কৃত্রিম বুদ্ধিমত্তার ক্ষেত্রে, একটি বিবর্তনীয় অ্যালগরিদম (EA) হল মেটাহিউরিস্টিক অপ্টিমাইজেশানের উপর ভিত্তি করে মোট জনসংখ্যার গণনার একটি উপসেট। EA জৈবিক উন্নয়ন যেমন প্রজনন, মিউটেশন, পুনর্মিলন এবং নির্বাচন দ্বারা অনুপ্রাণিত প্রক্রিয়া ব্যবহার করে। বিবর্তনীয় অপ্টিমাইজেশান অ্যালগরিদমের সমস্যায় প্রার্থীর সমাধান জনসংখ্যার ব্যক্তিদের ভূমিকা পালন করে। এবং ফিটনেস ফাংশন উত্তরের গুণমান নির্ধারণ করে।
বিবর্তনীয় অ্যালগরিদম প্রায়ই সব ধরনের সমস্যার আনুমানিক সমাধান করে। কারণ আদর্শভাবে তারা অন্তর্নিহিত ফিটনেস ল্যান্ডস্কেপ সম্পর্কে কোন অনুমান করে না। বিবর্তনীয় মডেলিং এবং জেনেটিক অ্যালগরিদমের জন্য ব্যবহৃত পদ্ধতিগুলি সাধারণত সেলুলার পর্যায়ের উপর ভিত্তি করে মাইক্রোবিবর্তনীয় প্রক্রিয়া এবং পরিকল্পনা মডেলগুলির অধ্যয়নের মধ্যে সীমাবদ্ধ থাকে। বেশিরভাগ বাস্তব ইএ অ্যাপ্লিকেশনে, গণনাগত জটিলতা একটি নিষিদ্ধ কারণ।
আসলেএই সমস্যাটি ফিটনেস ফাংশন অনুমানের সাথে সম্পর্কিত। এই অসুবিধা কাটিয়ে উঠতে ফিটনেস আনুমানিক একটি সমাধান। যাইহোক, একটি আপাতদৃষ্টিতে সহজ EA প্রায়শই জটিল সমস্যার সমাধান করতে পারে। অতএব, অনুক্রমের জটিলতা এবং সমস্যার মধ্যে সরাসরি কোন সম্পর্ক থাকতে পারে না। আরও বিশদ বিবরণ "বিবর্তনীয় অ্যালগরিদম" বইতে পাওয়া যাবে।
বাস্তবায়ন
প্রথম ধাপ হল এলোমেলোভাবে ব্যক্তিদের প্রাথমিক জনসংখ্যা তৈরি করা।
ধাপ দুই হল এই দলের প্রত্যেক ব্যক্তির উপযুক্ততা মূল্যায়ন করা (সময় সীমা, পর্যাপ্ত প্রস্তুতি, ইত্যাদি)।
ধাপ তিন - সম্পূর্ণ করার জন্য নিম্নলিখিত পুনর্জন্মের পদক্ষেপগুলি পুনরাবৃত্তি করুন:
- প্রজননের জন্য সবচেয়ে উপযোগী ব্যক্তি নির্বাচন করুন (পিতামাতা)।
- সন্তান পেতে ক্রসওভার এবং মিউটেশন ব্যবহার করে বিবর্তনীয় অ্যালগরিদম পাস করা নতুন ব্যক্তিদের নিয়ে আসুন।
- নতুন ব্যক্তিদের স্বতন্ত্র ফিটনেস মূল্যায়ন করুন।
- নিম্নতম উপযুক্ত জনসংখ্যাকে তাদের দিয়ে প্রতিস্থাপন করুন।
প্রকার
জেনেটিক অ্যালগরিদম হল একটি বিবর্তনীয় ক্রম, সবচেয়ে জনপ্রিয় ধরনের বিশেষজ্ঞ উপদেষ্টা। রিকম্বিনেশন এবং মিউটেশন (কখনও কখনও এক, কিছু ক্ষেত্রে উভয়ই) এই ধরনের বিশেষজ্ঞ উপদেষ্টা প্রায়ই অপ্টিমাইজেশন সমস্যা ব্যবহার করা হয়. এর আরেকটি নাম ফেটুরা (ল্যাটিন থেকে "জন্ম"):
- জেনেটিক প্রোগ্রামিং। এটি সমাধানগুলিকে কম্পিউটার কোড হিসাবে উপস্থাপন করে এবং তাদের উপযুক্ততা গণনামূলক কাজগুলি সম্পাদন করার ক্ষমতা দ্বারা নির্ধারিত হয়৷
- বিবর্তনীয় প্রোগ্রামিং। বিবর্তনীয় জেনেটিক অ্যালগরিদমের অনুরূপ, তবে গঠনটি স্থির এবং এর সংখ্যাগত পরামিতিগুলি পরিবর্তিত হতে পারে৷
- প্রোগ্রামিং জিন এক্সপ্রেশন। কম্পিউটার অ্যাপ্লিকেশন বিকাশ করে, কিন্তু জিনোটাইপ-ফেনোটাইপ সিস্টেমটি অন্বেষণ করে, যেখানে বিভিন্ন আকারের প্রকল্পগুলি নির্দিষ্ট দৈর্ঘ্যের রৈখিক ক্রোমোসোমে এনকোড করা হয়৷
- কৌশল। সমাধানের উপস্থাপনা হিসাবে বাস্তব সংখ্যার ভেক্টরের সাথে কাজ করে। সাধারণত স্ব-অভিযোজিত বিবর্তনীয় মিউটেশন রেট অ্যালগরিদম ব্যবহার করে।
- ডিফারেনশিয়াল ডেভেলপমেন্ট। ভেক্টর পার্থক্যের উপর ভিত্তি করে এবং তাই প্রাথমিকভাবে সংখ্যাসূচক অপ্টিমাইজেশন সমস্যার জন্য উপযুক্ত৷
- নিউরোবিবর্তন। বিবর্তনীয় প্রোগ্রামিং এবং জেনেটিক অ্যালগরিদমের অনুরূপ। কিন্তু পরেরটি হল কৃত্রিম নিউরাল নেটওয়ার্ক, যা সংযোগগুলির গঠন এবং ওজন বর্ণনা করে। জিনোম এনকোডিং প্রত্যক্ষ বা পরোক্ষ হতে পারে।
জৈবিক প্রক্রিয়ার সাথে তুলনা
অনেক বিবর্তনীয় অ্যালগরিদমের একটি সম্ভাব্য সীমাবদ্ধতা হল জিনোটাইপ এবং ফেনোটাইপের মধ্যে স্পষ্ট পার্থক্যের অভাব। প্রকৃতিতে, একটি নিষিক্ত ডিম পরিপক্ক হওয়ার জন্য একটি জটিল প্রক্রিয়ার মধ্য দিয়ে যায় যা ভ্রূণজনিত নামে পরিচিত। এই পরোক্ষ কোডিং জেনেটিক অনুসন্ধানগুলিকে আরও নির্ভরযোগ্য করে তোলে বলে মনে করা হয় (যেমন, মারাত্মক মিউটেশন ঘটার সম্ভাবনা কম) এবং এটি জীবের বিকাশের ক্ষমতাকেও উন্নত করতে পারে। যেমন পরোক্ষ (অন্য কথায়,জেনারেটিভ বা ডেভেলপমেন্টাল) এনকোডিংগুলি বিবর্তনকে পরিবেশের নিয়মিততাকে কাজে লাগাতে দেয়৷
কৃত্রিম ভ্রূণজনিত বা উন্নয়নমূলক ব্যবস্থায় সাম্প্রতিক কাজ এই সমস্যাগুলি সমাধান করার চেষ্টা করে। জিন এক্সপ্রেশন প্রোগ্রামিং করার সময়, জিনোটাইপ-ফেনোটাইপ অঞ্চলটি সফলভাবে অন্বেষণ করা হয়, যেখানে প্রথমটি নির্দিষ্ট দৈর্ঘ্যের রৈখিক মাল্টিজিন ক্রোমোজোম নিয়ে গঠিত এবং দ্বিতীয়টি অনেক এক্সপ্রেশন ট্রি বা বিভিন্ন আকার এবং আকারের কম্পিউটার প্রোগ্রামগুলির মধ্যে থাকে৷
সংশ্লিষ্ট কৌশল
অ্যালগরিদম অন্তর্ভুক্ত:
- পিঁপড়া উপনিবেশ অপ্টিমাইজেশান। এটি এই ধারণার উপর ভিত্তি করে তৈরি করা হয়েছে যে কীটপতঙ্গরা ফেরোমোনের সাথে সংযোগ করে পথ তৈরি করে খাদ্যের সন্ধান করে। প্রাথমিকভাবে সমন্বিত অপ্টিমাইজেশান এবং গ্রাফ সমস্যার জন্য উপযুক্ত৷
- রুট স্লাইডার অ্যালগরিদম। স্রষ্টা প্রকৃতিতে উদ্ভিদের শিকড়ের কাজ দ্বারা অনুপ্রাণিত হয়েছিলেন৷
- কৃত্রিম মৌমাছি উপনিবেশের জন্য অ্যালগরিদম। মৌমাছির আচরণের উপর ভিত্তি করে। এটি প্রাথমিকভাবে সংখ্যাসূচক অপ্টিমাইজেশনের জন্য প্রস্তাবিত এবং সম্মিলিত, আবদ্ধ, এবং বহুমুখী সমস্যা সমাধানের জন্য প্রসারিত করা হয়েছে। মৌমাছির অ্যালগরিদম পোকামাকড়ের চরানোর আচরণের উপর ভিত্তি করে। এটি রাউটিং এবং শিডিউলিংয়ের মতো অনেক অ্যাপ্লিকেশনে প্রয়োগ করা হয়েছে৷
- কণা ঝাঁক অপ্টিমাইজেশান - পশুপালের আচরণের ধারণার উপর ভিত্তি করে। এবং প্রাথমিকভাবে সংখ্যাসূচক প্রক্রিয়ার কাজের জন্য উপযুক্ত৷
অন্যান্য জনপ্রিয় মেটাহিউরিস্টিক পদ্ধতি
- শিকার অনুসন্ধান। নেকড়ে যেমন কিছু প্রাণীর গ্রুপ ধরার উপর ভিত্তি করে একটি পদ্ধতি, উদাহরণস্বরূপ, যাশিকারকে ঘিরে তাদের দায়িত্ব বণ্টন করে। বিবর্তনীয় অ্যালগরিদমের সদস্যদের প্রত্যেকেই অন্যদের সাথে কোনো না কোনোভাবে সম্পর্কযুক্ত। এটি নেতার জন্য বিশেষভাবে সত্য। এটি একটি অবিচ্ছিন্ন অপ্টিমাইজেশন পদ্ধতি যা একটি সমন্বিত প্রক্রিয়া পদ্ধতি হিসাবে অভিযোজিত হয়েছে৷
- পরিমাপ দ্বারা অনুসন্ধান করুন। প্রকৃতি-ভিত্তিক মেটাহিউরিস্টিক পদ্ধতির বিপরীতে, অভিযোজিত প্রক্রিয়া অ্যালগরিদম তার প্রধান নীতি হিসাবে রূপক ব্যবহার করে না। বরং, এটি প্রতিটি পুনরাবৃত্তিতে অনুসন্ধান মাত্রা অনুপাত পরামিতি আপডেট করার উপর ভিত্তি করে একটি সহজ কর্মক্ষমতা-ভিত্তিক পদ্ধতি ব্যবহার করে। ফায়ারফ্লাই অ্যালগরিদম অনুপ্রাণিত হয় কিভাবে ফায়ারফ্লাই তাদের ঝলকানি আলো দিয়ে একে অপরকে আকর্ষণ করে। এটি মাল্টিমডাল অপ্টিমাইজেশনের জন্য বিশেষভাবে উপযোগী৷
- সম্প্রীতির জন্য অনুসন্ধান করুন। সঙ্গীতজ্ঞদের আচরণের ধারণার উপর ভিত্তি করে। এই ক্ষেত্রে, বিবর্তনীয় অ্যালগরিদমগুলি হল সমন্বয়মূলক অপ্টিমাইজেশানের পথ।
- গাউসিয়ান অভিযোজন। তথ্য তত্ত্বের উপর ভিত্তি করে। কর্মক্ষমতা এবং গড় প্রাপ্যতা সর্বাধিক করতে ব্যবহৃত. এই পরিস্থিতিতে বিবর্তনীয় অ্যালগরিদমের একটি উদাহরণ: তাপগতিবিদ্যা এবং তথ্য তত্ত্বে এনট্রপি৷
মেমেটিক
মিমের রিচার্ড ডকিন্সের ধারণার উপর ভিত্তি করে একটি হাইব্রিড পদ্ধতি। এটি সাধারণত একটি জনসংখ্যা-ভিত্তিক অ্যালগরিদমের রূপ নেয় যা স্থানীয় পরিমার্জন করতে সক্ষম পৃথক শিক্ষা পদ্ধতির সাথে মিলিত হয়। সমস্যা-নির্দিষ্ট জ্ঞানের ব্যবহারের উপর জোর দেয় এবং সূক্ষ্ম-দানাযুক্ত এবং বিশ্বব্যাপী অনুসন্ধানগুলিকে সমন্বয়মূলক উপায়ে সংগঠিত করার চেষ্টা করে৷
বিবর্তনীয়অ্যালগরিদম হল সমস্যাগুলির একটি হিউরিস্টিক পদ্ধতি যা বহুপদী সময়ে সহজে সমাধান করা যায় না, যেমন ক্লাসিক্যালি এনপি-হার্ড সমস্যা এবং অন্য কিছু যা সম্পূর্ণভাবে প্রক্রিয়া করতে খুব বেশি সময় নেয়। যখন স্বাধীনভাবে ব্যবহার করা হয়, তারা সাধারণত সমন্বিত সমস্যার জন্য ব্যবহৃত হয়। যাইহোক, জেনেটিক অ্যালগরিদমগুলি প্রায়শই অন্যান্য পদ্ধতির সাথে একযোগে ব্যবহার করা হয়, কাজ করার জন্য একাধিক সর্বোত্তম শুরুর স্থান খুঁজে বের করার একটি দ্রুত উপায় হিসাবে কাজ করে৷
বিবর্তনীয় অ্যালগরিদম (একজন উপদেষ্টা হিসাবে পরিচিত) এর ভিত্তিটি বেশ সহজ যে আপনি প্রাকৃতিক নির্বাচন প্রক্রিয়ার সাথে পরিচিত। এতে চারটি প্রধান ধাপ রয়েছে:
- শুরু করা;
- পছন্দ;
- জেনেটিক অপারেটর;
- শেষ।
এই ধাপগুলির প্রতিটি মোটামুটিভাবে প্রাকৃতিক নির্বাচনের একটি নির্দিষ্ট দিকের সাথে মিলে যায় এবং অ্যালগরিদমের সেই বিভাগটিকে মডুলারাইজ করার সহজ উপায় প্রদান করে। সহজ কথায়, EA-তে, যোগ্যতম সদস্যরা বেঁচে থাকবে এবং পুনরুত্পাদন করবে, যখন অযোগ্য সদস্যরা মারা যাবে এবং পরবর্তী প্রজন্মের জিন পুলে অবদান রাখবে না।
সূচনা
অ্যালগরিদম শুরু করতে, আপনাকে প্রথমে সমাধানের একটি সেট তৈরি করতে হবে। জনসংখ্যার মধ্যে একটি নির্বিচারে সম্ভাব্য সমস্যা বিবৃতি থাকবে, প্রায়ই সদস্য হিসাবে উল্লেখ করা হয়। এগুলি প্রায়শই এলোমেলোভাবে তৈরি করা হয় (কাজের সীমাবদ্ধতার মধ্যে) বা, যদি কিছু পূর্বের জ্ঞান জানা থাকে, যা আদর্শ বলে বিবেচিত হয় তার চারপাশে অস্থায়ীভাবে কেন্দ্রীভূত হয়। এটা গুরুত্বপূর্ণ যে জনসংখ্যা সমাধানের বিস্তৃত পরিসর কভার করে,কারণ এটি মূলত একটি জিন পুল। অতএব, যদি কেউ একটি অ্যালগরিদমের মধ্যে অনেকগুলি বিভিন্ন সম্ভাবনা অন্বেষণ করতে চায়, তবে তার অনেকগুলি ভিন্ন জিন থাকার চেষ্টা করা উচিত৷
পছন্দ
একবার জনসংখ্যা তৈরি হয়ে গেলে, এর সদস্যদের এখন ফিটনেস ফাংশন অনুযায়ী মূল্যায়ন করতে হবে। ফিটনেস ফাংশন একজন সদস্যের বৈশিষ্ট্য নেয় এবং সদস্য কতটা উপযুক্ত তার একটি সংখ্যাসূচক উপস্থাপনা দেয়। এগুলি তৈরি করা প্রায়শই খুব কঠিন হতে পারে। সঠিকভাবে ডেটা উপস্থাপন করে এমন একটি ভাল সিস্টেম খুঁজে পাওয়া গুরুত্বপূর্ণ। এই সমস্যা খুব নির্দিষ্ট. এখন সমস্ত অংশগ্রহণকারীদের উপযুক্ততা গণনা করা এবং সেরা কিছু সদস্য নির্বাচন করা প্রয়োজন৷
একাধিক উদ্দেশ্যমূলক ফাংশন
EAs এই সিস্টেমগুলি ব্যবহার করার জন্যও প্রসারিত করা যেতে পারে। এটি প্রক্রিয়াটিকে কিছুটা জটিল করে তোলে, কারণ একটি সর্বোত্তম পয়েন্ট সনাক্ত করার পরিবর্তে, সেগুলি ব্যবহার করার সময় একটি সেট পাওয়া যায়। সমাধানের সেটটিকে প্যারেটো সীমান্ত বলা হয় এবং এতে এমন উপাদান রয়েছে যা এই অর্থে সমানভাবে উপযুক্ত যে তাদের মধ্যে কেউই অন্যের উপর আধিপত্য বিস্তার করে না।
জেনেটিক অপারেটর
এই ধাপে দুটি উপ-পদক্ষেপ রয়েছে: ক্রসওভার এবং মিউটেশন। সেরা পদগুলি নির্বাচন করার পরে (সাধারণত শীর্ষ 2, তবে এই সংখ্যাটি পরিবর্তিত হতে পারে), সেগুলি এখন অ্যালগরিদমে পরবর্তী প্রজন্ম তৈরি করতে ব্যবহৃত হয়। নির্বাচিত পিতামাতার বৈশিষ্ট্যগুলি প্রয়োগ করে, নতুন সন্তান তৈরি করা হয় যা গুণের মিশ্রণ। এটি প্রায়শই ডেটার ধরণের উপর নির্ভর করে কঠিন হতে পারে, তবে সাধারণত সমন্বিত সমস্যায়বৈধ সংমিশ্রণগুলি মিশ্রিত করা এবং আউটপুট করা বেশ সম্ভব৷
এখন প্রজন্মের মধ্যে নতুন জেনেটিক উপাদান প্রবর্তন করা প্রয়োজন। এই গুরুত্বপূর্ণ পদক্ষেপ না নেওয়া হলে, বিজ্ঞানী খুব দ্রুত স্থানীয় চরমে আটকে যাবেন এবং সর্বোত্তম ফলাফল পাবেন না। এই ধাপটি একটি মিউটেশন, এবং এটি বেশ সহজভাবে করা হয়, শিশুদের একটি ছোট অংশকে এমনভাবে পরিবর্তন করে যাতে তারা প্রধানত পিতামাতার জিনের উপসেটগুলিকে প্রতিফলিত করে না। মিউটেশন সাধারণত সম্ভাব্যভাবে ঘটে, যেহেতু একটি শিশু এটি পাওয়ার সম্ভাবনা এবং সেইসাথে এর তীব্রতা বন্টন দ্বারা নির্ধারিত হয়।
সমাপ্তি
শেষে, অ্যালগরিদম শেষ হতে হবে। এটি সাধারণত দুটি ক্ষেত্রে ঘটে: হয় এটি কিছু সর্বোচ্চ কার্যকর করার সময় পৌঁছেছে, অথবা এটি একটি কর্মক্ষমতা থ্রেশহোল্ডে পৌঁছেছে। এই মুহুর্তে, চূড়ান্ত সমাধান নির্বাচন করা হয় এবং ফেরত দেওয়া হয়৷
বিবর্তনীয় অ্যালগরিদমের উদাহরণ
এখন, এই প্রক্রিয়ার ফলাফল ব্যাখ্যা করার জন্য, আপনাকে উপদেষ্টাকে কাজ করতে দেখতে হবে। এটি করার জন্য, আমরা মনে করতে পারি কিভাবে ডাইনোসরের বেশ কয়েকটি প্রজন্ম হাঁটতে শিখেছিল (ধীরে ধীরে জমি আয়ত্ত করে), তাদের শরীরের গঠন অপ্টিমাইজ করে এবং পেশী শক্তি প্রয়োগ করে। যদিও প্রারম্ভিক প্রজন্মের সরীসৃপগুলি হাঁটতে পারে না, পরামর্শদাতা সময়ের সাথে সাথে মিউটেশন এবং ক্রসওভারের মাধ্যমে তাদের এমন একটি ফর্মে বিকশিত করতে সক্ষম হন যা হাঁটতে পারে৷
এই অ্যালগরিদমগুলি আধুনিক বিশ্বে ক্রমবর্ধমানভাবে প্রাসঙ্গিক হয়ে উঠছে, কারণ তাদের উপর ভিত্তি করে সমাধানগুলি ক্রমবর্ধমানভাবে ব্যবহৃত হচ্ছে যেমন ডিজিটাল মার্কেটিং, ফিনান্স এবংস্বাস্থ্যসেবা।
ইএ কোথায় ব্যবহার করা হয়?
আরো বিস্তৃতভাবে, বিবর্তনীয় অ্যালগরিদমগুলি বিভিন্ন ধরণের অ্যাপ্লিকেশন যেমন ইমেজ প্রসেসিং, গাড়ির রাউটিং, মোবাইল যোগাযোগ অপ্টিমাইজেশান, সফ্টওয়্যার বিকাশ এবং এমনকি কৃত্রিম নিউরাল নেটওয়ার্ক প্রশিক্ষণে ব্যবহৃত হয়। Google Maps এবং এমনকি The Sims-এর মতো গেমগুলি সহ লোকেরা প্রতিদিন ব্যবহার করে এমন অনেক অ্যাপ এবং ওয়েবসাইটগুলির কেন্দ্রস্থলে এই টুলগুলি রয়েছে৷ উপরন্তু, চিকিৎসা ক্ষেত্র ক্যান্সার চিকিত্সা সংক্রান্ত ক্লিনিকাল সিদ্ধান্ত নিতে সাহায্য করার জন্য EA ব্যবহার করে। প্রকৃতপক্ষে, বিবর্তনীয় অ্যালগরিদমগুলি এতটাই মজবুত যে তারা প্রায় যেকোনো অপ্টিমাইজেশান সমস্যার সমাধান করতে ব্যবহার করা যেতে পারে৷
মুরের আইন
EO-এর ক্রমবর্ধমান প্রসার দুটি প্রধান কারণ দ্বারা চালিত হয়: উপলব্ধ কম্পিউটিং শক্তি এবং বড় ডেটাসেট জমা করা। প্রথমটি মুরের আইন দ্বারা বর্ণনা করা যেতে পারে, যা মূলত বলে যে একটি কম্পিউটারে কম্পিউটিং শক্তির পরিমাণ প্রায় প্রতি দুই বছরে দ্বিগুণ হয়। এই ভবিষ্যদ্বাণী কয়েক দশক ধরে চলে আসছে। দ্বিতীয় কারণটি প্রযুক্তির উপর ক্রমবর্ধমান নির্ভরতার সাথে সম্পর্কিত, যা প্রতিষ্ঠানগুলিকে অবিশ্বাস্যভাবে বিপুল পরিমাণ ডেটা সংগ্রহ করতে দেয়, যা তাদের প্রবণতা বিশ্লেষণ করতে এবং পণ্যগুলিকে অপ্টিমাইজ করতে দেয়৷
কীভাবে বিবর্তনীয় অ্যালগরিদম মার্কেটারদের সাহায্য করতে পারে?
বাজারের অবস্থা দ্রুত পরিবর্তিত হচ্ছে এবং খুব প্রতিযোগিতামূলক। এটি বিপণন পরিচালকদের আরও ভাল সিদ্ধান্ত নেওয়ার জন্য প্রতিযোগিতা করতে বাধ্য করেছে। উপলব্ধ বৃদ্ধিকম্পিউটিং শক্তি শ্রমিকদের সমস্যা সমাধানের জন্য EA ব্যবহার করতে পরিচালিত করেছে৷
রূপান্তর অপ্টিমাইজেশান
একটি প্রধান লক্ষ্য হল সাইটে ভিজিটরের হার বাড়ানো। এই সমস্যাটি বিপণনকারী যা চায় তা করে এমন ব্যবহারকারীর সংখ্যা অপ্টিমাইজ করার জন্য ফোঁড়া। উদাহরণস্বরূপ, যদি একটি কোম্পানি ল্যাপটপ বিক্রি করে, আদর্শ হল সাইট দর্শকদের সংখ্যা বাড়ানো যারা পণ্যটি কিনে শেষ করে। এটি রূপান্তর হার অপ্টিমাইজেশানের সারমর্ম৷
আশ্চর্যজনকভাবে গুরুত্বপূর্ণ একটি দিক হল ব্যবহারকারীর ইন্টারফেসের পছন্দ। যদি ওয়েব ডিজাইন খুব ইউজার ফ্রেন্ডলি না হয়, তবে এমন কিছু লোক আছে যারা শেষ পর্যন্ত কোনো না কোনো কারণে পণ্যটি কিনছে না। তারপরে লক্ষ্য হল ব্যবহারকারীদের সংখ্যা কমানো যারা শেষ পর্যন্ত রূপান্তরিত হয় না, যা সামগ্রিক লাভ বাড়ায়।
