গত কয়েক বছর ধরে, বিশ্ব কৃত্রিম বুদ্ধিমত্তা (AI) ঘিরে আগ্রহের বিস্ফোরণ প্রত্যক্ষ করেছে। একটি ধারণা যা একবার প্রাথমিকভাবে সাই-ফাই ঘরানার মধ্যে সীমাবদ্ধ ছিল, এআই আমাদের দৈনন্দিন জীবনের অংশ হয়ে উঠেছে। আমরা খবরে সব সময় এটি সম্পর্কে পড়ি, Uptown Funk এর সুরে নাচছে ভীতিকর চেহারার রোবটগুলির ভিডিওগুলি দেখুন , এবং শুনুন কিভাবে AI অ্যাপ্লিকেশনগুলি আমাদের দৈনন্দিন জীবনের সবচেয়ে অপ্রত্যাশিত ক্ষেত্রগুলিতে ক্রমাগত হচ্ছে। কিন্তু এটা কি একটা হাইপ?
এটা হতে পারে. গার্টনারের হাইপ সাইকেল ফর ইমার্জিং টেকনোলজিস অনুসারে, গণতান্ত্রিক AI প্রবণতা সহ AI PaaS (একটি পরিষেবা হিসাবে প্ল্যাটফর্ম), কৃত্রিম সাধারণ বুদ্ধিমত্তা, স্বায়ত্তশাসিত ড্রাইভিং, ডিপ লার্নিং, সমস্তই বক্ররেখার বিভিন্ন পয়েন্টে রয়েছে, যেখানে ডিপ নিউরাল নেটগুলি শীর্ষে রয়েছে। স্ফীত প্রত্যাশা। যাইহোক, আমরা ইতিমধ্যেই প্রতিদিন AI থেকে উপকৃত হচ্ছি। Siri থেকে Cortana থেকে Alexa পর্যন্ত, আমরা এখন স্মার্ট সহকারীর সাথে কথোপকথন করতে পারি। Google-এর AI-চালিত সার্চ ইঞ্জিন থেকে Instagram ফিল্টার পর্যন্ত, আমরা এখন আমাদের প্রয়োজনে দ্রুত, আরও প্রাসঙ্গিক প্রতিক্রিয়ার সুবিধা উপভোগ করি। চীনে, যেখানে AI উদ্ভাবন উন্নতি লাভ করছে, ফেস++-এর ফেসিয়াল রিকগনিশন প্রযুক্তির মতো কোম্পানিগুলি ব্যাঙ্কগুলির জন্য তাত্ক্ষণিক আইডি প্রমাণীকরণকে শক্তিশালী করছে, যেখানে TikTok-এর মতো অ্যাপগুলি লক্ষ লক্ষ কিশোর-কিশোরীদের কাছে ছোট ভিডিওগুলি ঠেলে দিচ্ছে (আসলে তা করার ক্ষেত্রে যথেষ্ট বিতর্ক রয়েছে)।
আমি ব্যক্তিগতভাবে বিশ্বাস করি যে যদিও কিছু অতিরিক্ত উচ্চারিত প্রত্যাশা এবং ব্যবসা আছে, AI হল ভবিষ্যত . আমি আমার নিজের প্রাথমিক পর্যায়ের AI স্টার্টআপ প্রতিষ্ঠা করেছি যাতে প্রযুক্তি বিপ্লবে অংশ নেওয়ার এই সুযোগটি জীবনে একবার পাওয়া যায়। একজন প্রাক্তন ভিসি বিনিয়োগকারী হিসেবে, আমি ক্রমাগত AI-তে বিনিয়োগের সুযোগ খুঁজছি। তাই, আমি বিশ্বাস করি যে, মহাকাশ ঘিরে অনস্বীকার্য গোলমাল থাকা সত্ত্বেও, AI বিনিয়োগের বিশাল ঊর্ধ্বগতিও নিশ্চিত৷
কিন্তু এটি মাথায় রেখে, এটি আমাকে অবাক করে যে, বিশেষ করে বিনিয়োগ সম্প্রদায়ের মধ্যে, বোঝার ক্ষেত্রে এখনও একটি বড় ব্যবধান রয়েছে। বিনিয়োগকারীরা কাজ করার জন্য অর্থ লাগাতে আগ্রহী, কিন্তু তাদের প্রায়ই গুরুত্বপূর্ণ মৌলিক জ্ঞানের অভাব রয়েছে যা, আমার মতে, এই জায়গায় একজন কার্যকর বিনিয়োগকারী হতে হবে। এই নিবন্ধটির উদ্দেশ্য, তাই, এই উত্তেজনাপূর্ণ ক্ষেত্রে বিনিয়োগ করতে আগ্রহীদের জন্য কিছু দরকারী প্রসঙ্গ এবং তথ্য ভাগ করা এবং প্রদান করা। হাতে থাকা বিষয়ের বিস্তৃতি বিবেচনা করে, আমি আমার চিন্তাভাবনা দুটি ভাগে বিভক্ত করেছি, প্রথমটির উদ্দেশ্য হল কয়েকটি প্রয়োজনীয় উপাদান নিয়ে আলোচনা করা যা একজনকে AI যাত্রা শুরু করার জন্য জানা দরকার - একটি 101 ধরণের। এই সিরিজের দ্বিতীয় অংশটি আরও ব্যবহারিক হবে এবং কীভাবে এআই বিনিয়োগের মূল্যায়ন করা যায় এবং বিনিয়োগের বিভিন্ন উপায়ের বিষয়ে গভীরভাবে আলোচনা করা হবে।
N.B. এই পোস্টটি টেকনিক্যাল হওয়ার জন্য নয়। এটি বিনিয়োগকারীদের এবং বৃহত্তর আর্থিক সম্প্রদায় এবং তাই অ-প্রযুক্তিগত পাঠকদের লক্ষ্য করে৷
আসলে AI এর অনেক সংজ্ঞা রয়েছে, তাই যখন আমাকে এটিকে সংজ্ঞায়িত করতে বলা হয় তখন আমি প্রায়ই ভাল-পুরনো উইকিপিডিয়াতে ডিফল্ট করি, যা অ-প্রযুক্তিগত দর্শকদের জন্য, আমি মনে করি একটি সন্তোষজনক সংজ্ঞা প্রদান করে:
কৃত্রিম বুদ্ধিমত্তা (AI), যাকে কখনও কখনও মেশিন ইন্টেলিজেন্স বলা হয়, মানুষ এবং অন্যান্য প্রাণীদের দ্বারা প্রদর্শিত প্রাকৃতিক বুদ্ধিমত্তার বিপরীতে মেশিন দ্বারা প্রদর্শিত বুদ্ধিমত্তা।
অন্য কথায়, যেকোনো অ-প্রাকৃতিক বুদ্ধিমত্তা হল "কৃত্রিম" বুদ্ধিমত্তা, তা যেভাবেই অর্জন করা হোক না কেন। AI অর্জনের জন্য ব্যবহৃত কৌশলগুলির মধ্যে রয়েছে যদি-তখন নিয়ম, যুক্তি, সিদ্ধান্তের গাছ, রিগ্রেশন এবং গভীর শিক্ষা সহ মেশিন লার্নিং। AI কীভাবে কাজ করে তা ব্যাখ্যা করার জন্য আমার প্রিয় এবং মজার টুলগুলির মধ্যে একটি হল কম্পিউটার কীভাবে সুপার মারিও খেলতে শেখে সে সম্পর্কে এই ভিডিও।
এআই সম্পর্কে কথা বলার সময়, আপনি সর্বদা এই তিনটি মূল শব্দ শুনতে পাবেন:এআই, মেশিন লার্নিং এবং গভীর শিক্ষা। তারা কখনও কখনও বিনিময়যোগ্যভাবে ব্যবহার করা হয়, কিন্তু তারা ভিন্ন. সহজ কথায়, মেশিন লার্নিং হল AI-তে ব্যবহৃত কৌশলগুলির একটি উপসেট। ডিপ লার্নিং হল মেশিন লার্নিংতে ব্যবহৃত কৌশলগুলির একটি উপসেট .
এনভিডিয়া ব্লগটি তিনটি পদের মধ্যে সম্পর্কের সংক্ষিপ্তসার একটি চমৎকার কাজ করে। এটি এআই বিকাশের তিনটি তরঙ্গের একটি সহজ ওভারভিউ প্রদান করে। AI-এর প্রথম তরঙ্গ 50 এবং 60-এর দশকে ছিল এবং প্রথম কয়েকটি বড় মাইলফলক দেখেছিল যেমন IBM 701 চেকার মাস্টার রবার্ট নিলির উপর চেকার্স গেম জিতেছিল। 80 এবং 90 এর দশকে, ডিপ ব্লু দাবাতে মানব মাস্টার কাসপারভকে পরাজিত করেছিল। মার্চ 2016-এ, আলফাগো #1 গো প্লেয়ার লি সেডলকে পরাজিত করেছে। প্রতিবার AI গেমে মানুষের মাস্টারদের পরাজিত করেছে, এটি AI-এর জন্য একটি নতুন হাইপ মঞ্চ তৈরি করেছে। তারপর যেহেতু প্রযুক্তি জনগণের প্রত্যাশা পূরণ করে এমন অ্যাপ্লিকেশনগুলি সরবরাহ করতে পারেনি, তাই AI হাইপ AI শীতকালে পরিণত হবে, হ্রাসকৃত বিনিয়োগ এবং গবেষণা অনুদান সহ৷
পূর্বে উল্লিখিত হিসাবে, মেশিন লার্নিং হল AI এর একটি উপসেট। এনভিডিয়ার মতে, মেশিন লার্নিং এর সবচেয়ে মৌলিক বিষয় হল "ডেটা পার্স করার জন্য অ্যালগরিদম ব্যবহার করার অভ্যাস, এটি থেকে শিখতে এবং তারপর বিশ্বের কোনো কিছু সম্পর্কে একটি সংকল্প বা ভবিষ্যদ্বাণী করা। তাই একটি নির্দিষ্ট কাজ সম্পন্ন করার জন্য নির্দিষ্ট নির্দেশাবলীর একটি নির্দিষ্ট সেট সহ হ্যান্ড-কোডিং সফ্টওয়্যার রুটিনগুলির পরিবর্তে, মেশিনটিকে প্রচুর পরিমাণে ডেটা এবং অ্যালগরিদম ব্যবহার করে 'প্রশিক্ষিত' করা হয় যা এটি কীভাবে কাজটি সম্পাদন করতে হয় তা শেখার ক্ষমতা দেয়।" মেশিন লার্নিং এর একটি খুব সাধারণ উদাহরণ হল স্প্যাম ফিল্টার। Google-এর স্প্যাম ফিল্টার "প্রিন্স", "নাইজেরিয়া", এবং "লাক্সারি ওয়াচ"-এর মতো ট্রিগার শব্দ চিহ্নিত করে স্প্যাম শনাক্ত করতে পারে। এটি ব্যবহারকারীদের স্প্যামের ম্যানুয়াল শ্রেণীবিভাগ থেকে "শিক্ষা" চালিয়ে যেতে পারে। উদাহরণস্বরূপ, "নিম্নলিখিত ব্যাঙ্ক অ্যাকাউন্টে এই একচেটিয়া ক্যান্সারের ওষুধ পেতে $1000 পাঠান" বার্তা সহ একটি ইমেল Google-এর স্প্যাম ফিল্টার মিস করেছে৷ একবার একজন ব্যবহারকারী এটিকে স্প্যাম হিসাবে লেবেল করলে, Gmail সেই নির্দিষ্ট ইমেলের সমস্ত কীওয়ার্ড বিশ্লেষণ করে এবং "$1000", "ড্রাগ", এবং "ব্যাঙ্ক অ্যাকাউন্ট" এর সংমিশ্রণ শব্দগুলি সম্বলিত ইমেলগুলিকে সামনের দিকে স্প্যাম হিসাবে বিবেচনা করতে "শিখবে"৷ মেশিন লার্নিং করার জন্য পেশাদারদের দ্বারা নিযুক্ত অনেক গাণিতিক মডেল রয়েছে, যেমন রিগ্রেশন, লজিস্টিকস, বায়েসিয়ান নেটওয়ার্ক, ক্লাস্টারিং।
AI এর এই তরঙ্গটি গভীর শিক্ষার জনপ্রিয়তা দ্বারা চালিত . মেশিন লার্নিং এর একটি উপসেট হিসাবে, গভীর শিক্ষা সম্প্রতি উদ্ভাবিত হয়নি। প্রকৃতপক্ষে, উইকিপিডিয়া অনুসারে, "1965 সালে আলেক্সি ইভাখনেঙ্কো এবং লাপা দ্বারা তত্ত্বাবধানে, গভীর, ফিডফরোয়ার্ড, বহুস্তরীয় পারসেপ্টরনের জন্য প্রথম সাধারণ, কর্মরত শেখার অ্যালগরিদম প্রকাশিত হয়েছিল"। যাইহোক, যেহেতু কম্পিউটিং শক্তি এবং ডেটা গভীর শিক্ষার কৌশলগুলির ব্যাপক বাণিজ্যিক প্রয়োগকে সমর্থন করার জন্য যথেষ্ট উন্নত ছিল না, তাই এটি 2006 সাল পর্যন্ত জনপ্রিয়তা অর্জন করেনি যখন জিওফ্রে হিন্টন এট আল তাদের মূল গবেষণাপত্র প্রকাশ করেন, “গভীর বিশ্বাসের জন্য একটি দ্রুত শিক্ষার অ্যালগরিদম। নেট।" 90 এবং 2000 এর প্রথমার্ধের AI শীত সত্ত্বেও, গভীর শিক্ষার তিন একাডেমিক গুরু, জিওফ্রে হিন্টন, ইয়ান লেকুন এবং ইয়োশুয়া বেঙ্গিও সহ কয়েকজন পণ্ডিত একাডেমিক ক্ষেত্রে গভীর শিক্ষা নিয়ে কাজ চালিয়ে যাচ্ছেন। কম্পিউটিং শক্তির দ্রুত অগ্রগতি, উদাহরণস্বরূপ, ক্লাউড কম্পিউটিং এবং জিপিইউ, ডিজিটাল অর্থনীতির মাধ্যমে বড় ডেটার প্রাপ্যতা, গত দশকে গভীর শিক্ষার অ্যালগরিদমগুলিকে বাস্তবায়ন করা সম্ভব করেছে৷ উদাহরণস্বরূপ, Google-এর স্ব-চালিত গাড়ি গবেষণা 2009 সালে শুরু হয়েছিল৷
৷প্রযুক্তিগতভাবে বলতে গেলে, গভীর শিক্ষাকে "মেশিন লার্নিং অ্যালগরিদমের একটি শ্রেণী হিসাবে সংজ্ঞায়িত করা যেতে পারে যা:
চিরাচরিত মেশিন লার্নিংয়ের তুলনায় "মাল্টিপল লেয়ার" হল। উদাহরণস্বরূপ, আপনি কিভাবে একটি কুকুর থেকে একটি বিড়ালকে আলাদা করবেন? আপনি যদি মেশিন লার্নিং ব্যবহার করতে চান, তাহলে আপনি কিছু বৈশিষ্ট্য বের করতে পারেন যা কুকুর এবং বিড়াল উভয়ের ক্ষেত্রেই সাধারণ, যেমন দুটি কান, একটি লোমশ মুখ, চোখ এবং নাক এবং মুখের মধ্যে দূরত্ব ইত্যাদি। ছবিটি 50% কুকুর, 50% বিড়াল - খুব দরকারী নয়। তবে, গভীর শিক্ষা ব্যবহার করে, আপনি এমনকি একটি বিড়াল বনাম কুকুরের পার্থক্যকারী বৈশিষ্ট্যগুলি কী তা জানেন না, তবে মেশিনটি, নতুন বৈশিষ্ট্য এবং শত শত (বা হাজার হাজার) পরিসংখ্যান মডেল তৈরির একাধিক স্তরের মাধ্যমে, আরও অনেক কিছু সরবরাহ করবে। সঠিক আউটপুট - যেমন 90% কুকুর, 10% বিড়াল। নিচের দুটি চার্ট বর্ণনা করে কিভাবে একটি নিউরাল নেটওয়ার্ক "শেখা" এবং ক্লাসিক মেশিন লার্নিং এবং নিউরাল নেটওয়ার্কের মধ্যে পার্থক্য।
উপরোক্ত লেখাটি পড়ার পর পাঠকরা হয়তো মাথা খামড়াচ্ছেন, এবং ঠিকই তাই। কিন্তু আমাদের মূল উদ্দেশ্য ফিরে যাওয়া:একজন বিনিয়োগকারীর দৃষ্টিকোণ থেকে, গভীর শিক্ষার ক্ষেত্রে বিশেষ কী আছে? কেউ এই প্রশ্নের উত্তর আরও বিভিন্ন জটিল প্রযুক্তিগত ব্যাখ্যা দিয়ে দিতে পারে, কিন্তু সত্যিই সহজভাবে বললে, বাম দিকের নীচের গ্রাফটি এটিকে সত্যিই পরিষ্কার করার জন্য একটি দুর্দান্ত কাজ করে:গভীর শিক্ষা অন্যান্য শেখার অ্যালগরিদমের তুলনায় অনেক বেশি শক্তিশালী কর্মক্ষমতার জন্য অনুমতি দেয়। মাইক্রোসফ্ট ব্লগ দ্বারা বিশদ হিসাবে বক্তৃতা স্বীকৃতির উদাহরণ নিন (ডানদিকে নীচের চার্ট):আসল 1988 ভাষ্য শনাক্তকরণ ত্রুটির হার ছিল 60-70%, যেখানে নতুন মাইক্রোসফ্ট সিস্টেমটি গভীর শিক্ষা ব্যবহার করে 2014 সালে ছিল মাত্র 6.3%৷
আমি বিশ্বাস করি একটি মেশিন লার্নিং (গভীর শিক্ষা সহ) পণ্যের সাফল্যের 4টি মূল উপাদান রয়েছে:ভালভাবে সংজ্ঞায়িত পছন্দসই সমস্যা, ডেটা, অ্যালগরিদম(গুলি), এবং কম্পিউটিং শক্তি .
প্রথম এবং সর্বাগ্রে, এআই অ্যাপ্লিকেশনটির একটি সু-সংজ্ঞায়িত (নির্দিষ্ট) এবং কাঙ্খিত (জরুরি এবং পরিষ্কার গ্রাহকের ব্যথার পয়েন্টগুলি লক্ষ্য করে) সমস্যা সমাধান করতে হবে . কম্পিউটারকে AI এর 3টি ভিন্ন তরঙ্গের উপর খেলতে শেখানো বিভিন্ন গেম সম্পর্কে চিন্তা করুন:চেকার, দাবা, গো। এগুলি খুব ভালভাবে সংজ্ঞায়িত সমস্যা ছিল এবং তাই একটি কম্পিউটারের পক্ষে সমাধান করা সহজ। মুখের স্বীকৃতি, মেশিন অনুবাদ, চালকবিহীন গাড়ি, সার্চ ইঞ্জিন অপ্টিমাইজেশান, সবই ভালভাবে সংজ্ঞায়িত কাঙ্খিত সমস্যা। যাইহোক, ভালভাবে সংজ্ঞায়িত পছন্দসই সমস্যার অভাবের কারণে কেন এটি তৈরি করা এত কঠিন, উদাহরণস্বরূপ, একটি সাধারণ ঘর পরিষ্কার করার রোবট। সাধারণ পরিবারের কাজ, যেমন কাপ সংগ্রহ করা এবং ঝুড়িতে লন্ড্রি রাখা, অনেক সমস্যা সমাধানের প্রয়োজন। উদাহরণ স্বরূপ, কোন বস্তুগুলিকে তুলতে হবে (কাপ, নোংরা লন্ড্রি এবং পরিষ্কার লন্ড্রি নয়, ইত্যাদি), কোথায় যেতে হবে এবং কীভাবে সেখানে যেতে হবে (গৃহস্থালির বাধা এড়াতে এবং পছন্দসই স্থানে ভ্রমণ করতে হবে) তা সনাক্ত করতে মেশিনের প্রয়োজন। অবস্থান), প্রতিটি বস্তুকে পছন্দসই শক্তি দিয়ে পরিচালনা করা যাতে এটি কাপ বা লন্ড্রি ইত্যাদি ভেঙে না যায়।
দ্বিতীয়ত, একটি মেশিন লার্নিং অ্যালগরিদম তৈরি করার জন্য পরিষ্কার এবং ভাল-লেবেলযুক্ত ডেটাতে অ্যাক্সেস প্রয়োজন . এর কারণ হল এই অ্যালগরিদমগুলি বিভিন্ন পরিসংখ্যানের মডেলগুলিকে প্রয়োজনীয় ভবিষ্যদ্বাণীমূলক সম্পর্ক স্থাপনের জন্য প্রচুর পরিমাণে ডেটা খাওয়ানোর মাধ্যমে তৈরি করা হয়েছে যা ভালভাবে লেবেলযুক্ত। এই ডেটা সংগ্রহের অনুশীলন কঠিন বা সহজ হতে পারে, আপনি কোন বাণিজ্যিক অ্যাপ্লিকেশন তৈরি করছেন তার উপর নির্ভর করে। উদাহরণস্বরূপ, ওয়াইন আঙ্গুর ক্ষেত্রগুলির জন্য কম্পিউটার ভিশন অ্যালগরিদম বিকাশের জন্য প্রয়োজনীয় প্রয়োজনীয় ডেটা সংগ্রহ করতে, আমার স্টার্টআপের জন্য বিভিন্ন স্থান থেকে বিভিন্ন ধরণের এবং আরও কঠিন স্থির - বিভিন্ন ঋতু সহ ক্ষেত্র চিত্র প্রয়োজন। প্রতিটি মৌসুম এক বছর হওয়ায় সন্তোষজনক পণ্য পেতে কয়েক বছর সময় লাগবে। বিপরীতে, আপনি যদি চীনে একটি ভাল ফেসিয়াল রিকগনিশন অ্যালগরিদম বিকাশ করতে চান, যেমন সংগ্রহ করতে 10 মিলিয়ন ছবি, আপনাকে বেইজিংয়ের একটি ব্যস্ত রাস্তায় এক সপ্তাহের জন্য একটি ক্যামেরা সেট আপ করতে হবে এবং কাজটি সম্পূর্ণ করতে হবে। আরেকটি উদাহরণ হতে পারে চীনের #1 এআই-চালিত ব্যক্তিগতকৃত সংবাদ সংগ্রহকারী, টুটিয়াও, যেটি আপনার ব্যক্তিগত সংবাদ পছন্দ সম্পর্কে শিখে এবং শুধুমাত্র আপনার কাছে সবচেয়ে প্রাসঙ্গিক সংবাদ দেখায়। এই ক্ষেত্রে ডেটা সংগ্রহ করা আবার অনেক সহজ, যেমন প্রতিটি সংবাদ বিভাগে আপনি কতগুলি নিবন্ধ পড়েছেন, প্রতিটি নিবন্ধে আপনি কত সময় ব্যয় করেছেন ইত্যাদি।
তৃতীয়ত, একটি AI ব্যবসার জন্য শক্তিশালী এবং মাপযোগ্য অ্যালগরিদম বিকাশ করতে হবে . এটি অর্জনের জন্য, তিনটি অবশ্যই থাকতে হবে:প্রচুর পরিমাণে ভাল-লেবেলযুক্ত ডেটা (উপরে আলোচনা করা হয়েছে), সঠিক প্রতিভা, এবং আত্মবিশ্বাস যে গভীর শিক্ষাই সমস্যা সমাধানের জন্য সঠিক প্রযুক্তি। এআই ব্যবসার প্রয়োজনীয় অ্যালগরিদম বিকাশের জন্য সঠিক প্রতিভা থাকা দরকার, তবে এগুলি অত্যন্ত বিশেষায়িত, ব্যয়বহুল এবং দুষ্প্রাপ্য। উদাহরণস্বরূপ, যখন আমি আমার স্টার্টআপের জন্য নিয়োগ করতে চাইছিলাম, তখন আমি আবিষ্কার করেছি যে, অ্যালগরিদম প্রোটোটাইপ তৈরি করতে আমার ন্যূনতম ডেটা সায়েন্টিস্ট (সাধারণত পিএইচডি), ফ্রেমওয়ার্ক ডিজাইন করার জন্য ইঞ্জিনিয়ার, কোড করার জন্য প্রোগ্রামার (টেনসরফ্লো, পাইথন, সি++ ইত্যাদি) প্রয়োজন। স্কেলযোগ্য প্রোগ্রামে, এবং লোকেদের একত্রিত করতে (প্রোডাক্ট ম্যানেজার, UX, UI, ইত্যাদি)।
আরেকটি বিবেচনা হল কম্পিউটিং শক্তি . কেন? কারণ ডিপ লার্নিং নিউরাল নেটওয়ার্কের জন্য অন্যান্য এআই পদ্ধতির তুলনায় অনেক বেশি গণনা প্রয়োজন। উদাহরণস্বরূপ, একটি ছবিতে একটি কুকুর সনাক্ত করার একই কাজের জন্য, নন-ডিপ লার্নিং অ্যালগরিদম ব্যবহার করে মডেলটিকে প্রশিক্ষণের জন্য 1GB এর ডেটাসেট দেওয়া 10টি পরিসংখ্যানগত মডেলের প্রয়োজন হতে পারে। ডিপ নিউরাল নেটওয়ার্ক মডেলের প্রয়োজন হতে পারে, বলুন, 100 গিগাবাইটের ডেটাসেটের মাধ্যমে 1000 পরিসংখ্যানগত মডেল। নেটওয়ার্কগুলি ব্যবহার করে ফলাফলগুলি আরও ভাল, তবে প্রয়োজনীয় গণনা শক্তি অনেক বেশি। ফলস্বরূপ, এই মডেলগুলির জন্য শুধুমাত্র একটি কম্পিউটারের প্রয়োজন হয় না (যেমন আমরা আমাদের ব্যক্তিগত কম্পিউটারে যা করি), তবে প্রতিটি GPU হ্যান্ডলিং সহ বিতরণ করা কম্পিউটিং, বলুন, গণনার 5%, যাতে 20টি GPU একসাথে প্রয়োজনীয় কম্পিউটেশনাল ভলিউম পরিচালনা করতে পারে। এর মানে হল, আপনার নিজস্ব GPU ক্লাস্টার সার্ভার তৈরি করা বা AWS-এর মতো প্ল্যাটফর্ম থেকে কম্পিউটিং পাওয়ার ভাড়া নেওয়া। ক্লাউড কম্পিউটিং বা আপনার নিজের সার্ভার থেকে কম্পিউটিং পাওয়ার ব্যয়বহুল, যদিও ন্যায্যতার ক্ষেত্রে কম্পিউটিংয়ের ইউনিট খরচ ক্রমাগত হ্রাস পেতে হবে (মুরের আইন অনুসারে)।
অনেকেই বিশ্বাস করেন যে এআই ব্রেকথ্রু এবং স্টার্টআপগুলি দেখার জন্য এখনই সেরা সময়, কারণ অনেক শিল্প এবং ভোক্তা ইন্টারনেটের ডিজিটালাইজেশন উদ্দেশ্যমূলকভাবে সংগৃহীত, পরিষ্কারভাবে সংগঠিত, ডিজিটাল ডেটা উপলব্ধ করে। এনভিডিয়ার জিপিইউ এবং ইন্টেলের এফপিজিএ-র বিকাশ প্রয়োজনীয় গণনা পরিচালনা করা অনেক সস্তা এবং দ্রুত করে তোলে। উদ্ভাবনের বর্তমান AI তরঙ্গ তাই গভীর শিক্ষার গুরুত্বপূর্ণ অগ্রগতির দ্বারা চালিত হয় .
কিন্তু একটি AI অ্যাপ্লিকেশন সফল হওয়ার জন্য, একজনকে একটি ভালভাবে সংজ্ঞায়িত পছন্দসই সমস্যা, ডেটা, অ্যালগরিদম এবং উল্লেখযোগ্য কম্পিউটিং শক্তি প্রয়োজন। তাদের ব্যবসার ক্ষমতায়নের জন্য AI ব্যবহার করার কথা বিবেচনা করে এই নিবন্ধটি পড়ার নির্বাহীদের জন্য, উপরে উল্লিখিত চারটি মূল উপাদানও প্রযোজ্য।
আপনি কিভাবে এআই সম্পর্কে আরও জানতে পারেন? এআই সম্পর্কে জানার জন্য প্রচুর বই, সেমিনার, কোর্সেরা কোর্স, গবেষণা পত্র এবং সংস্থা যেমন ডিপ লার্নিং রয়েছে। কারণ এই নিবন্ধটির ফোকাস বিনিয়োগকারীদের জন্য যারা AI এর মূল বিষয়গুলি জানতে চান, আমি AI-এর সম্ভাবনা, শিল্পের ভবিষ্যত দৃষ্টিভঙ্গি, AI বিনিয়োগ, পেশাদারদের মতো আলোচিত AI টপিকগুলির অনেকগুলিকে স্পর্শ করিনি৷ এবং বিভিন্ন অ্যালগরিদম (যেমন CNN), প্রোটোটাইপিং বনাম স্কেলিং, প্রধান প্রোগ্রামিং ভাষা, ইত্যাদির অসুবিধা। এই সিরিজের পার্ট 2-এ, আমি কীভাবে বিনিয়োগকারীর দৃষ্টিকোণ থেকে AI কোম্পানিগুলিকে মূল্যায়ন করতে হয় তা নিয়ে আলোচনা করব।