তুহিন সরদার
সহকারী শিক্ষক
১৫ আগস্ট, ২০২৬ ০৪:২১ অপরাহ্ণ
AI কী? AI কীভাবে কাজ করে?
🤖 AI কী?
AI = Artificial Intelligence (কৃত্রিম বুদ্ধিমত্তা)।
সহজ ভাষায়, AI হলো এমন একটি কম্পিউটার প্রযুক্তি, যা মানুষের মতো কিছু কাজ করতে পারে—যেমন শেখা, প্রশ্নের উত্তর দেওয়া, ছবি/লেখা বোঝা, সিদ্ধান্তে সাহায্য করা এবং ভাষা তৈরি করা।
উদাহরণ:
- ChatGPT → প্রশ্নের উত্তর দেয়
- Google Maps → রাস্তা ও ট্রাফিক বিশ্লেষণ করে
- YouTube → আপনার পছন্দ অনুযায়ী ভিডিও সাজেস্ট করে
- Face Unlock → মুখ চিনতে পারে
- AI image generator → লেখা থেকে ছবি তৈরি করতে পারে
🤖 AI কীভাবে কাজ করে?
AI-কে বুঝতে হলে প্রথমে একটা সাধারণ ধারণা মনে রাখুন:
AI মূলত Data থেকে Pattern শেখে এবং সেই শেখা Pattern ব্যবহার করে নতুন Data সম্পর্কে Prediction/Decision/Generation করে।
একটা সাধারণ AI system-কে মোটামুটি এভাবে ভাবতে পারেন:
Data → Processing → Training → Model → Input → Prediction/Output
১. প্রথমে AI-কে Data দেওয়া হয়
AI নিজে থেকে কিছু জানে না। তাকে অনেক Data দিয়ে শেখাতে হয়।
ধরুন আমরা একটি AI বানাতে চাই যেটা Cat এবং Dog চিনতে পারবে।
তাহলে আমরা তাকে অনেক ছবি দেব:
Cat images
├── cat1.jpg
├── cat2.jpg
├── cat3.jpg
├── ...
└── cat100000.jpg
Dog images
├── dog1.jpg
├── dog2.jpg
├── dog3.jpg
├── ...
└── dog100000.jpg
এই Data-কে বলা হয় Training Data।
২. Data পরিষ্কার ও প্রস্তুত করা হয়
Raw Data সরাসরি AI-কে দিলে সবসময় ভালো ফল পাওয়া যায় না।
তাই Data preparation করা হয়।
যেমন ছবির ক্ষেত্রে:
Original Image
↓
Resize
↓
Normalize
↓
Convert to numerical representation
↓
AI Model
কারণ কম্পিউটার আসলে আমাদের মতো করে ছবি দেখে না।
আমরা দেখি:
🐱
কিন্তু কম্পিউটারের কাছে এটি মূলত সংখ্যার একটি বিশাল array/matrix।
উদাহরণ:
[120, 135, 200, ...]
[100, 125, 190, ...]
[ 90, 110, 180, ...]
Pixel-এর color/value-গুলো সংখ্যায় প্রকাশ করা যায়।
৩. AI Pattern খুঁজতে শুরু করে
এটাই Machine Learning-এর গুরুত্বপূর্ণ অংশ।
ধরুন হাজার হাজার Cat-এর ছবি দেখানো হলো।
AI ধীরে ধীরে বিভিন্ন বৈশিষ্ট্যের pattern শিখতে পারে:
কানের আকৃতি
↓
চোখের অবস্থান
↓
মুখের আকৃতি
↓
লোমের pattern
↓
শরীরের গঠন
↓
Cat-এর সম্ভাবনা
তবে একটা গুরুত্বপূর্ণ বিষয়:
AI সাধারণত মানুষ যেভাবে "নিয়ম লিখে" শেখে, সেভাবে শেখে না।
আমরা যদি traditional programming করি:
if ears == "pointed":
animal = "cat"
এটা খুব সরল rule-based programming।
Machine Learning-এ আমরা সাধারণত বলি:
"এই Data এবং সঠিক Answer দেওয়া হলো। তুমি নিজে থেকে pattern শিখো।"
৪. Model কী?
Training-এর মাধ্যমে AI যে mathematical structure তৈরি করে, সেটাই সহজভাবে Model হিসেবে ভাবতে পারেন।
ধরুন:
Training Data
↓
Machine Learning Algorithm
↓
Model
তারপর নতুন Data দিলে:
New Image
↓
Trained Model
↓
Cat: 92%
Dog: 8%
AI তখন বলতে পারে:
সম্ভবত এটি Cat।
৫. Neural Network কী?
Modern AI-এর সবচেয়ে গুরুত্বপূর্ণ ধারণাগুলোর একটি হলো Neural Network।
এটা মানুষের brain-এর neuron-এর ধারণা থেকে অনুপ্রাণিত।
একটি খুব সরল Neural Network দেখতে এমন:
Input Layer
↓
Hidden Layer
↓
Hidden Layer
↓
Output Layer
ধরুন আমরা Cat/Dog classification করছি।
Input
↓
┌───────────────┐
│ Neural Network│
└───────────────┘
↓
Cat = 92%
Dog = 8%
বাস্তব Neural Network অবশ্য এর চেয়ে অত্যন্ত বড় ও জটিল হতে পারে।
৬. Weight কী?
এখানে আসে খুব গুরুত্বপূর্ণ একটি বিষয়:
Weight
Neural Network-এর ভিতরে অনেকগুলো numerical parameter থাকে, যেগুলোকে সাধারণভাবে weights বলা হয়।
ধরুন:
Input → Neuron
↓
Weight
↓
Output
একটি neuron-এর ধারণাগত হিসাব হতে পারে:
Output = Input × Weight + Bias
বাস্তবে Neural Network-এ এই হিসাব হাজার, লাখ, কোটি বা তারও বেশি parameter-এর উপর হতে পারে।
৭. Training কীভাবে হয়?
এটাই AI শেখার মূল প্রক্রিয়া।
ধরুন AI-কে দেওয়া হলো:
Image → Cat
কিন্তু AI প্রথমবার prediction করল:
Cat = 40%
Dog = 60%
অর্থাৎ ভুল হলো।
তখন AI তার prediction-এর ভুল পরিমাপ করে।
এই ভুলকে বলা হয় Loss বা Error।
Actual Answer
↓
Cat
↑
│
Prediction
Cat = 40%
↓
Error / Loss
তারপর algorithm model-এর parameters পরিবর্তন করে যাতে পরবর্তী prediction আরও ভালো হয়।
৮. Backpropagation কী?
Neural Network training-এর খুব গুরুত্বপূর্ণ একটি technique হলো:
Backpropagation
সহজভাবে:
Input
↓
Neural Network
↓
Prediction
↓
Loss/Error
↓
Backpropagation
↓
Weights update
↓
Better prediction
এই প্রক্রিয়া বারবার চলতে থাকে।
৯. Gradient Descent কী?
Weights কীভাবে পরিবর্তন করলে error কমবে—এটা খুঁজতে training-এ Gradient Descent-এর মতো optimization methods ব্যবহার করা হয়।
সহজ উদাহরণ:
আপনি একটি পাহাড়ের উপরে আছেন এবং নিচের সবচেয়ে কম জায়গায় যেতে চান।
●
/ \
/ \
/ \
/ \____
●
Minimum
AI training-এর ক্ষেত্রে লক্ষ্য হলো:
Loss যতটা সম্ভব কমানো।
তাই model-এর parameters এমনভাবে update করা হয় যাতে loss কমতে থাকে।
১০. Deep Learning কী?
যখন Neural Network-এর অনেকগুলো layer থাকে, তখন তাকে সাধারণভাবে Deep Neural Network বলা হয়।
আর এই ধরনের Neural Network ব্যবহার করে শেখার পদ্ধতিকে বলা হয়:
Deep Learning
সম্পর্কটা এভাবে মনে রাখতে পারেন:
Artificial Intelligence
│
└── Machine Learning
│
└── Deep Learning
│
└── Neural Networks
এটা অবশ্য AI-এর পুরো taxonomy নয়, কিন্তু শেখার জন্য ভালো একটি simplified picture।
১১. তাহলে ChatGPT কীভাবে কাজ করে?
এবার আসি আপনার সবচেয়ে পরিচিত AI-তে।
ChatGPT-এর মতো Large Language Model (LLM) মূলত ভাষার বিশাল Data থেকে language patterns শেখে।
ধরুন আপনি লিখলেন:
"বাংলাদেশের রাজধানী হলো ___"
Model context দেখে সম্ভাব্য পরবর্তী token হিসেবে "ঢাকা"-কে খুব বেশি probability দিতে পারে।
আবার আপনি লিখলেন:
"আমি আজ বাজারে ___"
এখানে সম্ভাব্য পরবর্তী শব্দ হতে পারে:
গেলাম
যাব
গিয়েছিলাম
Model context অনুযায়ী সম্ভাবনা হিসাব করে।
১২. Token কী?
ChatGPT আপনার পুরো বাক্যকে সরাসরি মানুষের মতো "শব্দ" হিসেবে process করে না।
Text-কে ছোট ছোট token-এ ভাঙা হয়।
উদাহরণস্বরূপ:
I love programming
এটি tokenization-এর মাধ্যমে বিভিন্ন token-এ পরিণত হতে পারে।
তারপর tokenগুলো numerical representation-এ convert হয়ে model-এর ভিতরে যায়।
সহজভাবে:
Text
↓
Tokens
↓
Numbers / Representations
↓
Neural Network
↓
Probability
↓
Next Token
↓
Next Token
↓
Next Token
↓
Final Response
১৩. ChatGPT-এর ক্ষেত্রে Transformer কেন গুরুত্বপূর্ণ?
Modern LLM-এর ভিত্তিতে Transformer architecture অত্যন্ত গুরুত্বপূর্ণ।
Transformer-এর একটি গুরুত্বপূর্ণ ধারণা হলো:
Attention
ধরুন বাক্য:
"Rahim went to the bank because he needed money."
এখানে he বলতে Rahim-কে বোঝানো হচ্ছে।
Model-কে বুঝতে হবে কোন শব্দের সঙ্গে কোন শব্দের সম্পর্ক বেশি গুরুত্বপূর্ণ।
Attention mechanism context-এর বিভিন্ন অংশের মধ্যে সম্পর্ক নির্ধারণে সাহায্য করে।
সরলভাবে:
Rahim ───────────────┐
↓
he ─────────────→ Attention
↓
Context understanding
১৪. AI কি সবকিছু মুখস্থ করে রাখে?
এখানে একটা গুরুত্বপূর্ণ ভুল ধারণা আছে।
AI-এর model মূলত parameters/weights-এর মধ্যে শেখা statistical patterns ধারণ করে।
এটা এমন নয় যে একটি বিশাল বই খুলে প্রতিটি উত্তর হুবহু খুঁজে বের করছে।
বরং:
Training
↓
Patterns learned
↓
Parameters adjusted
↓
Model
↓
New input
↓
Prediction / Generation
১৫. Training আর Inference-এর পার্থক্য
AI বুঝতে এই দুইটি শব্দ খুব গুরুত্বপূর্ণ।
Training
AI শেখার সময়:
Data
↓
Prediction
↓
Error
↓
Weight update
↓
Repeat
এটি হলো Training।
Inference
AI শেখার পর আপনি যখন প্রশ্ন করেন:
User Input
↓
Trained Model
↓
Prediction
↓
Answer
এটি হলো Inference।
অর্থাৎ:
Training = শেখা
Inference = শেখা জ্ঞান/Pattern ব্যবহার করে নতুন Output তৈরি করা
১৬. AI কেন ভুল উত্তর দেয়?
কারণ AI-এর prediction সবসময় 100% সঠিক নয়।
বিশেষ করে Generative AI-এর ক্ষেত্রে model সম্ভাব্য output তৈরি করে।
তাই কখনও:
Correct answer
↓
High probability
আবার কখনও:
Incorrect answer
↓
Model thinks it is plausible
এই কারণে AI-এর output গুরুত্বপূর্ণ ক্ষেত্রে যাচাই করা উচিত।
১৭. AI কি মানুষের মতো চিন্তা করে?
পুরোপুরি মানুষের মতো নয়।
মানুষের:
- Consciousness
- Emotion
- Biological brain
- Real-world experience
- Personal memory
- Physical senses
আছে।
AI মূলত mathematical computation, learned patterns এবং algorithms-এর মাধ্যমে কাজ করে।
তাই AI খুব intelligent-looking response দিতে পারে, কিন্তু সেটাকে সরাসরি মানুষের মস্তিষ্কের মতো "চিন্তা" বলা ঠিক নয়।
১৮. পুরো AI System-টা এক নজরে
সবকিছু একসাথে করলে:
DATA
↓
Data Preparation
↓
Training Algorithm
↓
Neural Network
↓
Loss / Error Calculation
↓
Backpropagation
↓
Weight Optimization
↓
TRAINED MODEL
↓
User Input
↓
Inference
↓
Prediction / Generation
↓
OUTPUT
সবচেয়ে সহজ ভাষায়:
AI-এর মূল কাজ হলো—
অনেক Data থেকে pattern শেখা → সেই pattern-এর mathematical representation তৈরি করা → নতুন Input পেলে সেই শেখা pattern ব্যবহার করে Prediction বা নতুন Output তৈরি করা। যায়।
মন্তব্য করুন
ব্লগ
১৪
২৪ মন্তব্য