যোৱা ২৪ অক্টোবৰত কোৰিয়া ইণ্ডাষ্ট্ৰিয়েল ইণ্টেলিজেন্সাইজেচন এছ’চিয়েচন (KOIIA)-ৰ আমন্ত্ৰণত ‘2025 মধ্যমীয়া উদ্যোগৰ মূল প্ৰতিভা বিকাশ একাডেমী, ভৱিষ্যৎ উদ্যোগৰ প্ৰতি সঁহাৰি কৌশল ছেমিনাৰ’ত অংশগ্ৰহণ কৰি ক্লেভিৰ প্ৰতিনিধি লি হোৱান-হোৱে মূল ভাষণ প্ৰদান কৰে।
আমি ‘AI প্ৰযুক্তি প্ৰৱৰ্তনৰ উদাহৰণ আৰু DX ব্যৱহাৰিক কৌশল’ অধিৱেশনত ‘Physical AI ব্যৱহাৰৰ উদাহৰণ আৰু RAG এজেণ্ট প্ৰৱৰ্তন প্ৰক্ৰিয়াত ব্যৰ্থতাৰ কাৰক আৰু উন্নয়ন কৌশল’ শীৰ্ষক বিষয়ত অংশগ্ৰহণ কৰিছিলোঁ।
শেহতীয়াকৈ AI এজেণ্টৰ প্ৰতি আগ্ৰহ বৃদ্ধি পোৱাৰ লগে লগে বহুতো কোম্পানীয়েও AI প্ৰৱৰ্তনৰ কথা বিবেচনা কৰিবলৈ আৰম্ভ কৰিছে। ইতিমধ্যে বহুতো প্ৰতিষ্ঠান আৰু কোম্পানীয়ে AI পৰীক্ষামূলকভাৱে প্ৰৱৰ্তন কৰি পৰিচালনা কৰি আছে বুলি জনা যায়।
কিন্তু দুখৰ বিষয় যে বহুতো কোম্পানী আৰু প্ৰতিষ্ঠানত আকাংক্ষিত ROI পোৱা নাযায়, অথবা PoC-ত কাম কৰা কাৰ্যসমূহ মূল ব্যৱসায় বা ক্ষেত্ৰত সঠিক উত্তৰ নিদিয়ে বা কাম নকৰে—এনে ঘটনা অত্যন্ত বেছি বুলি সমীক্ষাত প্ৰকাশ পাইছে।
এই তথ্যসমূহৰ বাবে বহুতো কোম্পানীয়ে AI খৰখেদাকৈ প্ৰৱৰ্তন কৰিবলৈ সংকোচ বোধ কৰিছে।
এই বক্তৃতাত ক্লেভিৰ প্ৰতিনিধি লি হোৱান-হোৱে খৰখেদাকৈ AI প্ৰৱৰ্তনৰ অন্যতম প্ৰধান ব্যৰ্থতাৰ কাৰণ RAG ব্যৱস্থাৰ সীমাবদ্ধতা আৰু মুক্ত-উৎস মডেল বা সৰু LLM (SLM) সম্পৰ্কে বিশদভাৱে ব্যাখ্যা কৰি পূৰ্বৰ প্ৰৱৰ্তন উদাহৰণসমূহ কিয় ব্যৰ্থ হৈছিল সেয়া বুজাইছিল।
শেষত, AI ব্যৱহাৰ কৰাৰ কাৰণ হৈছে ই মানুহৰ কামৰ ঠাই ল’ব বা মানুহতকৈ উন্নত প্ৰদৰ্শন দেখুৱাব বুলি আশা কৰা।
বৰ্তমান AI প্ৰৱৰ্তন কৰা কোম্পানীসমূহৰ ব্যৱহাৰিক কৰ্মীসকলে AI-ৰ উত্তৰৰ গুণগত মানৰ ওপৰত বিশ্বাস কৰিব নোৱাৰাৰ বাবে AI-ৰ উত্তৰসমূহ এটাৰ পিছত এটাকৈ পৰীক্ষা কৰিবলগীয়া হৈছে, ফলত কাম বাঢ়ি গৈছে বুলি অসন্তুষ্টি প্ৰকাশ কৰিছে।
ইয়াৰ কাৰণ হৈছে অধিকাংশ কোম্পানীয়ে মুক্ত-উৎস SLM মডেল ফাইন-টিউন কৰি সমাধান হিচাপে ব্যৱহাৰ কৰে।
স্বাভাৱিকভাৱে ভাবিলে AI-এ নতুন শিক্ষা লাভ কৰিলে অধিক বুদ্ধিমান হ’ব বুলি ধাৰণা হয়, কিন্তু বিপৰীতভাৱে AI-ক নতুন জ্ঞান শিকালে ই অতীতৰ স্মৃতি, অৰ্থাৎ ইচ্ছামতে নিৰ্ধাৰিত পেৰামিটাৰ ওজন হেৰুৱাই পেলায়।
আৰু অধিক গুৰুতৰ সমস্যা হৈছে কোনটো তথ্য বা জ্ঞান হেৰাই গ’ল সেয়া কোনেও নাজানে।
AI প্ৰৱৰ্তন কোনো সৰু সম্পদেৰে সম্পন্ন কৰিব পৰা কাম নহয়, সেয়েহে PoC পৰ্যায়ৰ পৰাই আপুনি বহুতো পৰীক্ষা-নিৰীক্ষা সম্পন্ন কৰিছিল নিশ্চয়।
তেন্তে সেই সময়ত এনে সমস্যা কিয় দেখা দিয়া নাছিল? ইয়াৰ কাৰণ অৱশ্যেই লক্ষ্য-নিৰ্দিষ্ট তথ্যৰে পুনৰ প্ৰশিক্ষণ দিয়া হৈছিল।
কেৱল সংখ্যা জানিছিল AI-ক বৰ্ণমালা শিকাই তাৰ পাছত কেৱল বৰ্ণমালাৰ বিষয়ে প্ৰশ্ন সোধা হৈছিল, সেয়েহে ই ভাল উত্তৰ দিয়াটো স্বাভাৱিক। কিন্তু বাস্তৱ ক্ষেত্ৰত এনে নিৰ্দিষ্ট ডমেইনৰ বাবে বিশেষভাৱে প্ৰশিক্ষিত মডেলেই জানো প্ৰয়োজনীয়?
আমাৰ কৰ্মক্ষেত্ৰসমূহে প্ৰতিদিনে নতুন পৰিৱেশ আৰু নতুন তথ্যৰ সন্মুখীন হয়। কিন্তু পূৰ্বৰ জ্ঞানসমূহ যাদৃচ্ছিকভাৱে ধ্বংস কৰি প্ৰশিক্ষিত কৰা AI-য়ে সাধাৰণ প্ৰয়োগযোগ্যতাৰ লগতে শুদ্ধতাও নিশ্চিত কৰিব নোৱাৰে।
সেয়েহে From-scratch Foundation বৃহৎ ভাষা মডেল নিজৰ ওচৰত থকা বা এনে মডেল সৃষ্টি কৰিব পৰা প্ৰযুক্তি থকাটো প্ৰয়োজনীয়।
কাৰণ এনে মডেলসমূহৰ ওচৰত পৃথিৱীৰ প্ৰায় সকলো জ্ঞান থাকে, সেয়েহে উত্তৰৰ গুণগত মানৰ লগতে শুদ্ধতাও অধিক হয়।
বিশেষায়িত ডমেইনৰ ক্ষেত্ৰত SFT(Supervised Fine-Tuning) নামৰ প্ৰযুক্তি ব্যৱহাৰ কৰিব পাৰি, অথবা কম পৰিমাণৰ তথ্যৰ বাবে RAG system বা ক্লেভিয়ে নিজে বিকশিত কৰা intelligence database system—Semantic Database প্ৰযুক্তি ব্যৱহাৰ কৰিলে fine-tuning কৰা SLM-ৰ অসুবিধাসমূহ অতিক্ৰম কৰিব পাৰি।
চৰকাৰেও এনে Foundation Model-ৰ গুৰুত্ব উপলব্ধি কৰিছে, সেয়েহে বহুতো সহায় আগবঢ়াইছে।
ই হৈছে National Representative AI Project। এই প্ৰকল্পৰ আটাইতকৈ ডাঙৰ লক্ষ্য হ’ব ডিজিটেল সাৰ্বভৌমত্ব নিশ্চিত কৰা।
আমাৰ ক্লেভিয়েও open-source model ব্যৱহাৰ কৰাৰ সময়ত উদ্ভৱ হ’ব পৰা গুৰুতৰ অসুবিধাসমূহ জানিছিল। সেয়েহে তথ্য সংগ্ৰহৰ পৰা architecture design লৈকে সকলো নিজস্বভাৱে বিকশিত কৰি ক্লেভিৰ মডেলসমূহ প্ৰশিক্ষণ দিয়া হৈছে।
বৰ্তমান ক্লেভিৰ মডেলসমূহে বিশ্বৰ আগশাৰীৰ AI-সমূহৰ সৈতে প্ৰতিযোগিতা কৰিলেও কোনো ক্ষেত্ৰতে পিছ পৰি নোযোৱা কাৰ্যক্ষমতা প্ৰদৰ্শন কৰে।
বিশেষকৈ, নিজস্ব মডেল থকাৰ বাবে বাহ্যিক মডেল ব্যৱহাৰ কৰিলে হ’ব পৰা নিৰ্ভৰশীলতাৰ সমস্যাৰ সৈতে আমাৰ ক্লেভিৰ কোনো সম্পৰ্ক নাই।
এতিয়া AI প্ৰৱৰ্তন পছন্দৰ বিষয় নহয়, ই অপৰিহাৰ্য হৈ পৰিছে। কিন্তু কেৱল শেহতীয়া প্ৰযুক্তি গ্ৰহণ কৰিলেই আকাংক্ষিত ফলাফল লাভ কৰাটো কঠিন।
প্ৰকৃত উদ্ভাৱন তেতিয়াহে আৰম্ভ হয়, যেতিয়া প্ৰযুক্তিৰ সীমাবদ্ধতাসমূহ সঠিকভাৱে বুজি আমাৰ সংগঠনৰ পৰিৱেশ আৰু লক্ষ্যৰ সৈতে খাপ খোৱা সৰ্বোত্তম কৌশল প্ৰস্তুত কৰা হয়।
ক্লেভিয়ে নিজস্ব বৃহৎ ভাষা মডেল আৰু Semantic Database-ৰ দৰে পৃথক বৈশিষ্ট্যসম্পন্ন প্ৰযুক্তিগত সক্ষমতাৰ জৰিয়তে প্ৰতিষ্ঠানসমূহে AI প্ৰৱৰ্তনৰ প্ৰক্ৰিয়াত সন্মুখীন হোৱা পৰীক্ষা-নিৰীক্ষা আৰু বিপদসমূহ ন্যূনতম কৰি তুলিছে।
আগলৈও আমি ক্ষেত্ৰখনৰ মাত শুনি, অধিকসংখ্যক প্ৰতিষ্ঠানে বিশ্বাস কৰিব পৰা AI অংশীদাৰ হ’বলৈ সৰ্বোচ্চ প্ৰচেষ্টা চলাই যাম। AI গ্ৰহণৰ প্ৰকৃত সফলতা ক্লেভিৰ সৈতে একেলগে গঢ়ি তুলিব পাৰক।