নলেজ ইঞ্জিনিয়ারিং হল পদ্ধতি, মডেল এবং কৌশলগুলির একটি সেট যার লক্ষ্য বিদ্যমান জ্ঞানের উপর ভিত্তি করে সমস্যার সমাধান খুঁজে বের করার জন্য ডিজাইন করা সিস্টেম তৈরি করা। প্রকৃতপক্ষে, এই শব্দটি পদ্ধতি, তত্ত্ব এবং প্রযুক্তি হিসাবে বোঝা যায়, যা বিশ্লেষণ, নিষ্কাশন, প্রক্রিয়াকরণ এবং জ্ঞান উপস্থাপনের পদ্ধতিগুলিকে কভার করে৷
কৃত্রিম বুদ্ধিমত্তার সারমর্ম মানুষের অন্তর্নিহিত বুদ্ধিবৃত্তিক কার্যাবলীর বৈজ্ঞানিক বিশ্লেষণ এবং স্বয়ংক্রিয়তার মধ্যে নিহিত। একই সময়ে, তাদের মেশিন বাস্তবায়নের জটিলতা বেশিরভাগ সমস্যার জন্য সাধারণ। এআই-এর অধ্যয়ন এটি নিশ্চিত করা সম্ভব করেছে যে সমস্যার সমাধানের পিছনে বিশেষজ্ঞ জ্ঞানের প্রয়োজন রয়েছে, অর্থাৎ, এমন একটি সিস্টেম তৈরি করা যা কেবল মুখস্থ করতে পারে না, তবে ভবিষ্যতে বিশেষজ্ঞ জ্ঞান বিশ্লেষণ ও ব্যবহার করতে পারে; এটি ব্যবহারিক উদ্দেশ্যে ব্যবহার করা যেতে পারে।
শব্দের ইতিহাস
নলেজ ইঞ্জিনিয়ারিং এবং ইন্টেলিজেন্ট ইনফরমেশন সিস্টেমের বিকাশ, বিশেষ করে বিশেষজ্ঞ সিস্টেমগুলি ঘনিষ্ঠভাবে সম্পর্কিত৷
মার্কিন যুক্তরাষ্ট্রের স্ট্যানফোর্ড ইউনিভার্সিটিতে ৬০-৭০ এর দশকে, ই. ফিজেনবামের নেতৃত্বে, একটিDENDRAL সিস্টেম, একটু পরে - MYCIN। কম্পিউটার মেমরিতে জমা করার এবং সমস্যা সমাধানের জন্য বিশেষজ্ঞদের জ্ঞান ব্যবহার করার ক্ষমতার কারণে উভয় সিস্টেমই বিশেষজ্ঞের শিরোনাম পেয়েছে। প্রযুক্তির এই ক্ষেত্রটি "নলেজ ইঞ্জিনিয়ারিং" শব্দটি পেয়েছে অধ্যাপক ই. ফিজেনবাউমের বার্তা থেকে, যিনি বিশেষজ্ঞ সিস্টেমের স্রষ্টা হয়েছিলেন।
পন্থা
নলেজ ইঞ্জিনিয়ারিং দুটি পদ্ধতির উপর ভিত্তি করে: জ্ঞানের রূপান্তর এবং মডেল বিল্ডিং।
- জ্ঞানের রূপান্তর। দক্ষতা পরিবর্তনের প্রক্রিয়া এবং বিশেষজ্ঞ জ্ঞান থেকে এর সফ্টওয়্যার বাস্তবায়নে রূপান্তর। জ্ঞান ভিত্তিক সিস্টেমের বিকাশ এটির উপর নির্মিত হয়েছিল। জ্ঞান প্রতিনিধিত্ব বিন্যাস - নিয়ম. অসুবিধাগুলি হল অন্তর্নিহিত জ্ঞান এবং বিভিন্ন ধরণের জ্ঞানকে পর্যাপ্ত আকারে উপস্থাপন করার অসম্ভবতা, প্রচুর সংখ্যক নিয়ম প্রতিফলিত করতে অসুবিধা৷
- বিল্ডিং মডেল। বিল্ডিং এআইকে এক ধরনের সিমুলেশন বলে মনে করা হয়; বিশেষজ্ঞদের সাথে সমান ভিত্তিতে একটি নির্দিষ্ট এলাকায় সমস্যা সমাধানের জন্য ডিজাইন করা একটি কম্পিউটার মডেল তৈরি করা। মডেলটি জ্ঞানীয় স্তরে একজন বিশেষজ্ঞের কার্যকলাপ অনুকরণ করতে সক্ষম নয়, তবে এটি একটি অনুরূপ ফলাফল প্রাপ্ত করার অনুমতি দেয়৷
নলেজ ইঞ্জিনিয়ারিং-এর মডেল এবং পদ্ধতিগুলি কম্পিউটার সিস্টেমের বিকাশের লক্ষ্যে, যার মূল উদ্দেশ্য হল বিশেষজ্ঞদের কাছ থেকে উপলব্ধ জ্ঞান প্রাপ্ত করা এবং তারপর এটিকে সবচেয়ে কার্যকর ব্যবহারের জন্য সংগঠিত করা৷
কৃত্রিম বুদ্ধিমত্তা, নিউরাল নেটওয়ার্ক এবং মেশিন লার্নিং: পার্থক্য কি?
কৃত্রিম বুদ্ধিমত্তা বাস্তবায়নের অন্যতম উপায় হল নিউরালনেটওয়ার্ক।
মেশিন লার্নিং হল এআই বিকাশের একটি ক্ষেত্র যার লক্ষ্য স্ব-শিক্ষার অ্যালগরিদম তৈরির পদ্ধতিগুলি অধ্যয়ন করা। একটি সুনির্দিষ্ট সমস্যার সুস্পষ্ট সমাধানের অভাবে এর প্রয়োজনীয়তা দেখা দেয়। এমন পরিস্থিতিতে, সমাধান খোঁজার পরিবর্তে একটি পদ্ধতি তৈরি করতে পারে এমন একটি পদ্ধতি তৈরি করা আরও লাভজনক।
সাধারণত ব্যবহৃত শব্দ "গভীর" ("গভীর") লার্নিং মেশিন লার্নিং অ্যালগরিদমগুলিকে বোঝায় যেগুলি পরিচালনা করার জন্য প্রচুর পরিমাণে কম্পিউটিং সংস্থান প্রয়োজন। ধারণাটি বেশিরভাগ ক্ষেত্রে নিউরাল নেটওয়ার্কের সাথে যুক্ত।
কৃত্রিম বুদ্ধিমত্তা দুই ধরনের: সংকীর্ণভাবে ফোকাস করা, বা দুর্বল, এবং সাধারণ বা শক্তিশালী। দুর্বলদের ক্রিয়াটি সমস্যার একটি সংকীর্ণ তালিকার সমাধান খুঁজে বের করার লক্ষ্যে। সংকীর্ণভাবে ফোকাস করা এআই-এর সবচেয়ে বিশিষ্ট প্রতিনিধিরা হলেন ভয়েস সহকারী গুগল সহকারী, সিরি এবং অ্যালিস। বিপরীতে, শক্তিশালী AI ক্ষমতা এটিকে প্রায় যেকোনো মানুষের কাজ সম্পাদন করতে দেয়। আজ, কৃত্রিম সাধারণ বুদ্ধিমত্তাকে একটি ইউটোপিয়া হিসাবে বিবেচনা করা হয়: এর বাস্তবায়ন অসম্ভব।
মেশিন লার্নিং
মেশিন লার্নিং বলতে কৃত্রিম বুদ্ধিমত্তার ক্ষেত্রে এমন পদ্ধতিগুলিকে বোঝায় যা অভিজ্ঞতা থেকে শিখতে পারে এমন একটি মেশিন তৈরি করতে ব্যবহৃত হয়। শেখার প্রক্রিয়াটি মেশিন দ্বারা বিশাল ডেটা অ্যারেগুলির প্রক্রিয়াকরণ এবং তাদের মধ্যে নিদর্শনগুলির অনুসন্ধান হিসাবে বোঝা যায়৷
মেশিন লার্নিং এবং ডেটা সায়েন্সের ধারণাগুলি, তাদের মিল থাকা সত্ত্বেও, এখনও আলাদা এবং প্রতিটি তাদের নিজস্ব কাজগুলি মোকাবেলা করে৷ উভয় যন্ত্র কৃত্রিম অন্তর্ভুক্ত করা হয়বুদ্ধিমত্তা।
মেশিন লার্নিং, যা AI এর একটি শাখা, হল অ্যালগরিদম যার উপর ভিত্তি করে একটি কম্পিউটার দৃঢ়ভাবে সেট করা নিয়মগুলি মেনে না নিয়েই সিদ্ধান্তে পৌঁছাতে সক্ষম হয়। যন্ত্রটি অনেক সংখ্যক প্যারামিটার সহ জটিল কাজের নিদর্শন খোঁজে, মানুষের মস্তিষ্কের বিপরীতে আরও সঠিক উত্তর খুঁজে পায়। পদ্ধতির ফলাফল একটি সঠিক ভবিষ্যদ্বাণী।
ডেটা সায়েন্স
কিভাবে ডেটা বিশ্লেষণ করতে হয় এবং তাদের থেকে মূল্যবান জ্ঞান এবং তথ্য বের করতে হয় তার বিজ্ঞান (ডেটা মাইনিং)। এটি মেশিন লার্নিং এবং চিন্তার বিজ্ঞানের সাথে, প্রচুর পরিমাণে ডেটার সাথে ইন্টারঅ্যাক্ট করার প্রযুক্তির সাথে যোগাযোগ করে। ডেটা সায়েন্সের কাজ আপনাকে ডেটা বিশ্লেষণ করতে এবং পরবর্তী বাছাই, প্রক্রিয়াকরণ, নমুনা এবং তথ্য পুনরুদ্ধারের জন্য সঠিক পদ্ধতির সন্ধান করতে দেয়৷
উদাহরণস্বরূপ, একটি এন্টারপ্রাইজের আর্থিক ব্যয় এবং কাউন্টারপার্টি সম্পর্কে তথ্য রয়েছে যা শুধুমাত্র লেনদেনের সময় এবং তারিখ এবং মধ্যবর্তী ব্যাঙ্কিং ডেটা দ্বারা আন্তঃসংযুক্ত। মধ্যবর্তী ডেটার গভীর মেশিন বিশ্লেষণ আপনাকে সবচেয়ে ব্যয়বহুল প্রতিপক্ষ নির্ধারণ করতে দেয়৷
নিউরাল নেটওয়ার্ক
নিউরাল নেটওয়ার্ক, একটি পৃথক টুল নয়, কিন্তু মেশিন লার্নিং এর একটি প্রকার, কৃত্রিম নিউরন ব্যবহার করে মানুষের মস্তিষ্কের কাজ অনুকরণ করতে সক্ষম। তাদের কর্মের লক্ষ্য হল কাজটি সমাধান করা এবং ত্রুটি কমিয়ে অর্জিত অভিজ্ঞতার ভিত্তিতে স্ব-শিক্ষা।
মেশিন লার্নিং লক্ষ্য
মেশিন লার্নিং এর প্রধান লক্ষ্য হল বিভিন্ন বিশ্লেষণাত্মক সমাধানের জন্য অনুসন্ধানের আংশিক বা সম্পূর্ণ অটোমেশন হিসাবে বিবেচিতকাজ. এই কারণে, মেশিন লার্নিংকে প্রাপ্ত ডেটার উপর ভিত্তি করে সবচেয়ে সঠিক ভবিষ্যদ্বাণী দেওয়া উচিত। মেশিন লার্নিং এর ফলাফল হল ফলাফলের ভবিষ্যদ্বাণী করা এবং মুখস্থ করা যার পরবর্তী পুনরুৎপাদনের সম্ভাবনা এবং সেরা বিকল্পগুলির মধ্যে একটি নির্বাচন করা।
মেশিন লার্নিংয়ের প্রকার
একজন শিক্ষকের উপস্থিতির উপর ভিত্তি করে শেখার শ্রেণীবিভাগ তিনটি বিভাগে ঘটে:
- শিক্ষকের সাথে। যখন জ্ঞানের ব্যবহার যন্ত্রকে সংকেত এবং বস্তু চিনতে শেখানো জড়িত তখন ব্যবহৃত হয়৷
- একজন শিক্ষক ছাড়া। ক্রিয়াকলাপের নীতিটি অ্যালগরিদমের উপর ভিত্তি করে যা বস্তুর মধ্যে মিল এবং পার্থক্য সনাক্ত করে, অসামঞ্জস্য করে এবং তারপর তাদের মধ্যে কোনটিকে অস্বাভাবিক বা অস্বাভাবিক হিসাবে বিবেচনা করা হয় তা সনাক্ত করে৷
- শক্তিবৃদ্ধি সহ। অনেক সম্ভাব্য সমাধান সহ একটি পরিবেশে একটি মেশিন সঠিকভাবে কাজ সম্পাদন করতে হলে ব্যবহৃত হয়৷
ব্যবহৃত অ্যালগরিদমের ধরন অনুসারে, এগুলিকে ভাগ করা হয়েছে:
- শাস্ত্রীয় শিক্ষা। শেখার অ্যালগরিদমগুলি অর্ধ শতাব্দীরও বেশি আগে পরিসংখ্যান অফিসগুলির জন্য তৈরি হয়েছিল এবং সময়ের সাথে সাথে সাবধানতার সাথে অধ্যয়ন করা হয়েছিল৷ ডেটা নিয়ে কাজ করার সাথে সম্পর্কিত সমস্যাগুলি সমাধান করতে ব্যবহৃত হয়৷
- ডিপ লার্নিং এবং নিউরাল নেটওয়ার্ক। মেশিন লার্নিং এর আধুনিক পদ্ধতি। ভিডিও এবং ছবি তৈরি বা স্বীকৃতি, মেশিন অনুবাদ, জটিল সিদ্ধান্ত গ্রহণ এবং বিশ্লেষণ প্রক্রিয়ার প্রয়োজন হলে নিউরাল নেটওয়ার্ক ব্যবহার করা হয়।
নলেজ ইঞ্জিনিয়ারিংয়ে, বিভিন্ন পদ্ধতির সমন্বয়ে মডেলের সংমিশ্রণ সম্ভব।
মেশিন লার্নিংয়ের সুবিধা
মেশিন লার্নিং-এর বিভিন্ন ধরনের এবং অ্যালগরিদমের একটি উপযুক্ত সমন্বয়ের মাধ্যমে, রুটিন ব্যবসায়িক প্রক্রিয়াগুলিকে স্বয়ংক্রিয় করা সম্ভব। সৃজনশীল অংশ - আলোচনা করা, চুক্তি সমাপ্ত করা, কৌশলগুলি আঁকা এবং কার্যকর করা - মানুষের উপর ছেড়ে দেওয়া হয়। এই বিভাগটি গুরুত্বপূর্ণ, কারণ একজন ব্যক্তি, একটি মেশিনের বিপরীতে, বাক্সের বাইরে চিন্তা করতে সক্ষম।
AI তৈরির সমস্যা
AI তৈরির প্রসঙ্গে, কৃত্রিম বুদ্ধিমত্তা তৈরিতে দুটি সমস্যা রয়েছে:
- একজন ব্যক্তিকে স্ব-সংগঠিত চেতনা এবং স্বাধীন ইচ্ছা হিসাবে স্বীকৃতি দেওয়ার বৈধতা এবং তদনুসারে, কৃত্রিম বুদ্ধিমত্তাকে যুক্তিসঙ্গত হিসাবে স্বীকৃতি দেওয়ার জন্য, একই প্রয়োজন;
- মানুষের মন এবং এর ক্ষমতার সাথে কৃত্রিম বুদ্ধিমত্তার তুলনা, যা সমস্ত সিস্টেমের স্বতন্ত্র বৈশিষ্ট্যগুলিকে বিবেচনায় নেয় না এবং তাদের কার্যকলাপের অর্থহীনতার কারণে তাদের বৈষম্য সৃষ্টি করে৷
কৃত্রিম বুদ্ধিমত্তা তৈরির সমস্যাগুলি অন্যান্য জিনিসগুলির মধ্যে, চিত্র এবং রূপক স্মৃতির গঠনে রয়েছে। যন্ত্রের ক্রিয়াকলাপের বিপরীতে মানুষের মধ্যে রূপক চেইনগুলি সহযোগীভাবে গঠিত হয়; মানুষের মনের বিপরীতে, একটি কম্পিউটার নির্দিষ্ট ফোল্ডার এবং ফাইলগুলি অনুসন্ধান করে এবং সহযোগী লিঙ্কগুলির চেইন নির্বাচন করে না। জ্ঞান প্রকৌশলে কৃত্রিম বুদ্ধিমত্তা তার কাজে একটি নির্দিষ্ট ডাটাবেস ব্যবহার করে এবং পরীক্ষা করতে সক্ষম হয় না।
দ্বিতীয় সমস্যা হল মেশিনের জন্য ভাষা শেখা। অনুবাদ প্রোগ্রাম দ্বারা পাঠ্য অনুবাদ প্রায়ই স্বয়ংক্রিয়ভাবে বাহিত হয়, এবং চূড়ান্ত ফলাফল শব্দের একটি সেট দ্বারা প্রতিনিধিত্ব করা হয়। সঠিক অনুবাদের জন্যবাক্যের অর্থ বোঝার প্রয়োজন, যা AI এর পক্ষে বাস্তবায়ন করা কঠিন।
কৃত্রিম বুদ্ধিমত্তার ইচ্ছা প্রকাশের অভাবও এটির সৃষ্টির পথে একটি সমস্যা হিসাবে বিবেচিত হয়। সহজ কথায়, জটিল গণনা করার ক্ষমতা এবং ক্ষমতার বিপরীতে কম্পিউটারের কোনো ব্যক্তিগত ইচ্ছা নেই।
আধুনিক কৃত্রিম বুদ্ধিমত্তা ব্যবস্থার আরও অস্তিত্ব এবং উন্নতির জন্য কোন প্রণোদনা নেই। বেশিরভাগ AI শুধুমাত্র একটি মানুষের কাজ এবং এটি সম্পূর্ণ করার প্রয়োজন দ্বারা অনুপ্রাণিত হয়। তাত্ত্বিকভাবে, এটি একটি কম্পিউটার এবং একজন ব্যক্তির মধ্যে একটি প্রতিক্রিয়া তৈরি করে এবং কম্পিউটারের স্ব-শিক্ষা ব্যবস্থার উন্নতির দ্বারা প্রভাবিত হতে পারে৷
কৃত্রিমভাবে তৈরি নিউরাল নেটওয়ার্কের আদিমতা। আজ, তাদের সুবিধা রয়েছে যা মানুষের মস্তিষ্কের সাথে অভিন্ন: তারা ব্যক্তিগত অভিজ্ঞতার উপর ভিত্তি করে শেখে, তারা উপসংহার টানতে এবং প্রাপ্ত তথ্য থেকে মূল জিনিসটি বের করতে সক্ষম হয়। একই সময়ে, বুদ্ধিমান সিস্টেম মানব মস্তিষ্কের সমস্ত ফাংশন নকল করতে সক্ষম হয় না। আধুনিক নিউরাল নেটওয়ার্কের অন্তর্নিহিত বুদ্ধিমত্তা একটি প্রাণীর বুদ্ধিমত্তা অতিক্রম করে না।
সামরিক উদ্দেশ্যে AI এর ন্যূনতম কার্যকারিতা। কৃত্রিম বুদ্ধিমত্তা-ভিত্তিক রোবটগুলির নির্মাতারা এআই-এর অক্ষমতার সমস্যার সম্মুখীন হচ্ছেন স্ব-শিক্ষা, স্বয়ংক্রিয়ভাবে সনাক্ত করতে এবং বাস্তব সময়ে প্রাপ্ত তথ্য সঠিকভাবে বিশ্লেষণ করতে।
