আপনার বলা গল্পটা সত্যিই দারুণ মজাদার। শুনতে শুনতে আমার মাথায় একটা প্রশ্ন এসেছে—গত কয়েক বছরে OpenAI বা ChatGPT যেভাবে উন্নতি করেছে, সেটা কি মূলত একই ধরনের মডেলকে ধীরে ধীরে আরও বড় স্কেলে প্রশিক্ষণ দিয়ে, সামান্য সামান্য করে উন্নত করার ফল? এই যে মডেলকে শিখিয়ে আরো ভালো করবো, সেই সম্ভাবনাটা কি তুলনামূলকভাবে কিছুটা কমে এসেছে? 

যদি সত্যিই এমনটা হয়ে থাকে, তাহলে আপনি যেহেতু বললেন যে গবেষণা সবসময়ই ভবিষ্যৎমুখী, আগামী 10-15 বছরে এই সংক্রান্ত গবেষণায় কী অপেক্ষা করছে? কী ধরনের সমস্যা, প্রশ্ন বা চ্যালেঞ্জগুলো সবচেয়ে বেশি ইন্টারেস্টিং ও গুরুত্বপূর্ণ হয়ে উঠতে পারে?

আমি যদি বিষয়টাকে একটু বড় পরিসরে দেখি — শুধু ভাষা বোঝার ক্ষেত্রই (Natural Language Processing বা NLP) না, পুরো ছবিটা ধরার চেষ্টা করি — তাহলে মনে হয় এটাকে একটা বড় উৎপাদনী AI (Generative AI) বিপ্লব হিসেবেই ভাবা যায়। 

আমরা একে “উৎপাদনী” (generative) বলছি কারণ এই সিস্টেমগুলো নতুন কিছু তৈরি করতে পারে। প্রথমে আমরা দেখেছি ভাষা উৎপাদন — গল্প লেখা, কবিতা লেখা, প্রবন্ধ লেখা। তারপর ধীরে ধীরে এসেছে ছবি উৎপাদন — যেখানে AI ছবি তৈরি করছে, ডিজাইন বানাচ্ছে। 

এখনো পর্যন্ত আমরা যে AI উদ্ভাবনগুলো দেখেছি, এগুলোর নিঃসন্দেহে নিজস্ব কিছু প্রয়োগ আছে। যেটা তৈরি হচ্ছে, সেটা মানুষকে সাহায্য করতে পারে কিছু একটা কাজ সম্পন্ন করতে। কিন্তু এই একই AI হয়তো আমি ব্যবহার করতে পারি কিছু জটিল কাজের জন্য, যেখানে AI যা তৈরী করবে, সেটা মানুষ এক্কেবারেই পারে না। 

ভাষা তো মানুষও তৈরী করতে পারে, মডেলও পারে। মডেল মানুষের সমতুল্য করতে পারে কিনা সেই নিয়ে প্রশ্ন করা যেতে পারে। আমি একটা উদাহরণ দিলাম বটে যে ইংরেজিতে কোনো নির্দিষ্ট ধরনের লেখালেখিতে হয়তো মডেল মানুষের চেয়েও ভালো পারে। 

কিন্তু প্রশ্ন থেকেই যায় — AI-এর আসল প্রয়োজনটা কোথায়? এইসব ক্ষেত্রে মানুষও পারে, মডেলও পারে। হয়তো একজন মানুষের যেখানে কোনো কাজ করতে 10 ঘণ্টা লাগতে পারে, সেখানে AI হয়তো সেটা 1 ঘণ্টার মধ্যেই করতে পারবে। এইটা নিঃসন্দেহে একটা লাভ হচ্ছে।

কিন্তু এমন কোনো সমস্যা কী থাকতে পারে যেখানে মানুষ জিনিসটা তৈরীই করতে পারে না কিন্তু মডেল করে দিচ্ছে?

তার অনেক সুন্দর সুন্দর উদাহরণ বিজ্ঞান গবেষণায় পাওয়া যায়। যেমন চিকিৎসাশাস্ত্রে ওষুধ আবিষ্কার (drug discovery) কিংবা জটিল অণু বানানো (molecule design)। আমি এমন কোনো অণু কী ডিজাইন করতে পারি যেটা কোনো একটা বিশেষ রোগ সারাতে পারে? বা কোনো একটা প্রোটিনের সাথে বন্ধন স্থাপন (bind) করতে পারে? মানুষের জন্য এটা করা ভীষণ কঠিন। সাধারণত এটা ওটা চেষ্টা করে করে (trial-and-error), ল্যাবে অসংখ্য পরীক্ষা করে একটা কাজের অণু খুঁজে পেতে 10 বছর অব্দি লেগে যায়। সেইটা যদি মডেল এক বছরে করে দেয়, সেটার একটা সাংঘাতিক প্রভাব পড়বে। 

আমার মনে হয় এটা একটি গুরুত্বপূর্ণ দিক — যেখানে মানুষ নিয়মগুলো বানাতে পারছে না বা জিনিসটা তৈরী করতে পারছে না কিন্তু মডেল পারছে।

অর্থাৎ মডেলকে নিয়ম বলে দেওয়া হচ্ছে না, সে শুধু একগাদা তথ্যের (corpus of data) ভিত্তিতে সেটা শিখে নিচ্ছে?

হ্যাঁ, শিখে নিচ্ছে।

ভাষা বোঝার ক্ষেত্রে আমি এই ধরণের সমস্যার একটা ছোট্ট উদাহরণ দিতে পারি। ধরো “আপনি–তুমি” ব্যবহারের বিষয়টা। যখন আমরা কথা বলি, সেখানে একগুচ্ছ শব্দ আছে, তার ব্যাকরণ আছে। সেগুলো কিছুদূর অব্দি নিয়ে যেতে পারে। কিন্তু তারপর বাকিটা নির্ভর করে সামাজিক প্রসঙ্গের উপর। একই কথা ভিন্ন প্রসঙ্গে বললে তার একদম আলাদা মানে হবে।

এই সূক্ষ্ম পার্থক্যগুলো মানুষও সবসময় বুঝতে পারে না বা নিয়মগুলো স্পষ্ট জানে না। আমি হয়তো করে ফেলছি কিন্তু নিয়মগুলো জানি না। এখানে AI সত্যিই কাজে লাগতে পারে।

বিষয়টাকে একটু বড় পরিসরে দেখলে বলা যায়, যেমন প্রাকৃতিক বিজ্ঞান-এ উৎপাদনী AI (generative AI) দিয়ে অনেক সুন্দর সুন্দর কাজ হচ্ছে, তেমনি সমাজবিজ্ঞানেও এই প্রযুক্তির মাধ্যমে অনেক সুন্দর সুন্দর জিনিস করা যেতে পারে।

সম্প্রতি একটি পেপার বেরিয়েছে যেটা বেশ জনপ্রিয় হয়েছে। স্ট্যানফোর্ড অথবা হার্ভার্ডের গবেষকদের কাজ। সেখানে “Simulacra” বলে একটি ধারণা নিয়ে আলোচনা করা হয়েছে। মূল ভাবনাটা হলো — মানুষ বা সমাজকে নিয়ে এক্সপেরিমেন্ট করাটা আসলে খুবই কঠিন, অনেক সময় প্রাকৃতিক বিজ্ঞানের থেকেও কঠিন। কারণ যখন মানুষকে নিয়ে গবেষণা করতে হয়, সুনিয়ন্ত্রিত এক্সপেরিমেন্ট (controlled experiment) ডিজাইন করা — অর্থাৎ এমন এক্সপেরিমেন্ট যেখানে একটা গোষ্ঠীর কিরকম বিবর্তন হচ্ছে দেখা হবে — এরকমটা করা খুবই কঠিন। বেশিরভাগ সময় পর্যবেক্ষণ করা যায়, কিন্তু সরাসরি একটা এক্সপেরিমেন্টে একটা অবস্থার সৃষ্টি করা যায় না। 

সেটা যদি আমি সিমুলেট (simulate) করতে পারি, যদি মডেলগুলোকে বিভিন্ন চরিত্রের ভূমিকায় রাখা যায় এবং দেখা যায় তাদের মধ্যে আলাপচরিতার ফলে গোটা গোষ্ঠীটার কিরকম বিবর্তন হচ্ছে, সেটা খুব ইন্টারেষ্টিং হবে। এই আইডিয়াটাই মূলত Simulacra ধারণাটার কেন্দ্রে ছিল। মডেলগুলোকে মানুষের জায়গায় বসিয়ে একটা সিমুলেশন (simulation) করা হবে।

এর পাশাপাশি অবশ্য অনেক সীমাবদ্ধতা বা নেতিবাচক দিকও আছে। আসলে আমি এখন যে কাজটা করছি, সেটাও মূলত এই বিষয়টাই বোঝার চেষ্টা—কখন মডেল ভালো কাজ করে, আর কখন করে না। উদাহরণ হিসেবে ধরো বাংলা ভাষা। কোনো মডেলকে যদি বাংলায় প্রশ্ন করা হয়, তাহলে সে বেশ ভালোভাবেই উত্তর দিতে পারে। বাংলাটাও এমন না যে ভাঙ্গা-ভাঙ্গা বা অস্বাভাবিক শোনায়। কিন্তু সূক্ষ্ম ব্যাপারগুলো বা প্রসঙ্গ বোঝার ক্ষেত্রে অনেক সময় দেখা যায় ইংরেজিতে তার কার্যকারিতা (performance) বাংলার চেয়ে ভালো। এর পেছনে কিছু নির্দিষ্ট কারণও আছে,  সেই আলোচনায় এখন যাচ্ছি না। মূল বিষয়টা হলো, ঠিক কোন পরিস্থিতিতে এই ধরনের simulacra বা মডেল-ভিত্তিক সিমুলেশন (simulation) ব্যবহার করা যুক্তিযুক্ত, আর কোন পরিস্থিতিতে নয় সেটা বোঝাটাও খুব গুরুত্বপূর্ণ। 

এই ধরণের প্রশ্নকে ঘিরে অনেক গবেষণা করার সুযোগ রয়েছে, যদি আমি প্রয়োগের দিক থেকে ভাবি। 

আর যদি আমি মডেলের দিক থেকে ভাবি, অর্থাৎ মডেলের মধ্যে কী ধরণের গবেষণা করা সম্ভব, তাহলে বলবো, এখন মডেলগুলোর সবথেকে বড় সমস্যা হলো, এগুলো খুব খরচসাপেক্ষ। বিশাল সাইজের মডেল, অনেক প্যারামিটার (parameter), আর অত বড় মডেল না হলে ভালো কাজ করে না। আমি যদি একটা মডেল আমার মোবাইল ফোনে চালাতে চাই কিংবা অনলাইন তথ্য পাঠাচ্ছি মডেল সাথে সাথে তার জবাব দিচ্ছে এমনটা করতে চাই, তাহলে এত বড় মডেল ব্যবহার করা সম্ভব না। আর খরচের ব্যাপারটা তো আছেই। 

এখন যদি আমি একটি 100 বিলিয়ন বা 1 ট্রিলিয়ন প্যারামিটার-এর মডেলের কার্যকারিতা কোনোভাবে 1 মিলিয়ন প্যারামিটার-এর একটি ছোট মডেলে এনে দিতে পারি, তাহলে বিশাল বড় লাভ হবে। এটা নিজেই একটি বড় গবেষণার বিষয়। এবং ওটা আমরা পারবোও। ইতিমধ্যেই আমরা দেখতে শুরু করেছি যে ছোট মডেলও অনেকসময় বেশ ভালো কাজ করতে পারে। তবে সেই সক্ষমতাকে ধারাবাহিকভাবে উন্নত করতে এবং বড় মডেলের কাছাকাছি আনতে এখনও অনেক গবেষণার প্রয়োজন আছে।

আমরা প্রায় শেষের দিকে চলে এসেছি। এতক্ষণে আমরা অনেক বিষয় নিয়ে কথা বললাম। শেষ যে প্রশ্নটা আমি করতে চাই—যেটা আসলে আগের আলোচনাতেও একটু ছুঁয়ে গিয়েছিলাম—সেটা হলো, ChatGPT-এর মতো মডেল ইংরেজিতে খুব ভালোভাবে কথা বলতে পারে, কিন্তু অন্য অনেক ভাষায় তুলনামূলকভাবে অতটাও ভালো পারে না। 

এর একটা বড় কারণ সম্ভবত এই যে ইন্টারনেটে ইংরেজি ডেটার পরিমাণ অনেক বেশি, ফলে মডেল সেই ভাষাটা বেশি শিখতে পেরেছে। ধরা যাক, আমার কাছে পর্যাপ্ত সম্পদ (resource) আছে এবং আমি চাই একটা Large Language Model (LLM) তৈরি করতে, যেটা রবীন্দ্রনাথ ঠাকুরের মতো করে গল্প লিখতে পারে। যদি আপাতত সম্পদের সীমাবদ্ধতার কথা ধরা না হয়, তাহলে এই লক্ষ্য অর্জনের জন্য আমাকে কী কী ধাপ অনুসরণ করতে হবে? সেটাই যদি আমরা শেষ প্রশ্ন হিসেবে আলোচনা করি।

এখানে সম্পদ বলতে গণনার ক্ষমতা বলছো, তাই তো?

হ্যাঁ, সেটাই।

যেটা আমরা প্রী-ট্রেনিং (pretraining) বলি, অর্থাৎ অনেকরকম লেখা দিয়েছ মডেলকে শেখাতে, সেই দিয়ে শুরু করতে হবে। এরকম একটা মডেল নিতে পারি যেটা ইতিমধ্যেই কিছুটা শিখে আছে, যেমন   LLaMA বা DeepSeek–এর মতো কোনো মডেল। তার উপরে আমি কিছু প্রশিক্ষণ দিতে চাই।

প্রথমে আমি পুরো রবীন্দ্র রচনাবলীটাকে ডিজিটাল আকারে নিয়ে মডেলের উপর চালিয়ে দিলাম।

চালিয়ে দিলাম মানে কী? আমার ইনপুটে কী থাকছে? অল্প কিছু অংশ —

না, পুরো রবীন্দ্র রচনাবলীই আমি লিখিত আকারে দিলাম ওকে। ভিতরে যা করার করে নেবে। আজকাল তো এসব করার জন্য Hugging Face–এর মতো প্ল্যাটফর্মে কোড পাওয়াই যায়। ট্রেনিং কোড-টাই রচনাবলীটাকে ভেঙ্গে ভেঙ্গে আয়ত্ব করে নেবে। ও-ই বুঝে নেবে কিভাবে সেটাকে একটা তথ্যাবলীতে (dataset) পরিণত করা যায়।

ট্রেনিং কোড-ও আজকাল পাওয়া যায়। চাইলে কেউ নিজে থেকে লিখতে পারে, বা হয়তো কোড-টার উপর আরো ঘষামাজা করতে পারে। কম্পিউটার বিজ্ঞান-এর ছাত্ররা হয়তো সেটা করতে আগ্রহী হবে কিন্তু বেশিরভাগ লোকই সেটা করে না। Hugging Face বা অন্য অনলাইন সূত্র থেকে কোড-টা নিয়ে চালিয়ে দেয়। 

এবার শুরু হবে ট্রেনিং। ট্রেনিং-এ অনেকগুলো প্যারামিটার থাকে — শেখার হার (learning rate), এক দফায় কতটা ডেটা থাকবে (batch size), কতগুলো দফায় ট্রেন করা হবে (epoch) — এইগুলো কমাবাড়া করতে হবে, কী বেরোচ্ছে সেটা দেখে দেখে। যখন মডেলটা চলছে, তার থেকে বেরোনো লেখাটা কতটা রবীন্দ্রনাথের স্টাইলের দিকে যাচ্ছে, সেটার ভিত্তিতে শেখার হার বাড়ানো কিম্বা কমানো, কত দফায় শেখানো হবে সেটা বাড়ানো কিম্বা কমানো, এগুলো একটু করতে হবে। 

মডেল-টা শিখে গেলে পরের ধাপ হবে ওই প্রশ্নোত্তরগুলো তৈরী করা, যেটাকে আমরা instruction tuning বলি। এইটা একটু শক্ত কাজ। কারণ এগুলো চট করে পাওয়া যাবে না। একটা হতে পারে আমি নিজেই প্রশ্নগুলো ভেবে ভেবে তৈরী করলাম, তারপর অনেক লোককে দিলাম, তারা ভেবে ভেবে উত্তরগুলো তৈরী করলো। অর্থাৎ, crowdsourcing বা এই জাতীয় মাধ্যমে সংগ্রহ করলাম প্রশ্নোত্তরগুলো। 

এভাবে করলে কী হয়, হয়তো 10000-টা প্রশ্ন তৈরী করা যাবে, কিন্তু আমি এক কোটি বা কমপক্ষে দশ লক্ষ প্রশ্নও করতে পারবো না এইভাবে। যদি এই জায়গায় যেতে হয় যে দশ লক্ষটা প্রশ্ন চাই, তখন অনেকরকম ফিকির বার করা যায়। এখানে গবেষণার জায়গা রয়েছে।

হয়তো আমি কিছু প্রশ্ন ইংরেজি থেকে বাংলায় অনুবাদ করার চেষ্টা করলাম। আমি হয়তো ভাবার চেষ্টা করলাম কিরকম ধরণের বইয়ে এরকম ধরণের প্রশ্ন থাকে। তারপর খেয়াল করলাম যে বিভিন্ন ক্লাসে বাংলার প্রশ্নপত্রে রবীন্দ্রনাথ নিয়ে কিছু প্রশ্ন আসে, সেগুলো যদি আমি সরাসরি তুলে নি সেখান থেকে। এরকম নানারকম উপায়ে ওই প্রশ্নোত্তরের সংগ্রহ তৈরী করে পরের দফা ট্রেনিং হবে।

এই ধাপটা শেষ হলে মোটামুটি মডেলটি তৈরি হয়ে যায়।

তারপর যেটা হবে, সেটাকে আমরা সঙ্গতি (alignment) বলি। ধরো, আমি মডেলকে কবিতা লিখতে বলছি, কিন্তু সে হয়তো সব সময়ই খুব লম্বা কবিতা লিখছে, ছোট কবিতা লিখতে পারছে না। আবার উল্টোটাও হতে পারে: চার লাইনে শেষ করে দিচ্ছে, যেখানে আরও বড় হওয়া উচিত ছিল। এই ধরনের আচরণ ঠিক করার জন্য ছোটখাটো ঘষামাজা (fine-tuning) করা যায়। এটা আমরা reinforcement learning ব্যবহার করে করি। সেটা করে এই সমস্যাগুলোকে আরেকটু ঠিক করে যায়।

ধন্যবাদ আমাদের এতটা সময় দেওয়ার জন্য। আমরা খুব প্রাসঙ্গিক একটা বিষয় নিয়ে আজকে আলোচনা করলাম। আশা করি আরো একদিন আমরা এরকম আড্ডা দিতে পারবো।

আমারও কথা বলে খুব ভালো লাগলো। নিশ্চই আরেকদিন আবার কথা বলা যাবে। যে হারে জিনিসপত্র এগোচ্ছে, এক বছর পরে কথা বললেই হয়তো সব পাল্টে যাবে।

(লেখাটি মূল ইন্টারভিউ থেকে লিপিবদ্ধ করেছেন ড: সায়ন্তী কর।)