের প্রধান সুযোগগুলি অন্বেষণের মধ্যে রয়েছে যাকে তিনি সীমানা অঞ্চল হিসাবে অভিহিত করেছেন - অধ্যয়নের ক্ষেত্রগুলি যা স্পষ্টভাবে একটি নির্দিষ্ট শৃঙ্খলার মধ্যে নয় বরং মেডিসিন এবং ইঞ্জিনিয়ারিং অধ্যয়নের মতো শৃঙ্খলাগুলির মিশ্রণের ক্ষেত্র তৈরি করতে একত্রিত হচ্ছে। মেডিকেল ইঞ্জিনিয়ারিং-, তাকে বলা হয়েছে:

"যদি একটি শারীরবৃত্তীয় সমস্যার অসুবিধা গাণিতিক প্রকৃতির হয়, তবে গণিত সম্পর্কে অজ্ঞ দশজন শারীরবিজ্ঞানী গণিত সম্পর্কে অজ্ঞ একজন ফিজিওলজিস্টের মতো সঠিকভাবে পাবেন"

1934 সালে, ওয়েইনার এবং আরও কয়েকজন শিক্ষাবিদ সীমানা অঞ্চল বিজ্ঞানের সাথে জড়িত কাগজপত্র নিয়ে আলোচনা করার জন্য মাসিক একত্রিত হন।

এটি অর্ধ-বেকড ধারণা, অপর্যাপ্ত আত্ম-সমালোচনা, অতিরঞ্জিত আত্মবিশ্বাস এবং আড়ম্বরপূর্ণতার জন্য একটি নিখুঁত ক্যাথারসিস ছিল - নরম্যান ওয়েইনার

এই সেশনগুলি থেকে এবং তার নিজের ব্যক্তিগত গবেষণা থেকে, ওয়েইনার জৈবিক স্নায়ুতন্ত্রের উপর নতুন গবেষণার পাশাপাশি ইলেকট্রনিক কম্পিউটারে অগ্রগামী কাজ সম্পর্কে শিখেছিলেন এবং তার স্বাভাবিক প্রবণতা ছিল এই দুটি ক্ষেত্রকে মিশ্রিত করা। এবং তাই, নিউরোসায়েন্স এবং কম্পিউটার বিজ্ঞানের মধ্যে একটি সম্পর্ক তৈরি হয়েছিল। এই সম্পর্কটি কৃত্রিম বুদ্ধিমত্তা তৈরির ভিত্তি হয়ে উঠেছে, যেমনটি আমরা জানি।

দ্বিতীয় বিশ্বযুদ্ধের পর, উইনার মানুষ এবং মেশিন উভয়ের বুদ্ধিমত্তা সম্পর্কে তত্ত্ব গঠন করতে শুরু করেন এবং এই নতুন ক্ষেত্রের নামকরণ করা হয় . সাইবারনেটিক্সে ওয়েনারের প্রবেশ সফলভাবে বিজ্ঞানীদের প্রকৌশলের সাথে জীববিজ্ঞানের মিশে যাওয়ার সম্ভাবনা সম্পর্কে কথা বলেছে। উল্লিখিত বিজ্ঞানীদের একজন ছিলেন নামক একজন নিউরোফিজিওলজিস্ট , যিনি তারপরে ইয়েলে দর্শন এবং মনোবিজ্ঞান অধ্যয়নের জন্য হ্যাভারফোর্ড বিশ্ববিদ্যালয় থেকে ড্রপ আউট হয়ে যান।

নিউইয়র্কে একটি বৈজ্ঞানিক সম্মেলনে যোগদান করার সময়, তিনি জৈবিক প্রতিক্রিয়া প্রক্রিয়ার উপর সহকর্মীদের দ্বারা লেখা কাগজপত্রের সংস্পর্শে আসেন। পরের বছর, ওয়াল্টার পিটস নামে তার 18-বছর-বয়সী প্রতিভাবান ব্যক্তিত্বের সাথে সহযোগিতায়, ম্যাককালোচ মস্তিষ্ক কীভাবে কাজ করে সে সম্পর্কে একটি তত্ত্ব প্রস্তাব করেছিলেন - একটি তত্ত্ব যা কম্পিউটার এবং মস্তিষ্ক মূলত একইভাবে কাজ করে এমন বিস্তৃত ধারণাকে উত্সাহিত করতে সহায়তা করবে।

তারা বাইনারি সংখ্যার নিউরন প্রক্রিয়াকরণের সম্ভাবনার উপর ম্যাককুলোচের গবেষণার উপর ভিত্তি করে তাদের সিদ্ধান্তে এসেছে (অজ্ঞাতদের জন্য, কম্পিউটারগুলি বাইনারি সংখ্যার মাধ্যমে যোগাযোগ করে)। এই তত্ত্বটি একটি কৃত্রিম নিউরাল নেটওয়ার্কের প্রথম মডেল হয়ে ওঠার ভিত্তি হয়ে ওঠে, যার নাম দেওয়া হয়েছিল ম্যাককুলোচ-পিটস নিউরন (এমসিপি)।

এমসিপি প্রথম নিউরাল নেটওয়ার্ক তৈরির ভিত্তি হিসাবে কাজ করেছিল যা হিসাবে পরিচিত হয়েছিল . পারসেপ্ট্রন মনোবিজ্ঞানী দ্বারা তৈরি করা হয়েছিল, যিনি মস্তিষ্কের সিন্যাপ্স দ্বারা অনুপ্রাণিত হয়ে সিদ্ধান্ত নিয়েছিলেন যে মানব মস্তিষ্ক সিন্যাপ্স (নিউরনের মধ্যে যোগাযোগ) এর মাধ্যমে তথ্য প্রক্রিয়া এবং শ্রেণীবদ্ধ করতে পারে তাহলে সম্ভবত একটি ডিজিটাল কম্পিউটার একটি নিউরাল নেটওয়ার্কের মাধ্যমে একই কাজ করতে পারে।

পারসেপ্ট্রন মূলত একটি কৃত্রিম নিউরন থেকে MCP নিউরনকে একটি নিউরনের নেটওয়ার্কে স্কেল করেছিল, কিন্তু দুর্ভাগ্যবশত, পারসেপ্ট্রনের কিছু প্রযুক্তিগত চ্যালেঞ্জ ছিল যা এর ব্যবহারিক প্রয়োগকে সীমিত করে দিয়েছিল, এর সীমাবদ্ধতার মধ্যে সবচেয়ে উল্লেখযোগ্য ছিল জটিল ক্রিয়াকলাপ সম্পাদন করতে না পারা (যেমন আরও অনেকের মধ্যে শ্রেণীবদ্ধ করা। একাধিক আইটেম, উদাহরণস্বরূপ, একটি পারসেপ্টরন একটি বিড়াল, একটি কুকুর এবং একটি পাখির মধ্যে শ্রেণীবিভাগ করতে পারে না)।

1969 সালে প্রকাশিত একটি বই এবং পারসেপ্ট্রন শিরোনামে পারসেপ্ট্রনের ত্রুটিগুলি বিশদভাবে তুলে ধরা হয়েছে এবং সেই কারণে, কৃত্রিম নিউরাল নেটওয়ার্কগুলির উপর গবেষণা স্থগিত ছিল যতক্ষণ না ব্যাক প্রোপাগেশনের প্রস্তাব .

ব্যাক প্রোপাগেশন সেই সময়ে নিউরাল নেটওয়ার্কের শিল্প প্রয়োগে বাধা সৃষ্টিকারী জটিল ডেটা শ্রেণীবদ্ধ করার সমস্যা সমাধানের আশা করে। এটি সিনাপটিক প্লাস্টিসিটি দ্বারা অনুপ্রাণিত হয়েছিল; মস্তিষ্ক যেভাবে নিউরনের মধ্যে সংযোগের শক্তি পরিবর্তন করে এবং যেমন কর্মক্ষমতা উন্নত করে। ব্যাক প্রোপাগেশনটি মস্তিষ্কের প্রক্রিয়াটি অনুকরণ করার জন্য ডিজাইন করা হয়েছিল যা ওজন সামঞ্জস্য নামক একটি প্রক্রিয়ার মাধ্যমে নিউরনের মধ্যে সংযোগ শক্তিশালী করে।

পল ওয়ারবোসের প্রাথমিক প্রস্তাব সত্ত্বেও, ব্যাকপ্রোপাগেশন ধারণাটি তখনই ব্যাপকভাবে গ্রহণ করে যখন গবেষকরা যেমন , , এবং প্রকাশিত কাগজপত্র যা নিউরাল নেটওয়ার্ক প্রশিক্ষণের জন্য ব্যাকপ্রোপাগেশনের কার্যকারিতা প্রদর্শন করেছে। ব্যাকপ্রোপাগেশন বাস্তবায়নের ফলে ডিপ লার্নিং তৈরি হয় যা বিশ্বে উপলব্ধ বেশিরভাগ AI সিস্টেমকে শক্তি দেয়।

"মানুষ আজকের কম্পিউটারের চেয়ে স্মার্ট কারণ মস্তিষ্ক একটি মৌলিক গণনামূলক আর্কিটেকচার নিযুক্ত করে যা প্রাকৃতিক তথ্য প্রক্রিয়াকরণের কাজগুলির একটি কেন্দ্রীয় দিক মোকাবেলা করার জন্য আরও উপযুক্ত যা মানুষ খুব ভাল।" - সমান্তরাল বিতরণ প্রক্রিয়াকরণ

মানুষের মস্তিষ্ক কীভাবে কাজ করে এবং কীভাবে এটি এআই সিস্টেমের সাথে সম্পর্কিত

আমরা আলোচনা করেছি কিভাবে গবেষকরা মানব মস্তিষ্কের নকল করার জন্য AI মডেল তৈরি করতে শুরু করেছেন, আসুন এখন দেখা যাক কীভাবে মস্তিষ্ক কাজ করে এবং মস্তিষ্ক এবং AI সিস্টেমের মধ্যে সম্পর্ককে সংজ্ঞায়িত করে।

মস্তিষ্ক কিভাবে কাজ করে: একটি সরলীকৃত বর্ণনা

মানুষের মস্তিষ্ক, মূলত নিউরন ব্যবহারের মাধ্যমে চিন্তাভাবনা প্রক্রিয়া করে, একটি নিউরন 3টি মূল অংশ নিয়ে গঠিত; ডেনড্রাইট, অ্যাক্সন এবং সোমা। ডেনড্রাইট অন্যান্য নিউরন থেকে সংকেত গ্রহণের জন্য দায়ী, সোমা ডেনড্রাইট থেকে প্রাপ্ত তথ্য প্রক্রিয়াকরণ করে এবং অ্যাক্সন পরবর্তী ডেনড্রাইটে ক্রমানুসারে প্রক্রিয়াকৃত তথ্য স্থানান্তর করার জন্য দায়ী।

মস্তিষ্ক কীভাবে চিন্তাভাবনা করে তা বোঝার জন্য, কল্পনা করুন যে আপনি একটি গাড়িকে আপনার দিকে আসতে দেখেছেন, আপনার চোখ অবিলম্বে অপটিক্যাল স্নায়ুর মাধ্যমে আপনার মস্তিষ্কে বৈদ্যুতিক সংকেত পাঠায় এবং তারপরে আগত সংকেত বোঝার জন্য মস্তিষ্ক একটি নিউরনের চেইন তৈরি করে। শৃঙ্খলের প্রথম নিউরন তার ডেনড্রাইটের মাধ্যমে সংকেত সংগ্রহ করে এবং সোমা তার কাজ শেষ করার পরে সিগন্যালটি প্রক্রিয়া করার জন্য সোমাতে পাঠায় এটি অ্যাক্সনের কাছে সংকেত পাঠায় যা পরে চেইনের পরবর্তী নিউরনের ডেনড্রাইটে পাঠায়। , তথ্য প্রেরণ করার সময় অ্যাক্সন এবং ডেনড্রাইটের মধ্যে সংযোগকে সিন্যাপস বলা হয়। পুরো প্রক্রিয়াটি চলতে থাকে যতক্ষণ না মস্তিষ্ক একটি Sapiotemporal Synaptic Inpu t খুঁজে পায় (যার জন্য বৈজ্ঞানিক ভাষা; মস্তিষ্ক প্রসেসিং চালিয়ে যায় যতক্ষণ না এটি প্রেরিত সংকেতের সর্বোত্তম প্রতিক্রিয়া খুঁজে পায়) এবং তারপর এটি প্রয়োজনীয় প্রভাবককে সংকেত পাঠায় যেমন, আপনার পা এবং তখন মস্তিষ্ক আসন্ন গাড়ি থেকে পালিয়ে যাওয়ার জন্য আপনার পায়ে একটি সংকেত পাঠায়।

মস্তিষ্ক এবং এআই সিস্টেমের মধ্যে সম্পর্ক

মস্তিষ্ক এবং এআই-এর মধ্যে সম্পর্কটি মূলত পারস্পরিকভাবে উপকারী এবং মস্তিষ্ক AI সিস্টেমের নকশার পিছনে অনুপ্রেরণার প্রধান উৎস এবং AI-তে অগ্রগতি মস্তিষ্ক এবং এটি কীভাবে কাজ করে তা আরও ভাল বোঝার দিকে পরিচালিত করে।

মস্তিষ্ক এবং AI এর ক্ষেত্রে জ্ঞান এবং ধারণার পারস্পরিক আদান-প্রদান হয় এবং এই সম্পর্কের ইতিবাচক সিম্বিওটিক প্রকৃতিকে প্রমাণ করে এমন বেশ কয়েকটি উদাহরণ রয়েছে:

• নিউরাল নেটওয়ার্ক: তর্কযোগ্যভাবে কৃত্রিম বুদ্ধিমত্তার ক্ষেত্রে মানব মস্তিষ্কের সবচেয়ে উল্লেখযোগ্য প্রভাব হল নিউরাল নেটওয়ার্ক তৈরি করা। সংক্ষেপে, নিউরাল নেটওয়ার্কগুলি হল গণনামূলক মডেল যা জৈবিক নিউরনের কার্যকারিতা এবং কাঠামোর অনুকরণ করে, নিউরাল নেটওয়ার্কগুলির স্থাপত্য এবং তাদের শেখার অ্যালগরিদমগুলি মূলত মস্তিষ্কের নিউরনগুলি যেভাবে মিথস্ক্রিয়া করে এবং অভিযোজিত হয় তার দ্বারা অনুপ্রাণিত হয়।

  
  

• ব্রেন সিমুলেশন: এআই সিস্টেম ব্যবহার করা হয়েছে মানুষের মস্তিষ্ক এবং শারীরিক বিশ্বের সাথে তার মিথস্ক্রিয়া অধ্যয়ন. উদাহরণস্বরূপ, ভিজ্যুয়াল প্রক্রিয়াকরণে জড়িত জৈবিক নিউরনের কার্যকলাপকে অনুকরণ করার জন্য গবেষকদের মেশিন লার্নিং কৌশল রয়েছে এবং ফলাফলটি মস্তিষ্ক কীভাবে চাক্ষুষ তথ্য পরিচালনা করে তার অন্তর্দৃষ্টি প্রদান করেছে।

  
  

• মস্তিষ্কের অন্তর্দৃষ্টি: গবেষকরা মস্তিষ্কের ডেটা এবং এফএমআরআই স্ক্যানগুলি থেকে বিশ্লেষণ এবং অন্তর্দৃষ্টি অর্জনের জন্য মেশিন লার্নিং অ্যালগরিদম ব্যবহার শুরু করেছেন। এই অন্তর্দৃষ্টিগুলি নিদর্শন এবং সম্পর্ক সনাক্ত করতে পরিবেশন করে যা অন্যথায় লুকিয়ে থাকত। অর্জিত অন্তর্দৃষ্টিগুলি অভ্যন্তরীণ জ্ঞানীয় ফাংশন, স্মৃতিশক্তি এবং সিদ্ধান্ত গ্রহণের বোঝার ক্ষেত্রে সাহায্য করতে পারে, এটি অ্যালঝাইমারের মতো মস্তিষ্কের স্থানীয় অসুস্থতার চিকিৎসায়ও সহায়তা করে।

  
  

AI-তে মস্তিষ্ক-অনুপ্রাণিত পদ্ধতির পিছনে মূল নীতি

এখানে আমরা বেশ কিছু ধারণা নিয়ে আলোচনা করব যা মানুষের মস্তিষ্কের কার্যকারিতা অনুকরণে AI কে সাহায্য করে। এই ধারণাগুলি AI গবেষকদের আরও শক্তিশালী এবং বুদ্ধিমান সিস্টেম তৈরি করতে সাহায্য করেছে যা জটিল কাজগুলি সম্পাদন করতে সক্ষম।

নিউরাল নেটওয়ার্ক

যেমনটি আগে আলোচনা করা হয়েছে, নিউরাল নেটওয়ার্কগুলি যুক্তিযুক্তভাবে কৃত্রিম বুদ্ধিমত্তার ক্ষেত্রে মানব মস্তিষ্কের দ্বারা তৈরি করা সবচেয়ে উল্লেখযোগ্য প্রভাব। সংক্ষেপে, নিউরাল নেটওয়ার্কগুলি হল গণনামূলক মডেল যা জৈবিক নিউরনের কার্যকারিতা এবং গঠন অনুকরণ করে, নেটওয়ার্কগুলি আন্তঃসংযুক্ত নোডগুলির বিভিন্ন স্তর দ্বারা গঠিত, যাকে বলা হয় কৃত্রিম নিউরন, যা তথ্যের প্রক্রিয়াকরণ এবং প্রেরণে সহায়তা করে, যা করা হয় অনুরূপ। জৈবিক নিউরাল নেটওয়ার্কে ডেনড্রাইট, সোমাস এবং অ্যাক্সন। নিউরাল নেটওয়ার্কগুলি অতীতের অভিজ্ঞতা থেকে শেখার জন্য স্থাপত্য তৈরি করা হয় যেভাবে মস্তিষ্ক করে।

বিতরণ করা প্রতিনিধিত্ব

বিতরণ করা উপস্থাপনাগুলি একটি প্যাটার্ন গঠনের জন্য একটি নেটওয়ার্কে বেশ কয়েকটি নোড বরাবর প্যাটার্ন হিসাবে একটি নিউরাল নেটওয়ার্কে ধারণা বা ধারণাগুলিকে এনকোড করার একটি উপায়। উদাহরণস্বরূপ, ধূমপানের ধারণাটি একটি নিউরাল নেটওয়ার্কে নোডের একটি নির্দিষ্ট সেট ব্যবহার করে উপস্থাপিত (এনকোড করা) হতে পারে এবং তাই যদি সেই নেটওয়ার্কটি কোনও ব্যক্তির ধূমপান করার চিত্রের সাথে আসে তবে সেই নির্বাচিত নোডগুলিকে চিত্রটি বোঝার জন্য ব্যবহার করে (এটি এর চেয়ে অনেক বেশি জটিল কিন্তু সরলতার জন্য), এই কৌশলটি AI সিস্টেমকে জটিল ধারণা বা ধারণার মধ্যে সম্পর্ক মনে রাখতে সাহায্য করে যেভাবে মস্তিষ্ক জটিল উদ্দীপনাকে চিনতে এবং মনে রাখে।

পুনরাবৃত্ত প্রতিক্রিয়া

এটি একটি কৌশল যা এআই মডেলের প্রশিক্ষণে ব্যবহৃত হয় যেখানে একটি নিউরাল নেটওয়ার্কের আউটপুট ইনপুট হিসাবে ফেরত দেওয়া হয় যাতে নেটওয়ার্কটি প্রশিক্ষণে অতিরিক্ত ডেটা ইনপুট হিসাবে তার আউটপুটকে সংহত করতে দেয়। এটি আগের অভিজ্ঞতার উপর ভিত্তি করে তার মডেল সামঞ্জস্য করার জন্য মস্তিষ্ক কীভাবে প্রতিক্রিয়া লুপ ব্যবহার করে তার অনুরূপ।

সমান্তরাল প্রক্রিয়াকরণ

সমান্তরাল প্রক্রিয়াকরণে গতি উন্নত করার প্রয়াসে অন্য প্রসেসরে ছোট বিটগুলি প্রক্রিয়া করার প্রচেষ্টায় জটিল গণনামূলক কাজগুলিকে ছোট বিটে বিভক্ত করা জড়িত। এই পদ্ধতিটি এআই সিস্টেমগুলিকে আরও ইনপুট ডেটা দ্রুত প্রক্রিয়া করতে সক্ষম করে, যেমন মস্তিষ্ক একই সময়ে বিভিন্ন কাজ সম্পাদন করতে সক্ষম হয় (মাল্টি-টাস্কিং)।

মনোযোগ মেকানিজম

এটি একটি কৌশল যা AI মডেলগুলিকে ইনপুট ডেটার নির্দিষ্ট অংশগুলিতে ফোকাস করতে সক্ষম করে, এটি সাধারণত প্রাকৃতিক ভাষা প্রক্রিয়াকরণের মতো সেক্টরগুলিতে নিযুক্ত করা হয় যাতে জটিল এবং কষ্টকর ডেটা থাকে। এটি একটি বৃহৎভাবে বিভ্রান্তিকর পরিবেশের শুধুমাত্র নির্দিষ্ট অংশগুলিতে উপস্থিত থাকার মস্তিষ্কের ক্ষমতা দ্বারা অনুপ্রাণিত হয়; কথোপকথনের একটি কথোপকথন থেকে একটি কথোপকথনে টিউন করার এবং ইন্টারঅ্যাক্ট করার আপনার ক্ষমতার মতো।

শক্তিবৃদ্ধি শিক্ষা

রিইনফোর্সমেন্ট লার্নিং হল AI সিস্টেমকে প্রশিক্ষিত করার জন্য ব্যবহৃত একটি কৌশল, এটি দ্বারা অনুপ্রাণিত হয়েছিল যে কীভাবে মানুষ ট্রায়াল এবং ত্রুটির মাধ্যমে দক্ষতা শেখে। এটি একটি এআই এজেন্টকে তার কর্মের উপর ভিত্তি করে পুরষ্কার বা শাস্তি প্রদান করে, এটি এজেন্টকে তার ভুল থেকে শিখতে এবং তার ভবিষ্যতের ক্রিয়াকলাপে আরও দক্ষ হতে সক্ষম করে (এই কৌশলটি সাধারণত গেম তৈরিতে ব্যবহৃত হয়)।

তত্ত্বাবধানহীন শিক্ষা

মস্তিস্ক ক্রমাগত শব্দ, ভিজ্যুয়াল বিষয়বস্তু, ত্বকের সংবেদনশীল অনুভূতি ইত্যাদির আকারে ডেটার নতুন স্ট্রীম গ্রহণ করছে এবং এটিকে এই সমস্ত কিছু বোঝাতে হবে এবং কীভাবে এই সমস্ত আপাতদৃষ্টিতে ভিন্ন ঘটনাগুলি সম্পর্কে একটি সুসংগত এবং যৌক্তিক বোঝাপড়া তৈরি করার চেষ্টা করতে হবে। এর শারীরিক অবস্থাকে প্রভাবিত করে।

এই উপমাটিকে একটি উদাহরণ হিসাবে ধরুন, আপনি আপনার ত্বকে জলের ফোঁটা অনুভব করেন, আপনি ছাদে দ্রুত জলের ফোঁটা পড়ার শব্দ শুনতে পান, আপনি অনুভব করেন যে আপনার জামাকাপড় ভারী হয়ে যাচ্ছে এবং সেই মুহূর্তে, আপনি জানেন যে বৃষ্টি পড়ছে, তারপর আপনি আপনার মেমরি ব্যাঙ্ক অনুসন্ধান করুন। আপনি একটি ছাতা বহন করেছেন কিনা তা নিশ্চিত করতে এবং আপনি যদি তা করেন তবে আপনি ভাল আছেন, অন্যথায়, আপনি আপনার বর্তমান অবস্থান থেকে আপনার বাড়ির দূরত্ব দেখতে পরীক্ষা করুন যদি এটি কাছাকাছি থাকে, আপনি ভাল আছেন, অন্যথায় আপনি বৃষ্টির তীব্রতা কতটা অনুমান করার চেষ্টা করুন হয়ে উঠতে যাচ্ছে যদি এটি একটি হালকা গুঁড়ি গুঁড়ি বৃষ্টি হয় তবে আপনি আপনার বাড়িতে ফিরে যাওয়ার যাত্রা চালিয়ে যাওয়ার চেষ্টা করতে পারেন, কিন্তু যদি এটি ঝরনা হতে শুরু করে, তবে আপনাকে আশ্রয় খুঁজতে হবে।

আপাতদৃষ্টিতে অসম ডেটা পয়েন্ট (জল, শব্দ, অনুভূতি, দূরত্ব) বোঝার ক্ষমতা কৃত্রিম বুদ্ধিমত্তায় আনসুপারভাইজড লার্নিং নামে একটি কৌশল আকারে প্রয়োগ করা হয়। এটি একটি এআই প্রশিক্ষণ কৌশল যেখানে এআই সিস্টেমগুলিকে স্পষ্ট লেবেল ছাড়াই কাঁচা, অসংগঠিত ডেটা বোঝার জন্য শেখানো হয় (কেউ আপনাকে বলে না যে বৃষ্টি পড়ছে যখন বৃষ্টি পড়ছে, তারা কি করে/)।

মস্তিষ্ক-অনুপ্রাণিত এআই সিস্টেম তৈরিতে চ্যালেঞ্জ

আমরা AI সিস্টেমের অনুপ্রেরণা হিসাবে মস্তিষ্ককে কীভাবে ব্যবহার করার পদ্ধতিটি এসেছিল, মস্তিষ্ক কীভাবে AI-এর সাথে সম্পর্কিত এবং মস্তিষ্ক-অনুপ্রাণিত AI-এর পিছনে মূল নীতিগুলি সম্পর্কে কথা বলেছি। এই বিভাগে, আমরা মানব মস্তিষ্কের আদলে তৈরি AI সিস্টেম তৈরির অন্তর্নিহিত কিছু প্রযুক্তিগত এবং ধারণাগত চ্যালেঞ্জ সম্পর্কে কথা বলতে যাচ্ছি।

জটিলতা

এটি একটি চমত্কার ভয়ঙ্কর চ্যালেঞ্জ. AI-তে মস্তিষ্ক-অনুপ্রাণিত পদ্ধতিটি মস্তিষ্কের মডেলিং এবং সেই মডেলের পরে AI সিস্টেম তৈরির উপর ভিত্তি করে, কিন্তু মানুষের মস্তিষ্ক 100 বিলিয়ন নিউরন এবং আনুমানিক 600 ট্রিলিয়ন সিন্যাপটিক সংযোগ সহ একটি সহজাত জটিল সিস্টেম (প্রতিটি নিউরনে গড়ে 10,000 সিনাপটিক রয়েছে অন্যান্য নিউরনের সাথে সংযোগ), এবং এই সিন্যাপ্সগুলি ক্রমাগত গতিশীল এবং অপ্রত্যাশিত উপায়ে যোগাযোগ করছে। AI সিস্টেমগুলি তৈরি করা যা অনুকরণ করার লক্ষ্যে এবং আশা করা যায় যে জটিলতাটি অতিক্রম করবে, সেই জটিলতা নিজেই একটি চ্যালেঞ্জ এবং সমানভাবে জটিল পরিসংখ্যানগত মডেলের প্রয়োজন।

বড় মডেলের প্রশিক্ষণের জন্য ডেটা প্রয়োজনীয়তা

AI এর GPT 4 ওপেন করুন, যা এই মুহূর্তে টেক্সট-ভিত্তিক AI মডেলগুলির কাটিং প্রান্তের জন্য 47 গিগাবাইট ডেটার প্রয়োজন, তুলনায়, এর পূর্বসূরি GPT3 17 গিগাবাইট ডেটার উপর প্রশিক্ষিত ছিল, যা প্রায় 3 অর্ডারের মাত্রা কম, কল্পনা করুন কত GPT 5 এর উপর প্রশিক্ষিত হবে।

যেমনটি প্রমাণিত হয়েছে যে গ্রহণযোগ্য ফলাফল পাওয়ার জন্য, ব্রেন-ইন্সপায়ার্ড এআই সিস্টেমের কাজগুলির জন্য বিশেষ করে শ্রবণ ও ভিজ্যুয়াল কাজের জন্য প্রচুর পরিমাণে ডেটা এবং ডেটা প্রয়োজন এবং এটি ডেটা সংগ্রহের পাইপলাইন তৈরির উপর অনেক জোর দেয়, উদাহরণস্বরূপ, টেসলা 780 মিলিয়ন মাইল ড্রাইভিং ডেটা এবং এর ডেটা সংগ্রহ পাইপলাইন প্রতি 10 ঘন্টায় আরও মিলিয়ন যোগ করে।

শক্তির দক্ষতা

মস্তিষ্ক-অনুপ্রাণিত AI সিস্টেম তৈরি করা যা মস্তিষ্কের শক্তি দক্ষতা অনুকরণ করে একটি বিশাল চ্যালেঞ্জ। মানুষের মস্তিষ্ক প্রায় 20 ওয়াট শক্তি খরচ করে, তুলনায়, টেসলার অটোপাইলট, বিশেষায়িত চিপগুলিতে, প্রতি সেকেন্ডে প্রায় 2,500 ওয়াট খরচ করে এবং 7.5-মেগাওয়াট ঘন্টা(MWh) একটি AI মডেলকে ChatGPT আকারের প্রশিক্ষণ দিতে।

ব্যাখ্যাযোগ্যতা সমস্যা

মস্তিষ্ক-অনুপ্রাণিত AI সিস্টেমগুলি বিকাশ করা যা ব্যবহারকারীদের দ্বারা বিশ্বাস করা যায় AI এর বৃদ্ধি এবং গ্রহণের জন্য অত্যন্ত গুরুত্বপূর্ণ, কিন্তু সেখানেই সমস্যাটি রয়েছে, মস্তিষ্ক, যে AI সিস্টেমগুলিকে মডেল করার জন্য বোঝানো হয়, মূলত একটি ব্ল্যাক বক্স৷ মস্তিষ্কের অভ্যন্তরীণ কাজগুলি বোঝা সহজ নয়, এটি মস্তিষ্ক কীভাবে চিন্তাভাবনা করে সে সম্পর্কে তথ্যের অভাবের কারণে। মানুষের মস্তিষ্কের জৈবিক গঠন কীভাবে হয় সে বিষয়ে গবেষণার অভাব নেই তবে মস্তিষ্কের কার্যকরী গুণাবলী সম্পর্কে অভিজ্ঞতামূলক তথ্যের একটি নির্দিষ্ট অভাব রয়েছে, অর্থাৎ চিন্তাভাবনা কীভাবে গঠিত হয়, কীভাবে দেজা ভু ঘটে ইত্যাদি, এবং এর ফলে মস্তিষ্ক-অনুপ্রাণিত এআই সিস্টেম তৈরিতে একটি সমস্যা।

ইন্টারডিসিপ্লিনারি প্রয়োজনীয়তা

মস্তিষ্ক-অনুপ্রাণিত এআই সিস্টেম তৈরির জন্য বিভিন্ন ক্ষেত্রের বিশেষজ্ঞদের জ্ঞান প্রয়োজন, যেমন; নিউরোসায়েন্স, কম্পিউটার সায়েন্স, ইঞ্জিনিয়ারিং, ফিলোসফি এবং সাইকোলজি। কিন্তু সেখানে লজিস্টিক এবং ফাউন্ডেশনাল উভয় ক্ষেত্রেই একটি চ্যালেঞ্জ রয়েছে, এই অর্থে যে বিভিন্ন ক্ষেত্রের বিশেষজ্ঞদের খুব আর্থিকভাবে কাজ করা, এবং জ্ঞানের দ্বন্দ্বের সমস্যাও রয়েছে; একজন প্রকৌশলীকে সে যা তৈরি করছে তার মনস্তাত্ত্বিক প্রভাব সম্পর্কে যত্ন নেওয়া সত্যিই কঠিন, অহংকে সংঘর্ষের সমস্যার কথা বলা নয়।

সারসংক্ষেপ

উপসংহারে, যদিও মস্তিষ্ক-অনুপ্রাণিত পদ্ধতি AI সিস্টেম তৈরির সুস্পষ্ট পথ (আমরা আলোচনা করেছি কেন), এটি চ্যালেঞ্জের সাথে তৈরি করা হয় তবে আমরা এই আশা নিয়ে ভবিষ্যতের দিকে তাকাতে পারি যে এই সমস্যাগুলি সমাধান করার জন্য প্রচেষ্টা করা হচ্ছে।

তথ্যসূত্র