কৃত্ৰিম বুদ্ধিমত্তা
কৃত্ৰিম বুদ্ধিমত্তা (AI) হৈছে কম্পিউটাৰ বিজ্ঞানৰ এটা ক্ষেত্ৰ যিয়ে এনে যন্ত্ৰ সৃষ্টি কৰাত গুৰুত্ব আৰোপ কৰে যিয়ে সাধাৰণতে মানৱ বুদ্ধিমত্তাৰ প্ৰয়োজন হোৱা কাম কৰিব পাৰে, যেনে বাক্য চিনাক্ত কৰা, সিদ্ধান্ত লোৱা বা সমস্যা সমাধান কৰা। কৃত্ৰিম বুদ্ধিমত্তা হৈছে এটা বহল শব্দ (Umbrella Term) যিয়ে মেচিন লাৰ্নিং (Machine Learning), গভীৰ শিক্ষণ (Deep Learning), আৰু প্ৰাকৃতিক ভাষা প্ৰক্ৰিয়া-সমাপন (Natural Language Processing)কে ধৰি বহুতো প্ৰযুক্তি সামৰি লৈছে। মেচিন লাৰ্নিং হৈছে কৃত্ৰিম বুদ্ধিমত্তাৰ এটা উপগোট যি স্পষ্টভাৱে প্ৰগ্ৰেম নকৰাকৈ তথ্যৰ পৰা শিকিবলৈ আৰু ভৱিষ্যদ্বাণী বা সিদ্ধান্ত ল'বলৈ এলগৰিথিম প্ৰশিক্ষণৰ সৈতে জড়িত। গভীৰ শিক্ষণ হৈছে মেচিন লাৰ্নিঙৰ এটা উপগোট যিয়ে বৃহৎ ডাটাছেটৰ পৰা জটিল আৰ্হি প্ৰস্তুত কৰিবলৈ স্নায়ু নেটৱৰ্ক ব্যৱহাৰ কৰে। এনএলপি হৈছে কৃত্ৰিম বুদ্ধিমত্তাৰ আন এটা উপগোট যিয়ে কম্পিউটাৰক মানৱ ভাষা বুজিবলৈ, ব্যাখ্যা কৰিবলৈ আৰু সৃষ্টি কৰিবলৈ সক্ষম কৰাত মনোনিৱেশ কৰে। প্ৰযুক্তিৰ দ্বাৰা পৰিচালিত বহু উদ্যোগত কৃত্ৰিম বুদ্ধিমত্তা ব্যৱহাৰ কৰা হয়, যেনে স্বাস্থ্যসেৱা, বিত্ত, আৰু পৰিবহণ।
- Google Maps: বাস্তৱ সময়ৰ ট্ৰেফিক আপডেট প্ৰদান কৰিবলৈ আৰু আপোনাৰ গন্তব্যস্থানলৈ দ্ৰুততম পথৰ পৰামৰ্শ দিবলৈ AI ব্যৱহাৰ কৰে।
- Netflix: আপোনাৰ পূৰ্বে চোৱা অভ্যাসৰ ওপৰত ভিত্তি কৰি চিনেমা আৰু টিভি শ্ব'ৰ পৰামৰ্শ দিবলৈ AI ব্যৱহাৰ কৰে
- Amazon: আপোনাৰ ক্ৰয় ইতিহাস আৰু ব্ৰাউজিং আচৰণৰ ওপৰত ভিত্তি কৰি পণ্যৰ পৰামৰ্শ দিবলৈ AI ব্যৱহাৰ কৰে।
- Siri: প্ৰাকৃতিক ভাষা বুজিবলৈ আৰু ভয়েচ কমাণ্ডৰ প্ৰতি সঁহাৰি জনাবলৈ AI ব্যৱহাৰ কৰে।
- স্বয়ংচালিত গাড়ী: পৰিৱেশ-পৰিস্থিতিৰ তথ্য আহৰণ কৰি এক ধাৰণা গঢঞি তাৰ ওপৰত ভিত্তি কৰি সিদ্ধান্ত ল'বলৈ AI ব্যৱহাৰ কৰে।
- Chatbots: মানৱ কথোপকথন অনুকৰণ আৰু গ্ৰাহক সেৱা প্ৰদান কৰিবলৈ AI ব্যৱহাৰ কৰক।
আমাৰ দৈনন্দিন জীৱনত কেনেকৈ এআই ব্যৱহাৰ কৰা হৈছে তাৰ কেইটামান উদাহৰণহে।
যোৱা দশক ধৰি সমগ্ৰ বিশ্বৰ বিভিন্ন উদ্যোগক এআইয়ে দ্ৰুতগতিত ৰূপান্তৰিত কৰি আহিছে যদিও ইয়াৰ ফলত কেইবাটাও নৈতিক চিন্তাও উত্থাপন হৈছে। এআইক কেন্দ্ৰ কৰি কিছুমান প্ৰধান নৈতিক চিন্তা হ’ল-
১) গোপনীয়তা আৰু চোৱাচিতা (Privacy and surveillance): AI ব্যৱস্থাই বিপুল পৰিমাণৰ তথ্য সংগ্ৰহ আৰু বিশ্লেষণ কৰিব পাৰে, যিটো ব্যক্তিক তেওঁলোকৰ অজ্ঞাত বা সন্মতি অবিহনে নিৰীক্ষণ আৰু অনুসৰণ কৰিবলৈ ব্যৱহাৰ কৰিব পাৰি।
২) পক্ষপাতিত্ব আৰু বৈষম্য (Bias and discrimination): এআই ব্যৱস্থাই বিদ্যমান পক্ষপাতিত্ব আৰু বৈষম্যক স্থায়ী আৰু বৃদ্ধি কৰিব পাৰে, যাৰ ফলত কিছুমান বিশেষ গোটৰ মানুহৰ প্ৰতি অন্যায় ব্যৱহাৰ হয়।
৩) স্বচ্ছতা আৰু জবাবদিহিতা (Transparency and accountability): AI ব্যৱস্থাসমূহ অস্বচ্ছ আৰু বুজিবলৈ কঠিন হ'ব পাৰে, যাৰ ফলত তেওঁলোকৰ সিদ্ধান্ত আৰু কাৰ্য্যৰ বাবে জবাবদিহি কৰাটো প্ৰত্যাহ্বানজনক হৈ পৰে।
৪) চাকৰি স্থানান্তৰ (ob displacement): AI ব্যৱস্থাই বহুতো চাকৰি স্বয়ংক্ৰিয় কৰিব পাৰে, যাৰ ফলত চাকৰি স্থানান্তৰ আৰু অৰ্থনৈতিক বিঘিনি ঘটে 4।
৫) নিৰাপত্তাজনিত বিপদ (Security risks): AI ব্যৱস্থাসমূহ চাইবাৰ আক্ৰমণ আৰু অন্যান্য সুৰক্ষা বিপদৰ সন্মুখীন হ'ব পাৰে, যাৰ গুৰুতৰ পৰিণতি হ'ব পাৰে।
কৃত্ৰিম বুদ্ধিমত্তাক কেন্দ্ৰ কৰি থকা নৈতিক চিন্তাৰ এইবোৰ মাত্ৰ কেইটামান উদাহৰণ। কৃত্ৰিম বুদ্ধিমত্তাৰ বিকাশ আৰু আমাৰ দৈনন্দিন জীৱনৰ সৈতে অধিক সংযুক্ত হোৱাৰ লগে লগে এই উদ্বেগসমূহৰ সৈতে মোকাবিলা কৰাটো গুৰুত্বপূৰ্ণ আৰু এআইক নৈতিক আৰু দায়িত্বশীলভাৱে বিকশিত আৰু ব্যৱহাৰ কৰাটো নিশ্চিত কৰাটো গুৰুত্বপূৰ্ণ ।
ব্যাখ্যাযোগ্য কৃত্ৰিম বুদ্ধিমত্তা (XAI) হৈছে এনে এটা প্ৰক্ৰিয়া আৰু পদ্ধতিৰ গোট যিয়ে মানৱ ব্যৱহাৰকাৰীক মেচিন লাৰ্নিং এলগৰিদমৰ দ্বাৰা সৃষ্টি কৰা ফলাফল আৰু আউটপুট বুজিবলৈ আৰু বিশ্বাস কৰিবলৈ অনুমতি দিয়ে। ইয়াক এটা AI মডেল, ইয়াৰ প্ৰত্যাশিত প্ৰভাৱ, আৰু সম্ভাৱ্য পক্ষপাতিত্বসমূহ বৰ্ণনা কৰিবলৈ ব্যৱহাৰ কৰা হয়। বুজাব পৰা এআইয়ে এআই-চালিত সিদ্ধান্ত গ্ৰহণত মডেলৰ সঠিকতা, ন্যায়পৰায়ণতা, স্বচ্ছতা আৰু ফলাফলৰ বৈশিষ্ট্য নিৰ্ণয় কৰাত সহায় কৰে। এটা সংস্থাৰ বাবে এআইৰ আৰ্হি নিৰীক্ষণ আৰু জবাবদিহিতাৰ সৈতে এআইৰ সিদ্ধান্ত গ্ৰহণ প্ৰক্ৰিয়াৰ বিষয়ে সম্পূৰ্ণ বুজাবুজি থকাটো অতি গুৰুত্বপূৰ্ণ আৰু সেইবোৰক অন্ধভাৱে বিশ্বাস নকৰাটো অতি গুৰুত্বপূৰ্ণ। ব্যাখ্যাযোগ্য AI এ মানুহক মেচিন লাৰ্নিং (ML) এলগৰিদম, গভীৰ শিক্ষণ, আৰু স্নায়ু নেটৱৰ্ক বুজিবলৈ আৰু ব্যাখ্যা কৰাত সহায় কৰিব পাৰে। এম এল মডেলক প্ৰায়ে ক'লা বাকচ বুলি ভবা হয় যাৰ ব্যাখ্যা কৰাটো অসম্ভৱ। গভীৰ শিক্ষণত ব্যৱহৃত স্নায়ু নেটৱৰ্কবোৰ মানুহৰ বাবে বুজিবলৈ আটাইতকৈ কঠিন কিছুমান ২। ব্যাখ্যাযোগ্য এআই হৈছে দায়িত্বশীল এআই প্ৰণয়নৰ বাবে অন্যতম মূল প্ৰয়োজনীয়তা, যিটো প্ৰকৃত সংস্থাসমূহত এআই পদ্ধতিসমূহ ন্যায্যতা, আৰ্হি ব্যাখ্যাযোগ্যতা আৰু জবাবদিহিতাৰ সৈতে বৃহৎ পৰিসৰৰ ৰূপায়ণৰ বাবে এটা পদ্ধতি। দায়িত্বশীলভাৱে এআই গ্ৰহণ কৰাত সহায় কৰিবলৈ সংস্থাসমূহে বিশ্বাস আৰু স্বচ্ছতাৰ ওপৰত ভিত্তি কৰি এআই ব্যৱস্থা নিৰ্মাণ কৰি এআই প্ৰয়োগ আৰু প্ৰক্ৰিয়াসমূহত নৈতিক নীতিসমূহ সন্নিৱিষ্ট কৰিব লাগিব।
কৃত্ৰিম বুদ্ধিমত্তাক অধিক স্বচ্ছ কৰি তোলাৰ কেইবাটাও উপায় আছে। ইয়াৰ এটা গুৰুত্বপূৰ্ণ উপায় হ'ল ব্যাখ্যাযোগ্য AI (XAI) ব্যৱহাৰ কৰা, যিটো হৈছে প্ৰক্ৰিয়া আৰু পদ্ধতিৰ এটা গোট যিয়ে মানৱ ব্যৱহাৰকাৰীক মেচিন লাৰ্নিং এলগৰিদমৰ দ্বাৰা সৃষ্টি কৰা ফলাফল আৰু আউটপুট বুজিবলৈ আৰু বিশ্বাস কৰিবলৈ অনুমতি দিয়ে। XAI এ AI-চালিত সিদ্ধান্ত গ্ৰহণত মডেলৰ সঠিকতা, ন্যায়পৰায়ণতা, স্বচ্ছতা, আৰু ফলাফলৰ বৈশিষ্ট্য নিৰ্ণয় কৰাত সহায় কৰে। এটা সংস্থাৰ বাবে এআইৰ আৰ্হি নিৰীক্ষণ আৰু জবাবদিহিতাৰ সৈতে এআইৰ সিদ্ধান্ত গ্ৰহণ প্ৰক্ৰিয়াৰ বিষয়ে সম্পূৰ্ণ বুজাবুজি থকাটো অতি গুৰুত্বপূৰ্ণ আৰু সেইবোৰক অন্ধভাৱে বিশ্বাস নকৰাটো অতি গুৰুত্বপূৰ্ণ।
কৃত্ৰিম বুদ্ধিমত্তাক অধিক স্বচ্ছ কৰাৰ আন এটা উপায় হ'ল বগা-বাকচ স্নায়ু নেটৱৰ্ক ব্যৱহাৰ কৰা। এই নেটৱৰ্কসমূহে সিদ্ধান্ত গ্ৰহণৰ মাপকাঠীসমূহ স্পষ্ট কৰি তোলে, যিয়ে ফলাফলৰ সঠিকতা উন্নত কৰাত সহায় কৰিব পাৰে। আইচিনৰ টকিঅ’ গৱেষণা কেন্দ্ৰৰ দলটোৱে বগা বাকচৰ স্নায়ু নেটৱৰ্কৰ ওপৰত গৱেষণা কৰি আছে, যিয়ে গভীৰ স্নায়ু নেটৱৰ্কৰ ব্যাখ্যাযোগ্যতা বৃদ্ধি কৰাত সহায় কৰিব পাৰে।
শেষত, কৃত্ৰিম বুদ্ধিমত্তা প্ৰকল্পসমূহত স্বচ্ছতা গঢ়ি তোলাটোৱেও এআইক অধিক স্বচ্ছ কৰি তোলাত সহায় কৰিব পাৰে। স্বচ্ছতাই ভুল আৰু অপব্যৱহাৰৰ আশংকা হ্ৰাস কৰিব পাৰে, দায়িত্ব বিতৰণ কৰিব পাৰে, আভ্যন্তৰীণ আৰু বাহ্যিক তদাৰকী সক্ষম কৰিব পাৰে, আৰু কৃত্ৰিম বুদ্ধিমত্তাব্যৱস্থাপ্ৰণালীৰ বিশ্বাস আৰু জবাবদিহিতা বৃদ্ধি কৰিব পাৰে।
এইবোৰ মাত্ৰ কেইটামান উদাহৰণহে যে কেনেকৈ এআইক অধিক স্বচ্ছ কৰি তুলিব পাৰি। এআইৰ বিকাশ আৰু আমাৰ দৈনন্দিন জীৱনৰ সৈতে অধিক সংযুক্ত হোৱাৰ লগে লগে এই উদ্বেগসমূহৰ সৈতে মোকাবিলা কৰাটো গুৰুত্বপূৰ্ণ আৰু এআইক নৈতিক আৰু দায়িত্বশীলভাৱে বিকশিত আৰু ব্যৱহাৰ কৰাটো নিশ্চিত কৰাটো গুৰুত্বপূৰ্ণ ।
মেচিন লাৰ্নিঙত ব্লেক-বক্স মডেল হৈছে এনে এটা মডেল যিয়ে ইনপুট ডাটাৰ ওপৰত ভিত্তি কৰি ভৱিষ্যদ্বাণী কৰে আৰু সেই ভৱিষ্যদ্বাণীসমূহত কেনেকৈ উপনীত হ'ল সেই কথা প্ৰকাশ নকৰাকৈ। অৰ্থাৎ মডেলৰ আভ্যন্তৰীণ কাম-কাজ ব্যৱহাৰকাৰীৰ বাবে স্বচ্ছ নহয় ১। ব্লেক-বক্স মডেল প্ৰায়ে জটিল ব্যৱস্থাত ব্যৱহাৰ কৰা হয় য'ত ইনপুট আৰু আউটপুটৰ মাজৰ সম্পৰ্ক বুজিবলৈ কঠিন।
আনহাতে, বগা-বাকচ মডেল হৈছে এনে এটা মডেল যিয়ে ইনপুট তথ্যৰ ওপৰত ভিত্তি কৰি ভৱিষ্যদ্বাণী কৰে আৰু সেই ভৱিষ্যদ্বাণীসমূহত কেনেকৈ উপনীত হ'ল তাৰ ব্যাখ্যাও প্ৰদান কৰে। হোয়াইট-বক্স মডেল প্ৰায়ে এনে পৰিস্থিতিত ব্যৱহাৰ কৰা হয় য'ত মডেলটোৱে কেনেকৈ ইয়াৰ ভৱিষ্যদ্বাণীত উপনীত হ'ল সেয়া বুজাটো গুৰুত্বপূৰ্ণ।
ব্লেক-বক্স আৰু হোৱাইট-বক্স মডেলৰ মাজত মূল পাৰ্থক্য হ’ল স্বচ্ছতা। ব্লেক-বক্স মডেলে সিদ্ধান্ত-মা সম্পৰ্কে অন্তৰ্দৃষ্টি কম বা একেবাৰেই নিদিয়ে।
- ChatGPT broke the Turing test — the race is on for new ways to assess AI (nature.com)
- What is Artificial Intelligence (AI) ? | IBM
- What Is Artificial Intelligence? Definition, Uses, and Types. https://www.coursera.org/articles/what-is-artificial-intelligence.
- How to Learn Artificial Intelligence: A Beginner’s Guide. https://www.coursera.org/articles/how-to-learn-artificial-intelligence.
- Introduction to Artificial Intelligence (AI) | Coursera. https://www.coursera.org/learn/introduction-to-ai.
- Artificial intelligence - Wikipedia. https://en.wikipedia.org/wiki/Artificial_intelligence.
- What is Artificial Intelligence (AI) ? | IBM. https://www.ibm.com/topics/artificial-intelligence.
- Ethical concerns mount as AI takes a bigger decision-making role. https://news.harvard.edu/gazette/story/2020/10/ethical-concerns-mount-as-ai-takes-bigger-decision-making-role/.
- AI Ethics | IBM. https://www.ibm.com/topics/ai-ethics.
- Tackling Ethical and Security Concerns of Generative AI Models. https://techbullion.com/tackling-ethical-and-security-concerns-of-generative-ai-models/.
- AI ethics, governance and developments in 2024: An interview with three chatbots. https://www.techgoondu.com/2023/12/29/ai-ethics-governance-and-developments-in-2024-an-interview-with-three-chatbots/.
- Do companies have ethical guidelines for AI use? 56% of professionals are unsure, the survey says. https://www.zdnet.com/article/do-companies-have-ethical-guidelines-for-ai-use-56-of-professionals-are-unsure-survey-says/.
- What is explainable AI? | IBM. https://www.ibm.com/topics/explainable-ai.
- What Is Explainable AI (XAI)? | NVIDIA Blog. https://blogs.nvidia.com/blog/what-is-explainable-ai/.
- What Is Explainable AI? | Built In. https://builtin.com/artificial-intelligence/explainable-ai.
- Explainable AI | Google Cloud. https://cloud.google.com/explainable-ai/.
- Making artificial intelligence more transparent - Nature. https://www.nature.com/articles/d42473-021-00332-y.
- Building Transparency into AI Projects - Harvard Business Review. https://hbr.org/2022/06/building-transparency-into-ai-projects.
- What measures could make the use of AI more transparent and explainable .... https://www.port.ac.uk/news-events-and-blogs/blogs/future-and-emerging-technologies/what-measures-could-make-the-use-of-ai-more-transparent-and-explainable-to-the-public.
- Building Transparent and Explainable AI | Know Everything Here - Xenonstack. https://www.xenonstack.com/blog/transparent-and-explainable-ai.
- Changing the Opacity of Objects in Illustrator | Media Commons. https://mediacommons.psu.edu/2021/05/20/opacity-illustrator/.
- Black-Box vs. White-Box: Understanding Their Advantages and Weaknesses .... https://ieeexplore.ieee.org/document/8882211.
- Understanding Black-Box and White-Box Algorithms in Machine Learning. https://rhythmblogs.hashnode.dev/understanding-black-box-and-white-box-algorithms-in-machine-learning.
- White Box vs. Black Box Modeling: On the Performance of Deep ... - Springer. https://link.springer.com/chapter/10.1007/978-3-030-45093-9_35.
- Understanding the Three Types of Building Energy Models - NY Engineers. https://www.ny-engineers.com/blog/understanding-the-three-types-of-energy-models-for-buildings.
- White Box vs Black Box Models: Balancing Interpretability and ... - Dataiku. https://blog.dataiku.com/white-box-vs-black-box-models-balancing-interpretability-and-accuracy.
- https://ieeexplore.ieee.org/servlet/opac?punumber=6287639
