Datasets:

KillerShoaib

/

RakibulAI-Utub-Bangla-Transcription

like 0

রকিবের সাথে ডীপ লার্নিং, টেনসর ফ্লো

বিভিন্ন ডিপ লার্নিং ফ্রেমওয়ার্কের আলাদা পাইথন এনভায়রনমেন্ট [কন্ডা], মিনিকন্ডার ব্যবহার.mp3

আমরা যখন প্রতিনিয়ত ডেটা সাইন্স নিয়ে কাজ করি তার একটা বড় পার্ট হচ্ছে আরএনডি। সবচেয়ে বড় ব্যাপার হচ্ছে এই ডেটা সাইন্স ঘিরে প্রচুর টুল এসেছে বিশেষ করে পাইথন ভিত্তিক। তবে সবগুলোই যে একই পাইথন এনভাইরনমেন্টে বা একই পাইথন ভার্সনে কাজ করবে সেটাও কিন্তু নয়। এর পাশাপাশি আমার যেই টুলটা এখন বর্তমান যে পাইথন ভার্সনে কাজ করছে আমি কেনই বা তাকে আপগ্রেড করে নতুন ভার্সন নিয়ে আবার আমাকে নতুন সবকিছু সেটআপ করতে হবে। ধরা যাক আমি আমার মেশিনে পাই টর্চ, টেন্সর ফ্লো এবং জ্যাক্স নিয়ে কাজ করছি। আর এর পাশাপাশি আমাদের যে বেইজ কম্পোনেন্ট বিশেষ করে সাইকিট লার্ন সেটা তো আছেই। এখানে যে ব্যাপারটা কাজ করে আমরা প্রতিটার জন্য আলাদা আলাদা এনভাইরনমেন্ট আমরা তৈরি করি যাতে সেটার স্পেসিফিক ভার্সন এবং তার জন্য যা যা প্যাকেজ দরকার সেগুলোর জন্য আলাদা আলাদা এনভাইরনমেন্ট তৈরি করে নিতে হয়। ধরা যাক আমি আপনার জন্য একটা ডেমো সেটআপ করছি যেটা আমি এতদিন ধরে প্র্যাকটিস করে আসছিলাম আমার বেইজ এনভাইরনমেন্টে। তবে ডেমোতে যাতে কোন ধরনের সমস্যা না হয় সে কারণে আমি নতুন করে সবকিছু রিকোয়ারমেন্ট ফাইল ধরে এমনভাবে তৈরি করব যাতে এতে অন্য কোন প্যাকেজের ইন্টারফেয়ারেন্স না থাকে। শুধু ডেটা সাইন্স নয় তবে আমরা যখন বিভিন্ন ধরনের অ্যাপ্লিকেশন ডেভেলপ করি তখন দেখা যায় যখন আমরা এটা নিয়ে কাজ করছিলাম সেটা তখন কাজ করেছিল কিন্তু এরপরে আমরা এটা নিয়ে বেশ কিছু কাজ করার পরে আমরা যখন আবার ফিরে এলাম পুরনো প্রোগ্রামে তখন দেখা যাচ্ছে আমাদের আগের প্রোগ্রামটা আর কাজ করছে না। এর অর্থ হচ্ছে আমরা এর মধ্যে এমন কিছু পরিবর্তন নিয়ে এসেছি আমাদের এনভাইরনমেন্টে বিশেষ করে কিছু প্যাকেজ আপগ্রেড করা হয়েছে যার ফলে সেই পুরনো প্রোগ্রামটা আর চলছে না। এটা প্রায় হয় যে আমাদের পুরনো প্রোগ্রামের মধ্যে যেই ধরনের প্যাকেজের এনভাইরনমেন্টের কম্প্যাটিবিলিটি ছিল সেটা পরবর্তী সময়ে নতুন প্রোগ্রামের সাথে আর কাজ করছে না। যেমন সেদিন আমরা কুডা লাইব্রেরি আপগ্রেড করার ফলে আমাদের টেন্সর ফ্লোর আপগ্রেড করতে হয়েছিল। কিন্তু যখন আমরা টেন্সর ফ্লো আপগ্রেড করলাম আর টেন্সর ফ্লো যখন নাম্পায়ের সাথে কথা বলা শুরু করলো তখন আমরা নাম্পাইকে ডাউনগ্রেড করতে বাধ্য হলাম এই একটাই কারণে কম্প্যাটিবিলিটি হয়নি। এর অর্থ হচ্ছে আমরা একটা কাজ করতে গেলে এর পাইপলাইনে যতগুলো প্যাকেজ এবং যতগুলো সফটওয়্যার টুল ব্যবহার করছি সেগুলোর ঠিকমতো না কাজ করলে তখন কোনটার জন্য কোনটাতে সমস্যা হচ্ছে সেটা বের করা খুবই সমস্যা হয়ে যায়। আর সে কারণে আমরা একটা কাজের জন্য বিভিন্ন ফ্রেমওয়ার্ক এবং বেশ কিছু প্যাকেজ এক জায়গায় এনে সবকিছুকে একসাথে কাজ করাতে হয় সেই জন্য এনভাইরনমেন্ট ছাড়া কোন বিকল্প নেই। তবে আমাদের মধ্যে যারা ডেটা সাইন্স নিয়ে কাজ করছে তাদের এনভাইরনমেন্ট ম্যানেজ করার জন্য কন্ডা গডসেন্ড। বিশেষ করে সেই একটা অ্যাপ্লিকেশন নিয়ে আমরা কয়েকজন মিলে কাজ করছি তাদের বিভিন্ন পিসিতে। সেই একই অ্যাপ্লিকেশন আপনার পিসিতে কাজ করেছে কিন্তু আপনার বন্ধুর পিসিতে কাজ করছে না তখন আমরা কি করব? তবে মজার কথা হচ্ছে পাইথনের যে ইনবিল্ড প্যাকেজ ম্যানেজার যেটাকে আমরা বলছি পিপ। যেটার অর্থ হচ্ছে পিপ ইন্সটলস প্যাকেজেস। এর পাশাপাশি ভার্চুয়াল এনভাইরনমেন্ট বলে আলাদা টুল আছে পুরোপুরি আলাদা ডেভেলপমেন্ট এনভাইরনমেন্ট তৈরি করার জন্য। তবে আমার প্রিয় হচ্ছে কন্ডা যেটা একই সাথে প্যাকেজ এবং এনভাইরনমেন্ট ম্যানেজার। কারণ যারা উইন্ডোজে ডেটা সাইন্স নিয়ে শিখছেন আমি সবসময় বলি আপনারা মিনিকন্ডা ইন্সটল করবেন। যেটা মাত্র 50 মেগাবাইট এর মতো। আর এরপর কন্ডা দিয়ে আপনি বিভিন্ন এনভাইরনমেন্ট তৈরি করে সেভাবে আপনার ডেভেলপমেন্ট প্ল্যাটফর্ম তৈরি করবেন। যেভাবে আমি তৈরি করেছি এই একই পিসিতে জ্যাক্স, পাই টর্চ এবং টেন্সর ফ্লোর জন্য। আর এর পাশাপাশি আমাদের বেইজ এনভাইরনমেন্ট হিসেবে সাইকিট লার্ন এবং নাম্পাই তো আছেই। আজকে এই পর্যন্তই থাকছেন তো সামনে?

রকিবের সাথে ডীপ লার্নিং, টেনসর ফ্লো

উইন্ডোজ ১০, এনভিডিয়া জিপিইউ, টেন্সরফ্লো, মিনিকন্ডা, কুডা টুলকিট, কুডএনএন ইনস্টলেশন ০৫ (শেষ).mp3

আজকে আমাদের সর্বশেষ ভিডিও হচ্ছে এই উইন্ডোজ টেন কিভাবে এনভিডিয়া জিপিউ ব্যবহার করতে পারে। বিশেষ করে টেন্সর ফ্লো যখন আমরা মিনিকন্ডার মাধ্যমে ইনস্টল করলাম। এরপরে আমরা এনভিডিয়া ওয়েবসাইট থেকে কুডা টুলকিট ডাউনলোড করেছিলাম। যেই কুডা টুলকিট হচ্ছে ইলেভেন এবং আপনাদের মনে আছে আমরা যখন টেন্সর ফ্লো উইন্ডোজ হুইল দেখেছিলাম সেখানে কিন্তু আমাদের এই কুডা টুলকিট ইলেভেন এর এগেইনস্টে কুড এনএন যেটা আসলে নিউরাল নেটওয়ার্কের যে লাইব্রেরিটা সেটা আসলে এইট ছিল। আমরা যখন কুড এনএন ডাউনলোড করতে গেলাম এনভিডিয়া ওয়েবসাইটে সেখানে আমরা দেখলাম এথিক্যাল এআই। অর্থাৎ এই এআই নিয়ে ইদানিং বেশ বিতর্কিত কাজ হচ্ছে বলে এই এআই এর এখন এথিক্যাল ব্যবহার নিয়ে অনেকের প্রশ্ন উঠেছে। নিউরাল নেটওয়ার্কের জন্য যেহেতু পুরো পৃথিবীব্যাপী এই কুড এনএন ব্যবহার করা হচ্ছে সেখানে আমরা এই কুড এনএন লাইব্রেরি ফর উইন্ডোজ বিশেষ করে এইট সিক্স বেস প্রসেসরের জন্য আমরা এই এই কুড এনএন লাইব্রেরিটা আমরা ডাউনলোড করছি। যেহেতু আমি বারবার রেফার করছি টেন্সর ফ্লো উইন্ডোজ হুইল আর সে কারণে আমাদের যে কুড এনএন যে লাইব্রেরিটা ইউজ করছি সেটাকে আমরা বলছি ভার্সন এইট। বিশেষ করে আমরা যখন টেন্সর ফ্লো জিপিউ ব্যবহার করতে আছি সেটার জন্য টেন্সর ফ্লো 2.3 পাইথন 3.8 কুডা লাইব্রেরি বলছি আমরা ইলেভেন আর কুড এনএন লাইব্রেরি হচ্ছে এইট ভার্সন। একটা জিনিস সবসময় আমাদেরকে মাথায় রাখতে হবে লেটেস্ট ইজ নট দা বেস্ট। বরং যেই জিনিসটা আমাদের এখানে চলছে এবং যেটাতে কোন সমস্যা করছে না সেই ধরনের ভার্সনগুলো নিয়ে আমরা কাজ করব বেশি। আমি যদিও নিজের টেন্সর ফ্লো 2.4 ব্যবহার করছিলাম বাট আপনাদেরকে ব্যবহারটা দেখানোর জন্য আমি এটাকে ডাউনগ্রেড করে নিয়ে এসেছি 2.3 তে। কারণ সিস্টেমের কনসিস্টেন্সি এবং আমি চাচ্ছি যে কুডা ইলেভেন বিশেষ করে কুডা টুলকিট ইলেভেন এর সাথে চমৎকারভাবে কাজ করছে আমাদের এই কুড এনএন লাইব্রেরি এইট। অসাধারণ পারফরমেন্স। আমি নিজে দেখেছি যদিও অনেকে চাইবেন কুডা টুলকিট 11.1 ব্যবহার করার জন্য বাট আমি বলব সবসময় টেন্সর ফ্লো উইন্ডোজ হুইল ব্যবহার করুন। একটা জিনিস মনে রাখতে হবে আমরা যখন কুড এনএন লাইব্রেরিটা ডাউনলোড করব এটা কোন ধরনের ইন্সটলেশন ফাইল নয়। এটা সাধারণ একটা জিপ ফাইল যার মধ্যে সাধারণত তিনটা ফোল্ডার থাকবে। কুডা ফোল্ডারের ভিতরে বিন, ইনক্লুড এবং লিভ। এই তিনটা ফোল্ডার থাকবে সবসময়। একটা জিনিস মনে রাখবেন আমরা যখন কুডা টুলকিট ইলেভেন কে ইনস্টল করব তখনই এখানে সি প্রোগ্রাম ফাইলস এনভিডিয়া জিপিউ কম্পিউটিং টুলকিট কুডা তারপরে ভার্সন তারপরে বিন এবং লিভ এবং ইনক্লুড এই তিনটা ফোল্ডার থাকবে আমাদের এই কুড এনএন জিপ ফাইলের মতো। আমাদের কাজ হচ্ছে এই কুড এনএন যে জিপ ফাইলটা আছে তার কুডা বিনের মধ্যে যত ডিএলএল ফাইল আছে সবগুলোকে আমরা কপি করব সি প্রোগ্রাম ফাইলস এনভিডিয়া জিপিউ কম্পিউটিং টুলকিট ওটার আন্ডারে কুডা তারপর ভার্সন তারপর বিন। সেখানে সরাসরি কপি করে দেব। এরপরে আমাদের যে আনজিপ ফোল্ডারটা আছে কুড এনএন এর সেখানে একই ভাবে আমাদের কুডা ইনক্লুডের ভিতরে যত হেডার ফাইলগুলো ছিল যত এইচ ডট এইচ ফাইলগুলো সেগুলোকে আমরা কপি করব সি প্রোগ্রাম ফাইলস এনভিডিয়া জিপিউ কম্পিউটিং টুলকিট কুডা ভার্সন নাম্বার ইনক্লুড এর মধ্যে। সবশেষে আমাদের যে আনজিপ ফোল্ডারটা আছে সেখানে কুডার মধ্যে যে লিভ ফোল্ডারটা আছে তার মধ্যে এক্স সিক্সটি ফোর তার ভেতরে যত লিভ ফাইল থাকবে সবগুলোকে আমরা কপি করব সি প্রোগ্রাম ফাইলস এনভিডিয়া জিপিউ কম্পিউটিং টুলকিট কুডা ভার্সন নাম্বার লিভ এক্স সিক্সটি ফোর। ফাইলগুলো কপি করা শেষ। এখন আমাদেরকে উইন্ডোজ কে চিনাতে হবে যে কোথায় এই ফাইলগুলো আছে। তার মানে আমাদের উইন্ডোজে এনভারনমেন্ট ভেরিয়েবলে আমাদেরকে সেট করে দিতে হবে যে এই সি প্রোগ্রাম ফাইলস এনভিডিয়া জিপিউ কম্পিউটিং টুলকিট কুডা ভার্সন নাম্বার বিন এবং এই যতগুলো পাথ আমরা দিয়েছি সবগুলো পাথের সিস্টেমে আমাদেরকে আপডেট করে দিতে হবে। এর জন্য সবচেয়ে বড় সুবিধা হচ্ছে কমান্ড লাইন থেকে আপডেট করে দেওয়া। এখানে প্রথম তিনটা লাইন এনভিডিয়া জিপিউ কম্পিউটিং টুলকিটের মধ্যে যে বিন, ইনক্লুড, লিভ সিক্সটি ফোর যে ফোল্ডারগুলো ছিল সেগুলোকে আমরা আপডেট করে দিলাম। আর সবশেষে আমরা যে কোড এনএন লাইব্রেরিটাকে যেখানে আনজিপ করলাম সেটার পাথ টাকে আমরা দেখিয়ে দেব এখানে। আমাদের অপারেটিং সিস্টেম এনভারনমেন্ট ভেরিয়েবল সাধারণতভাবে যদি আপডেট না করা যায় তাহলে এডমিনিস্ট্রেটর পদেও আপনি এটা আপডেট করে নিতে পারেন। আমাদের সব কাজের কিন্তু এন্ট্রি পয়েন্ট হচ্ছে মিনিকন্ডা। যাকে আমরা বলছি অ্যানাকন্ডা পাওয়ারশেল। আপনি এখান থেকে জুপিটার নোটবুক ইনস্টল করতে পারেন অথবা আপনার জিপিউ ঠিকমতো কাজ করছে কিনা সেটার জন্য আপনি সরাসরি পাইথন দিয়েও কিন্তু একে কল করে দেখতে পারেন যে আমাদের টেন্সর ফ্লো ঠিকমতো জিপিউ এর সাথে যোগাযোগ করে তার কম্পিউটেশন করতে পারছে কিনা। তবে আমাদের টেন্সর ফ্লো জিপিউ এর সাথে ঠিকমতো কমিউনিকেট করে কমপ্লিট করতে পারছে কিনা তার জন্য সবচেয়ে সহজ কাজ হচ্ছে আমরা পাইথনকে সরাসরি বলব টেন্সর ফ্লোকে একটা কাজ করার জন্য। এরপর আমরা টেন্সর ফ্লোকে টিএফ হিসাবে ইম্পোর্ট করে যাতে একে কল করতে পারি ঠিকমতো। এর মধ্যে টিএফ ডট রেন্ডম ডট নরমাল এটার আউটপুট আসলে একটা টেন্সর ফ্লো যেটার শেপ 10000 এবং 10000 এ ফিল করে দেবে কিছু রেন্ডম নরমাল ভ্যালু দিয়ে। এর আউটপুটটা আসলে আসবে একটা নরমাল ডিস্ট্রিবিউশন থেকে কিছু রেন্ডম ভ্যালু। আর সবশেষে এই টিএফ ডট রিডিউস আন্ডারস্কোর সাম এটা আসলে একটা টেন্সরের যতগুলো ডাইমেনশন আছে সবগুলো ডাইমেনশনের এলিমেন্টগুলোর যোগ করে কমপ্লিট করে দিচ্ছে। যখন এর কোন অ্যাক্সিস না থাকে তখন সব ডাইমেনশনগুলো ছোট হয়ে একটা টেন্সর মানে একটা এলিমেন্ট রিটার্ন হয়ে আসে। অ্যানাকন্ডার পাওয়ারশেল থেকে আমরা যখন এই কমান্ডটা চালাবো তখন সে জিপিউর যে টাস্কবারের আমাদের যে ইউসেজে কম্পিউটে কিন্তু দেখাবে এটা একটা স্পাইক। এর অর্থ হচ্ছে জিপিউটা কাজ করেছে টেন্সর ফ্লোর মাধ্যমে। এই একই ধরনের কাজগুলো কিন্তু আপনারা করতে পারেন জুপিটার নোটবুক দিয়ে। আমাদের এই পাঁচটা ভিডিও সিরিজ দিয়ে এটাই প্রমাণ করার চেষ্টা করলাম যে আমাদের যেকোনো পিসিতে যেটাতে জিপিউ আছে সেটাতে টেন্সর ফ্লো নিয়ে কাজ করা সম্ভব। আজকে এ পর্যন্তই থাকছেন তো সামনে।

রকিবের সাথে ডীপ লার্নিং, টেনসর ফ্লো

উইন্ডোজ সাবসিস্টেম ফর লিনাক্স, উবুন্টু, ভিজ্যুয়াল ষ্টুডিও কোড নিয়ে লেখালেখি.mp3

মেশিন লার্নিং বা ডিপ লার্নিং বা নতুন প্রযুক্তির যেকোনো এনভাইরনমেন্টে কাজ করি না কেন তার জন্য প্রথমে দরকার আরএনডি। এর মানে হচ্ছে সেই জিনিসটা আপনার এনভাইরনমেন্টে কাজ করছে কিনা সেটার জন্য প্রস্তুতি নেওয়া। আমরা যারা এই ফিল্ডে আছি তারা জানে যে প্রতিনিয়ত এত টুলস এবং এত লাইব্রেরি এসছে যাদের সাথে কোপ করা ডিফিকাল্ট। ধরা যাক আমরা টেনসরফ্লো 2.x নিয়ে কাজ করছি কিন্তু কালকে একটা নতুন রিলিজ এলো এবং সেটাই টেনসরফ্লো অন্যান্য সাবসিস্টেমের সাথে ইনকম্পেটিবল। এর পাশাপাশি পাইথনের ভার্সন ধরে তার এনভাইরনমেন্ট ট্র্যাক করা সেটা তো আরো কষ্টের। আমি যেহেতু আমার আরএনডির জন্য সবসময় ডকার ব্যবহার করি আর সে কারণে এই নতুন করে এনভাইরনমেন্ট তৈরি করা আমার জন্য বেশ সহজ হয়ে গিয়েছে। তবে এটা ঠিক যে উইন্ডোজ এনভাইরনমেন্টে ডকার এবং যে ধরনের অ্যাপ্লিকেশনগুলো লিনাক্স এনভাইরনমেন্টের উপর চলে সেখানে যে আমি পুরোপুরি স্যাটিসফাইড তাও না। তবে গত ছ মাস ধরে আমি মাইক্রোসফট এর উইন্ডোজ সাবসিস্টেম ফর লিনাক্স নিয়ে যে কাজগুলো দেখছিলাম সেটা কিন্তু বেশ অবাক করার মতো। মাইক্রোসফটকে আমি সবসময় একটা ভিশনারি কোম্পানি হিসেবে দেখি কারণ তাদের এন্টারপ্রাইজ লেভেলের যে কাজ সেটা দেখলেই আসলে অবাক হতে হয়। Microsoft is betting heavily on cloud আর সেটা আমরা দেখছি Amazon এর সাথে টক্কর এ যে ক্লাউডে যেহেতু লিনাক্সের জয়যাত্রা অব্যাহত আছে আর সে কারণে মাইক্রোসফটের এই এডাপশন দেখার মতো। পৃথিবীর বড় বড় ওপেন সোর্স মুভমেন্ট সব কিছুই লিনাক্স এর উপর ডিপেন্ডেন্ট আর সেই কারণেই এই নতুন এডাপশন। আমাকে যেহেতু সবসময় লিনাক্সে কাজ করতেই হয় আর সেই কারণে উইন্ডোজে ফেরাটা সেরকম হয়ে ওঠেনি এই গত এক বছরে। তবে আমি একটা কথা বলতে পারি এই উইন্ডোজ সাবসিস্টেম ফর লিনাক্স টু আমি বলছি ভার্সন টু আমার মতামত পাল্টে দিয়েছে গত ছ মাসে। এর সবচেয়ে বড় ব্যাপার হচ্ছে আমি উইন্ডোজে বসে নেটিভলি চালাতে পারছি উবুন্টু। আগের ডুয়েল বুট সেটাপ বা বর্তমান যে ভার্চুয়াল মেশিনের যে ফাইল সিস্টেম নিয়ে যে সমস্যা সেটা এখন আর নেই বললেই চলে। আর সবচেয়ে বড় মানে সবচেয়ে অবাক হওয়ার বিষয় হচ্ছে আপনি মাইক্রোসফট স্টোরে সব লিনাক্স ডিস্ট্রিবিউশন পাচ্ছেন। যাই হোক যে জিনিসটা বলতে চাচ্ছি যে উইন্ডোজে বসে নেটিভলি লিনাক্সে কাজ করা এই ব্যাপারটাই কিন্তু পুরোটাই গড সেন্ড। তবে সবচেয়ে বড় যে জিনিসটা নিয়ে আমি অভিভূত সেটা হচ্ছে ভিজুয়াল স্টুডিও কোড চলছে লিনাক্স এবং উইন্ডোজে পাশাপাশি। আমার একটা বড় মনোকষ্ট ছিল পাইথন নিয়ে বিশেষ করে পাইথনকে উইন্ডোজে চালাতে গিয়ে এবং সেই পাইথনকে ভিজুয়াল স্টুডিও কোড থেকে চালাতে গিয়ে। তবে গত কয়েক মাসে আমি ভুলেই গিয়েছি আমি যে উইন্ডোজে কাজ করছি ভিজুয়াল স্টুডিও কোডে। ভিজুয়াল স্টুডিও কোড আপনি প্রশ্ন করতেই পারেন আমি এটা নিয়ে কি করছি এখন? অবশ্যই আমার বই লেখার একটা বড় প্ল্যাটফর্ম হচ্ছে এই ভিজুয়াল স্টুডিও কোড। ঠিক ধরেছেন এই ভিজুয়াল স্টুডিও কোড স্ট্যাটিক সাইট জেনারেটর এবং গিটহাব সব এক সূত্রেই বাঁধা। আর যেহেতু লিনাক্সের এই শেল স্ক্রিপ্ট অটোমেশনে এক্সপার্ট সেখানে এ ধরনের ইন্টিগ্রেশন কয়েক মুহূর্তের ব্যাপার। উইন্ডোজ, লিনাক্স, ভিজুয়াল স্টুডিও কোড, গিটহাব, স্ট্যাটিক পেইজ জেনারেটর আর এটার পেছনের ইন্টিগ্রেশনে ডব্লিউএসএল সবকিছুই সেরা। থাকছেন তো সামনে।

রকিবের সাথে ডীপ লার্নিং, টেনসর ফ্লো

টেনসর ফ্লো ডিপ লার্নিং কিভাবে শুরু করবেন Computer Vision এর জন্য Fashion-MNIST কেন.mp3

অনেকে আমাকে জিজ্ঞাসা করেন যে কিভাবে উনি ডিপ লার্নিং শুরু করবেন। আপনি যদি পাইথন ট্র্যাকের হন তাহলে কিন্তু আমার ধারণা আপনি যদি ডিপ লার্নিং শুরু করতে চান তাহলে সাইকিট লার্ন হচ্ছে সবচেয়ে ভালো রাস্তা। আপনি আমাকে বলতে পারেন যে সাইকিট লার্ন হচ্ছে মেশিন লার্নিং ট্র্যাক। আমি তো ডিপ লার্নিং শিখতে চাচ্ছি। সে কারণে আমাকে আসলে কেন সাইকিট লার্ন দিয়ে শুরু করতে হবে? আমার পয়েন্ট হচ্ছে আপনি সরাসরি ডিপ লার্নিং যেতে যত সমস্যায় পড়বেন তার কিন্তু অনেকটাই কেটে যাবে যদি আপনি সাইকিট লার্ন দিয়ে শুরু করেন। আর সে কারণে কিন্তু গুগল নিজে থেকেই কিন্তু বলে যে আপনার মেশিন লার্নিং ক্র্যাশ কোর্স এটা দিয়েই কিন্তু শুরু করতে হবে সেটা আপনি ডিপ লার্নিং বা মেশিন লার্নিং যেটাতে শুরু করেন না কেন। আর ডিপ লার্নিং তো আসলে মেশিন লার্নিং এর একটা সাবসেট। আপনি মেশিন লার্নিং এর ব্যাকগ্রাউন্ড না থাকলে সরাসরি ডিপ লার্নিং এ যাওয়া আপনার জন্য অনেক কষ্টকর হতে পারে। আমি প্রচুর কমিউনিকেশন পাই এই ডিপ লার্নিং এর ব্যাপারে। সেখানে আসলে আমি বুঝতে পারি যে মেশিন লার্নিং এর ব্যাকগ্রাউন্ড না থাকলে ডিপ লার্নিং এ ঢোকা আসলেই অনেক কষ্টকর। আমি ধরে নিচ্ছি আপনি মেশিন লার্নিং নিয়ে কাজ শুরু করেছেন। সাইকিট লার্ন নিয়ে কিছু কাজ করেছেন এখন আপনি ডিপ লার্নিং এ আসতে চান। তখন আমি আপনাকে বলব এম্নিস্ট ডেটাসেট নিয়ে কাজ শুরু করতে। আমরা যারা সাইকিট লার্নে কাজ করেছি তারা কিন্তু জানেন যে কম্পিউটার ভিশন মানে আমাদের সাইকিট লার্নের শুরুতেই কম্পিউটার ভিশন যদি কাজ করি তাহলে কিন্তু এম্নিস্ট কিন্তু আমাদের হ্যালো ওয়ার্ল্ড মানে হ্যালো ওয়ার্ল্ড টু দ্য প্রোগ্রামিং। সত্যি বলতে এম্নিস্ট ডেটাসেটটা কিন্তু আসলেই খুব মজার এবং কাজের। মানে আমরা যদি হ্যান্ড রিটেন ডিজিট মানে আমরা হাতে লিখেছি এক দুই তিন চার। মানে আমরা এখন বলছি আমাদের কম্পিউটারকে এই যে আমি যে হাতে এক দুই তিন লিখেছি এই হাতের এক দুই তিন লেখাটা পড়ে যাতে ঠিকমতো কনফার্ম করতে পারে যে আসলে এটা এক বা দুই বা তিন। ধরুন আপনি পোস্ট অফিসে একটা মেশিন লাগালেন যার কাজ হচ্ছে এই হ্যান্ড রিটেন ডিজিট মানে আমরা পোস্ট অফিসে যখন একটা চিঠি পোস্ট করতাম তখন তো আমরা হাতেই লিখতাম নামগুলো। তো আমরা চাচ্ছি যে মেশিনকে বলতে যে তুমি এই হাতে লেখা ডিজিটটাকে পড়ে ঠিকমতো ট্রান্সফর্ম করো যে ঠিকমতো তুমি বুঝতে পেরেছ কিনা। যেমন পোস্ট অফিস তো বলতে পারে যে উনারা আসলে জিপ কোড দিয়ে সর্ট করতে চাচ্ছে কোন চিঠিটা কোন জায়গায় যাবে। সেটার একটা ভালো অ্যাপ্লিকেশন হচ্ছে এই এম্নিস্ট ডেটাসেট। যেটা আসলে হাতে লেখা এই ডিজিটগুলোর একটা কম্পিউটার ভিশন টেস্ট। এখন যেহেতু টেন্সর ফ্লো 2.0 এসেছে আর সে কারণে কিন্তু এই সাধারণ এম্নিস্ট পাল্টে কিন্তু তারা নিয়ে এসেছে ফ্যাশন এম্নিস্ট। অবশ্যই এখন আমরা ডিপ লার্নিং শিখতে চাইবো আর সে কারণে কিন্তু এই এম্নিস্ট পাল্টে আমরা একটু কমপ্লেক্স যেটাকে আমরা বলছি ফ্যাশন এম্নিস্ট। যেটার মধ্যে কিন্তু 60000 এক্সাম্পল আছে ট্রেনিং সেট হিসেবে আর টেস্ট সেট হিসেবে কিন্তু আমরা 10000 এক্সাম্পল দিচ্ছি যেটার মধ্যে কিন্তু বিভিন্ন ক্লদিং স্যাম্পল আছে যেমন টি-শার্ট বা টপ, ট্রাউজার, পুলওভার বা আপনার কোট, স্যান্ডেল, শার্ট মানে এই ধরনের কিন্তু সব স্যাম্পলগুলো দেওয়া আছে এই ফ্যাশন এম্নিস্টে। আমাদের কাজ হচ্ছে এই নিউরাল নেটওয়ার্ককে ট্রেন করা যাতে আমরা প্রপারলি ক্লাসিফাই করতে পারি যে এই ক্লদিংগুলো টি-শার্ট নাকি স্নিকার। মানে এই আইডেন্টিফাই যদি আমরা প্রপারলি করতে পারি তাহলে কিন্তু আমরা বুঝবো যে আমাদের ডিপ লার্নিং এর হ্যালো ওয়ার্ল্ড করতে পারছি। আমাদের এই ডিপ লার্নিং এ হ্যালো ওয়ার্ল্ড বুঝতে আমাদেরকে আসলে একটু যেতে হবে তাদের গিটহাব পেইজে। থাকছেন তো সামনে?

রকিবের সাথে ডীপ লার্নিং, টেনসর ফ্লো

টেনসর ফ্লো ২.০, গ্রাফ, সেশন কোথায় ইগার এক্সিকিউশন কেন ১.x এবং ২.০ এর পার্থক্য.mp3

মেশিন লার্নিং এর একটা সাবসেট হিসেবে যদি আমরা ডিপ লার্নিং এর কথা চিন্তা করি তাহলে কিন্তু প্রোডাকশন সিস্টেমের জন্য টেন্সর ফ্লোর কথা চলে আসে। মেশিন লার্নিং মডেল হিসেবে টেন্সর ফ্লো ভালো তবে এটার ইউজার ফ্রেন্ডলিনেস নিয়ে তো কিছু কথা থাকবেই। এটাও ঠিক যে এটার শেখার শুরুটা এত সহজ নয় আর এটার লার্নিং কার্ভ বেশ স্টিপার। তবে এটা ঠিক যে কমিউনিটির চাপে হোক আর ডেভেলপারদের কথা শুনেই হোক অনেক কিছুই কিন্তু স্ট্রিমলাইন হয়ে আসছে এই টেন্সর ফ্লোর নতুন নতুন ভার্সনগুলোতে। আমার যেমন মেশিন লার্নিং এর ব্যাকগ্রাউন্ড শুরু হয় আর দিয়ে। এরপরে কাজের বিভিন্ন ন্যাচারাল প্রগ্রেশনের কারণে পাইথনের সাইকিট লার্ন আর অন্যান্য অনেক কিছু শিখতে হয়েছে প্রোডাকশন সিস্টেমের জন্য। এর পাশাপাশি টেন্সর ফ্লোতে মাইগ্রেট করতে যে আমার যে খুব একটা যে সমস্যা হয়নি সেটাও কিন্তু বলা যাবে না। অনেকেই বলবেন টেন্সর ফ্লো অনেক ভালো অনেক পাওয়ারফুল কিন্তু এটা এখনো ইভলভ করছে। অবশ্যই আমি ব্যাপারটাকে সাপোর্ট করি কারণ নতুন এবং ভালো যেকোনো জিনিসকে কিন্তু ইভলভ করতে হবে সময় এবং পারিপার্শ্বিক চাহিদার পাশাপাশি। টেন্সর ফ্লো ভার্সন 1.x থেকে 2.0 তে আসার জন্য আসলে অনেক কিছুই এখন স্ট্রিমলাইন। তবে আমার দেখামতে ইগার এক্সিকিউশনটা কিন্তু অনেকটা একটা সেন্ট্রাল ফিচার হয়ে গেছে এই ভার্সন 2.0 তে। অনেকদিন ধরেই এই টেন্সর ফ্লো ইউজারদের অনেকগুলো এক্সপেক্টেশন ছিল যেগুলোকে আসলে এলাইন করা হয়েছে এই 2.0 তে। সে কারণে কিন্তু এই প্রোগ্রামিং মডেলগুলোকে চালানো অনেকটাই সোজা হয়ে গেছে আগের থেকে। এর পাশাপাশি এর শেখা এবং এটাকে আসলে রিয়েল ওয়ার্ল্ড অ্যাপ্লিকেশন হিসেবে ব্যবহার করার জন্য কিন্তু কাজ অনেক সহজ হয়ে এসেছে। আমরা যদি টেন্সর ফ্লোর লো লেভেল এপিআই এর কথা বলি আমরা যেটাকে আমরা আসলে বলি টেন্সর ফ্লো কোর সেখানে আমাদের শুরুতেই কিন্তু একটা কম্পিউটেশনাল গ্রাফকে কনস্ট্রাক্ট করতে হবে কারণ এর পাশাপাশি আমাদের প্লেসহোল্ডারস ভেরিয়েবলগুলো আর এগুলোকেও কিন্তু ডিক্লেয়ার করতে হবে আর এর পাশাপাশি কিন্তু এদের ভেতরে যে অপারেশনগুলো আছে সেই অপারেশন গুলোকেও কিন্তু ঠিকমতো অ্যাসাইন করতে হবে তার নিজ নিজ কাজ অনুযায়ী। এখানে যে ব্যাপারটা আমরা চেঞ্জ দেখছি সেটা হচ্ছে এই গ্রাফটাকে কিন্তু আমরা তখনই ইভ্যালুয়েটেড করতে পারতাম যখন এই সেশন ডট রানটাকে চালাতাম। এটাকে আবার অনেকে বলে থাকেন লেজি ইভালুয়েশন। মানে না বলা পর্যন্ত এই প্রপারলি ইভ্যালুয়েট করবে না। এই লেজি ইভালুয়েশনের অনেকগুলো সুবিধা থাকলেও তবে বেশ কয়েকটা সমস্যার মধ্যে একটা সমস্যা হচ্ছে এটাকে আসলে ডিবাগ করা খুব কষ্টকর হতো। সেদিক থেকে ইগার এক্সিকিউশন কিন্তু এই টেন্সর ফ্লো গ্রাফটাকে কিন্তু শুরুতেই কোড করে ফেলছে। সত্যি কথা বলতে এই ইগার এক্সিকিউশন টেন্সর কিন্তু প্রায় এক একটা নাম পাই এ্যারের মতো কাজ করছে। কাজ করতে গিয়ে দেখলাম যে এখানে আসলে কোন প্লেসহোল্ডার বা টিএফ সেশনের আর দরকার পড়ছে না। আমি এটাকে যদি সহজভাবে বলি তাহলে বলব যে আমাদের গ্রাফটাকে ইগারলি এক্সিকিউটেড করে ফেলছে। অন্যান্য যেকোনো পাইথন প্রোগ্রামিং এর মতো এটাও কিন্তু ইভ্যালুয়েটেড হয়ে যাচ্ছে অন দা গো। আলাদা করে সেশনে রান করতে হচ্ছে না। যারা মেশিন লার্নিং এ নতুন অথচ টেন্সর ফ্লোতে কাজ করতে চান তাদের জন্য আসলে একটা মাইগ্রেশন পাথ দরকার। আমাকে বললে আমি বলব সেই মাইগ্রেশন পাথটা হতে পারে সাইকিট লার্ন। অনেকে অবশ্য এই ব্যাপারটাকে ডিফার করবেন। থাকছেন তো সামনে?

রকিবের সাথে ডীপ লার্নিং, টেনসর ফ্লো

টেন্সরফ্লো এবং পাইটর্চ কেন রিসার্চ কম্যুনিটি এবং প্রোডাকশন পাইটর্চ ইনস্টলেশন.mp3

বেশ কিছুদিন ধরে একটা অনুরোধ পাচ্ছিলাম কিভাবে পাই টর্চ নিয়ে কাজ করা যায়। আমি নিজে যেহেতু ডিপ লার্নিং কয়েকটা ফ্রেমওয়ার্ক নিয়ে কাজ করি আর সেখানে পাই টর্চ নিয়ে অবশ্যই কাজ করা হয়েছে। তবে এটা ঠিক যে পাই টর্চের একটা জনপ্রিয়তা আছে রিসার্চ এবং ইউনিভার্সিটিগুলোতে। এর একটা বড় কারণ হচ্ছে পাই টর্চ শুরুতে শেখা যায় ভালো। এটা ঠিক যে ডিপ নিউরাল নেটওয়ার্কটা একটু ঝামেলার তবে আপনি পাই টর্চ দিয়ে খুব সহজে শুরু করতে পারবেন অত ঝামেলায় না যেয়ে। সেদিক থেকে টেন্সর ফ্লো লার্নিং কার্ভ একটু স্টিপার কারণ এটা তো আসলে প্রোডাকশন কাজে ব্যবহার করা হয় সবচেয়ে বেশি। এই দুটোর মধ্যে কম্পেয়ার করা যাবে না কারণ এই দুটোর কাজের পারসপেক্টিভ ভিন্ন। তবে আজকে আমি আপনাদেরকে দেখাতে চাইবো যে কিভাবে আপনার পিসিতে এই পাই টর্চ ইনস্টল করতে হয়। আমাকে প্রচুর আরএনডি করতে হয় এই ডিপ নিউরাল নেটওয়ার্ক বা অন্যান্য ফ্রেমওয়ার্ক নিয়ে আর সে কারণে যেকোনো ইনস্টলেশনের আগে আপনাকে প্রথমেই ভাগ করে নিতে হবে এনভারনমেন্ট গুলোকে আলাদা করে। আমার এই একই পিসিতে টেন্সর ফ্লো, জ্যাক্স এবং পাই টর্চ ইনস্টলেশন করা আছে তবে সবগুলো আলাদা আলাদা এনভারনমেন্টে। আমি একে বলব পাইথন এনভারনমেন্ট এবং পাইথন এনভারনমেন্ট নিয়ে কিন্তু আমরা আগেও কাজ করেছি। আমরা চাইবো না যে আমাদের পাইথন এনভারনমেন্ট এবং অন্যান্য যে লাইব্রেরিগুলো আছে সেগুলো একটা আরেকটার সাথে কনফ্লিক্ট করুক এবং সেটা আমাদের অনেক সময় নষ্ট করে। আপনাদেরকে আমি আগেও বলেছিলাম যে আমরা যখন পাইথন ইনস্টল করব পাইথন গুলোকে মিনিকন্ডার মাধ্যমে ইনস্টল করব। এর অর্থ হচ্ছে পাইথনকে কখনোই আমাদের আসল পাথে ঢোকাবো না। এর অর্থ হচ্ছে আমাদের পাইথনে ঢোকার গেটওয়ে হচ্ছে মিনিকন্ডা অর্থাৎ অ্যানাকন্ডা পাওয়ারশেল প্রম্পট। শুরুতেই আমাদের কন্ডা দিয়ে নতুন একটা এনভারনমেন্টকে তৈরি করে নিতে হবে যেটা শুধুমাত্র সাপোর্ট করবে এই পাই টর্চকে। পাই টর্চের সাইট থেকে আমরা দেখলাম টর্চ 1.71 হচ্ছে সবচেয়ে শেষ ভার্সন এবং এটার সাথে কুডা 11 আসছে সর্বশেষ সাপোর্ট হিসেবে। জিপিইউ সাপোর্টেড এই টর্চ 1.71 2 গিগাবাইটের বেশি আর সে কারণে আমি এটাকে আলাদাভাবে ডাউনলোড করে নিয়েছি। তবে আপনাদের ইন্টারনেট স্পিড ভালো থাকলে আপনারা সরাসরি পাই টর্চের সাইট থেকে যে কমান্ডটা আমরা পেয়েছি সেটাকে আমরা চালাতে পারি ইনস্টলেশনের জন্য। তবে আমার এই ইনস্টলেশনের নাম পাই 1.19.4 এটার একটু ভার্সন ইনকম্পিটিবিলিটি দেখাতে আমি এটাকে ডাউনগ্রেড করে নিয়েছি তার আগের ভার্সনে। আমরা কিভাবে জানবো যে আমাদের উইন্ডোজে টর্চ ঠিকমতো ইনস্টল হয়েছে? আমরা যদি ইম্পোর্ট টর্চ লিখি তাহলে এটা বোঝা যাবে আমাদের টর্চটা ঠিকমতো ইনস্টলেশন হয়েছে কিনা। শুরুতেই দেখে নেই আমাদের এই রেন্ডমলি ইনিশিয়ালাইজ টেন্সর নিয়ে। দেখুন এটা ঠিকমতো প্রিন্ট করেছে। এর পাশাপাশি আমাদের এখানে যে জিপিইউটা আছে সেই জিপিইউটার সাথে ঠিকমতো সে যোগাযোগ করতে পারছে কিনা। এই কুডা যেহেতু টেন্সর ফ্লো এবং পাই টর্চের জন্য দুটো জায়গায় ভালোমতো কাজ করে আর সে কারণে আমরা এখানে ইজ এভেলেবল দেখে বুঝে যাব যে আমাদের এখানে পাই টর্চ যোগাযোগ করতে পারছে কুডা 11 এর সাথে। আপনার মেশিনে ইনস্টল করা কুডা ভার্সনের সাথে মিলিয়ে নিন এই পাই টর্চ ইনস্টলেশনের সময়। আর এই পাই টর্চ নিয়ে নতুন বই অবশ্যই আসবে। থাকছেন তো সামনে?

রকিবের সাথে ডীপ লার্নিং, টেনসর ফ্লো

হাতেকলমে ডিপ লার্নিংএয়ারবাসের অটোনোমাস ফ্লাইট.mp3

এয়ারবাস অনেকদিন ধরেই তাদের অটোনোমাস ট্যাক্সি টেক অফ এবং ল্যান্ডিং প্রজেক্ট নিয়ে কথা বলছিল। এর মানে তারা বলতে চাচ্ছে একটা এয়ারক্রাফট মানুষের গাইডেন্স ছাড়াই ট্যাক্সিং, টেক অফ এবং ল্যান্ডিং করতে পারবে। সেটারই একটা টেস্ট কেস দেখালো এয়ারবাস তাদের ফ্রান্সের টুলুস এয়ারপোর্টে। অনেকদিন ধরেই আমরা অটোনোমাস কার বা সেলফ ড্রাইভিং কারের কথা বলছি। বাট এয়ারক্রাফটের ব্যাপারে এটাই প্রায় প্রথম। এই টেস্টের ভিডিওতে কিন্তু আপনারা দেখতে পাচ্ছেন যে এখানে তারা কম্পিউটার ভিশন বা ইমেজ রিকগনিশন টেকনোলজি ব্যবহার করেছে। সেলফ ড্রাইভিং কারে আমরা যেভাবে লেন ডিটেকশন বা রাস্তার এজ ডিটেকশন এগুলো দেখতাম, এখানেও কিন্তু আমরা রানওয়েতে সেন্টার লাইন ডিরেকশন দেখছি এটার বাঁয়ের ভিডিওতে। এর পাশাপাশি আমাদের যে ভিডিওর ডানের উপরের অংশে আমরা দেখছি যে অ্যালগরিদম ডেটা, এটা আসলে কম্পিউটার ভিশন তার সামনের এলাইনমেন্ট থেকে শুরু করে সবকিছুই মনিটর করছে। এয়ারবাসের এই ভিডিওটা দেখার পাশাপাশি আমি বেশ কিছু কমেন্ট পড়ছিলাম। এর মধ্যে অনেকগুলোই বেশ মজার কমেন্ট। তবে একটা কমেন্ট পড়ে আমার একটু মন খারাপ লেগেছে। কারণ একজন বলেছেন দিস ইজ হার্ড টু ওয়াচ অ্যাজ অ্যান অ্যাস্পায়ারিং পাইলট। এই মুহূর্তে আমি যন্ত্রের মানুষের জব কেড়ে নেওয়ার ব্যাপারে আলাপ করছি না। বাট একটা জিনিস আমি বলতে পারি যে এই যন্ত্র বা এই অটোনোমাস সিস্টেমগুলোকে তৈরি করা হচ্ছে মানুষের বেটার সেফটি এনসিওর করার জন্য। আমার কথা একটাই, দিস আর টুলস ফর পাইলটস টু ফ্লাই বেটার। আজকে এই পর্যন্তই থাকছে কিন্তু সামনে।

রকিবের সাথে ডীপ লার্নিং, টেনসর ফ্লো

‘সাইকিট লার্ন’ নাকি ‘টেনসর ফ্লো’ কোনটা শিখবো কোনটা কোথায় ভালো কিভাবে শুরু করব.mp3

আচ্ছা কোনটা শিখবো? সাইকিট লার্ন নাকি টেন্সর ফ্লো? তবে সত্যি কথা বলতে দুটো কিন্তু দু জিনিস এবং দু জায়গায় কিন্তু দুটোই সুপারস্টার। আমরা যদি বলি সাইকিট লার্ন, সাইকিট লার্ন কিন্তু মেশিন লার্নিং এর একটা অন্য লেভেলের জিনিস। আবার আমরা যখন ডিপ লার্নিং নিয়ে কাজ করব তখন কিন্তু টেন্সর ফ্লো অনেকটাই অসাধারণ। আমরা যদি একটাকে যদি রাস্তার ফেরারি বলি তাহলে কিন্তু আমরা আরেকটাকে বলব আকাশের এ থ্রি এইটি। এই দুটো মেশিন লার্নিং লাইব্রেরি কিন্তু নিজ নিজ জায়গায় অসাধারণ। লাইব্রেরি দুটো ওয়াইডলি ইউজড আর এ দুটোর কিন্তু বিশাল কমিউনিটি আছে। আর এর ব্যাপারে কিন্তু অনেক অনেক টিউটোরিয়াল আছে নেটে। আপনার যদি প্রশ্ন হয় আপনি কোনটা শিখবেন আমি বলব দুটোই। কারণ দুটো কিন্তু দুই জায়গার জিনিস। আর মেশিন লার্নিং শেখার শুরুতে কিন্তু সাইকিট লার্ন অসাধারণ। সাইকিট লার্ন লাইব্রেরি হিসেবে কিন্তু অনেকটাই অটোমেটেড। মানে আপনার জন্য কিন্তু অনেকগুলো প্যারামিটার সে ডিফল্ট হিসেবে ধরে নেবে। সেই থেকে টেন্সর ফ্লো কিন্তু অনেকটাই গ্রানিউলার। মানে আপনার হাতে প্রচন্ড ক্ষমতা দিয়ে দেওয়া হয়েছে। এখন আপনি এটাকে যেভাবে চালান। আমি যেহেতু দুটোকেই চালাই মানে সাইকিট লার্ন এবং টেন্সর ফ্লোকে কিন্তু আমি সমান ধারেই চালাই। আর সে কারণে দেখছেন এই স্ক্রিপ্টে আমি কিন্তু দুটোকেই পাশাপাশি চালাচ্ছি। আপনাকে এটা কখনোই কেউ বলবে না যে কোনটা আসলে কোন সময় ভালো। বরং সেটা নির্ভর করবে আপনার ইউজড কেসের উপরে। মানে আপনি কোন ইউজ কেসে সেগুলোকে ব্যবহার করছেন। শুরুতে সাইকিট লার্ন মেশিন লার্নিং লাইব্রেরি হিসেবে খুবই ভালো। কারণ এটা শেখাটা অনেক সহজ। কারণ আপনার অনেকগুলোই কিন্তু প্যারামিটার সে নিজে থেকেই সেট করে নেয়। আর সেদিক থেকে কিন্তু টেন্সর ফ্লো শেখাটা কিন্তু বেশ কষ্টকর। অনেকে বলবেন যে প্রোগ্রামারদেরকে কিছুটা লিমিট করে দেয় এই সাইকিট লার্ন। আর সেদিক থেকে কিন্তু টেন্সর ফ্লো প্রোগ্রামারদেরকে কিন্তু অনেকটাই লিবারেট করে দেয়। আর সে কারণে বলব যে হাতেখড়ি যদি সাইকিট লার্ন হয় মানে আমি বলছি পাইথন মেশিন লার্নিং কিন্তু হাতেখড়ি যদি সাইকিট লার্ন হয় তাহলে কিন্তু সেখান থেকে কিন্তু আপনার টেন্সর ফ্লোতে মাইগ্রেট করা খুবই ইজি। সাইকিট লার্নের এপিআইটা কিছুটা লিমিটেড। কারণ আসলে আমরা যারা প্রোগ্রামার তারা কিন্তু আমরা জানতেও চাই না যে ব্ল্যাক বক্সের পেছনে কি ঘটছে। আমাদের কাছে আউটকামটাই তখন একটা বড় মুখ্য হয়ে দাঁড়ায়। আর সেদিক থেকে টেন্সর ফ্লো যেহেতু স্পেশালাইজড ইন নিউরাল নেটওয়ার্কস আর সে কারণে কিন্তু আমাদের কিছুটা জানতে হবে যে এই ব্ল্যাক বক্সের পেছনে টেন্সর ফ্লো আসলে কিভাবে কাজ করছে। আর সে কারণে কিন্তু আমাদের এই মডেলের ভেতরে বেশ কিছু টিউনিং প্যারামিটার কিন্তু আমাদের হাতে ছেড়ে দেওয়া হয়। আর যেহেতু এটা ছেড়ে দেওয়া হয় আর সে কারণে কিন্তু আমাদের এই অ্যাকুরেসি বা অন্যান্য সবকিছুর জন্য কিন্তু আমাদের বিশাল একটা ইম্প্যাক্ট ফেলে এই হাইপার প্যারামিটার টিউনিং এর উপরে। আর যেহেতু আপনার হাতে কিন্তু লস ফাংশন বা অপটিমাইজার সবকিছু কিন্তু আপনার হাতে আর সে কারণে কিন্তু টেন্সর ফ্লো দিয়ে কিন্তু আপনার নিয়ার পারফেক্ট মডেল তৈরি করা যায়। তবে সেই লেভেল পর্যন্ত কিন্তু শেখাটাই কিন্তু অনেক অনেক কষ্টের। আর সে কারণে কিন্তু আমরা যদি সাইকিট লার্ন দিয়ে আমাদের মেশিন লার্নিং যাত্রা শুরু করি তাহলে কিন্তু টেন্সর ফ্লোটা বেশ সহজ হয়ে যায়। থাকছেন তো সামনে?

রকিবের সাথে ডীপ লার্নিং, টেনসর ফ্লো

বাংলায় টেক্সট ক্লাসিফিকেশন ২ টোকেনাইজেশন, ভেক্টরাইজেশন.mp3

গতবার আমরা যখন টেক্সট ক্লাসিফিকেশন নিয়ে কাজ করছিলাম তখন দুটো জিনিস উঠে এসেছিল। একটা হচ্ছে টোকেনাইজেশন, আরেকটা ভেক্টরাইজেশন। যে ব্যাপারটা আমরা বারবার বলছি যে মেশিন লার্নিং যেহেতু ভাষা বোঝে না মানে ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং এ যদি আমরা বলি ভাষাকে বুঝতে মেশিন লার্নিং এ যেখানে যন্ত্র শুধুমাত্র বোঝে সংখ্যা। তাহলে আমাদের স্টেপ বাই স্টেপ কিভাবে এগুতে হবে? এই যে আমি যে আপনার সাথে কথা বলছি এটা কিন্তু একটা স্ট্রিম অফ টেক্সট। এই স্ট্রিম অফ টেক্সটকে যদি আমরা মেশিনকে দেখিয়ে দিই ও কিন্তু বুঝতে পারবে না। আর সে কারণে আমাদের যে স্ট্রিম অফ টেক্সট একে ভাঙতে হবে ছোট ছোট বাক্যে বা ছোট ছোট শব্দে বা ছোট ছোট সিম্বলে যাতে মেশিন বুঝতে পারে যে একটা জিনিসের সাথে আরেকটা জিনিসের সম্পর্ক কে। এটাকে আমরা অনেক সময় লেক্সিক্যাল এনালাইসিস বলি। যার মাধ্যমে আমরা বলছি যে টোকেনাইজেশন একটা বাক্যকে ছোট মানে মিনিমাল কিছু মিনিংফুল ইউনিটে ভাগ করতে পারছি। আমাদের একটা বাক্যকে যদি ছোট ছোট মিনিংফুল শব্দে ভাগ করতে চাই তাহলে কিন্তু আমরা দেখছি যে এটার মধ্যে শব্দগুলোর মধ্যে স্পেস থাকে। কিন্তু স্পেস দিয়ে সেই ভাগ করাটা কি সম্ভব? মেশিন লার্নিং হোক আর ডিপ লার্নিং হোক তা সবকিছু শুরুতে আমরা সাইকিট লার্ন ব্যবহার করা শুরু করি। আমরা যখন আমাদের বাক্যগুলোকে ছোট ছোট শব্দে ভাগ করতে পারব তারপরেই কিন্তু এটাকে আমরা এনকোড করতে পারছি ইন্টেজার বা ফ্লোটিং পয়েন্টে। কারণ আমাদের দরকার সংখ্যা। আমাদের মেশিন সংখ্যা বোঝে। এই যে সংখ্যার ট্রান্সফরমেশন এটাকে আমরা বলতে পারি ফিচার এক্সট্রাকশন বা ভেক্টরাইজেশন। আমরা যেহেতু মেশিন লার্নিং শেখার শুরুতে সাইকিট লার্ন ব্যবহার করি আর এই সাইকিট লার্নে এই কাজ করার জন্য তিনটা বেশ ভালো টুল আছে। যেটাকে আমরা বলছি কাউন্ট ভেক্টরাইজার, টিএফ-আইডিএফ ভেক্টরাইজার এবং হ্যাশিং ভেক্টরাইজার। একটা করপাসে একটা শব্দ কতবার এসছে মানে এই যে ওয়ার্ডের ফ্রিকোয়েন্সি মানে কতবার সেই শব্দটা এসছে সেটাকে দেখায় এই কাউন্ট ভেক্টরাইজার। আগে যা বলছিলাম প্রথমে এটাকে টোকেনাইজ করবে আর তারপরে কিন্তু কাউন্ট অফ অকারেন্স মানে কতবার ওই শব্দটি এসছে সেটাকে দেখাবে। একটা করপাসে যখন একটা শব্দ বারবার আসবে সেটার একটা ইম্পরটেন্স অবশ্যই আসবে। কি বলেন? এর অর্থ হচ্ছে কাউন্ট ভেক্টরাইজারের একটা বায়াস থাকে যে শব্দটা বেশিবার আসছে। তাহলে তো একটা করপাসে আমি শব্দ কিন্তু অনেকবার আসবে। তার মানে কি আমি সেই ফেভারেবল রেজাল্ট পাবে? সেভাবে ইংরেজিতে দা শব্দটা এটা বারবার আসতে পারে। তার মানে কি আমরা বলতে পারি যে এটা একটা ভালো মিনিং ক্যারি করে? আমার তো মনে হয় দা শব্দটা কিছুটা ইউজলেস। এর অর্থ হচ্ছে বেশি ফ্রিকুয়েন্টেড শব্দ সেটা বারবার আসলেও সেটা যদি ইউজলেস হয় তাকে পেনালিজ করার জন্য কিন্তু একটা সিস্টেম থাকতে হবে। আর এ কারণে আমরা কাউন্ট ভেক্টরাইজারের পাশাপাশি টিএফ-আইডিএফ ভেক্টরাইজার ব্যবহার করব। এই যে টিএফ-আইডিএফ মানে আমরা বলছি টার্ম ফ্রিকোয়েন্সি অথবা ইনভার্স ডকুমেন্ট ফ্রিকোয়েন্সি। এটার একটা উদাহরণ দেখাচ্ছি এখানে। কাউন্ট ভেক্টরাইজার যদি প্রতিটা শব্দকে একই ধরনের ওয়েটেজ দেয় সেখানে এই টিএফ-আইডিএফ কিন্তু সে ধরনের ওয়েটেজ দেবে না। আমাদের এই টিএফ-আইডিএফ একটা ওয়ার্ড ফ্রিকোয়েন্সি স্কোর দেয় যেটার মাধ্যমে আসলে আমরা বুঝতে পারি যে এর কোন ওয়ার্ডটা ইন্টারেস্টিং। মানে সবকিছুই যে ফ্রিকোয়েন্সি বেশি হলে হবে সেটা না। মানে কোন ওয়ার্ডগুলো আসলে ইন্টারেস্টিং ডকুমেন্টের ক্ষেত্রে। আজকে এই পর্যন্তই থাকছেন তো সামনে?

রকিবের সাথে ডীপ লার্নিং, টেনসর ফ্লো

হাতেকলমে পাইথন ডিপ লার্নিং হাই-ডাইমেনশন স্পেসে ডাটা.mp3

আমরা যখন মেশিন লার্নিং নিয়ে কাজ শুরু করলাম তখন এটা বেশ ভালো বোঝা যেত যখন আমরা সেই ডেটা পয়েন্টগুলোকে প্লট করতে পারতাম। যদিও এটা আমার ব্যক্তিগত ধারণা তবে আমি দেখেছি যে মেশিন লার্নিং এ আমরা যখন ডেটাকে প্লট করতে পারছি মানে ডেটা পয়েন্টগুলোকে প্লট করতে পারলেই আমাদের কাজের অর্ধেক সমস্যার সমাধান হয়ে যায়। তবে এটা ঠিক যে আমাদের শুরুর দিকে ডেটাগুলো বেশ নিরীহ প্রকৃতির ছিল বাট বর্তমানে আমরা যতই ডেটার ভিতরে ঢুকছি ততই ডেটার ডাইমেনশনালিটি নিয়ে আমাদের প্রবলেম হচ্ছে। আমি অডিও ভিডিও বা ইমেজ নিয়ে বলছি না বাট আমি বেশ কয়েকদিন ধরে যে টেক্সট ক্লাসিফিকেশন নিয়ে কথা বলছি সেখানে আমাদের যে ওয়ার্ড ভেক্টরাইজেশন তার মধ্যেই 200 বা 300 ডাইমেনশনের কাজ হচ্ছে। আমি বড় বড় ব্যাপার নিয়ে কথা বলছি না বরং আমি বলছি যে সামান্য টেক্সট ক্লাসিফিকেশনে যেরকম ডাইমেনশনালিটি মানে এত বড় হাই ডাইমেনশনের স্পেসে কাজ হচ্ছে সেটাকে বা প্লট করব কিভাবে। এখানে গুগল এর একটা বেশ পুরনো ভিডিওর সাহায্য নিচ্ছি বোঝানোর জন্য যে হাই ডাইমেনশনাল স্পেস কি। যেমন আমরা ধরতে পারি একজন মানুষ অবশ্যই একজন মানুষ হাই ডাইমেনশনাল। এখন আমরা মানুষ হিসেবে একজন বিজ্ঞানীকে যদি ধরি তাহলে তার কি কি ডাইমেনশন থাকতে পারে। উনি কবে জন্মগ্রহণ করেছেন উনি কোথায় জন্মগ্রহণ করেছেন উনার ফিল্ড অফ স্টাডি উনি কবে নোবেল পেয়েছেন উনার পাবলিকেশন কি কি ছিল এরকম আরো তথ্য একজন মানুষের উপর হাজারো ডাইমেনশন যোগ করতে পারে। কিন্তু ব্যাপারটা আরো কমপ্লেক্স হয় যখন আমরা একই ধরনের ডাইমেনশন বিভিন্ন মানুষ থেকে নিতে চাই। ব্যাপারটা এমন যে একেকজন মানুষ একেকভাবে ইউনিক তবে আবার এই মানুষদের মধ্যে সিমিলারিটি আছে অন্যান্য সব জায়গায়। যেমন উনারা একই ফিল্ড অফ স্টাডিতে নোবেল প্রাইজ পেয়েছেন বা উনারা একই ইউনিভার্সিটিতে পড়েছেন। মজার ব্যাপার হচ্ছে আমরা যখন ডেটা পয়েন্টগুলোকে প্লট করি তখন এই সিমিলার ডেটা সেটা যে কোন মানুষই হোক না কেন এই সিমিলার ডেটাগুলো কিন্তু কাছাকাছি চলে আসে। আমরা বলতে চাইছি মানুষ ভিন্ন কিন্তু সিমিলার ডাইমেনশন গুলো পাশাপাশি চলে আসছে। তবে এই ব্যাপারগুলো হিউম্যানলি ইম্পসিবল মানে মানুষের জন্য এটা সম্ভব না আর সে কারণে এই কাজগুলো করছে মেশিন লার্নিং। কারণ দেখা গেছে যে এই মেশিন লার্নিং এই বিভিন্ন ডাইমেনশনের মধ্যে একটা সম্পর্ক খুঁজে পায় কারণ যন্ত্র এই ডাইমেনশন গুলোকে সংখ্যা হিসেবে দেখে। এটা হবার কারণ হচ্ছে সে প্রতিটা সংখ্যার সেটকে একটা ডাটা পয়েন্ট হিসেবে ধরে নেয়। যেহেতু এই মেশিন লার্নিং বা ডিপ লার্নিং তার প্রতিটা ডাটা পয়েন্টকে একটা জায়গা থেকে একেবারে একসঙ্গে দেখতে পাচ্ছে সেজন্য এই হাই ডাইমেনশনাল স্পেসে রিলেটেড পয়েন্টগুলোকে সে কাছাকাছি রাখতে পারছে। আমি টেক্সট ক্লাসিফিকেশন নিয়ে খুব আশাবাদী কারণ একটা প্যারাগ্রাফে আপনি কি বলতে চাচ্ছেন সেটা মেশিন বলে দিতে পারবে এবং সেটা মেশিন বলে দিতে পারছে এখনই মানুষের সাহায্য ছাড়াই। আমরা যখন একটা প্যারাগ্রাফের বা একটা বাক্যের সেন্টিমেন্ট এনালাইসিস করব তখন আপনি দেখবেন যে আমরা কিন্তু সেই বাক্যের প্রতিটা শব্দের অর্থ কিন্তু মেশিনকে বলে দেইনি। কারণ মেশিন লার্নিং এখানে প্রতিটা শব্দকে হাই ডাইমেনশনাল ডেটা পয়েন্ট হিসেবে ধরে নিচ্ছে। আর এই শব্দকে কিভাবে হাই ডাইমেনশনাল স্পেসে ফেলার কারণে তার সেন্টিমেন্ট এনালাইসিস করতে পারছি সেটা নিয়ে আসছি এর পরের সপ্তাহে থাকছেন তো সামনে।

রকিবের সাথে ডীপ লার্নিং, টেনসর ফ্লো

উইন্ডোজ ১০, এনভিডিয়া জিপিইউ, টেন্সরফ্লো, মিনিকন্ডা, কুডা টুলকিট, কুডএনএন ইনস্টলেশন চেকলিস্ট ০১.mp3

আমরা যারা গুগল কোলাব দিয়ে শুরু করেছি তাদের জন্য এই পুরো ব্যাপারটাই একটা গডসেন্ড। গুগল কোলাবের সবচেয়ে বড় সুবিধা হচ্ছে এখানে ইম্পরট্যান্ট সব ধরনের লাইব্রেরিগুলো আগে থেকে প্রিইনস্টল করা থাকছে। তবে এর পাশাপাশি আমাদের নিজস্ব ডেটা যেটা আমরা শেয়ার করতে চাই না অন্য কোথাও সেগুলোর জন্য নিজস্ব একটা জিপিউ থাকলে মন্দ হয় না। তার মানে এটা বলছি না যে গুগল কোলাবে ডেটা সিকিউরড না তবে আমরা যখন নিজেরা কাজ করি আমাদের পিসিতে তখন সেটার একটা আলাদা সুবিধা থাকে সবসময়। তবে এটা আমি বারবার বলব যখন আমরা নতুন করে ডিপ লার্নিং বা মেশিন লার্নিং শিখতে চাই তখন এ ধরনের কম্পিউটার বিশেষ করে যেটাতে জিপিউ দরকার সেগুলোর দরকার নেই কেনার। তবে আপনার কাছে যদি গেমিং পিসি থাকে সেটাকে কিভাবে ডিপ লার্নিং ফ্রেমওয়ার্কে কনভার্ট করা যায় সেটা নিয়ে আজকে আলাপ করছি। তবে আমার দেখামতে গেমিং প্ল্যাটফর্মগুলো যেহেতু উইন্ডোজ বেইজড হয় সে কারণে আমি লিনাক্স প্ল্যাটফর্মে আর কনভার্ট করতে বলছি না। এর অর্থ হচ্ছে আমরা টেনসরফ্লো ইন্সটল করব জিপিউ সহ এই উইন্ডোজ এর উপরেই। যাতে আমরা মেশিন লার্নিং এবং গেমিং পাশাপাশি কাজ করতে পারি। এটা ঠিক যে গ্রাফিক্স কার্ডের যে মার্কেট শেয়ার সেখানে এনভিডিয়ার এখনো রাজত্ব চলছে। তবে এই এনভিডিয়ার রাজত্বে ইন্টেল এবং এএমডি তাদের প্রোডাক্ট নিয়ে আসছে। এনভিডিয়া যখন তাদের গ্রাফিক্স কার্ড নিয়ে এই মেশিন লার্নিং এবং ডিপ লার্নিং নিয়ে কাজ করা শুরু করে তখন তাদের জন্য একটা আলাদা প্যারালাল কম্পিউটিং প্ল্যাটফর্ম তৈরি করে। সেটার নাম তারা দিয়েছে কুডা কম্পিউটার ইউনিফাইড ডিভাইস আর্কিটেকচার। এই কুডা সফটওয়্যার প্ল্যাটফর্মের কাজ হচ্ছে আপনার সফটওয়্যার প্রোগ্রামকে এনেবল করা যাতে সেই ক্যালকুলেশনগুলো সিপিইউ এবং জিপিউর উপর দিয়ে করতে পারে। যেহেতু আপনার পিসিটা কেনা হয়েছে গেমিং সেটআপের জন্য আর সে কারণে আমরা এই গেমিং সেটআপকে কোন ধরনের পরিবর্তন না করে বরং এই একই পিসিতে মেশিন লার্নিং এবং ডিপ লার্নিং চালানো যায় সেটা নিয়ে আজকে কাজ করব। যেহেতু আমাকে বিভিন্ন প্ল্যাটফর্মে অনেক আরএনডি করতে হয় সে কারণে ডকার এক্ষেত্রে অসাধারণ একটা প্ল্যাটফর্ম। আমি বলতে পারি লিনাক্স এবং ম্যাক অপারেটিং সিস্টেমের জন্য এই ডকারটা খুবই ভালো কাজ করে আর উইন্ডোজে তো অবশ্যই। আমরা যারা আগে থেকে লিনাক্সে কাজ করি তাদের জন্য উইন্ডোজের উইন্ডোজ সাবসিস্টেম ফর লিনাক্স একটা গডসেন্ড। আর এই উইন্ডোজের সাবসিস্টেম ফর লিনাক্সে ডকার তো চালানো যায় এমনিতেই। ডকারে যেহেতু পুরোপুরি প্রি ইমেজ মানে প্রি বিল্ড ইমেজ নিয়ে কাজ করা হয় এজন্য সেটার ভেতরের কাজটা অনেক সময় বোঝা যায় না আর সে কারণে আমরা উইন্ডোজে এনভিডিয়া গ্রাফিক্স কার্ড কিভাবে ডিপ লার্নিং বা মেশিন লার্নিং মডেলগুলোর সাথে কাজ করবে সেটা নিয়ে আমরা বেশি কথা বলব। যেহেতু এই প্রথম ভিডিওটা একটা কনসেপ্ট ভিডিও আর সে কারণে এটাকে আমরা বানিয়েছি পডকাস্ট স্টাইলে। এখন চলুন ধাপ স্টাইলে কিভাবে কখন কোন পরিস্থিতিতে কোন জিনিসটা করব সেটা নিয়ে আলাপ শুরু করছি এখন। আমাদের ডিপ লার্নিং ফ্রেমওয়ার্কটা কি? অবশ্যই টেনসরফ্লো। তার ভার্সনিং কত হতে পারে? সেটার জন্য গ্রাফিক্স কার্ডের কোন ভার্সনের ড্রাইভার লাগবে? এর চেয়ে সবচেয়ে বড় ব্যাপার হচ্ছে সেই টেনসরফ্লোকে আমরা কোন পাইথন ভার্সনে চালাবো? এর পাশাপাশি এই কুডা টুলকিট এটা মাইক্রোসফটের ভিজুয়াল সি প্লাস প্লাস কম্পাইলার সাপোর্ট করে। আমাদের এই কুডার প্রয়োজনেই বিশেষ করে কুডা টুলকিটের প্রয়োজনেই আমাদের মাইক্রোসফট ভিজুয়াল সি প্লাস প্লাস কম্পাইলারকে ইন্সটল করতে হবে। এটা সবচেয়ে ভালো উপায় হচ্ছে মাইক্রোসফট ভিজুয়াল স্টুডিওকে ইন্সটল করে নেওয়া। তবে আমার অভিজ্ঞতা দেখেছি মাইক্রোসফট ভিজুয়াল সি প্লাস প্লাস রানটাইম লাইব্রেরি ইন্সটল করে নিলেই হয়। এরপরের ধাপে আমরা কুডা টুলকিট ইন্সটল করার জন্য যাব আমাদের এনভিডিয়া ডেভেলপার সাইটে। এখানে কোন কুডা টুলকিট ভার্সনটা আমাদের টেনসরফ্লো ভার্সনের সাথে যাবে সেটাকে চেক করে নিতে হবে আগে। আমাদের এখানে শেষের দুই ধাপ আগে ডিপ নিউরাল নেটওয়ার্কের যে লাইব্রেরিটা যেটাকে আমরা বলছি কুডা ডিপ নিউরাল নেটওয়ার্ক লাইব্রেরি যেটাকে অনেকে বলেন কুড এনএন। এই কুড এনএন লাইব্রেরিকে ডাউনলোড এবং ইন্সটল করার জন্য আমাদের প্রয়োজন এনভিডিয়া ডেভেলপার প্রোগ্রাম মেম্বারশিপ যেটা আসলে ফ্রি। এই কুড এনএন লাইব্রেরিকে আমরা ডাউনলোড করে সেগুলোকে কিছু ফোল্ডারে বিশেষ করে হেডার এবং ডিএলএল ফাইলগুলোকে তাদের নির্দিষ্ট ফোল্ডারে ফেলে দিলেই আমাদের একটা কাজ হয়ে যায়। আমাদের কুডা টুলকিট যাতে কুড এনএন লাইব্রেরিকে খুঁজে পায় সে কারণে আমাদের উইন্ডোজ পাথে সেগুলোকে অ্যাড করে দিতে হবে। আমাদের উইন্ডোজ এনভারমেন্ট ভেরিয়েবল পাথে যোগ করার দুটো সিস্টেম যেগুলো আমরা দেখাবো সামনের ভিডিওতে। এখন শেষে থাকছে আমাদের টেনসরফ্লো ইন্সটল করার ব্যাপারে। উইন্ডোজ পিসিতে টেনসরফ্লো ইন্সটল করার সবচেয়ে সহজ পন্থা হচ্ছে মিনিকোন্ডা দিয়ে যাওয়া। আমাদের এই মিনিকোন্ডা হচ্ছে অ্যানাকোন্ডার ছোট ভাই। আমরা যারা মিনিমালিস্ট যারা আমাদের পিসিতে অ্যানাকোন্ডার এরকম হাজারো প্যাকেজ ইন্সটল করতে চান না বরং আমরা সেগুলোকে ইন্সটল করব যেগুলো আমাদের প্রয়োজন সেভাবে মিনিকোন্ডা একটা অসাধারণ প্ল্যাটফর্ম যা আসে একটা মিনিমালিস্ট পাইথন এনভারমেন্ট নিয়ে। এই মিনিকোন্ডাতে আপনার দরকার একটা মিনিমালিস্ট পাইথন ইন্সটল ম্যানেজার বা প্যাকেজ ম্যানেজার যা প্রয়োজন মতো সবকিছুকে ইন্সটল করে নিতে পারবেন। আপনার প্রয়োজনীয় সাইকিট লার্ন, টেনসরফ্লো, জুপিটার নোটবুক সবকিছু ইন্সটল করা যাবে এই পিপ দিয়ে। আর আমরা যারা আমাদের সিস্টেমে প্রচুর টেস্ট এন্ড ট্রায়াল চালাই তাদের জন্য তাদের জন্য পাইথনের আলাদা এনভারমেন্ট তৈরি করে নেওয়া একটা আবশ্যিক ব্যাপার। আজকে এই প্রাথমিক ধারণা দিয়ে শেষ করছি আমাদের প্রথম পডকাস্ট এই টেনসরফ্লো, কুডা, উইন্ডোজ, পাইথন, কুড এনএন মানে কুডার নিউরাল নেটওয়ার্ক লাইব্রেরি ইন্সটলেশন নিয়ে। থাকছেন তো সামনে?

রকিবের সাথে ডীপ লার্নিং, টেনসর ফ্লো

“টেনসর ফ্লো”এর টেনসর কী র‌্যাংক, স্কেলার, ভেক্টর, ম্যাট্রিক্স কেন দরকার ডেটা স্টোর করা.mp3

এটা ঠিক যে আমরা টেনসর ফ্লো নিয়ে কিন্তু এখনো সিরিয়াস কথা বলা শুরু করিনি কিন্তু। অনেকে বলতে পারেন যে টেনসর ফ্লো কিছুটা কমপ্লেক্স তবে আমার ধারণা যদি কারো পাইথনে সাইকিট লার্নের যদি কোন ব্যাকগ্রাউন্ড থাকে তাহলে কিন্তু তাদের কাজ করতে খুব একটা সমস্যা হওয়ার কথা না। তবে শুরুতে একটা জিনিস বলা ভালো অনেকেই বলতে পারেন যে টেনসর ফ্লোর টেনসরটা কি? আমার মনে হয় এটা কিন্তু একটা ভ্যালিড কোয়েশ্চেন। আপনার কি মনে আছে আমরা কিন্তু সাইকিট লার্ন বইটাতে কিন্তু বলেছিলাম যে কম্পিউটার কিভাবে ডেটা রাখে আর সেই ডকুমেন্টটা যদি আমরা আবার একটু রিভিউ করি তাহলে কিন্তু সেই ডেটা রাখার ভেক্টর স্কেলার বা ম্যাট্রিক্সের ব্যাপারটা কিন্তু আবার সহজ হয়ে যাবে। আমাদের ডিপ লার্নিং বা নিউরাল নেটওয়ার্কস এর জন্য প্রাইমারি ডেটা স্ট্রাকচার হচ্ছে গিয়ে এই টেনসর। আমাদের এই নিউরাল নেটওয়ার্কে ইনপুট আউটপুট এবং মাঝখানে যত ট্রান্সফরমেশন আছে সবকিছুই কিন্তু এই টেনসর দিয়েই কিন্তু রিপ্রেজেন্ট করা হয়। আমরা এভাবে বলতে পারি যে একটা টেনসর বিভিন্ন অবজেক্টকে স্টোর করতে পারে এবং পাশাপাশি কিন্তু এই ডেটাগুলোকে পাস করতে পারে বিভিন্ন অপারেশনের মাঝখানে এবং এক একটা ইনপুট এবং আউটপুটের মাঝখানে যত ধরনের অপারেশন আছে সেগুলো কিন্তু এই টেনসরের মাধ্যমে কিন্তু করতে হবে আমাদের। আমাদের ডেটা স্ট্রাকচারের জন্য ম্যাথমেটিক্স এবং কম্পিউটার সাইন্সের মধ্যে যে জেনারালাইজেশন আছে সেটা নিয়ে কিন্তু এখানে আমরা একটু কথা বলতে পারি। এখানে যে কনসেপ্টগুলো দেখছেন এগুলোই কিন্তু জেনারালাইজেশন মানে এখানে কিন্তু টেনসরের সাথে এই সবকিছুই কিন্তু যাবে। আমরা এই কনসেপ্টগুলোকে আসলে দুটো গ্রুপে ভাগ করতে পারি। একটা হচ্ছে ম্যাথমেটিক্স গ্রুপের আরেকটা হচ্ছে কম্পিউটার সাইন্স গ্রুপ কিন্তু দুটো গ্রুপেই কিন্তু কাজ একই। আমি যদি আবারও বলি আমাদের প্রথম গ্রুপটা যেটা আছে সেটা কিন্তু আসলে কম্পিউটার সাইন্স থেকে এসছে এবং এই জিনিসটা কিন্তু আমরা একইভাবে ম্যাথমেটিক্সে একই কাজে কিন্তু ব্যবহার করতে পারি। এর অর্থ হচ্ছে এর কনসেপ্ট এক কিন্তু যেহেতু এটা দুটো ডিসিপ্লিন থেকে এসছে এই জন্যই কিন্তু আমরা একটু মাঝে মাঝে সমস্যায় পড়ি। যেমন আমরা যদি উদাহরণ হিসেবে বলি নাম্বার আর স্কেলার কিন্তু একই জিনিস। অ্যারে ভেক্টর একই জিনিস এবং টুডি অ্যারে আর ম্যাট্রিক্স কিন্তু আমরা একই সিনোনিম হিসেবে ধরে নিতে পারি। মজার কথা হচ্ছে আমরা এই দুটো গ্রুপকে কিন্তু ভাগ করে ফেলবো তিনটা কাজে এবং আমরা দেখবেন টেনসর ফ্লোতে আমরা এটাকে বিভিন্ন র‍্যাংক হিসেবে ফেলছি এবং এই র‍্যাংকগুলোকে আমরা বলছি র‍্যাংক জিরো, র‍্যাংক ওয়ান এবং র‍্যাংক টু। পাশাপাশি র‍্যাংক থ্রি হচ্ছে থ্রিডি অ্যারে। শুরুতেই আমরা যে সিঙ্গেল ভ্যালু স্কেলার মানে যেটাকে আমরা র‍্যাংক জিরো বলছি সেটা কিন্তু র‍্যাংক জিরো টেনসর যার মধ্যে এমটি শেপ মানে আমরা যদি বলতে চাই যে একটা ভেরিয়েবল বা একটা কনস্ট্যান্ট নাম্বারকে যদি আমরা এই সফটওয়্যার ইউজ করতে চাই তাহলে কিন্তু সেটা আমরা এই র‍্যাংক জিরোতে রিপ্রেজেন্ট করতে পারি। এদিকে র‍্যাংক ওয়ান টেনসর কিন্তু একটা ভেক্টর যেটাকে আমরা ওয়ান ডাইমেনশনাল অ্যারে বলতে পারি। আমরা যদি ওয়ান র‍্যাংকের একটা টেনসর তৈরি করতে চাই যার শেপ থ্রি এর মানে হচ্ছে এটা আসলে তিনটা ভ্যালুকে স্টোর করতে পারবে একটা ওয়ান ডাইমেনশনাল অ্যারেতে। সেভাবে আমরা র‍্যাংক টু যেটাকে আমরা একটা ম্যাট্রিক্স বলি সেটা কিন্তু টু ডাইমেনশনাল অ্যারে। ধরুন আমাদের হ্যান্ডরিটেন ইমেজে টু ডাইমেনশনাল ডেটা যেমন ব্ল্যাক এন্ড হোয়াইট ইমেজ হ্যান্ডরিটেন ইমেজ সেটা যদি আমরা স্টোর করতে চাই তাহলে কিন্তু এই ম্যাট্রিক্সে আমরা রাখতে পারি। আমরা যদি একটা ব্ল্যাক এন্ড হোয়াইট ইমেজটাকে স্টোর করতে চাই যেটা হচ্ছে 256 বাই 256 পিক্সেল হতে পারে সেটা কিন্তু এই টুডি অ্যারেতে স্টোর করা যেতে পারে যেটা হচ্ছে র‍্যাংক টু। এর পাশাপাশি আমি যদি আরজিবি কালার মানে তিনটা কালার তিনটা কালারের যদি আমি স্টোর করতে চাই তাহলে কিন্তু আমাকে থ্রিডি অ্যারে লাগবে। আর সেটাই কিন্তু র‍্যাংক থ্রি টেনসর। সেই থেকে আমাদের 256 পিক্সেলের ওই আরজিবি ইনফরমেশন স্টোর করতে চাই তাহলে কিন্তু এটা 256 বাই 256 বাই 3 হবে। আসল কথা হচ্ছে টেনসর একটা অ্যারের খেলা। থাকছেন তো সামনে?

রকিবের সাথে ডীপ লার্নিং, টেনসর ফ্লো

TensorFlow 2.0 টেন্সর-ফ্লো ১.x এবং ২.০, “ইগার এক্সিকিউশন” কি পাইথনিক অপারেশন, কনটেন্ট.mp3

আমার দেখামতে ডিপ লার্নিং প্ল্যাটফর্ম হিসেবে কিন্তু পাইটর্চ অনেক ভালো। তবে আমি একটা জিনিস দেখছি যে 2015 সালে টেনসরফ্লোকে ওপেন সোর্স করে দেওয়ার ফলে এটার কিন্তু ওপেন সোর্স কমিউনিটির সাপোর্ট বেড়েছে অনেক অনেক বেশি। আর সে কারণে কিন্তু আমরা দেখছি যে টেনসরফ্লো 2.0 তে কিন্তু অনেক ধরনের ফিচার এসেছে যেগুলো কিন্তু আসলে অন্যান্য ডিপ লার্নিং প্ল্যাটফর্মে ছিল। যেমন ডেভেলপারস ফোরামে কিন্তু এই টেনসরফ্লো নিয়ে কিন্তু একটা কমপ্লেন ছিল যে এটাকে ঠিকমতো পাইথনের মতো কাজ করে না। এখানে আমরা টেনসরফ্লো 1.x এর যদি একটা উদাহরণ নিয়ে আসি, আমরা এখানে একটা নেস্টেড লিস্ট ইনস্ট্যানশিয়েট করলাম যেটা আসলে একটা অ্যারে। এখানে একটা ম্যাট্রিক্স মাল্টিপ্লিকেশন করলাম আর সে কারণে কিন্তু আমরা এখানে একটা টেনসর পাচ্ছি আর টেনসরের শেপটাই কিন্তু পাচ্ছি কিন্তু এর ভেতরে যে একটা কন্টেন্ট ছিল সে কন্টেন্টটা কিন্তু আমরা পাচ্ছি না। এই কোড স্নিপেটে আসলে আমরা যেটা বুঝতে পারছি যে এটা টেনসরফ্লো 1.x এখানে একটা গ্রাফ তৈরি করেছে এবং সেই গ্রাফটা কিন্তু একটা ম্যাট্রিক্স মাল্টিপ্লিকেশন করেছে কিন্তু সেটার আউটকাম মানে একচুয়াল মাল্টিপ্লিকেশন হচ্ছে না যতক্ষণ পর্যন্ত আমরা এটাকে সেশন হিসেবে ব্যবহার করি। এখন কেমন হয় আমরা যদি একটু টেনসরফ্লো 2.0 টাকে ইনস্টল করে নেই। আমি এটাকে একটু ফাস্ট ফরওয়ার্ড করে নিয়ে যাচ্ছি যাতে আপনাদের এই ব্যাপারটা বুঝতে সুবিধা হয় কারণ টেনসরফ্লো 2.0 তে যে ইগার এক্সিকিউশন যে বাই ডিফল্ট এনাবেল করা আছে আর সে কারণে কিন্তু আমরা শুরুতেই একটু টেস্ট করে নেব যে ইগার এক্সিকিউশনটা কি এনাবেল আছে কিনা। অবশ্যই এটা বাই ডিফল্ট এনাবেল বাট তবুও আমরা একটু চেক করে নিচ্ছি। মনে আছে তো আমরা কিন্তু টেনসরফ্লো 1.x এ কিন্তু এটার শেপ পেয়েছিলাম মানে অ্যারেটা শেপ পেয়েছিলাম কিন্তু কন্টেন্ট পাইনি। আর সে কারণে কিন্তু আমরা এই টেনসরফ্লো 2.0 তে কিন্তু সেটার আউটকামটা দেখব। আর সেই হিসেবে যদি আমরা টেনসরফ্লো 2.0 তে যদি এই জিনিসটা একই জিনিসটাকে নিয়ে কাজ করি সেখানে কিন্তু ইগার এক্সিকিউশন কিন্তু বাই ডিফল্ট আছে আর সে কারণে কিন্তু আমরা একই কোড যখন সেখানে চালাবো সেটা শুধু শেপ না সেটার কিন্তু আউটকামটাও রিয়েল টাইম পাচ্ছি আর সে কারণে কিন্তু এটা ডিবাগিং করাটা কিন্তু আরো ইজি হয়ে গেছে। আমরা আসলে যেটা দেখছি যে টেনসরফ্লো 2.0 আর 1.x এর মধ্যে যে পার্থক্যটা সেটা হচ্ছে আপনি কিন্তু সঙ্গে সঙ্গে আপনার আউটকাম এবং আপনার অপারেশন গুলো কিভাবে চলছে এবং সেটার একটা রেজাল্ট পাচ্ছেন কিন্তু অন দা ফ্লাই আর সে কারণে কিন্তু ইগার এক্সিকিউশন মোডটা কিন্তু অনেক অনেক ইম্পর্টেন্ট বিষয়। তাহলে আমরা টেনসরফ্লো 2.0 তে কি পেলাম? অবশ্যই আমরা কিন্তু সরাসরি ম্যাট্রিক্স মাল্টিপ্লিকেশন যেটা করেছিলাম সেটার কিন্তু শেপ, সেটা আউটকাম, সেটার রেজাল্ট এবং সেটা আসলে কিভাবে অপারেশন করেছে সেটা কিন্তু সবকিছুই আমরা একবারে পেলাম। এটাকে আমরা অনেকে বলছি পাইথনিক কারণ আমরা আসলে এটার রেজাল্টটাকে সঙ্গে সঙ্গে পাচ্ছি এবং এটার অপারেশন কিভাবে হয়েছে সেটাও কিন্তু আমরা দেখছি এখানেই। থাকছেন তো সামনে?

রকিবের সাথে ডীপ লার্নিং, টেনসর ফ্লো

ট্রান্সফার লার্নিং, এক প্রি-ট্রেইনড মডেল দিয়ে আরেক মডেলের ট্রেনিং করানো, নতুন না করে.mp3

আপনি যেকোনো স্কিল সেটের কথা বলুন না কেন, সেটা কিন্তু সময়ের সাথে সাথে সেই স্কিল সেটটা বাড়তে থাকে। এখানে আমরা ড্রাইভিং এর মত একটা স্কিল সেটের কথা বলতে পারি। মানে আপনি যত বেশি গাড়ি চালাবেন তত বেশি কিন্তু আপনার স্কিল সেট বাড়বে। মানে আপনি যত বেশি মাইল চালাবেন ততই কিন্তু আপনার স্কিল সেট বাড়তে থাকবে। আচ্ছা বলুন তো একজন মানুষ তার লাইফটাইমে কতটুকুই বা ড্রাইভিং করতে পারেন? আমার ধারণা 50000 মাইল। এই 50000 মাইল চালাতে তার হয়তোবা 50 বছর লাগতে পারে। আমি ধরে নিচ্ছি একজন এফিশিয়েন্ট ড্রাইভার তাকে আসলে 50 বছর এবং 50000 মাইল চালাতে হবে একজন এফিশিয়েন্ট ড্রাইভার হতে। এখন তাহলে একটা প্রশ্ন করি। এখন ধরুন একজন ড্রাইভার যিনি তার দক্ষতার একদম চূড়ায় আছেন। এই অবস্থায় কি উনি উনার নলেজটাকে ট্রান্সফার করতে পারবেন আরেকজন নতুন শিক্ষানবিশ ড্রাইভারের কাছে? অথবা ধরুন একজন নিউরোসার্জন। উনি 50 বছর ধরে একটা দক্ষতা অর্জন করেছেন এই নিউরোসার্জারিতে। উনি কি পারবেন উনার দক্ষতাকে ট্রান্সফার করতে একজন ইন্টার্ন ডাক্তারের কাছে? তবে এই জিনিসটা কিন্তু সম্ভব মেশিন লার্নিং এ। আপনি আপনার দক্ষতাকে কিন্তু ট্রান্সফার করতে পারবেন আরেকটা অংশে। যেমন সেলফ ড্রাইভিং কার। একটা সেলফ ড্রাইভিং কার যদি 10000 মাইল চলতে পারে তাহলে 1000 গাড়ি মিলে কিন্তু এক বিলিয়ন মাইল কিন্তু চালানো কোন সমস্যাই না। এই কারণেই কিন্তু প্রতিটা গাড়ি ভাববে যে সে আসলেই এক বিলিয়ন মাইল চালিয়েছে একাই। আমি এতক্ষণ যা বললাম সেটা কিন্তু ট্রান্সফার লার্নিং এর উদাহরণ নয়। বাট আমি একটা পারসপেক্টিভ দিতে চাইলাম যে কিভাবে একটা জ্ঞানকে একুমুলেট করা যায় এই মেশিন লার্নিং দিয়ে। ট্রান্সফার লার্নিং হচ্ছে আপনি একটা সিনারিওর মডেল সেটাকে কিছুটা টুইকিং করে সেটাকে অন্য সিনারিওতে ব্যবহার করা। এই ব্যাপারটা কিন্তু আমাদের জীবনেও ঘটে। আমরা যদি সাইকেল চালাতে পারি তাহলে এই সাইকেল চালানোর যে জ্ঞানটা এটা দিয়ে কিন্তু আমরা মোটরসাইকেল চালানোর জন্য কিন্তু ব্যবহার করতে পারি। সাইকেল চালানোর সেই স্কিল সেটটাকে কিছুটা টুইকিং করে আমি মোটরসাইকেল চালানো শেখার জন্য কিন্তু নতুন করে মোটরসাইকেল চালানো শিখতে হবে না। এর অর্থ হচ্ছে আমার সাইকেল চালানোর যে স্কিল সেটটা সেটাকে কিছুটা টুইকিং করে আমি কিন্তু মোটরসাইকেল চালানো শিখছি অল্প ট্রেনিং দিয়ে। সোজা কথায় আমাকে কিন্তু কেঁচি গন্ডুস করে নতুন করে মোটরসাইকেল চালানো শিখতে হবে না। আমি একটা ডিপ লার্নিং মডেলকে যদি নতুন করে ট্রেন করতে চাই তার জন্য যে কম্পিউটেশনাল পাওয়ার বা তার জন্য যে রিসোর্স তার জন্য যে সময় সেটা তো আমার কাছে থাকছে না। সেখানে যদি আমরা একটা প্রি-ট্রেইন মডেল পাই তাহলে কিন্তু আমাদের এই মডেলের জন্য একটা বুস্ট আপ হবে। যেমন মেশিন লার্নিং গুরু সেবাস্টিয়ান কিন্তু একটা কথা বলছিলেন। উনি একটা নিউরাল নেটওয়ার্ক নিয়ে কাজ করছিলেন যেটার কাজ ছিল স্কিন ক্যান্সার ডিটেক্ট করা। সেখানে প্রি-ট্রেইন মডেল হিসেবে কুকুর বিড়ালের ফেসিয়াল কিছু ছবি ছিল। সেগুলোর প্রি-ট্রেইন মডেল হাতে থাকাতে উনাকে কিন্তু নতুন করে একটা মডেল স্ক্র্যাচ থেকে তৈরি করতে হয়নি। এর অর্থ হচ্ছে আপনি নতুন নিউরাল নেটওয়ার্ক তৈরি করার থেকে আপনি পুরনো একটা নেটওয়ার্কের প্রজ্ঞাকে অগমেন্ট করলেন এই নতুন নেটওয়ার্কে। আজকে এই পর্যন্তই থাকছেন তো সামনে?

রকিবের সাথে ডীপ লার্নিং, টেনসর ফ্লো

মোবাইল অ্যাপে মেশিন লার্নিং, গিটহাব সোর্স, এমএল কিট ফায়ারবেজ, টেনসরফ্লো-লাইট.mp3

অনেকে আমাকে জিজ্ঞাসা করেন যে মেশিন লার্নিং শিখলাম কিন্তু এখান থেকে কিভাবে মনেটাইজেশন অথবা কিভাবে আমরা অ্যাপ্লিকেশনে এই মেশিন লার্নিংটা যোগ করব। পৃথিবীর প্রচুর সফটওয়্যার অ্যাপ্লিকেশনে এই মেশিন লার্নিং ব্যবহার করা হচ্ছে। আমি সেই সফটওয়্যার অ্যাপ্লিকেশন ডেভলপ করার টাইমলাইনে গেলে কিন্তু এটা আসলে দেখানো খুবই ডিফিকাল্ট। তাহলে সহজ রাস্তা কি? অবশ্যই। আমরা যদি কোনভাবে আপনাকে দেখাতে পারি যে আপনার মোবাইল অ্যাপ্লিকেশনে মেশিন লার্নিং এর ব্যবহার তাহলে কিন্তু অনেক সমস্যার সমাধান কিন্তু এখানেই হয়ে যায়। কিন্তু সেটার একটা সমস্যা আছে এবং সেটা একটা বড় সমস্যা। মোবাইলে কিন্তু আমরা ট্রেনিং করাতে পারবো না আমাদের মেশিন লার্নিং মডেল। আমাদের মোবাইলে অনেক অ্যাপ আছে যেটার পেছনে কিন্তু মেশিন লার্নিং আছে তবে সেই মেশিন লার্নিং চলছে কিন্তু ক্লাউডে শত শত সার্ভারের প্রসেসিং স্পিড নিয়ে। যেমন আমি কিন্তু হাতে লেখা মানে বাংলায় কিবোর্ডে কিন্তু লেখা ছেড়েই দিয়েছি কারণ আমি মুখে জি বোর্ডে বলে দেই আর সেটা কিন্তু ট্রান্সক্রাইব হয়ে আসে গুগল এর সার্ভার থেকে মেশিন লার্নিং হয়ে। এর মানে কি আমরা কি বসে থাকবো আমাদের সেই সার্ভারের প্রসেসিং এর জন্য? অবশ্যই না। মানুষ কখনোই আটকে থাকে না। আমাদের মেশিন লার্নিং ট্রেনিং ফেজে কিন্তু প্রচুর প্রসেসর ক্রাঞ্চিং লাগে। তবে সেটা কমে আসে রান টাইমে মানে ইনফ্লুয়েন্সে। মোদ্দা কথায় আমরা ট্রেনিং করালাম সেই হাই প্রসেসিং সার্ভারে আর তার ইনফ্লুয়েন্সটা আমরা চালাবো আমাদের লোকাল ডিভাইসে। সেটা রাজবেরি পাই হোক আর আমাদের ফোন হোক। আর সেই কারণে কিন্তু এখন অনেক প্রি-ট্রেইন মডেল পাওয়া যায় যেটা আমরা চালাতে পারি আমাদের লোকাল ছোট ছোট ডিভাইসে। এর অনেকগুলো সুবিধা যেমন ডেটাটা থাকছে লোকালি মানে আমার ডেটাকে আসলে ইন্টারনেটে পাঠাতে হচ্ছে না। পাশাপাশি কিন্তু আমাদের ল্যাটেন্সি কিন্তু এখানে ঝামেলা করছে না। আমাদের এই মেশিন লার্নিং মডেল কাজ করবে যখন আমরা ইন্টারনেটে কানেক্টেড থাকবো না। সরাসরি বলতে গেলে যেখানে ইন্টারনেট কানেকশন নিয়ে সমস্যা সেখানে কিন্তু এই ডিভাইসগুলো অনায়াসে কাজ করবে। এখানে বেশ কয়েকটা স্যাম্পেল অ্যাপ দেখাচ্ছি যেগুলো কিন্তু আপনি নিজেই বিল্ড করে নিতে পারবেন গিটহাব পাতা থেকে। দুটোতেই আমরা টেনসর ফ্লো লাইট ব্যবহার করেছি তবে প্রথমটা হচ্ছে এমনিস্ট ডেটা সেট থেকে ইনফ্লুয়েন্স নেওয়া। এমনিস্ট বুঝতে পেরেছেন তো যেখান থেকে আমরা হ্যান্ড রিটেন ডেটা ক্লাসিফাই করতে পারতাম। সত্যি কথা বলতে গিটহাবে প্রচুর স্যাম্পেল কোড আছে যেগুলোকে ক্লোন করে আসলে অ্যান্ড্রয়েড স্টুডিওতে প্রজেক্ট হিসেবে চালাতে পারেন আপনি। এদিকে টেনসর ফ্লো টেনসর লাইট দিয়ে কিন্তু আপনি অনেক মডেল ডেপ্লয় করতে পারেন। আমি নিজে টেনসর ফ্লোর অনেক অপটিমাইজড মডেল আছে যেগুলোকে আসলে আমরা মোবাইল এবং অনেক ধরনের এজ ইউজ কেসেসে কিন্তু ব্যবহার করা যায়। টেনসর ফ্লোতে অনেকগুলো প্রি-ট্রেইন মডেল আছে যেগুলো কিন্তু আপনার কাজের সুবিধার্থে যেকোনো জায়গায় ব্যবহার করতে পারেন। তবে যে যাই বলুক আমার প্রিয় হচ্ছে এমএল কিট ফর ফায়ারবেস। এই এমএল কিট হচ্ছে একটা মোবাইল এসডিকে যেটা আসলে মেশিন লার্নিংকে নিয়ে আসছে অ্যান্ড্রয়েড এবং আইওএস অ্যাপে। মেশিন লার্নিং এর জাহাজ হওয়ার দরকার নেই আপনি যদি জানেন কিভাবে ইমপ্লিমেন্ট করতে হয় তাহলে কিন্তু এই ফাংশনালিটি ইমপ্লিমেন্ট করা কিন্তু খুব একটা কষ্টের কিছু নয়। পাশাপাশি যারা এক্সপেরিয়েন্সড এমএল ডেভেলপার তাদের কিন্তু এই এমএল কিট ভালো এপিআই দেয় যেখানে আপনার এই কাস্টমাইজড টেনসর ফ্লো লাইট মডেল কিন্তু ব্যবহার করতে পারবেন আপনার এই মোবাইল ডিভাইসের জন্য। আমি এখানে কিন্তু অনেকগুলো রেডি টু ইউজ এপিআই দেখছি যেমন টেক্সট রিকগনিশন, ফেস ডিটেকশন, বারকোড স্ক্যানিং, ইমেজ লেবেলিং, ল্যান্ডমার্ক রিকগনিশন, স্মার্ট রিপ্লাই এবং ল্যাঙ্গুয়েজ আইডেন্টিফিকেশন। আপনি গিটহাবে কিন্তু আইওএস এবং অ্যান্ড্রয়েডের জন্য এই কুইক স্টার্ট স্যাম্পেল পাবেন এই মোবাইল অ্যাপ ডেভলপ করার ব্যাপারে। থাকছেন তো সামনে?

রকিবের সাথে ডীপ লার্নিং, টেনসর ফ্লো

‘টেন্সর-ফ্লো লাইট’, মোবাইল ডিভাইসে ডিপ লার্নিং ইনফারেন্স নিয়ে অ্যান্ড্রয়েড অ্যাপ (১).mp3

আমরা মেশিন লার্নিং বা ডিপ লার্নিং যাই শিখি না কেন, সেটা থেকে একটা ফাইনাল আউটকাম বা সেটার একটা অ্যাপ্লিকেশন সেটাকে কোথায় ব্যবহার করা হচ্ছে, সেটা যদি আমরা আমাদের চোখের সামনে না দেখি, তাহলে কিন্তু এটা শেখাটা সম্পূর্ণ হচ্ছে না। এর পাশাপাশি অনেকে আমাকে জিজ্ঞাসা করেন যে এই ডিপ লার্নিং বা মেশিন লার্নিং শিখে কিভাবে টাকা রোজগার করা যাবে। আমি এখনই টাকা রোজগারের ব্যাপারটা মাথায় না আনলেও এটা একটা ফাইনাল আউটকাম হিসেবে কিন্তু দাঁড়াবে। আমরা মেশিন লার্নিং ডিপ লার্নিং শিখছি কিন্তু এর পাশাপাশি এটাকে কিভাবে এপ্লাই করা যাবে আমাদের প্রেজেন্ট কন্টেক্সটে সেটাও দেখতে হবে আমাদের শেখার পাশাপাশি। এই মুহূর্তে সবচেয়ে সহজ পন্থা হচ্ছে একটা অ্যাপ্লিকেশন তৈরি করা আর সেই অ্যাপ্লিকেশনে একটা মেশিন লার্নিং মডেল কিভাবে ব্যবহার করা হচ্ছে সেটা দেখিয়ে দেওয়া। এই অ্যাপ্লিকেশন নিয়ে কথা বলতে গেলে একটা উইন্ডোজ বা ম্যাক প্ল্যাটফর্মে যদি ডেভেলপ করতে চাই, তার জন্য যে সময় লাগবে তার থেকে হয়তোবা একটু কম সময় দিয়ে মোবাইল অ্যাপ্লিকেশন ডেভেলপ করা সম্ভব। যেখানে আমরা একটা মেশিন লার্নিং মডেলকে ঢুকিয়ে দিতে পারি। আমরা যেহেতু মেশিন লার্নিং নিয়ে কাজ করছি আর সেখানে অ্যান্ড্রয়েড ডেভেলপমেন্ট নিয়ে সেভাবে ফোকাস করার অতটা স্কোপ নেই। যেহেতু আমাদেরকে একটা এন্ড টু এন্ড মেশিন লার্নিং অ্যাপ ডেভেলপ করতে হবে সে কারণে কিছুটা অ্যান্ড্রয়েড নিয়ে আলাপ করা যেতেই পারে এখানে। আর এই কারণে আমরা একটা অ্যান্ড্রয়েড স্কেলেটন অ্যাপ ব্যবহার করব যেটার সোর্স কোড অলরেডি টেনসরফ্লো ওয়েবসাইটে এভেলেবল আর সেটাকে নিজের মতো কাস্টমাইজ করে নিলেই কিন্তু হয়ে যাচ্ছে। মেশিন লার্নিং বা ডিপ লার্নিং এ হ্যালো ওয়ার্ল্ড বলে যে ডেটা সেটটা নিয়ে আমরা সবসময় কাজ করি, সেটাকে আমরা বলছি এমনিস্ট। সেখানে আমরা হাতে লেখা একটা ডিজিটকে ক্লাসিফাই মানে সংখ্যাকে ক্লাসিফাই করতে পারব সেটা আসলে কোন সংখ্যা। মেশিন আমাকে বলবে হাতে লেখা সংখ্যাটাকে ঠিকমতো প্রেডিক্ট করতে পারলে কিন্তু আমাদের কাজ হয়ে যায়। আমি আজকে যে আলাপ করছি এবং এরপরে অন্যান্য যত বিষয় নিয়ে আলাপ করব ম্যাক্সিমামই সেগুলোকে আমি নিয়ে আসব গুগল কোড ল্যাবস থেকে। গুগল কোড ল্যাবস কিন্তু হাতে কলমে শেখার জন্য একটা বেশ ভালো প্ল্যাটফর্ম। অনেকে বলতে পারেন যে ডিপ লার্নিং বা মেশিন লার্নিং কাজ কিন্তু বেশ প্রসেসর ইনটেনসিভ। সে কারণে টেনসরফ্লোকে আসলে মোবাইলে চালানো সম্ভব কিনা? অবশ্যই সম্ভব কারণ আমরা মোবাইলে শুধুমাত্র সেই মডেলের ইনফ্যারেন্স চালাবো। এর পাশাপাশি আরেকটা জিনিস দেখতে পারবেন যে কয়েক কিলোবাইটের একটা মডেল কত সুন্দরভাবে কাজ করছে আমাদের এই মোবাইল ডিভাইসে। আমাদের সামনের ভিডিওতে আমরা তিনটা কাজ করব। প্রথমে আমরা টেনসরফ্লো দিয়ে একটা হাতে লেখা ডিজিট ক্লাসিফায়ার ট্রেইন করব। আমরা যখন টেনসরফ্লো মডেলটা তৈরি করছি সেটা তো আর মোবাইল ডিভাইসের জন্য তৈরি না, ঠিক না? এর মানে আমাদের টেনসরফ্লো মডেলটাকে মোবাইলে চালানোর জন্য টেনসরফ্লো লাইট মডেলে কনভার্ট করে নেব। সবশেষে আমরা দেখতে চাইবো যে আমাদের যে টেনসরফ্লো লাইট মডেলটাকে আমাদের অ্যান্ড্রয়েড অ্যাপে কোথায় ডেপ্লয় করতে হবে যাতে আমাদের অ্যান্ড্রয়েড অ্যাপটাকে চালানো যায় মেশিন লার্নিং বা ডিপ লার্নিং এর সুবিধা নিতে। এমনও হতে পারে যে ওই সময় আমাদের হাতের কাছে কোন মোবাইল মানে অ্যান্ড্রয়েড মোবাইল হ্যান্ডসেট নেই। তাহলে সেটাকে আমরা একটা ইমুলেটরের মধ্যেও চালিয়ে দেখতে পারি যে সেটা ঠিকমতো কাজ করছে কিনা। আজকে এই পর্যন্তই থাকছেন তো সামনে?

রকিবের সাথে ডীপ লার্নিং, টেনসর ফ্লো

হাতেকলমে পাইথন ডিপ লার্নিং বই প্রিন্ট এডিশন দেরি হচ্ছে কেন.mp3

অনেকে আমাকে প্রশ্ন করছেন কেন হাতে কলমে পাইথন ডিপ লার্নিং বইটা এত দেরি হচ্ছে। উনারা ব্যাপারটা জানতে চাইতেই পারেন কারণ এই পুরো বইটা অনলাইনে গিটবুকে ডিজিটাল ভার্সন হিসেবে আছে। তাহলে বইটার প্রিন্ট এডিশন বের করতে এত সময় লাগছে কেন? আমি বলব প্রশ্ন অবশ্যই যৌক্তিক। তবে আমি যেহেতু এর আগে আরও তিনটা বইয়ের পোস্ট প্রোডাকশন লেভেলে কাজ করেছি সেই ধারণা থেকে বলতে পারি যে একটা প্রযুক্তি বিষয়ক বই লেখা থেকে সেটার প্রতিটা লেভেলে মেকআপ নিয়ে যে কাজ সেটা কিন্তু অনেক কষ্টসাধ্য ব্যাপার। বইটা শুরুতে যখন আমরা এটাকে গিটবুক থেকে ওয়ার্ড প্রসেসিং সফটওয়্যারে ফেললাম তখন দেখা গেল যে এটা আসলে ছাড়িয়ে গেছে প্রায় 600 পৃষ্ঠার বেশি। এর অর্থ হচ্ছে যে বইটা ডিজিটাল এডিশন হিসেবে কাজ করবে সেটা কিন্তু প্রিন্ট এডিশন হিসেবে কাজ নাও করতে পারে। মানুষ যখন একটা বই হাতে নেবেন তখন ওই বইটাকে উনি যেভাবে ট্রিট করবেন সেটা কিন্তু ডিজিটাল বইয়ের সাথে যাবে না। আর সেই কারণে বইটাকে নিয়ে আবার নামতে হলো আমাকে কারণ বইটার কিছুটা রিরাইটিং আর রিলিংকিং দরকার ছিল। আমি নিজে কখনো বইটাকে দুই পার্ট ভাগ করতে চাইনি কারণ এতে কমপ্লেক্সিটি আরও বাড়বে। আমার কাছে যতগুলো ইংরেজি ডিপ লার্নিং এর বই আছে কোনটাই কিন্তু 600 বা 700 পৃষ্ঠার নিচে আমি দেখছি না। তবে বাংলাদেশ একটা খুব প্রাইস সেনসিটিভ মার্কেট। এখানে বইয়ের দাম নিয়েও কিন্তু বেশ দর কষাকষি হয়। এই সবকিছু বাদ দিলেও আসলে এই বইটার মেকআপে সবচেয়ে বেশি সময় যাচ্ছে। আমার ব্যক্তিগত অভিজ্ঞতা যেটা দেখছি অন্যান্য যেকোনো উপন্যাস বা গল্প বা প্রবন্ধের যে বইগুলো আছে তার থেকে এই বইটাতে প্রায় 20 থেকে 30 গুণ বেশি সময় লাগছে। আপনি যেহেতু বইটাকে ডিজিটালি দেখছেন সে কারণে কিন্তু আপনি বলতে পারছেন যে এই বইটার প্রতিটা মেকআপ প্রতিটা বক্স প্রতিটা শেডেড বক্স বা প্রতিটা লিংকিং এগুলোর জন্য কিন্তু অনেক সময় লাগছে। এই বইটাতে যেহেতু কোডের একটা বড় ব্যাপার আছে সেখানে কোন কোডটা আসলে না দিলেই নয় আর কোন কোডটা অনলাইনে পাঠানো যেতে পারে সেটা নিয়েও একটা বিস্তর কাজ করতে হচ্ছে ইন্টারনালি। আমি একজন পাঠককে অবশ্যই চাইবো না বারবার অনলাইনে রেফার করতে আর সে কারণে যতটুকু না হলেই নয় সেটা আমি দিয়ে দিচ্ছি এই বইয়ের মধ্যে যাতে উনি উনার অবসর সময়ে অনলাইনে এক্সেস ছাড়াই পুরো ব্যাপারটাকে বুঝতে পারেন। আমার আগের বই এবং এই বইটা এই সবগুলো বইয়ের জন্য দুটো ধারণা থেকে বইটা লিখছি। প্রথমটা হচ্ছে কনসেপ্ট হেভি কোড লাইট। মানে এটা কিছুটা কনসেপ্ট বুক। মানে কনসেপ্ট পাইপলাইন বুঝে বুঝে এগোনো। ডিপ লার্নিং এর প্রতিটা পদে পদে যত ধরনের ট্রান্সফরমেশন আছে সেটার পাইপলাইন যদি না বুঝে যায় তাহলে কিন্তু ডিপ লার্নিং শেখাটা একটু কষ্টকর হবে। আর এই দ্বিতীয় ব্যাপারটাতে আমি চাচ্ছি যে সবাই হাতে কলমে প্রতিটা স্টেপ ধরে বুঝে বুঝে যেভাবে আমরা ওয়ার্কবুক কনসাল্ট করি সেই ওয়ার্কবুক স্টাইলে আমরা ট্রান্সফরমেশন দেখে দেখে কিন্তু আমরা সামনে এগোব। যেহেতু অনেক সময় ইনভেস্ট করেছি এই বইটার পেছনে আমার ধারণা আমরা বের করতে পারব এই বইমেলাতেই। আজকে এই পর্যন্তই থাকছেন তো সামনে।

রকিবের সাথে ডীপ লার্নিং, টেনসর ফ্লো

উইন্ডোজ ১০, এনভিডিয়া জিপিইউ, টেন্সরফ্লো, মিনিকন্ডা, কুডা টুলকিট, কুডএনএন ইনস্টলেশন ০৩.mp3

ডিপ লার্নিং ফ্রেমওয়ার্ক। আমরা টেনসর ফ্লো দিয়ে যদি শুরু করতে চাই তাহলে আমাদের প্রথমে ইন্সটল করে নিতে হবে মিনিকন্ডা। কারণ আমরা চাইবো আমাদের টেনসর ফ্লো কুডার সাথে কিভাবে যোগাযোগ করবে। এখন আপনারা বলুন যে আমরা শুরুতে কোথায় যাব এই সবকিছু ছক মিলিয়ে কাজ করার জন্য? অবশ্যই টেনসর ফ্লো হুইল। আমরা যেহেতু জিপিইউ নিয়ে কাজ করছি সে কারণে এখানে টেনসর ফ্লো ভার্সন হচ্ছে 2.3। পাইথন ভার্সন হচ্ছে 3.8। কুডা টুলকিট আমরা এখানে 11 ব্যবহার করছি এবং এখানে আমরা কুড এনএন ভার্সন এইট ব্যবহার করব। এখন চলুন আমরা মিনিকন্ডা ইন্সটল করে নেই। আমার পিসিতে মিনিকন্ডা ইন্সটল করা থাকলেও আমি আপনাকে দেখিয়ে দিচ্ছি আপনি কোন পাথে মিনিকন্ডা ইন্সটল করবেন। আমি চাইবো সি ড্রাইভ ছাড়া আপনি অন্য যেকোনো ড্রাইভে মিনিকন্ডা ইন্সটল করতে পারবেন। আমি সি ড্রাইভ বাদ দিতে বলছি কারণ সি ড্রাইভে উইন্ডোজ ইন্সটলেশন ফাইল পাশাপাশি লিনাক্স সাবসিস্টেম ফর উইন্ডোজ এই সবকিছু মিলিয়ে আমরা সি ড্রাইভকে খুব একটা ব্যবহার করবো না। আপনার পিসিতে এডমিন প্রিভিলেজ না থাকলে আপনি এখানে শুধুমাত্র জাস্ট মি দিয়ে শুরু করতে পারেন। আমাদের জীবনের একটা বেশ বড় সময় হচ্ছে কিভাবে টেস্ট এন্ড ট্রায়াল চালাতে হয় আর সে কারণে আমরা প্রথম অপশন অ্যাড মিনিকন্ডা থ্রি টু মাই পাথ এনভারনমেন্ট ভেরিয়েবল সেটা আমরা চেক করবো না। আমাদের পিসিতে যদি অন্য কোন ধরনের পাইথন ইন্সটল করা থাকে আমরা সেই পাইথনের সাথে কনফ্লিক্ট করাবো না। আর সে কারণে আমরা এটাকে রেজিস্টার করবো যাতে এখানে ডিফল্ট পাইথন 3.8 এটাকে আমরা সরাসরি ব্যবহার করব এ্যানাকন্ডা পাওয়ারশেল থেকে। আমি আবারও বলছি আমাদের এই মিনিকন্ডা এবং টেনসর ফ্লো এবং জিপিইউ এই সব কাজগুলো আমরা করবো সরাসরি এ্যানাকন্ডা পাওয়ারশেল থেকে। আমাদের স্টার্টিং পয়েন্ট হবে এই এ্যানাকন্ডা পাওয়ারশেল যার মাধ্যমে আমরা সব ধরনের এনভারনমেন্ট তৈরি করে কাজ করব। আর সে কারণে আমরা সিলেক্ট করে নিব রেজিস্টার মিনিকন্ডা থ্রি অ্যাজ মাই ডিফল্ট পাইথন 3.8। এরপর ইন্সটল চাপ দিলে আপনার ইন্সটলেশন শুরু হয়ে যাবে। আমার এখানে যেহেতু আগে থেকে ইন্সটল করা আছে আমি সেহেতু সরাসরি চলে যাচ্ছি স্টার্ট থেকে এ্যানাকন্ডা পাওয়ারশেল মেনু। আমি আগেই বলেছি আমরা যেহেতু এখানে অনেক ধরনের টেস্ট এন্ড ট্রায়াল চালাবো আর সে কারণে আমাদের যে পাইথন এনভারনমেন্ট সেখানে একটা নতুন এনভারনমেন্ট তৈরি করে নেব আমাদের এই ধরনের টেস্ট এন্ড ট্রায়াল চালানোর জন্য। আমরা নাম দিয়ে নিচ্ছি আমাদের এই এনভারনমেন্টের নাম টেস্ট। পাইথনে কিভাবে একটা এনভারনমেন্টকে অ্যাক্টিভেট এবং ডিঅ্যাক্টিভেট করে নিতে হয় সেটা আমরা এখানে দেখাচ্ছি। আমাদেরকে মনে রাখতে হবে আমরা যখনই এই এ্যানাকন্ডা পাওয়ারশেল দিয়ে এক্সেস করবো সরাসরি আমরা আমাদের যে দরকারি এনভারনমেন্ট সেটাকে অ্যাক্টিভেট করে নেব সবার আগে। তারপরে বাকি সব কাজ। মনে থাকবে তো? আজকে এই পর্যন্তই থাকছেন তো সামনে?

রকিবের সাথে ডীপ লার্নিং, টেনসর ফ্লো

টেনসর ফ্লো ২.০ কেন কনস্ট্রাকশন, এক্সিকিউশন ফেজ - সেশন থাকছে কি পাইথনিক - সাইকিট-লার্ন এর সাথে মিল.mp3

সত্যি কথা বলতে আমরা টেন্সর ফ্লোর ডেপস সামিটের জন্য বসেছিলাম কারণ টেন্সর ফ্লোর টু ডট ও নিয়ে অনেক আলাপ হবে সেখানে। আমরা যারা সাইকিট লার্ন থেকে এসেছি তাদের জন্য কিন্তু এটাকে পুরোপুরি পাইথনিক মনে হচ্ছিল না। এখন আমরা দেখছি যে টেন্সর ফ্লো টু ডট ও তে কিন্তু আর সেশন থাকছে না। তাহলে এখন কথা আসে আগে কি করতাম মানে আগের টেন্সর ফ্লো ওয়ান ডট এক্স এ। সোজা কথায় আমাদের কম্পিটিশনের গ্রাফ কিন্তু আলাদা থাকতো এক্সিকিউশন থেকে। যেকোনো একটা টেন্সর ফ্লো প্রোগ্রামে আমরা প্রথমেই কিন্তু একটা কম্পিটিশনাল গ্রাফকে কনস্ট্রাক্ট করতাম। এরপর আমরা একটা সেশন তৈরি করতাম এই কম্পিটিশনাল গ্রাফের অপারেশন গুলোর এক্সিকিউট করতে। যেমন এখানে আমরা দুটো সংখ্যার জিওমেট্রিক মিন বের করব। আর এর শুরুতেই কিন্তু আমরা দুটো প্লেসহোল্ডার ব্যবহার করছি যাতে এর ইনপুটটা কিন্তু গ্রাফে দেওয়া যায়। আপনারা দেখতে পাচ্ছেন যে এখানে আমরা প্লেসহোল্ডার তৈরি করেছি কিন্তু এটার কিন্তু কোন ভ্যালু এখনো দেইনি। এর অর্থ হচ্ছে আমরা এই ভ্যালুগুলোকে ফিট করছি একটু পরে যখন আমরা এক্সিকিউট করবো এই গ্রাফটাকে। এভাবে ডেটা ফিট করাটা হয়তোবা আপনাদের কাছে পছন্দ হচ্ছে না তবে আমরা এটা নিয়ে সামনে আরো আলাপ করব কিভাবে অপটিমাইজ করা যায়। এটা ঠিক যে আমরা কিন্তু এই ডেটাটাকে প্যারালালি রিড করতে পারতাম যখন আমাদের এই গ্রাফটা এক্সিকিউট হতো। এদিকে আমরা যদি আলাদাভাবে এই ভেরিয়েবল গুলোকে অ্যাসাইন করতাম তাও কিন্তু এটাকে ইনিশিয়ালাইজ করতে হতো কিন্তু এই সেশনেই। সত্যি কথা বলতে এই টেন্সর ফ্লো সেশন কিন্তু এই অপারেশন গুলোকে কিন্তু ডিভাইসে প্লেস করে। এখানে ডিভাইসগুলো বলতে আমরা যেটা বুঝাচ্ছি সিপিইউ বা জিপিইউ আর এখানে কিন্তু এটা রান হয় আর এই ভেরিয়েবল গুলোর ভ্যালুগুলোই কিন্তু এখানে রাখে। আমাদের এই কোডগুলো প্রথমেই ইনপুট গুলোকে ডিফাইন করছে এরপরে কিন্তু গ্রাফটাকে আমরা বলে দিচ্ছি যে কোথায় কাজটা করবে মানে জিওমেট্রিক মিন বের করবে আর এরপরে কিন্তু এই গ্রাফটাকে সে চালাবে সেশনের মাধ্যমে আর এই সেশনের মধ্যেই কিন্তু আমরা ফিড ডিকশনারির মাধ্যমে কিন্তু ভ্যালুগুলোকে বলে দিচ্ছি। আমাদের কাজ হয়ে গেলে আমাদের রিসোর্সকে ফ্রি আপ করার জন্য আমাদের সেশনকে ক্লোজ করে দিব এখানে। এখন আমরা একই জিনিস করতে চাই টেন্সর ফ্লো টু ডট ও দিয়ে। সে কারণে কিন্তু আমরা এনভারনমেন্ট পার্টে টেন্সর ফ্লো টু ডট ও ইন্সটল করে নিলাম। এই কাজটা করতে গিয়ে আমার একটু সময় লাগতে পারে আর সে কারণে কিন্তু আমি পুরো ব্যাপারটাকে একটু ফাস্ট ফরওয়ার্ড করে নিচ্ছি। আমি চেক করে নিচ্ছি আমাদের নতুন রানটাইম এনভারনমেন্ট এবং এটা অবশ্যই টেন্সর ফ্লো টু ডট ও। শুরুতেই আমরা সাইকিট লার্নের মতো যে দুটো সংখ্যার জিওমেট্রিক মিন বের করব সেই দুটোকে প্লেস করছি এখানে। ব্যাপারটা অনেক সহজ হয়ে গেল না? আমরা এখানে এক্স এবং ওয়াই এর ভ্যালু হিসেবে দুই এবং আট কে দিয়ে দিচ্ছি। এখন আমাদেরকে এই জিওমেট্রিক মিনটাকে প্রিন্ট করে দেখাতে হবে। যোগ করে দিলাম এই নতুন লাইনটা মানে tf.print আর যেহেতু টেন্সর ফ্লো টু ডট ও তে কোন গ্রাফ রাখছি না তাহলে আমরা কিন্তু অনায়াসে এই সেশন ব্লকটা ফেলে দিতে পারি। আমরা যদি একটু সামারি করি তাহলে দেখব যে আমাদের আগের কনস্ট্রাকশন ফেজ আর এক্সিকিউশন ফেজ এই দুটো কিন্তু ইগার মোডে আলাদাভাবে দেখবো না এখানে। তাই বলে কি গ্রাফ মোড একবারে চলে যাবে? সেটা নিয়ে আলাপ করব সামনে।

রকিবের সাথে ডীপ লার্নিং, টেনসর ফ্লো

হাতেকলমে পাইথন ডিপ লার্নিং বই কেন হাতেকলমে শিখবো.mp3

2006 সালের ঘটনা জিওফ্রি হিন্টন উনি একটা পেপার পাবলিশ করেছিলেন যেটাকে আমরা বলছি হ্যান্ডরিটেন ডিজিটগুলোকে রিকগনাইজ করা। আর এটার একটা মানে আমরা বলছিলাম যে এটার সময় যে প্রিসিশন এসছিল এই ট্রেনিং এর প্রিসিশন এসছিল প্রায় 98%। আমরা বলছি যে মেশিন লার্নিং এই যে টেকনিক এই টেকনিকটাকে আমরা বলছি ডিপ লার্নিং। মানে এটার ব্র্যান্ডিংই হয়েছে ডিপ লার্নিং হিসেবে। 1990 সালে এই ব্যাপারটা একদম চিন্তাই করা যেত না। তবে আমি বলব এই 2006 সালে কম্পিউটিং পাওয়ার এবং এত ডেটা আমরা এক্সপোজ করেছি বা এত ডেটা আমাদের কাছে এসছে আমরা এই ডিপ লার্নিং ব্যাপারটা বুঝতে পেরেছি। আমরা বলতে পারি আমাদের কম্পিউটিং পাওয়ার মানে যেটাকে আমরা বলছি প্রসেসিং স্পিড এর পাশাপাশি র‍্যামের দাম কমে আসা আর স্টোরেজ মানে স্টোরেজের দামও কিন্তু কম হয়ে আসছে দিন দিন এবং সব জায়গায় এত ডেটা লক করা যাচ্ছে মানে এত ডেটা স্টোর করা যাচ্ছে। এই তিনটা জিনিস মিলেই কিন্তু আমাদের নতুন ডিপ লার্নিং কাজটা অনেক সহজ হয়ে এসছে। আমি এ পর্যন্ত যতগুলো মেশিন লার্নিং বা ডিপ লার্নিং বই লিখেছি তার কোনটাই কিন্তু আমি টেক্সটবুক আদলে লিখিনি। আমি টেক্সট বই এবং এর পাশাপাশি হাতে কলমে যে বইগুলো আছে তার মধ্যে যে পার্থক্যটা বলবো সেটা আমি বলতে চাই সেগুলোই যেগুলো আসলে কাজ করে। আমার কনসেপ্ট একটাই আমি চাইবো আপনাকে এমন কিছু ধারণা দেবার জন্য যেটা আসলে কাজ করে। থিওরি এবং প্র্যাকটিসের মধ্যে যে গ্যাপটা সবসময় কাজ করে। আমরা জানতে চাইবো আমরা যে জিনিসটা শিখলাম সেটা আসলে কাজ করবে কিনা বা প্রোডাকশন এনভারনমেন্টে সেটা নিয়ে কেউ কাজ করেছে কিনা। সিং ইজ বিলিভিং। আমরা যখন একটা জিনিস নিয়ে কাজ করব আর সেই জিনিসটাকে যখন আমরা হাতে কলমে করে দেখব যে জিনিসটা কাজ করে তার মানে আমাদের কোন পিছুটান থাকবে না। আমরা যে জিনিসটা শিখছি সেই জিনিসটা আমাদের চোখের সামনে হাতে কলমে কাজ করছে। আমাকে অনেকেই থিওরি কাভার করতে বলেছেন বাট আমি ততটুকুই থিওরি কাভার করব যতটুকু থিওরি আমাদের হাতে কলমে কাজে লাগে। বাড়তি নয়। আমি যেহেতু প্রচুর অনলাইন প্লাটফর্ম নিয়ে কাজ করেছি এবং আমি দেখেছি অনলাইন প্লাটফর্মে কেন তারা এই হাতে কলমে ব্যাপারটা বেশি জোর দেন। একটা জিনিস কি লক্ষ্য করেছেন আমাদের কনসেন্ট্রেশন আস্তে আস্তে কমে আসছে আর সে কারণে আমরা যখন শিখতে বসছি তখন আমাদেরকে সরাসরি কোন আউটকাম যদি না দেখা হয় তাহলে কিন্তু সেই লার্নিং এ আমরা কানেক্টেড থাকি না। এর অর্থ হচ্ছে আমাদের শিক্ষার্থীদের প্রথমেই দেখিয়ে দিতে হবে যে এই জিনিসটা হাতে কলমে কাজ করে। আপনি যখন উনার মনোযোগটা নিতে পারলেন যে ব্যাপারটা কাজ করে তখন তার কনসেপ্ট বা থিওরি নিয়ে আলাপ করা কোন সমস্যাই নয়। কারণ তখন উনি জানতেই চাইবেন যে এটা আসলে কিভাবে ঘটলো। জানতে চাইবেন তার ব্যাকগ্রাউন্ড স্টোরি মানে কিভাবে ব্যাপারটা ঘটলো অথবা কিভাবে আমি নিজে এটা করতে পারি। আরেকটা জিনিস দা পাওয়ার অফ স্টোরি টেলিং। সেটা না হয় আরেকদিন বলবো। থাকছেন তো সামনে?

রকিবের সাথে ডীপ লার্নিং, টেনসর ফ্লো

“টেনসর ফ্লো” কী ডিপ লার্নিং কেন পাইথন এপিআই কেমন কমপ্লেক্স কাজের এপিআই.mp3

2019 সালের টেনসরফ্লো ডেভ সামিট দেখছিলাম গত কয়েক সপ্তাহ ধরে। এটা ঠিক যে 2015 সালের পর থেকে কিন্তু টেনসরফ্লোর জনপ্রিয়তা বেড়েই চলেছে। একটা এন্ড টু এন্ড মেশিন লার্নিং প্ল্যাটফর্ম হিসেবে কিন্তু টেনসরফ্লো অসাধারণ। 2015 সালে এটাকে ওপেন সোর্স করে দেওয়াতে এর ব্যবহার বেড়েছে কিন্তু অনেক অনেক বেশি। আপনি নিজেও দেখতে পারেন গিটহাবে এর পপুলারিটি কেমন। যখন টেনসরফ্লো বাজারে আসে তখন কিন্তু অনেকগুলো ডিপ লার্নিং লাইব্রেরি মার্কেটে ছিল। এটাও ঠিক যে আজকে টেনসরফ্লোতে যতগুলো ফিচার আছে সবগুলো কিন্তু কোনো না কোনো লাইব্রেরিতে কিন্তু আগে থেকেই ছিল। তবে টেনসরফ্লোর পেছনে ক্লিন ডিজাইন এর অনেক ধরনের স্কেলেবিলিটি এবং ফ্লেক্সিবিলিটি পাশাপাশি এর ডকুমেন্টেশন সবার মনোযোগ কেড়ে নিয়েছে। যেহেতু টেনসরফ্লো ডিস্ট্রিবিউটেড কম্পিউটিং সাপোর্ট করে আর সে কারণে কিন্তু বিশাল বিশাল নিউরাল নেটওয়ার্ক কিন্তু চালানো যায় অনেকগুলো সার্ভারে। আমি বলব শত শত সার্ভার ক্লাস্টারে। টেনসরফ্লো যখন একটা মডেলকে ট্রেন করে সেই মডেলে কিন্তু মিলিয়ন মিলিয়ন প্যারামিটার থাকতে পারে আর সেই ট্রেনিং সেট কিন্তু কয়েক বিলিয়ন ইনস্ট্যান্স নিয়ে চলতে পারে যেখানে এক একটাই কিন্তু কয়েক মিলিয়ন করে ফিচার থাকতে পারে। এর মানে হচ্ছে এর স্কেলেবিলিটি ভয়াবহভাবে বড়। আজকে আমি যদি Google এর বিশাল বিশাল সার্ভিসের কথা বলি সেখানে কিন্তু Google ক্লাউড স্পিচ কিন্তু সবচেয়ে আগে চলে আসবে। এই যে আমরা Google এর যে কিবোর্ড ব্যবহার করছি সেখানে কিন্তু আমরা বাংলায় কথা বলছি এবং সেটা কিন্তু বাংলায় লেখা হচ্ছে। এটা কিন্তু পুরোপুরি মেশিন লার্নিং এ প্রসেস হচ্ছে এই বড় বড় সার্ভারগুলোতে এবং টেনসরফ্লোতে। Google ক্লাউড স্পিচ, Google ফটোস, Google সার্চ এই সবকিছুর পেছনে যে মেশিন লার্নিং কাজ করছে সেগুলো কিন্তু সব টেনসরফ্লো। এখন আমাদের প্রশ্ন হতে পারে আমাদের আসলে টেনসরফ্লো দরকার আছে কিনা? সেই ধরনের স্কেলেবিলিটি সেই ধরনের ডেটা কি আসলে আমাদের হাতে আছে কিনা? অনেকে আমাকে বলতে পারেন মেশিন লার্নিং শিখতে গিয়ে এত কমপ্লেক্সিটির দরকার আছে কিনা অথবা এটা যেন মশা মারতে কামান দাগা। অনেকে আমাকে প্রশ্ন করতে পারেন যে মেশিন লার্নিং শিখতে গিয়ে এই টেনসরফ্লো প্ল্যাটফর্মের দরকার আছে কিনা? এটা ঠিক যে মেশিন লার্নিং শিখতে গিয়ে আমাদের টেনসরফ্লো এই মুহূর্তে জানার প্রয়োজন নেই তবে ডিপ লার্নিং বা এই ধরনের কাজ করতে গেলে কিন্তু টেনসরফ্লো জানলে আমাদের জন্য কাজের অনেক সুবিধা হয়। আমাদের ছোট ছোট পেট প্রজেক্ট হয়তোবা টেনসরফ্লো নাও লাগতে পারে তবে আমার ধারণা এখন যেহেতু এত বেশি ডেটা আসছে আমাদের হাতে এই ডেটাগুলোকে প্রসেস করতে কিন্তু আমাদের টেনসরফ্লো জেনে রাখা ভালো। আমি যখন নিজে টেনসরফ্লো চালিয়েছি তখন দেখেছি এর অসাধারণ ক্ষমতা এবং এর ক্ষমতার একটা বড় উৎস হচ্ছে এটাকে টিপিইউ বা জিপিইউ এর উপরে চালানো যায়। টেনসরফ্লোর বেসিক প্রিন্সিপালস গুলো কিন্তু খুব সোজা। এটাকে কিন্তু আমরা নরমালি কম্পিউটেশন গ্রাফকে কিন্তু আমাদের পাইথনে ডিফাইন করতে হবে আর এরপরে কিন্তু এই টেনসরফ্লো এই গ্রাফটাকে নিয়ে কিন্তু চালায় কিন্তু অপটিমাইজড সি প্লাস প্লাস কোডে। আমাদের এই টেনসরফ্লোর একটা বড় কাজ হচ্ছে এই গ্রাফটাকে ভেঙে ছোট ছোট ভাগ করে এটাকে কিন্তু প্যারালালি বিভিন্ন মানে অনেক সিপিইউ বা জিপিইউ এর মধ্যে চালানো যায়। আমাদের এই টেনসরফ্লো কিন্তু একটা খুবই সিম্পল মানে খুবই সাধারণ একটা পাইথন এপিআই দিয়েছে যেটাকে আমরা বলছি টিএফ লার্নার এবং এটা কিন্তু সাইকিট লার্নের মতো কিন্তু খুবই সুন্দর। পাশাপাশি এটা কিন্তু সাইকিট লার্নের কিন্তু কম্প্যাটিবল। আর এ কারণে কিন্তু আমাদের একটা আগের একটা প্রজেক্ট ছিল যেটাকে আমরা বলছি সাইকিট ফ্লো মানে এসকে ফ্লো। অনেকে বলতে পারেন যে সাইকিট লার্ন তো এত কমপ্লেক্স না কিন্তু টেনসরফ্লো এত কমপ্লেক্স কেন আর সেই কারণে কিন্তু এই সাইকিট লার্নের সাথে কিন্তু আমরা বেশ কিছু হাই লেভেল এপিআই নিয়ে কাজ করছি যেটাকে অনেকে কেরাস বলে থাকে। সাইকিট লার্নে এত ঝামেলা তাতে কি হয়েছে এটার যে হাই লেভেল এপিআই এটা কিন্তু ভালোভাবে কিন্তু আমাদেরকে এটাকে খুবই সিম্পলিফাই করে দেয়। তাহলে কবে শিখছি টেনসরফ্লো?

রকিবের সাথে ডীপ লার্নিং, টেনসর ফ্লো

প্রাকৃতিক দুর্যোগ প্রেডিকশন, কবে বন্যা হবে কোন জায়গাগুলো ক্ষতিগ্রস্ত হবে.mp3

প্রযুক্তির অনেক এডভান্সমেন্টের পরেই কিন্তু মানুষ এখনো অসহায় প্রকৃতির কাছে। আবহাওয়া কিন্তু অনেক পাল্টাচ্ছে এবং আমরা কিন্তু অনেক এক্সট্রিম ওয়েদার পাচ্ছি। লম্বা সময় ধরে বৃষ্টি পাশাপাশি ভয়াবহ বন্যা, সুনামি, দাবদাহ, বনে আগুন, এই সবকিছুই কিন্তু পাগল করে রাখছে আমাদেরকে আগের মতোই। কেমন হয় আমরা যদি এই এক্সট্রিম ইভেন্টগুলোর হওয়ার আগে যদি আমরা জেনে যেতাম যে কবে কোন জিনিসগুলো হবে। সোজা কথায় আমরা যদি আগে থেকেই প্রেডিক্ট করতে পারতাম যে কবে বা কখন এই ইভেন্টগুলো ঘটবে তাহলে কিন্তু আমাদের প্রচুর মানুষ এবং অন্যান্য এলিমেন্ট সব সরিয়ে ফেলতাম আমরা কোন সেফ ডিস্টেন্সে। অথচ আমরা প্রতিদিন 100 টেরাবাইটসের উপর বেশি ক্লাইমেট ডেটা পাচ্ছি প্রতিদিন বিভিন্ন স্যাটেলাইট এবং অবজারভেটরি থেকে। এত ডেটা এর মানে হচ্ছে ক্লাইমেট ডেটা কিন্তু একটা ডিপ লার্নিং প্রবলেম। আমার ধারণা এই ক্লাইমেট সাইন্স কিন্তু ডিপ লার্নিং এর জন্য একটা বড় জায়গা। প্রচুর ডেটা কিন্তু এর মধ্যে থেকে আমাদেরকে শিফট করে জানতে হবে যে আসলে কোন ডেটাগুলো আমাদের কাজে লাগছে। এর পাশাপাশি বন্যা মানে আমাদের উপমহাদেশের জন্য কিন্তু এটা বড় সমস্যা। প্রচুর মানুষ কিন্তু ক্ষতিগ্রস্ত হয় এই বন্যায় এবং সরকারগুলো কিন্তু চেষ্টা করে তাদেরকে সহায়তা প্রদান করার জন্য। বর্তমান সনাতন প্রগ্রায়ে এই ধরনের প্রেডিকশন অলমোস্ট ইম্পসিবল। আর সেই কারণে কিন্তু বড় বড় ডেটা সাইন্স কোম্পানিগুলো কিন্তু কথা বলছে সরকারগুলোর সাথে যাতে কিভাবে মানুষের কাছে আর্লি ইনফরমেশন পৌঁছাতে পারে। মানুষের কথা হচ্ছে উনারা যদি আর্লি ইনফরমেশন পান তাহলে কিন্তু রিলোকেশন থেকে শুরু করে অন্যান্য সবকিছুই কিন্তু উনারা করতে পারবেন আগে আগেই। বর্তমানে প্রযুক্তির সুবিধার জন্য কিন্তু অনেকে আর্লি ইনফরমেশন পান কিন্তু সেটা কিন্তু পর্যাপ্ত নয়। যেকোনো ক্রাইসিসে সবচেয়ে বড় ভেরিয়েবল হচ্ছে রিলায়েবল ইনফরমেশন এবং সময়মতো। পাশাপাশি আপনি রিলায়েবল ইনফরমেশন পেলেন কিন্তু সেটা সময়মতো পেলেন না তাহলে কিন্তু সেটা কাজে লাগছে না। এদিকে কিন্তু সরকার, ইউএন এবং এনজিওগুলো কিন্তু এই ব্যাপারে এত কাজ করেছেন। এখন সেই ডেটাগুলোকে একুমুলেট করে একটা বিগ ডেটার প্রবলেম হিসেবে যদি ট্রিট করা যায় তাহলে কিন্তু এটার সমাধান আসতে বাধ্য। এর মানে হচ্ছে সনাতন প্রগ্রার সাথে মেশিন লার্নিং এটাই কিন্তু পাল্টে দিবে আমাদের ভবিষ্যৎ। বর্তমান প্রযুক্তির মাধ্যমে কিন্তু সরকারগুলো জানেন যে আসলে একটা নদী ওভারফ্লো বা বন্যা হবে কিনা। তবে ওই জায়গাগুলোতে একটু সমস্যা হয় যে এক্সাক্টলি কোন এরিয়াগুলো এফেক্টেড হবে। আমরা যদি প্রিসাইজলি বলি তাহলে বলব যে কোন নেইবারহুড বা কোন গ্রামটা আসলে এফেক্টেড হয়েছে সেটা যদি জানতে পারতাম তাহলে কিন্তু আমাদের কাজটা অনেক সহজ হয়ে যেত। সেদিন থেকে বলতে গেলে যেকোনো ডিজাস্টার ম্যানেজমেন্ট ফ্রেমওয়ার্কে রেসপন্স টাইমটা কিন্তু খুবই ইম্পরট্যান্ট। ধরা যাক একটা এক্সট্রিম ইভেন্ট ঘটলো আর সেটার জন্য কিন্তু সরকারের রেসপন্স টাইমটা কমানো কিন্তু একটা বড় চ্যালেঞ্জ। প্রযুক্তি অবশ্যই অনেক এগিয়েছে। তার মানে কি আমরা বলতে পারি যে আমাদের কাছে সেই ধরনের তথ্য আছে যার মাধ্যমে আমরা একটা একুরেট ইনফরমেশন পেতে পারি সেই প্রেডিকশনটাকে ঠিকমতো আগে থেকে প্রেডিক্ট করার জন্য। এই বছরের শুরু থেকে আমি দেখছিলাম গুগল আসলে সরকারগুলোর সাথে কমপ্লিমেন্ট করছে তার বিভিন্ন সিমুলেশন মডেল দিয়ে যেখানে নদীগুলোর গতিবিধি আগে থেকে কিন্তু প্রেডিক্ট করা যাবে বিভিন্ন স্যাটেলাইট ইমেজারির মাধ্যমে। আর এই সবকিছুই কিন্তু সম্ভব বিভিন্ন সিমুলেশন মডেল যেগুলো কিন্তু চলছে অনেক বছর ধরে। যেহেতু গুগল নিজে থেকেই কিন্তু হাজারো স্যাটেলাইট ইমেজ কিন্তু কালেক্ট করেছে এই টেরেনের ডিজিটাল মডেল তৈরি করার জন্য। আর সেই ম্যাপগুলো দিয়ে কিন্তু লক্ষ লক্ষ সিমুলেশন করা হচ্ছে যার মাধ্যমে কিন্তু একটা নদী কিভাবে বিহেভ করবে। আমি বলতে চাচ্ছি আসলে মডেলগুলো বলে দিবে নদীর গতিবিধি আগে থেকেই। আর পাশাপাশি যেহেতু সরকারের কাছে আছে সব হিস্টরিক্যাল ডেটা আর সেটার সাথে যদি ক্রস ম্যাচ করা হয় তাহলে কিন্তু আমাদের কাজ হাসিল। আমরা হয়তোবা এই মুহূর্তে নদীর বন্যা সেটা হয়তোবা ঠেকাতে পারবো না কিন্তু জানা সেই লিড টাইম মানে কবে ঘটবে সেটা যদি জানা যায় তাহলে কিন্তু আমাদের অনেক কাজ হয়ে যাবে। ধন্যবাদ গুগলকে এ ধরনের সহায়তা দেওয়ার জন্য বিভিন্ন সরকারগুলোকে। আর এর পাশাপাশি টেনসরফ্লো মানে ডিপ লার্নিং প্ল্যাটফর্ম আছেন তো আমার সাথে শিখতে পাশাপাশি ভবিষ্যৎ প্রেডিক্ট করতে পৃথিবীর যেকোনো একটা সমস্যার সমাধান করতে।

রকিবের সাথে ডীপ লার্নিং, টেনসর ফ্লো

টেনসর ফ্লো ডিপ লার্নিং এর জন্য MNIST, Computer Vision এর জন্য Fashion-MNIST এর ধারণা.mp3

সেলফ ড্রাইভিং কার নিয়ে অটোনোমাস ইন্ডাস্ট্রি যেভাবে কাজ করছে তার পেছনে কিন্তু একটা বড় পার্ট হচ্ছে কম্পিউটার ভিশন। সত্যি কথা বলতে এআইকে কিন্তু অনেকটাই পাল্টে দেবে এই কম্পিউটার ভিশন। কম্পিউটার ভিশন যদিও শুরুটা হয়েছিল স্ট্যাটিস্টিক্যাল মডেল থেকে তবে এটা কিন্তু আস্তে আস্তে চলে আসছে নিউরাল নেটওয়ার্কে। আজকে যে এম্নিস্ট নিয়ে আমরা আলাপ করছি সেটাও কিন্তু প্রায় 30 বছর হয়ে গেছে। সত্যি কথা বলতে এই এম্নিস্ট ডেটা সেটটা কিন্তু এসছিল নিস্ট থেকে যেটা আসলে ব্ল্যাক এন্ড হোয়াইট মানে ব্ল্যাক এন্ড হোয়াইটে কিন্তু 20 বাই 20 পিক্সেল ছিল শুরুতে। পরে কিন্তু এটাকে আসলে গ্রে স্কেলে কনভার্ট করে 28 বাই 28 পিক্সেল ইমেজ দিয়ে আর সেটা কিন্তু বেশ ভালোই কাজ করেছে এতদিন। তবে এই এম্নিস্টের কিন্তু আমার হাতে খড়ি হয় 8 বাই 8 পিক্সেলের যেটা কিন্তু এসেছে আমাদের সাইকিট লার্নের সাথে। 28 বাই 28 পিক্সেলের থেকে 8 বাই 8 পিক্সেলে কিন্তু কাজ করা সহজ আর বোঝাটাও কিন্তু খুব ইজি। আর সে কারণে কিন্তু সাইকিট লার্নের ডিফল্ট ইন্সটলেশন হিসেবে কিন্তু এই ছোট একটা ডেটা সেট মানে 8 বাই 8 পিক্সেলে কিন্তু ডেটাগুলো আমরা পেয়েছিলাম আমাদের টেস্ট এন্ড ট্রায়াল করার জন্য। আপনার যদি কখনো এম্নিস্ট ডেটা সেট নিয়ে কাজ করার সুযোগ না হয় তাহলে আমি বলব যে আমাদের সাইকিট লার্নের ডেটা সেটের মধ্যে যেই টয় ডেটা সেটগুলো আছে তার মধ্যে কিন্তু এম্নিস্টের এই 8 বাই 8 পিক্সেলের ডেটা সেটটা কিন্তু কাজ করার জন্য অনেকটাই গডসেন্ড। আর এই 8 বাই 8 পিক্সেল হওয়ার কারণে এটার কিন্তু কমপ্লেক্সিটি কম আর বোঝাও যায় সহজে। আমরা যেটা দেখেছি যে আসল এম্নিস্টের প্রায় 70000 ডেটা স্যাম্পেল আছে যার মধ্যে 10000 হচ্ছে টেস্ট ডেটা সেট আর সেখানে কিন্তু আমরা এই সাইকিট লার্নে এটা প্রায় 1700 ডেটা সেটের মধ্যে ভালোই কাজ করে। আমাদের পোস্ট অফিস যদি একটা ছোট্ট একটা ডেটা সর্টিং মেশিন তৈরি করে যার মাধ্যমে জিপ কোডের মাধ্যমে কিন্তু সে বলতে পারত যে কোন চিঠি আসলে কোন জেলায় যাবে আর এটা কিন্তু করতে পারত কিন্তু মানুষের সাহায্য ছাড়াই এই কম্পিউটারের সাহায্য নিয়েই। সেদিন থেকে আমরা যে নতুন ফ্যাশন এম্নিস ডেটা পেলাম সেটা কিন্তু আগের যে এম্নিস ডেটা সেট ছিল সেটা কিন্তু একই কোডে কাজ করবে কারণ একই ধরনের ট্রেনিং এবং টেস্ট ডেটা সেট একই পিক্সেল এবং অন্যান্য সবকিছুই কিন্তু এই একই কোডে চালানো যাবে। শুধুমাত্র একটা জিনিসই পাল্টে গেছে আগে আমাদের হ্যান্ড রিটেন ডিজিটকে ক্লাসিফাই করতে হতো। এখন সে হ্যান্ড রিটেন ডিজিটের পাল্টে বিভিন্ন ক্লদিং যেমন শার্ট না প্যান্ট নাকি এটা একটা স্নিকার নাকি এটা একটা অ্যাঙ্কেল বুট মানে হ্যান্ড রিটেন ডিজিটের জায়গায় আসলে বিভিন্ন ক্লদিং ক্লাসিফাই করতে হবে। আগের এম্নিস্টের মতো কিন্তু এটা গ্রে স্কেল তার মানে হচ্ছে জিরো থেকে 255 কিন্তু লেভেলে এটা কাজ করতে হবে। আগের হ্যান্ড রিটেন ডিজিট থেকে কিন্তু এটা করাটা একটু কষ্টকর কারণ এখানে একদম আসলে কাপড়ের বিভিন্ন আর্টিকেলকে তাকে ক্লাসিফাই করতে হবে। যেহেতু এটা লো রেজুলেশন মানে 28 বাই 28 আর গ্রে স্কেল মানে 255 লেভেল পর্যন্ত গ্রে স্কেলে আর সে কারণে কিন্তু এই পুরো ডেটা সেটটা কিন্তু মেমরিতে আঁটানো যায়। সবচেয়ে বড় কথা হচ্ছে এই পুরো এক্সারসাইজটা কিন্তু আমরা সাইকিট লার্ন এবং টেন্সর ফ্লো এই দুটো মাধ্যমে কিন্তু করা যাবে। থাকছেন তো সামনে?

রকিবের সাথে ডীপ লার্নিং, টেনসর ফ্লো

রকিবের সাথে ডিপ লার্নিং টেন্সরফ্লো প্লেগ্রাউন্ড, লিনিয়ারিটি, নন-লিনিয়ারিটি.mp3

আজকে আমরা দেখতে চাইবো কোথায় লিনিয়ার এবং নন-লিনিয়ার ডেটা কাজ করবে। মানে আমরা বলতে চাচ্ছি মেশিন লার্নিং বা ডিপ লার্নিং মডেলে। মেশিন লার্নিং দিয়ে নন-লিনিয়ার ডেটা ক্লাসিফাই করা যায় তবে সেটা বেশ কষ্টসাধ্য। আমরা এর আগে একটা লিনিয়ার ডেটা সেট নিয়ে কাজ করেছিলাম, আইরিশ ডেটা সেট। সেটাকে আমরা ঠিকমতো ক্লাসিফাই করতে পারতাম মেশিন লার্নিং মডেল দিয়ে। এর পাশাপাশি আমরা এ ধরনের গোল ডেটা সেট দেখেছি যেটা আসলে সাধারণত মেশিন লার্নিং মডেল দিয়ে সেভাবে ক্লাসিফাই করা সম্ভব না। আমরা বলতে চাচ্ছি এই যে গোল ডেটা সেটটা আছে এটার মধ্যে আমরা একটা হাইপার প্লেন বা একটা ডিসিশন বাউন্ডারি মানে সরলরেখা ডিসিশন বাউন্ডারি যদি আমরা সেট করতে চাই তাহলে কি সেটা করতে পারব? আমরা এই বিতর্কে সরাসরি না যেয়ে চলুন আমরা যাই আজকের টেন্সর ফ্লোর প্লেগ্রাউন্ড ওয়েবসাইটে। অবশ্যই আমরা এই প্লেগ্রাউন্ড ওয়েবসাইটে আগেও গিয়েছিলাম। এখানে আমরা দেখছি যে ব্রাউজারে একটা নিউরাল নেটওয়ার্ক কাজ করছে। তবে এটা টেন্সর ফ্লোর জেএস এর আগে। আমি বলব যে এটা একটা অসাধারণ লার্নিং মডিউল তবে সেটার দিক থেকে এটার ডকুমেন্টেশন ততই খারাপ। আমরা যখন টেন্সর ফ্লোর প্লেগ্রাউন্ডের ডেটার অংশটা দেখি সেখানে আমাদেরকে চয়েস দিচ্ছে যে কি ধরনের ডেটা আমরা এখানে ব্যবহার করতে পারি। যেমন এখানে আমরা শুরুতে দেখছি সার্কেল, তারপরে আমরা দেখছি এক্সক্লুসিভ অর, গর্শন মানে আমরা যেটা লিনিয়ারলি এখানে দেখছি। পাশাপাশি স্পাইরাল। আজকে আমরা গোলাকার ডেটা সেট নিয়ে কাজ করব যেখানে কমলা এবং নীল এই দুটো ফিচারকে আলাদা করে ক্লাসিফাই করতে চাইবো। আমরা যদি এর ভেতর থেকে হিডেন লেয়ারগুলোকে ডিলিট করে দেই, আমি বলছি হিডেন লেয়ারকে ডিলিট করে দিলে এখানে একটা ডেন্স লেয়ার থাকবে যেটাকে আমরা বলছি সিঙ্গেল নিউরন। যেহেতু এর ভেতরে কোন হিডেন লেয়ার নেই সে কারণে এটা কোন নিউরাল নেটওয়ার্ক নয়। এখন আমরা একটা লিনিয়ার ডেটা সেটকে যদি ক্লাসিফাই করতে চাই তাহলে সেটাকে সিলেক্ট করে প্লে বাটন প্রেস করলেই কিন্তু খুব সহজেই সেটাকে সে ক্লাসিফাই করে দিতে পারছে। চোখের নিমিষেই সে কিন্তু নীল এবং কমলা ফিচারগুলোকে আলাদা করে ফেলতে পারছে। এখন যদি আমরা গোলাকার বা সার্কেল ডেটা সেটটাকে সিলেক্ট করি তারপরে প্লে বাটন প্রেস করলে সেটাকে কিন্তু ঠিকমতো আমরা ক্লাসিফাই করতে পারছি না। এখানে আমরা যতই চেষ্টা করি না কেন এখানে কমলা এবং নীল ফিচারকে আলাদা করতে পারছি না। এখন যদি আমরা একটা হিডেন লেয়ার যোগ করি এর মানে হচ্ছে এটা একটা নিউরাল নেটওয়ার্ক। কি ঠিক বলেছি? আমাদের এই হিডেন লেয়ারে আমরা কয়েকটা নিউরন যোগ করে দেই যাতে সে ঠিকমতো ফিচার এক্সট্রাক্ট করতে পারে। মনে আছে আমাদের প্রথম বইটার কথা মানে আমি বলছি সেই কালো এবং লাল বইটাতে যেখানে আমরা ম্যানুয়ালি হ্যান্ডক্রাফটেড মানে হাত দিয়ে ফিচার ইঞ্জিনিয়ারিং করেছিলাম। সেখানে এই নিউরনগুলো অটোমেটিক্যালি ফিচার ইঞ্জিনিয়ারিং করে সেই দুটো ফিচারকে আলাদাভাবে ক্লাসিফাই করতে পারছে। ভালো কথা আমরা সবকিছুই মেনে নিচ্ছি। আমাদের এই হিডেন লেয়ার এবং হিডেন লেয়ারের মধ্যে নিউরনগুলো ঠিকমতো ফিচার ইঞ্জিনিয়ারিং করছে। কিন্তু আমরা যদি অ্যাক্টিভেশন ফাংশনটাকে পাল্টে লিনিয়ার করতাম তাহলে কি সে ঠিকমতো ক্লাসিফাই করতে পারত? ঠিক ধরেছেন আপনি তারা পারত না। আজকের এক্সারসাইজের আউটকাম দুটো। আমরা দেখছি একটা নন-লিনিয়ার ডেটা সেট মানে গোলাকার ডেটা সেটকে যদি ক্লাসিফাই করতে চাই তাহলে আমাদের দুটো জিনিস লাগবে। প্রথম কথা হচ্ছে সেটার হিডেন লেয়ার থাকতে হবে নিউরন সহ আর পরে তার একটা অ্যাক্টিভেশন ফাংশন লাগবে যেটা লিনিয়ার নয়। আমরা যখন ডিপ লার্নিং শেখা শুরু করেছিলাম তখন সিগময়েড খুব ব্যবহার করতাম। এখন আমরা ব্যবহার করি রেলু। এটা বেশ ভালো। আজকে এই পর্যন্তই থাকছেন তো সামনে?

রকিবের সাথে ডীপ লার্নিং, টেনসর ফ্লো

বাংলায় টেক্সট ক্লাসিফিকেশন শুরুর কথা, কেন দরকার ০১.mp3

বলতে পারেন আমরা কেন মেশিন লার্নিং থেকে ডিপ লার্নিং এ এলাম? অবশ্যই, কারণ আমাদের ডেটা আস্তে আস্তে কমপ্লেক্স হচ্ছে। যেমন আগে আমরা শুধু টেক্সট ডেটা নিয়ে কাজ করতাম, এখন চলে এসেছে অডিও, ভিডিও বা ইমেজ ডেটা। এখন প্রশ্ন হতে পারে আমাদের টেক্সট ডেটার মধ্যে কি কোন কমপ্লেক্সিটি আছে কিনা? আমাদের মনে হতে পারে টেক্সট ডেটা তো একটা বেসিক জিনিস। এখানে কমপ্লেক্সিটি আসবে কিভাবে? আচ্ছা ঠিক আছে, আমরা একটা উদাহরণ দিয়ে কথা বলতে পারি। ধরা যাক আপনি একটা প্রোডাক্ট বের করেছেন এবং সেটা জানিয়েছেন সবাইকে। তবে এই ইন্টারনেটের যুগে আপনি সেটার একটা ফিডব্যাক চাচ্ছেন খুব তাড়াতাড়ি এই ইন্টারনেটের উপরেই। দেখা গেল আপনার ওয়েবসাইটেই এই প্রোডাক্টের উপরে প্রায় 20000 কমেন্ট পড়েছে। মানে 20000 মানুষ এটার ব্যাপারে তাদের ধারণাটা জানিয়েছে। এখন এই প্রোডাক্টের ব্যাপারে কারা ভালো বলছে, কারা মডারেট আর কারা আসলে এই প্রোডাক্টটা পছন্দ করেননি সেটার একটা পার্সেন্টেজ পেতে হলে আপনাকে কিন্তু এই 10000 কমেন্টকে আলাদা আলাদা পড়ে তারপরে গুনে আপনাকে জানতে হবে। দেখা যাচ্ছে যে ফিজিক্যালি এই কাজটা করতে হলে আপনাকে বেশ কয়েকজনকে হায়ার করতে হবে। যিনি পুরো জিনিসটাকে পড়ে আপনাকে একটা ফিডব্যাক দেবেন। তো আমাদের এই ফিডব্যাকের ধরণটা কিরকম হতে পারে? আমরা বলতে পারি যে আমাদের যে টেক্সট কন্টেন্ট মানে যারা কমেন্ট করেছেন তাদের সেই টেক্সট কন্টেন্টের একটা পোলারিটি। মানে পজিটিভ বা নেগেটিভ। উনি কি ভালো বলেছেন নাকি খারাপ বলেছেন নাকি মডারেট। এর আগেও কিন্তু মেশিন লার্নিং এ মানে সাইকিট লার্নে এই কাজগুলো কিন্তু আমরা আগেও করেছি। আমরা মেশিন লার্নিং করি অথবা ডিপ লার্নিং করি তাদের বেসিক যে ধারণা আমাদের এই টেক্সট ক্লাসিফিকেশনের জন্য যে বেসিক ধারণা সেটা কিন্তু একই থাকছে। আর সেগুলো নিয়েই কিন্তু আমরা আলাপ করছি আমাদের এই ভিডিও সিরিজগুলোতে। আমরা যখন বেসিক টেক্সট ক্লাসিফিকেশন নিয়ে আলাপ করব এর শুরুতেই আমরা যে জিনিসটা নিয়ে কথা বলতে চাচ্ছি সেটা হচ্ছে টোকেনাইজেশন। টোকেনাইজেশন মানে আমরা বলতে চাচ্ছি যে আমাদের যে টেক্সটটা আছে সেটাকে ওয়ার্ডে ভাগ করা অথবা আরো ছোট সাব টেক্সটে ভাগ করা। যেটা আসলে আমাদের একটা রিলেশনশিপ জানায় এই টেক্সট এবং লেভেলের মধ্যে। এই সবকিছু মিলিয়েই কিন্তু একটা ভোকাবুলারি হয় আর সেখানে কিন্তু এই ইউনিকনেস চলে আসে প্রতিটা শব্দের বা টেক্সটের। সত্যি কথা বলতে আমরা মানুষ যেভাবে শিখি সেভাবে আমরা মেশিনকে শেখাবো। যেমন আমাদের ছোটবেলায় আমরা কিন্তু বাক্য শিখিনি। আমরা শুরুতে শব্দ দিয়ে শুরু করেছি। শব্দ বুঝে তারপরে আমরা বাক্য দিয়ে এক একটা জিনিস শেখা শুরু করেছি। এখন কথা হচ্ছে আমাদের মেশিন তো আর শব্দকে চিনবে না। মেশিন চেনে সংখ্যাকে। এখন এই শব্দকে কিভাবে সংখ্যায় ট্রান্সফার করা যায় সেটা নিয়ে তখন আমরা আলাপ করব ভেক্টরাইজেশন নিয়ে। হ্যাঁ ঠিক ধরেছেন, আমাদের এই শব্দকে একটা নিউমেরিক্যাল মেজারে আনার জন্য আমাদেরকে ভেক্টরাইজেশন করতে হবে। আবার বলছি ভেক্টরাইজেশন। আজকে এই পর্যন্তই থাকছেন তো সামনে?

রকিবের সাথে ডীপ লার্নিং, টেনসর ফ্লো

ডিপ লার্নিং শব্দের সিমিলারিটি, কাছাকাছি অর্থ, লাইকলিহুড - সঙ্গে ফাস্টটেক্সট এবং ওয়ার্ড২ভেক.mp3

আমাদের কম্পিউটারের স্পিড এবং পাওয়ার যতই বেড়েছে, ততই আমরা অবাক হচ্ছি বিভিন্ন জিনিসকে প্লট করতে যেয়ে। যখন এই ডিপ লার্নিং নিয়ে কাজ করতে গেলাম, তখন অনেক কিছুই আমাদের চোখের সামনে খোলাসা হচ্ছে। মানুষের ভাষা কিন্তু আসলেই কমপ্লেক্স। সেই জিনিসটাকে কিভাবে মেশিনকে শেখাবো, সেটা নিয়ে আমাদের কোন ধারণা ছিল না এই পাঁচ বছর আগেও। অবশ্যই আমি আমার নিজের কথা বলছি। ধরা যাক উইকিপিডিয়াতে যত বাংলা শব্দ আছে, সেগুলোকে এক জায়গায় নিয়ে এসে সেটাকে ঠিকমতো প্লট করা আর তাদের মধ্যে সেই শব্দগুলোর মধ্যে সম্পর্ক বের করা, এটাই কিন্তু অনেক চ্যালেঞ্জ ছিল এই বেশ কয়েক বছর আগেও। যেমন ধরুন এই কয়েক বছর আগ পর্যন্ত আমি জানতাম না শব্দগুলোকে অঙ্কের মতো যোগ বিয়োগ গুণ ভাগ করা যায়। আপনি বলবেন এটা কেন করা যাবে না? কারণ প্রতিটা শব্দ এক একটা ভেক্টর। মানে আমাদের কম্পিউটার সেই শব্দগুলোকে ভেক্টর স্পেস হিসেবে চেনে। আর সেটাকে যদি ভেক্টর স্পেস হিসেবে যদি আমরা দেখতে পারি, সেগুলোর মধ্যে ম্যাথমেটিক্যাল অপারেশন তো কোন সমস্যাই নয়। ঠিক না? কম্পিউটারকে ঠিকমতো ভাষা শেখানোর জন্য আমরা ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং ব্যবহার করে থাকি। সেটা করতে গিয়ে একটা জিনিস বুঝলাম যে শব্দের সিমিলারিটি বা কাছাকাছি শব্দ। মানে একটা শব্দ থেকে আরেকটা কত দূরে এবং শব্দগুলোর মধ্যে সম্পর্ক। যেমন মার সাথে বাবা যায়, বাবার সাথে মা যায়, ছেলে মেয়ে বা আমরা বলছি পুরুষ মহিলা বা ঢাকা বাংলাদেশ। ধরা যাক বাংলাতে যে শব্দটা আছে বাংলা, এই বাংলা শব্দের আন্ডারলাইং যে ভেক্টর, মানে এই বাংলা শব্দটাকে কম্পিউটার কিভাবে চেনে, সেটার ম্যাথমেটিক্যাল রিপ্রেজেন্টেশন এখানে দেখি একটু। আপনি ঠিক ধরেছেন, এই শব্দগুলোর মধ্যে যদি সম্পর্ক থাকে, তাহলে এদের মধ্যে সেন্টিমেন্ট এনালাইসিস কেন করা যাবে না? আর একটা শব্দ থেকে আরেকটা শব্দের মধ্যে যে সংযোগ, সেটা আসলে কিভাবে দেখতে পাবো? এখানে কয়েকটা উদাহরণ দেখছি আমরা। যেমন আমরা বলছি যে ছেলে শব্দটা, এর কাছাকাছি কি শব্দ হতে পারে? অবশ্যই ছেলের কাছাকাছি শব্দ হচ্ছে মেয়ে। এরপরের উদাহরণে কিন্তু আমরা দেখছি যে Google এর ফাস্ট টেক্সট যে মডেলটা আছে, সেখানে কিন্তু দেখছি ছেলের কাছাকাছি শব্দ হচ্ছে ছেলে মেয়ে। আপনাদের দেখানোর সুবিধার জন্য আমি এখানে একটা ছোট্ট উইকিপিডিয়া ওয়ার্ড এম্বেডিং ফাইল ব্যবহার করছি, যার সাইজ 50 মেগাবাইটের মতো। এই ছোট্ট সাইজের কারণে কিন্তু এর একিউরেসির তারতম্য হতে পারে। এখন আসি যোগ বিয়োগের গল্পে। আমরা শুরুতে রাজা প্লাস মহিলা মাইনাস পুরুষ কি হতে পারে? অবশ্যই রাজার সাথে কি যেতে পারে? যিনি মহিলা পুরুষ নন, অবশ্যই রানী। আমাদের ওয়ার্ড ভেক্টরের মোস্ট সিমিলার যে ওয়ার্ডগুলো আছে, তার মধ্যে আমরা বলছি বাবা প্লাস মেয়ে মাইনাস ছেলে কি হতে পারে বলুন তো? এর পাশাপাশি বাংলাদেশ যে শব্দটা আছে, সেটার ওয়ার্ড ভেক্টর মানে সেটাকে কম্পিউটার কিভাবে ভেক্টর স্পেসে ফেলছে, সেটা কি দেখতে চাইবো না? এখন কথা হচ্ছে যদি আমরা শব্দগুলোর মধ্যে সম্পর্ক বের করতে পারি, তাহলে কোন শব্দের সাথে কোন শব্দ যাচ্ছে না, সেটাও তো বের করা যাবে, ঠিক না? এখানে আমরা দেখছি ঢাকা, রাজশাহী, রংপুর এবং নজরুল। এর মধ্যে কিন্তু একটা জিনিসই যাচ্ছে না, সেটা হচ্ছে নজরুল। কারণ সেটার নাম আর বাকিগুলো হচ্ছে গিয়ে জায়গার নাম। এরকম আপনি অনেকগুলো উদাহরণ দেখছেন এখানে। সবশেষ কথা হচ্ছে আমরা যদি শব্দগুলোকে ঠিকমতো প্লট করতে পারতাম এক জায়গায়, মানে একটা স্পেসে, তাহলে কিন্তু এই শব্দগুলোর মধ্যে একটা সম্পর্ক আমরা ঠিকমতো বুঝতে পারতাম। যেমন এখানে মাত্র কয়েকটা শব্দকে আমি প্লট করেছিলাম এবং কাছাকাছি শব্দগুলোই কিন্তু কাছাকাছি আছে। আজকে এই পর্যন্তই, থাকছেন তো সামনে?

রকিবের সাথে ডীপ লার্নিং, টেনসর ফ্লো

উইন্ডোজ ১০, এনভিডিয়া জিপিইউ, টেন্সরফ্লো, মিনিকন্ডা, কুডা টুলকিট, কুডএনএন ইনস্টলেশন ০২.mp3

এখন আমাদের বাসায় বসে উইন্ডোজ টেন এর উপরে যদি আমরা এনভিডিয়া জিপিউ পাই আর তার সঙ্গে যদি টেনসর ফ্লো আমাদেরকে ইনস্টল করতে হয় সেজন্য আমাদেরকে লাগছে মিনিকন্ডা এই মুহূর্তে। আমরা অবশ্যই চাইবো আমাদের এনভিডিয়া জিপিউ কে ব্যবহার করার জন্য সেক্ষেত্রে আমরা এখানে কুডা টুলকিট ইনস্টল এবং এর পাশাপাশি আমরা কুড এন এন কেও ইনস্টল করে নিব। আমাদেরকে বুঝতে হবে আমাদের টেনসর ফ্লো জিপিউ কে ব্যবহার করার জন্য আমাদের এর এনভিডিয়া জিপিউ এর সাথে কানেকশন করার জন্য আমাদের শুরুতে কুডা টুলকিট ইনস্টল করতে হবে এবং এরপরে কুড এন এন লাইব্রেরি গুলোকে আমরা কানেক্ট করব। তবে আমাদের কাজ শুরু করার আগে আমরা দেখে নেব আমাদের গ্রাফিক্স কার্ড হিসেবে আমরা কি ব্যবহার করছি। এই মুহূর্তে আমার সামনে যে ল্যাপটপটা আছে সেটার মধ্যে একটা এনভিডিয়া জিপিউ আছে বাট সেটা খুব লো লেভেলের যা দিয়ে সাধারণ বেসিক কাজ করা যায় যেমন ছোটখাটো ডিপ লার্নিং মডেল ট্রেনিং করানোর যেতে পারে এটা দিয়ে। এর পাশাপাশি আমার ছোট ছেলে যে গেমিং পিসিটা ব্যবহার করে সেটাতে একটা এনভিডিয়া 1500 টিআই ব্যবহার করা হয়েছে। আমি সেই পিসিটাতেও একটা ডিপ লার্নিং মডেল চালিয়ে দেখাবো। একটা উইন্ডোজ পিসিতে একটা জিপিউ দেখার জন্য বেশ কয়েক ধরনের টুল ব্যবহার করা যেতে পারে। এর মধ্যে উইন্ডোজের ডিএক্স ডায়াক খুবই সহজ এবং এটা দিয়ে অনেক কিছুই বোঝা যায়। ইদানিংকার সাধারণ ল্যাপটপে দু ধরনের জিপিউ ব্যবহার করা হয়। একটা হচ্ছে স্ট্যান্ডার্ড ডিসপ্লের জন্য যেটাতে ইন্টেল এর ইউএসডি গ্রাফিক্স কার্ড ব্যবহার করা হয় আর এর পাশাপাশি একটু বেশি অর্থাৎ হেভি গ্রাফিক্সের কাজ যেমন গেমিং এগুলোর জন্য এনভিডিয়ার গ্রাফিক্স কার্ড বিশেষ করে রেন্ডারিং এর ক্ষেত্রে। আমি আবারও বলছি এই ধরনের গ্রাফিক্স কার্ডগুলো সাধারণত ব্যবহার করা হয় ফটোশপ বা গেমিং এর জন্য অথবা আমরা যখন ভিডিও এডিটিং করি তখন এই ধরনের গ্রাফিক্স কার্ডগুলো বেশ ভালো কাজ করে। তাই বলে আমরা যারা মেশিন লার্নিং বা ডিপ লার্নিং ব্যবহার করি তাদের জন্য কি এই ধরনের জিপিউ কাজ করানো যায় না? অবশ্যই করানো যায়। তবে মেশিন লার্নিং এবং ডিপ লার্নিং এর জন্য গ্রাফিক্স কার্ডের খেলা যেই লেভেল থেকে শুরু হয় সেই লেভেলের কাজ এখান থেকে আশা করা দুষ্কর। আমার উদ্দেশ্য হচ্ছে আপনার ল্যাপটপ অথবা পিসিতে যেই ধরনের জিপিউ কার্ড আছে সেই জিপিউ কার্ডগুলো কিভাবে ব্যবহার করতে হয় ডিপ লার্নিং এর জন্য সেটাই এখানে মুখ্য উদ্দেশ্য। আপনি ছোট ল্যাপটপেও যদি এই জিপিউ কনফিগার করতে পারেন তাহলে এটা বড় স্কেলে এটাও করা সম্ভব যখন আপনার কাছে পর্যাপ্ত পরিমাণে জিপিউ থাকবে। আমি এটুকু বলতে পারি যে আমাদের হাতে এই 2gb অথবা 4gb একটা গ্রাফিক্স কার্ড দিয়ে আমাদের কাজ শুরু করা যায়। আমাদের গ্রাফিক্স কার্ড চেনা শেষ এখন আমরা আসবো টেনসর ফ্লো হুইল নিয়ে। এই টেনসর ফ্লো হুইল কিন্তু একটা মজার জিনিস। এর মধ্যে টেনসর ফ্লোর ভার্সন তার পাশাপাশি আপনার হার্ডওয়্যারের সিপিইউ নাকি জিপিউ আছে নাকি দুটোই আছে। এরপর আমরা পাইথনের ভার্সন নিয়ে আলাপ করব যে কোন ভার্সনটা কোন টেনসর ফ্লো ভার্সনের সাথে যাবে। এরপর আমরা কুডা মানে কুডা টুলকিটের কত নাম্বার ভার্সন সেই পাইথনের ভার্সন এবং টেনসর ফ্লো ভার্সনের সাথে যাবে। এরপর যে এনভিডিয়া ডিপ নিউরাল নেটওয়ার্কের যে লাইব্রেরি যেটাকে আমরা বলছি কুড এন এন সেটার ভার্সন কত হবে সেটা কুডার কোন ভার্সনের সাথে কম্প্যাটিবল এবং সেটাকে আবার পাইথন এর পাশাপাশি সিপিইউ না জিপিউ আর ফাইনালি সেই টেনসর ফ্লোর ভার্সনের সাথে একটা সংযোগ করতে হবে। তবে জিপিউর আসল পারফরমেন্স পেতে হলে সেই টেনসর ফ্লো বাইনারি কোন প্রসেসরের কোন ধরনের ইন্সট্রাকশন চিপসেট ব্যবহার করে এগিয়েছে সেটাও আমাদেরকে জানতে হবে। এটা এসএস সি নাকি এক্সএল এ নাকি এবিএক্স টু এই সবকিছুই আবার আসবে যখন আমরা টেনসর ফ্লো বাইনারি নিজে থেকে কম্পাইল করব। যেহেতু আমরা প্রি বিল্ড বাইনারি ব্যবহার করছি এই মুহূর্তে আমরা এ ধরনের কাজে হাত দেব না। সামারিতে আমরা দুটো জিনিস নিয়ে কাজ করলাম। একটা হচ্ছে আমাদের যে জিপিউটা এনভিডিয়া জিপিউ সেটা ডিপ নিউরাল নেটওয়ার্কের জন্য প্রস্তুত কিনা। ডিএক্স ডায়াক দিয়ে আমরা জিপিউ নামটা দেখব এবং এটাকে আমরা এনভিডিয়ার কম্প্যাটিবিলিটি লিস্টে দেখব যে এটাকে ডিপ নিউরাল নেটওয়ার্কে কাজে ব্যবহার করা যাবে কিনা। দ্বিতীয়ত আমাদের টেনসর ফ্লো উইন্ডোজ হুইল থেকে উইন্ডোজ টেন এনভিডিয়া জিপিউ টেনসর ফ্লো ভার্সন মিনিকন্ডা কুডা টুলকিট কুড এন এন এই সবকিছুর ভার্সন গুলো মিলিয়ে নিতে হবে আমাদেরকে। আজকে এ পর্যন্তই থাকছেন তো সামনে?

রকিবের সাথে ডীপ লার্নিং, টেনসর ফ্লো

টেন্সরফ্লো ২.x টেন্সরফ্লো এর জিপিইউ সাপোর্ট, কখন কোনটা ব্যবহার হবে.mp3

যেহেতু টেন্সর ফ্লো একটা এন্ড টু এন্ড মেশিন লার্নিং প্ল্যাটফর্ম, এখানে সবকিছুই করা সম্ভব। আমরা যেভাবে সাধারণ মেশিন লার্নিং সাইকিট লার্ন দিয়ে করতে পারি, সে সবকিছুই কিন্তু আমাদের এই টেন্সর ফ্লো দিয়ে করা সম্ভব। আপনি বলতে পারেন যে আমরা মশা মারতে কামান দাগার মতো ব্যবস্থা করছি কিনা। তবে এটা ঠিক যে টেন্সর ফ্লো একটা বিশাল ইকোসিস্টেম। সেখানে মেশিন লার্নিং এর মতো সাধারণ জিনিস কি করা উচিত? আমার কথা হচ্ছে একটাই, মেশিন লার্নিং বা ডিপ লার্নিং যে কোন প্ল্যাটফর্মে আমরা কাজ করি না কেন, সেটাকে একটা বা একটা ইউনিফাইড প্ল্যাটফর্মে কাজ শিখলে আমাদের জন্য সেটা ভালো। আর সেই দিক থেকে টেন্সর ফ্লো কিন্তু একটা অসাধারণ প্ল্যাটফর্ম। আমি সাইকিট লার্ন এবং টেন্সর ফ্লো দুটোকেই সমানভাবে ব্যবহার করি। তবে টেন্সর ফ্লো ব্যবহার করার পিছনে সবচেয়ে বড় কারণ হচ্ছে এটার জিপিইউ সাপোর্ট। আচ্ছা নিউরাল নেটওয়ার্ক নিয়ে কাজ করতে গেলে তো জিপিইউ লাগবে, ঠিক না? টেন্সর ফ্লো নিজে থেকে আসলে অনেক ধরনের কম্পিউটেশন সাপোর্ট করে বিভিন্ন ডিভাইসের উপরে। যেমন আমরা সিপিইউ এর কথা বলতে পারি, জিপিইউ বা টিপিইউ সবকিছুই একটা প্ল্যাটফর্মে চালানো একটা ইউনিক এক্সপেরিয়েন্স। একটা মজার জিনিস দেখলাম, টেন্সর ফ্লো অপারেশনে যখন সিপিইউ এবং জিপিইউ দুটো ইমপ্লিমেন্টেশনই থাকে, তখন বাই ডিফল্ট জিপিইউ ডিভাইসগুলোকে কিন্তু প্রায়োরিটি দিয়ে সেভাবেই কাজ করা হয়। আপনারা দেখতে পাচ্ছেন আমি যেহেতু গুগল কোলাব ব্যবহার করছি, এর ব্যাক এন্ডে কিন্তু জিপিইউ এই মুহূর্তে সেট করা আছে। মেশিন লার্নিং আর ডিপ লার্নিং শিখতে গেলে গুগল কোলাব বেশ জেনারাস। তারা কিন্তু বেশ ভালো জিপিইউ বা সিপিইউ সাপোর্ট দিয়ে থাকে ক্লাউডে। আমাদের ক্লাউডে এই মুহূর্তে কি কি ডিভাইস আছে সেটা যদি দেখতে চাই, সেখানে আমরা দেখছি যে একটা সিপিইউ এবং একটা জিপিইউ আছে এখানে। এখানে যেহেতু দেখছি আমাদের জিপিইউ জিরো, তার মানে হচ্ছে একটা জিপিইউ আছে। তবুও আমরা দেখে নেই জিপিইউ আসলে কয়টা আছে। আমি এর আগেও বলেছি যে আমাদের সিপিইউ এবং জিপিইউ দুটো ইমপ্লিমেন্টেশন পাশাপাশি থাকলে সবসময় সে প্রায়োরিটি অনুযায়ী জিপিইউ ব্যবহার করবে। তবে শুধুমাত্র যদি আপনি বা আমরা যদি সিপিইউ ব্যবহার করতে চাই, সেটাও সম্ভব। ঠিক ধরেছেন, তখন কিন্তু আমাদেরকে এক্সপ্লিসিটলি সিপিইউ ব্যবহার করার কথা বলে দিতে হবে আগে থেকে। আমাদের এখানে যেহেতু একটা ফিজিক্যাল জিপিইউ আর সেটা কিন্তু 1 GB মেমোরি। আমরা সেটাকে ভাগ করে দিতে পারি দুটো লজিক্যাল জিপিইউতে 512 মেগাবাইট করে। এখন দেখতে পাচ্ছেন যে আমাদের একটা ফিজিক্যাল জিপিইউতেই কিন্তু দুটো লজিক্যাল জিপিইউ হয়ে গেছে 512 মেগাবাইট করে। আমরা তো এটা মানছি যে যখন আমরা নিউরাল নেটওয়ার্ক নিয়ে কাজ করি তখন কিন্তু জিপিইউ এর কাজটা খুব ভালোভাবে বোঝা যায়। আমরা এখানে একটা ছোট একটা উদাহরণ চালাবো যেটার মাধ্যমে আমরা একটা কনস্ট্যান্ট ক্রিয়েট করবো tf.constant দিয়ে। এর পাশাপাশি আমরা tf.i দিয়ে একটা আইডেন্টিটি ম্যাট্রিক্স তৈরি করছি, যেটা আসলে একটা লিনিয়ার অ্যালজেব্রার কাজ। যদিও এই সিপিইউ বা জিপিইউ এর কাজ এই ছোট্ট একটা কাজ দিয়ে মাপা যায় না, তবুও আমরা দেখছি যে এখানে সিপিইউ থেকে জিপিইউ আসলে অর্ধেক সময় লাগছে। এই উদাহরণ দিয়েই কিন্তু আপনি একটা ধারণা পাচ্ছেন যে কেন আমরা আসলে সিপিইউ থেকে জিপিইউ ব্যবহার করি বেশি, বিশেষ করে নিউরাল নেটওয়ার্কে। আজকে এই পর্যন্তই, থাকছেন তো সামনে?

রকিবের সাথে ডীপ লার্নিং, টেনসর ফ্লো

হাতেকলমে পাইথন ডিপ লার্নিং বই ‘প্রি-ট্রেইনড’ মডেল.mp3

এটা একটা কমন প্রশ্ন যে যারা মেশিন লার্নিং বা ডিপ লার্নিং নিয়ে কাজ করতে চান তারা একটা হার্ডওয়্যার স্পেসিফিকেশন চান যার মাধ্যমে উনি একটা মডেল ট্রেন করতে পারবেন তার বাসায় বসে। এটা একটা বড় সমস্যা কারণ ইউ কান্ট গেট ইনাফ অফ ইট। যতই আপনি হার্ডওয়্যার কিনছেন আর এর পাশাপাশি আপনার মডেলের কমপ্লেক্সিটিও বাড়ছে দিন দিন। Google, Facebook বা বিভিন্ন ইউনিভার্সিটির প্রচুর গ্র্যান্টের পয়সা আছে যারা আসলে তারা ইনভেস্ট করতে পারে তাদের এই ধরনের হার্ডওয়্যারের মডেলে। এখন আমরা যারা শিখছি বা যাদের কাছে সে ধরনের হার্ডওয়্যারের এক্সেস নেই তারা এক ধরনের ট্রিকি সিচুয়েশনের মধ্যে পড়লেও আমার মনে হচ্ছে এখনকার বর্তমান ওপেন সোর্স মডেলে প্রচুর ইউনিভার্সিটি বা বিজনেস এন্টিটিগুলো তাদের অনেক মডেলকে তারা ওপেন সোর্স মডেলে ছেড়ে দিচ্ছে আমাদের কাছে। এটার সবচেয়ে ভালো দিক হচ্ছে এই মডেলগুলো ট্রেন করা হয়েছে তাদের এক্সপেন্সিভ হার্ডওয়্যারে এবং সেই মডেলগুলোর স্ট্রাকচার এবং তার ওয়েটগুলোকে ছেড়ে দেওয়া হয়েছে অনলাইনে। যেহেতু এ ধরনের প্রি-ট্রেইন মডেলগুলোর বেশিরভাগই কনভোলুশনাল নিউরাল নেটওয়ার্ক সে কারণে আমরা এটার বডি মানে এটার যে উপরের যে ভাগটা সেটা ঠিক রেখে তারপরের যে ক্লাসিফায়ার অর্থাৎ ক্লাসিফিকেশন করার জন্য যে হেডটা সেটাকে আমরা যদি যোগ করে দেই তাহলে কিন্তু আমাদের কাজ হয়ে যায়। আমরা যদি মজা করে বলি তাহলে এটা বলতে পারি যে আমরা প্রি-ট্রেইন মডেলের বডিটাকে নিব আর তারপরে আমরা ক্লাসিফায়ার হেড মানে এটা আমার নিজস্ব ক্লাসিফায়ার হেড ব্যবহার করে আমি আমার আউটপুট নিতে চাইবো। ধরা যাক একটা প্রি-ট্রেইন মডেলে যেখানে কোটি কোটি ইমেজ ব্যবহার করা হয়েছে ট্রেনিং এর জন্য সেটার বডিটাকে আমি ব্যবহার করব আমার নিজের ছোট ক্লাসিফিকেশন কাজে। যেমন আমরা সামনে যখন কাজ করব তখন দেখবেন যে আমাদের কাছে প্রচুর প্রি-ট্রেইন মডেল আছে যেগুলোর মধ্যে প্রায় 1000 ছবি বিভিন্ন ক্যাটাগরিতে ক্লাসিফাই করা আছে। এখন আমরা যদি এই নতুন কাজে ধরা যাক আমরা বলছি মাত্র দুটো ছবির ক্যাটাগরি নিয়ে যদি কাজ করি তাহলে সেই পুরনো প্রি-ট্রেইন মডেলকে আমরা কোনো ধরনের পরিবর্তন ছাড়াই আমার নতুন মডেলে আমরা সেটা ব্যবহার করতে চাইবো। আসল কথা হচ্ছে আমাদের ডিপ লার্নিং মডেলগুলো যে ফিচার ম্যাপ তৈরি করে সেগুলোকে আমরা ব্যবহার করব নতুন কাজে। আমি ব্যাপারটাকে আবারও বলতে চাই আমরা আসলে পুরো জিনিসটার জন্য নতুন করে একদম গোড়া থেকে ফিচার ম্যাপ না তৈরি করে শেষে শুধুমাত্র ক্লাসিফায়ার অংশটা ফেলে দিয়ে আমরা একটা নতুন ক্লাসিফায়ার অংশকে যোগ করে নিব সেখানে। এখন আপনি বলতে পারেন যে এটা কিভাবে সম্ভব? একজনের শরীর আর আরেকজনের মাথা? মজার কথা হচ্ছে জিনিসটা কাজ করে। আমি যদি ব্যাপারটাকে একটু ফরমালি বলি তাহলে এর জন্য দরকার একটা কনভোলুশনাল বেইজ আর তার উপরে আরেকটা ক্লাসিফায়ার হেড। বেশিরভাগ সময় আপনি দেখবেন যে একটা প্রি-ট্রেইন মডেলের কনভোলুশনাল বেইজটাকে ঠিক রেখে নতুন কাজের যে নতুন ক্লাসিফায়ার যেটা আসছে সেটার হেডকে যোগ করলেই কিন্তু আমাদের এই ট্রান্সফার লার্নিং এর ব্যবহার দেখতে পারি সহজেই। এর আগে আমরা ট্রান্সফার লার্নিং নিয়ে আলাপ করেছিলাম তবে এই প্রি-ট্রেইন মডেলের সুবিধার্থে আমরা আবারও ট্রান্সফার লার্নিং নিয়ে আলাপ করব সামনে। আজকে এই পর্যন্তই থাকছেন তো সামনে।

রকিবের সাথে ডীপ লার্নিং, টেনসর ফ্লো

হাতেকলমে পাইথন ডিপ লার্নিং টেন্সরফ্লো ২.X নিজের পিসিতে চালানো, ডকার ইমেজ.mp3

অনেকেই আমাকে জিজ্ঞাসা করেন যে টেনসরফ্লো 2.x কিভাবে আমার পিসিতে চালাচ্ছি। সাধারণত আমি আমার পিসিতে টেনসরফ্লো 2.x চালাই না কারণ গুগল কোলাব তো আছেই। তবে অনেক সময় লার্জ স্কেল ডেটা সেট যেটা আমি চাইনা গুগল কোলাবে আপলোড করতে সেটা হয়তোবা চালায় আমার পিসিতে। আমি যেহেতু মিনিমালিস্ট সে কারণে দরকার না পড়লে কোন ধরনের বাড়তি ইনভেস্টমেন্টে যাই না এখানে। আমি যেহেতু প্রচুর আরএনডি করি সে কারণে আমার প্রিয় এনভাইরনমেন্ট হচ্ছে ডকার। আমি সাধারণত উইন্ডোজ ডেসকটপে কাজ করি না তবে আপনাদেরকে দেখানোর জন্য এখানে একটা উইন্ডোজ ডেসকটপ ব্যবহার করছি। স্বভাবতই আমার এই উইন্ডোজ এনভাইরনমেন্টে ডকার ডেসকটপ ইনস্টল করা আছে। ডকার ডেসকটপে এক্সেস করতে হলে আমাকে উইন্ডোজ পাওয়ারশেল ব্যবহার করতে হচ্ছে। যারা ডকার নিয়ে কাজ করেন তারা জানেন যে এটার সুবিধা কতই না বেশি। যদিও এই প্র্যাকটিসটা স্ট্যান্ডার্ড না বাট এখানে দেখুন যে আমার পাঁচটা ইমেজ আমি পেয়েছি এখানে। যেমন বেসিক প্যাকেজ হিসেবে টেনসরফ্লো 2.0 পাইথন থ্রি এবং জুপিটারের একটা যে ইমেজ সেটা কিন্তু আছে এখানে। কিন্তু আপনি বুঝতে পারছেন যে মেশিন লার্নিং কাজে পান্ডাজের গুরুত্ব কতটুকু। আর সে কারণে এই ইমেজের উপর কিন্তু আমি আরেকটা ইমেজ তৈরি করেছি। যেটাকে আমরা বলছি টেনসরফ্লো 2.0 পাইথন থ্রি জুপিটার নোটবুক এবং পান্ডাজ। কিছুই না ডকার ফাইলের মাধ্যমে আমাদের বেইজ ইমেজের উপরে কিন্তু পান্ডাজটাকে ইনস্টল করে নিয়েছি। আবার কাজ করতে করতে মনে হলো যে এসকে লার্ন দরকার মানে সাইকিট লার্ন দরকার। তাহলে সেটাকেও আমরা আবার আরেকটা লেয়ার হিসেবে যোগ করে নিয়েছি। তবে প্রতিটাই কিন্তু স্বতন্ত্র ইমেজ। আপনি আলাদাভাবে চালাতে পারবেন। তারপর হঠাৎ করে দরকার পড়লো টিএফ ডেটা সেট। সেটাকেও যোগ করে নিলাম এখানে। এরপর আমরা টেনসরফ্লো সার্ভিং একটা ইমেজ চালাচ্ছি বাট সেটা কিন্তু বেইজ ইমেজটা ছাড়াই। আমি তো ইচ্ছে করলে একসাথে অনেকগুলো ইমেজ চালাতে পারি আলাদা কন্টেইনার হিসেবে। এখন আমি দেখাতে চাচ্ছি কিভাবে ডকারকে আমি রান করব আমাদের এই উইন্ডোজ এনভাইরনমেন্টে যেখানে উইন্ডোজের হোস্ট ফাইল বা হোস্ট ফাইল সিস্টেমকে এক্সেস দেব যাতে টেনসরফ্লো 2.0 আমাদের উইন্ডোজ পিসির হোস্ট ফাইলে যে জুপিটার নোটবুকগুলো আছে সেগুলোকে ব্যবহার করতে পারে। একটা জিনিস জেনে রাখা ভালো ডকার একটা আইসোলেটেড এনভাইরনমেন্টে চলে। এই সিকিউরিটির কথা বিবেচনা করে এটার প্রোডাকশন ডেপ্লয়মেন্ট অনেক ভালো এবং অনেক অনেক ফাস্ট। যেহেতু জুপিটার নোটবুকের ফ্রন্ট এন্ড হচ্ছে একটা ওয়েব ব্রাউজার সে কারণে একটা পোর্ট 8888 4টা 8 ডিফাইন করা হয়েছে এখানে। ডকার আমাকে জুপিটার নোটবুকের একটা লিংক দিয়ে দিয়েছে যাতে সেটার ব্যাক এন্ডে মানে ব্যাক এন্ড ওয়েব সার্ভারে কানেক্ট করতে পারে। সেখানে আপনি দেখছেন টোকেন অর্থাৎ নোটবুক সার্ভারে এক্সেস করার জন্য যা যা লাগে সেটাই দিয়ে দেওয়া হয়েছে এখানে। যেহেতু জুপিটার নোটবুক চালু হয়ে গেছে এখন একটা পুরনো নোটবুক চালিয়ে দেখি এখানে টেনসরফ্লো 2.0 দিয়ে চলে কিনা। আমাদের নোটবুকে আমরা আগে থেকেই বলে দিয়েছি যাতে সে টেনসরফ্লো 2.x সিলেক্ট করে। আপনারা দেখতে পাচ্ছেন যে নোটবুকটা চলছে। এই ভিডিওর ব্যাপারে আপনার যদি কোন ধরনের প্রশ্ন থাকে সেটা করতে পারেন কমেন্ট সেকশনে। আজকে এই পর্যন্তই থাকছেন তো সামনে?

শুন্য থেকে পাইথন মেশিন লার্নিং বই ভিডিও সিরিজ

“শূন্য থেকে পাইথন মেশিন লার্নিং” বই ডেটা ভিজ্যুয়ালাইজেশন (পৃষ্ঠা ৮৮-৯১).mp3

একটা জিনিস বলে রাখা ভালো, শূন্য থেকে পাইথন মেশিন লার্নিং এই বইটার শুরুতে যে আমাদের ডেটা ভিজুয়ালাইজেশন আছে, সেটার কোড আসলে কনসাল্ট করার দরকার নেই। আমি এখানে পৃষ্ঠা 88 থেকে 91 এর কথা বলছি। এই ডেটা ভিজুয়ালাইজেশনের জন্য যে কোডগুলো ব্যবহার করেছি, সেগুলো আসলে দেখার দরকার নেই। কারণ আমি চেয়েছি আপনি ডেটা ভিজুয়ালাইজেশনের মাধ্যমে ছবিটা দেখুন, কোড নয়। এটা ঠিক যে আমরা এখানে এলএম প্লট ব্যবহার করতে চেয়েছি কারণ লিনিয়ার আর রিগ্রেশন এই দুটো জিনিসকেই দেখতে চেয়েছি একই প্লটিংয়ে। ভয় পাবেন না, আমি এই বইটাতে ছবিটাকে কিছুটা ডিস্টিংক্ট দেখানোর জন্য বেশ কিছু মার্কার ব্যবহার করেছি। বাট একচুয়ালি একটা এলএম প্লটে তিনটে ম্যান্ডেটরি প্যারামিটার থাকে। ঠিক ধরেছেন, তিনটা ম্যান্ডেটরি প্যারামিটার আর বাকি সবকিছুই অপশনাল। আমি আমাদের এই ফিচারগুলোকে দুটো ডাইমেনশনে যদি প্লটিং করি, মানে টু ডাইমেনশন এক্স এবং ওয়াই অ্যাক্সিসে। এখানে গেল দুটো প্যারামিটার। আর বাকি থাকে একটা। আর সেটা আসছে কিন্তু আমাদের ডেটা সেট কোনটা ব্যবহার করব। একটা এলএম প্লটে তিনটে ম্যান্ডেটরি প্যারামিটার থাকে। ঠিক ধরেছেন, তিনটা ম্যান্ডেটরি প্যারামিটার আর বাকি সবকিছুই অপশনাল। আমি আমাদের এই ফিচারগুলোকে দুটো ডাইমেনশনে যদি প্লটিং করি, মানে টু ডাইমেনশন এক্স এবং ওয়াই অ্যাক্সিসে। এখানে গেল দুটো প্যারামিটার। আর বাকি থাকে একটা। আর সেটা আসছে কিন্তু আমাদের ডেটা সেট কোনটা ব্যবহার করব। আমরা এখনই এলএম প্লট, পেয়ার প্লট, স্কেটার প্লট সবকিছু নিয়ে কিন্তু ব্যতিব্যস্ত হয়ে যাব না। বিশেষ করে এগুলোর কোড নিয়ে। বরং আমরা দেখতে চাইবো যে এই প্লটগুলোর মাধ্যমে বিভিন্ন ফিচারগুলোর মধ্যে বৈশিষ্ট্য ঠিকমতো পাওয়া যায় কিনা। চলে আসি আমাদের ডেটা ভিজুয়ালাইজেশনের প্রথম চিত্রে, যেটাকে আমরা বলছি চিত্র 4.7। এখানে তিনটা প্রজাতিকে আলাদাভাবে ক্যাটাগরিক্যাল কলামে ভাগ করার জন্য, মানে এই ক্যাটাগরিক্যাল কলামে গ্রুপিং করার জন্য হিউ ইকুয়ালস টু স্পিসিস দিয়েছি। এর মানে হচ্ছে এসএনএস এলএম প্লট। এখানে এক্স অ্যাক্সিসে আমরা সিপাল লেন্থ আর ওয়াই অ্যাক্সিসে পিটাল লেন্থ ব্যবহার করছি। আর ক্যাটাগরিতে ভাগ করার জন্য আমরা এখানে বলছি হিউ ইকুয়ালস টু স্পিসিস। সবশেষে আমরা ডেটা ইকুয়ালস টু আইরিস। মানে কোন ডেটা ফ্রেম থেকে এই ডেটাগুলো লোড হবে। এখানে কালার প্যালেট আর মার্কার হিসেবে যা ব্যবহার করেছি এগুলো খুব একটা ধর্তব্যের বিষয় নয়। এখানে বোঝার ব্যাপার হচ্ছে যে আমাদের চারটা ফিচারের মধ্যে আমরা মাত্র দুটো ফিচার লোড করছি। একটা হচ্ছে সিপাল লেন্থ, আরেকটা হচ্ছে পিটাল লেন্থ। এই দুটোকে আমরা প্লট যখন করছি তখন আমরা এই তিনটা প্রজাতির ফুলের মধ্যে কিন্তু একটা ডিস্টিংক্ট গ্যাপ পাচ্ছি। আর তার মধ্যে সেটোসা সবচেয়ে দূরে। মানে সেটোসার যে বৈশিষ্ট্যগুলো আছে এগুলো কিন্তু অন্যান্য দুটো প্রজাতির থেকে কিন্তু বেশি আলাদা। এদিকে ভার্সিকালার আর সেটোসা এই দুটো প্রজাতির মধ্যে কিন্তু পার্থক্য আছে। তবে এটার মধ্যে ওভারল্যাপিং হবার একটা সম্ভাবনা আছে। ধরা যাক এই দুটো ফুলের মধ্যে মানে এই দুটো ফুলের প্লটিং এর মধ্যে যদি আমরা নতুন একটা ফুলকে প্লটিং করতে চাই আর সেটাকে যদি প্রেডিক্ট করতে গেলে দেখা যাবে যে সেই ফুলটা আসলে সেটোসা না ভার্সিকালার সেটার অ্যাকুরেসির মান কিন্তু অন্যদের থেকে একটু কম হবে। আমরা ভালোভাবে লক্ষ্য করলে বুঝতে পারছি যে এই তিনটা প্রজাতির ফুলের প্লটিং এটা বেশ লিনিয়ার। মানে এটা লাইন টানার মতো। মানে এই প্লটিং এর উপর কিন্তু আমরা লাইন টানতে পারি। সেটাকে আমরা বলছি বেস্ট ফিটেড লাইন। এই লাইনগুলো দিয়ে কিন্তু আমরা বিভিন্ন ফুলের বৈশিষ্ট্যের মধ্যে পার্থক্য বুঝতে পারি। আজকে এই পর্যন্তই, থাকছেন তো সামনে?

শুন্য থেকে পাইথন মেশিন লার্নিং বই ভিডিও সিরিজ

শুন্য থেকে পাইথন মেশিন লার্নিং কিভাবে পড়ব বইটা.mp3

যে করে আমি বেশ কয়েকটা ধারণা পেয়েছি আমাদের এই শূন্য থেকে পাইথন মেশিন লার্নিং বইটার ব্যাপারে। কেউ কেউ বলেছেন বইটা বেশ সহজ মানে ধরতে পারা যায় বেশ সহজেই। তবে একজন বলেছেন যারা মেশিন লার্নিং জানেন তাদের জন্য হয়তোবা বইটা প্রযোজ্য হতে পারে। আর এ কারণে এই বইটাতে আমি কয়েকবার রিভিজিট করলাম জানতে কোথায় সমস্যাটা হচ্ছে। মানে বুঝতে চাইছিলাম যে কেন এই কনফ্লিক্টিং ইনফরমেশন। কেউ বলছেন বইটা বেশ সহজ আর কেউ বলছেন যারা মেশিন লার্নিং জানেন তাদের জন্য বইটা সহজ। আমি যেহেতু একসময় প্রচুর ম্যানুয়াল লিখেছি আর সে কারণে একটা বই কিভাবে নেভিগেট করতে হবে সে কারণে ওই বইটার ভেতরে একটা নেভিগেশন টুল রেখে দেই। আমাদের এখানে নেভিগেশন টুল আসলে কিছুই না। এই বইটা আপনি কিভাবে কাজে লাগাবেন সেটার ব্যাপারে একটা ছোট্ট রাইট আপ। যেমন আমি এখানে বলেছিলাম যারা মেশিন লার্নিং ব্যাপারটা জানেন তবে পাইথন দিয়ে শুরু করতে চান তারা সরাসরি ডাইভ দিতে পারেন তৃতীয় অধ্যায়। যেখানে আমরা বলছি দরকারি কিছু টুলস দিয়ে। আর এই তৃতীয় অধ্যায়ে কিন্তু আমরা আলাপ করেছিলাম নামপাই, পান্ডাস, সাইকিট লার্ন, গুগল কোলাব এরকম অনেক কিছু নিয়ে। যেহেতু আমি প্রতিটা বই প্রথমে লিখি অনলাইনে সবার সুবিধার্থে। এরপরে সেটাকে সাবমিট করি পাবলিশিং হাউজে। যখন একটা বই পাবলিশিং হাউজে এডিটোরিয়াল বোর্ড হয়ে আসে তখন সেই ফাইনাল এডিটিং দেখলেই বুঝা যায় এই ম্যানুস্ক্রিপ্টে প্রচুর রিডান্ডেন্ট জিনিস ছিল। তবে এখানেও আমাদের ভুল হয়। একটা এডিটোরিয়াল বোর্ড চাইবেন যে একটা বইটাকে কত কম্প্যাক্ট করা যায়। বিশেষ করে এভাবে পড়া যায় যে কত অল্প শব্দে বেশি মেসেজ দেওয়া যায়। সেই প্রেক্ষিতে আমরা যখন আমাদের দরকারি কিছু টুলস নিয়ে আলাপ করছিলাম সেখানে সাইকিট লার্নের একটা উদাহরণ দিয়েছিলাম কিছু কোড দিয়ে। সেখানে উদাহরণ দিয়ে বলেছিলাম যে কিভাবে সাইকিট লার্নে একটা মডিউল লোড করতে হয়। এই উদাহরণগুলো হচ্ছে একটা এপিআই কিভাবে ব্যবহার করতে হয় তার একটা ধারণা। তাই বলে এর সঙ্গে দেয়া কোড বোঝার দরকার নেই একবারেই। এই যে উদাহরণে কোড বোঝার দরকার নেই এই মুহূর্তে এটা এডিটিংই বাদ পড়ে গেছে। আর সেখানেই হয়েছে বিপত্তি। অনেকে এই কোডটাকে বোঝার চেষ্টা করেছেন এখানে। আমার কথা একটাই চতুর্থ অধ্যায় মানে আইরিশ ডেটা সেট এই অধ্যায়ের আগে ভুলেও তাকাবেন না কোন কোডের দিকে। চতুর্থ অধ্যায়ের আগে যত অল্প কোডই ব্যবহার করা হোক না কেন সেগুলো দেওয়া হয়েছে ধারণা পাওয়ার জন্য। বোঝার জন্য নয়। তাহলেই আপনি বুঝবেন যে এই বইটা ব্যবহার করার জন্য আপনার আগে থেকে পাইথন জানার দরকার নেই। বইগুলো লেখার সময় আমি বারবার একটা কথা বলছি কনসেপ্ট হেভি কোড লাইট। বোঝার চেষ্টা করুন কনসেপ্টগুলো আস্তে আস্তে সোজা হয়ে যাবে কোডগুলো। আমি একটা জিনিস বুঝি কনসেপ্ট ভালোভাবে ক্লিয়ার হলে আপনার কোডও কম লাগবে। আমি ধরে নিচ্ছি আপনি বইয়ের কিছু কিছু কোড বুঝছেন না। বইটা শেষ করুন। দেখুন আপনি বুঝতে পারছেন কিনা। আজকে এই পর্যন্তই থাকছেন তো সামনে।

শুন্য থেকে পাইথন মেশিন লার্নিং বই ভিডিও সিরিজ

মেশিন লার্নিংয়ের পেছনের ডিসিশন ট্রি কী What Decision Tree does to Machine learning.mp3

কৃত্রিম বুদ্ধিমত্তা অথবা মেশিন লার্নিং নিয়ে যখন আমরা আলাপ করি তখন তার পেছনে পেছনে যদি আমরা একটু ভালোভাবে তাকাই তাহলে হচ্ছে গিয়ে ডিসিশন ট্রি মানে আমরা আসলে যেটাকে বলি যে সিদ্ধান্ত নেবার একটা ক্ষমতা নিয়ে আলাপ করতে পারি যে আজকে কৃত্রিম বুদ্ধিমত্তা অথবা মেশিন লার্নিং এ ব্যাপারটা হচ্ছে এরকম যে আমরা ধরা যাক একটা সেলফ ড্রাইভিং কার নিয়ে আমরা রাস্তায় নামলাম তো সেলফ ড্রাইভিং কার যদি রাস্তায় নামে তার মানে হচ্ছে গিয়ে তাকে একটা তাকে প্রতিটা পদে পদে সিদ্ধান্ত নিতে হবে এখন এই প্রতিটা পদে পদে সিদ্ধান্ত নেবার জন্য আসলে তার পেছনে কি কাজ করতে পারে আমরা অনেক ধরনের গল্প দেই যে অ্যালগরিদম এটা সেটা আসলে সবকিছুর পেছনে মানে আমাদের এই কৃত্রিম বুদ্ধিমত্তা বলি বা যেটাকে আমরা বলি যে আমরা যেভাবে সিদ্ধান্ত নিতে পারি মানে মানুষ যেভাবে সিদ্ধান্ত নিতে পারে সেই মানুষের সিদ্ধান্ত নেবার ক্ষমতাটাকে আমরা যন্ত্রকে দিয়ে দিচ্ছি তার মানে যন্ত্রকে যদি আমরা সেই সিদ্ধান্ত দিতে চাই তাহলে যন্ত্রকে আগে শিখতে হবে আর সে শেখার ব্যাপারটা হচ্ছে গিয়ে মেশিন লার্নিং আর এই মেশিন লার্নিং এর একটা বড় অংশ হচ্ছে গিয়ে আপনার সিদ্ধান্ত নেবার ক্ষমতা তো সিদ্ধান্ত কিভাবে নেবে আমরা যদি এভাবে বলি যে আমরা একটা সেলফ ড্রাইভিং কার নিয়ে রাস্তায় নামলাম তো আমাদেরকে দেখতে হবে যে সেলফ ড্রাইভিং কার রাস্তায় নামলে আমি বললাম যে পয়েন্ট এ থেকে পয়েন্ট বি তে আমরা যাব তো পয়েন্ট এ থেকে পয়েন্ট বি তে যাবার সময় যে জিনিসটা হচ্ছে ওখানে রাস্তার মধ্যে অনেক রাস্তার মধ্যে রেড লাইট পড়বে অনেক রাস্তার মধ্যে ডানে যেতে হবে বায়ে যেতে হবে তার মানে হচ্ছে প্রতিটা জায়গায় কিন্তু তাকে সিদ্ধান্ত নিতে হবে তো আমরা যদি এভাবে বলি যে ধরা যাক রেড লাইট রাস্তায় নামলাম রেড লাইট এখন রেড লাইটটা কোথায় জ্বলবে স্পেসিফিকালি কোন রাস্তায় কোথায় রেড লাইট আছে সেটা তো আমরা জানি না তো আমাকে পুরো একটা ছবিতে মানে ও তো কন্টিনিউয়াস ছবি তুলছে তো প্রতিটা ছবিতে সে স্ক্যান করে দেখবে যে কোথায় একটা রেড লাইট মানে একটা রেড লাইট পড়ছে বা তার মানে হচ্ছে একটা ট্রাফিক ট্রাফিক ল্যাম্প পড়ছে তো এখন আমাকে বলতে বলতে হতে পারে যে এই ট্রাফিক ল্যাম্পটা কিরকম দেখতে তার মানে হচ্ছে গিয়ে ও দেখবে যে তিনটা গোল গোল অংশ আছে তার মধ্যে যেকোনো একটা হয়তোবা একটাতে রেড পড়বে একটাতে ইয়েলো পড়বে অথবা একটাতে গ্রীন পড়বে ইয়েলো পড়বে এই যে ব্যাপারটা যে রেড গ্রীন ইয়েলো যেকোনো তিনটার মধ্যে একটা জ্বলতে পারে এই যে মেশিনকে শেখানো ব্যাপারটা মানে মেশিনকে আমরা শেখাবো যে এই একই যন্ত্র যখন একবার লাল হবে একবার নীল হবে একবার সবুজ হবে একবার হলুদ হবে কিন্তু কোনটার ট্রাফিক ল্যাম্প সেটা তো আগে চিনতে হবে তো ওইটাই হচ্ছে গিয়ে তাকে শেখানো যে তিনটা গোল গোল অংশ থাকবে যেকোনো জায়গায় রেড ইয়েলো এবং গ্রীন হতে পারে তার মানে হচ্ছে ওটা হচ্ছে গিয়ে তার ট্রাফিক পোস্ট ওই ওখান থেকে কিন্তু তার আসলে আসল কার্য শুরু তো এখন যদি ওখানে রেড হয় তার মানে হচ্ছে রেড হলে একটা সিদ্ধান্ত নিতে হবে যে রেড হলে তার একটা সিদ্ধান্ত মানে ডিসিশন ট্রি যদি আমরা আঁকি একটা ডিসিশন ট্রি আঁকি ডিসিশন ট্রির মধ্যে যদি রেড হয় তাহলে সঙ্গে সঙ্গে সে ব্রেক চাপবে তার মানে হচ্ছে গিয়ে সে আর সামনে সামনে এগোবে না আবার দেখবে গ্রীন হলে সে সামনে যাবে আবার ইয়েলো হলে তার মানে হচ্ছে গিয়ে তাকে আস্তে আস্তে ব্রেক চাপতে হবে বা ইয়েলো যদি দেখে যে তার ইয়েলো হবার চান্স আসছে বা সে পার হয়ে যেতে পারবে সেই ক্যালকুলেশনটাও তাকে করতে হবে তার মানে হচ্ছে গিয়ে এই যে একটা সিদ্ধান্ত নেবার ক্ষমতা এই সিদ্ধান্ত নেবার ক্ষমতা নিয়েই কিন্তু আমরা সামনে আলাপ করব আর ডিসিশন ট্রিটা কিন্তু আমরা এর আগেও আপনাদেরকে বলেছি যেটা আসলে এই বইটাতে এই বইটাতে আমরা ডিসিশন ট্রি নিয়ে আলাপ করেছি তারপরে এটার আগে লাল বইটা আপনার মনে আছে মেশিন লার্নিং এ হাতে কলমে মেশিন লার্নিং যে বইটা আছে সেটাতে কিন্তু লাল লাল হাতে লাল হাতে কলমে যে মেশিন লার্নিং বইটা এটাতে কিন্তু ডিসিশন ট্রি অনেক কিছু বলা আছে এখানেও কিন্তু ডিসিশন ট্রি নিয়ে আমি অনেক কিছু বলেছি বাট মেইন যে জিনিসটা হচ্ছে যে আমরা সামনে যখন ডিসিশন ট্রি নিয়ে আলাপ করব তার মধ্যে একটা বড় অংশ হচ্ছে গিয়ে কিভাবে একটা জিনিস সিদ্ধান্ত নেয় সেটা আগে বুঝতে হবে আমরা আসলে এভাবে বলতে পারি যে আমরা যখন প্রথম দিকে টিভি কিনতাম বা প্রথম দিকে যেকোনো একটা টিভি কেনার সময় তখন কিন্তু একটা আমাকে একটা ডিসিশন ওয়ার্কফ্লো দিয়ে দিত যে সে বলতো যে আমার টিভিতে কি পিকচার আসতেছে না দেয়ার ইজ নো পিকচার যদি পাওয়ার বাটন চাপ থাকে এবং পিকচার যদি না আসে তাহলে এদিকে যাবেন ইয়েস যদি পাওয়ার বাটন চাপ দেওয়া থাকে বাট টিভিতে মানে কোন ধরনের ছবি নেই তার মানে হচ্ছে নো তার মানে হচ্ছে এদিকে যাবেন এদিকে গেলে তখন আরেকটা প্রবলেম স্টেটমেন্ট মানে আপনার প্রবলেমগুলোকে বিভিন্ন ডিসিশন ট্রির মাধ্যমে কিন্তু বের করা যে প্রথম কথা হচ্ছে যে টিভি অন টিভি চালু করা আছে কিন্তু ছবি আসছে না তখন তাকে বলা হবে যে না পাওয়ার পাওয়ার প্লাগটা ঠিকমতো লাগানো নেই তারপর হচ্ছে আবার এদিকে যাবে যে পাওয়ার প্লাগটা ঠিকমতো লাগানো আছে টিভি চালু আছে টিভিতে ছবি আসছে কিন্তু চ্যানেল টিউনিং করা নাই তখন আবার আমাকে চ্যানেল টিউনিং করতে হবে আবার দেখা যাবে যে টিভি পাওয়ার প্লাগ দেওয়া আছে টিভি চালু আছে টিভির বাটন চাপ দেওয়া আছে রাইট চ্যানেলটা চাপ দেওয়া আছে চ্যানেলের ছবি আসছে কিন্তু চ্যানেলের ছবি একপাশ থেকে ঢেউ ঢেউ হচ্ছে তার মানে হচ্ছে কি একটার পর একটা কিন্তু ডিসিশন ট্রি আমরা কিন্তু দেখতে পারি তার মানে হচ্ছে গিয়ে মানুষ যেভাবে সিদ্ধান্ত নিচ্ছে যন্ত্রকেও সেইভাবে সিদ্ধান্ত নেবার জন্যই কিন্তু এই ডিসিশন ট্রিটা করা আর এই ডিসিশন ট্রি আমরা অনেকগুলো এর আগে ছবি দেখে ছবি এঁকে দিয়েছি যে আমরা এখানে যেমন হাতে কলমে ডিসিশন ট্রিটা কিভাবে হয় সেটার একটা জিনিস দেখিয়েছিলাম যে এখানে যে হাতে কলমে ডিসিশন ট্রিটা কিভাবে হয় এবং সেখানে একটা ছবি আমরা কিন্তু দেখিয়েছিলাম যে কিভাবে একটা ছবি তৈরি করা যায় এবং সেই ছবিটা যদি আপনারা দেখেন যে এখানে একটা আমি ছবি দেখিয়েছিলাম যে কিভাবে হাতে কলমে আসলে ডিসিশন ট্রিটা আমরা আঁকতে পারি এবং যেটা আমরা সরাসরি চোখ দেখে বলতে পারি যে এই ডিসিশন ট্রির মাধ্যমে আসলে আমরা একটা সিদ্ধান্ত নিতে পারব তার মানে হচ্ছে কি আমাদের দিন শেষে আমরা যে কাজটা করি না কেন যন্ত্রকে আমাদের মত করে মানুষের মত করে সিদ্ধান্ত নিতে হবে আমরা যেভাবে আমার নাম রকিব আমার তার মানে হচ্ছে গিয়ে আমার একটা আমি একটা যখন দেখি যে আমার একটা বইয়ের মধ্যে লেখা আছে রকিব তার মানে হচ্ছে কি বইটা আমার দেন আই হ্যাভ এন ইন্টেন্ট যে আমার একটা কাজ করতে হবে যে এই বইটা আমার তার মানে আমাকে আমার যে বুক সেলফ আছে সে বুক সেলফে রাখতে হবে কিন্তু মেশিনকে যদি বলা হয় তখন মেশিন তো রকিব লেখাটা বুঝতে পারতে হবে তো রকিব লেখা যদি ঠিকমতো সে বুঝতে পারে মেশিন লার্নিং যে রকিব লেখাটা তো অন্যরকম হতে পারে একটু বাঁকা হতে পারে ইটালিক হতে পারে বা এটাকে একটু অন্য ধরনের সিগন্যাল হতে পারে তো এটাকে যখন সে দেখবে তখন এটাকে কিভাবে মানে নামটাকে আগে ঠিকমতো বুঝতে পারা এটা হচ্ছে প্রথম কাজ যে নামটাকে ঠিকমতো বুঝতে পারছে র হতে পারে এক ধরনের ক হতে পারে এক ধরনের ব হতে পারে এক ধরনের তারপরে তার সাথে যে ভাওয়েল যেটা আছে সেটা এক ধরনের হতে পারে তো ওইটাকে ঠিকমতো সে বুঝলে অনলি দেন সেটাকে ডিটেক্ট করলো যে হ্যাঁ এটা রকিব মানে রকিবের বই এন্ড দেন তখন তাকে একটা অ্যাকশন দেওয়া যেতে পারে বা ইন্টেন্ট দেওয়া যেতে পারে যে এই বইটা যেকোনো বই আমার নাম লেখা থাকবে তার মানে হচ্ছে ইট হ্যাজ টু গো টু দা বুক সেলফ সেই হিসাবে কিন্তু আমাদের মেশিন লার্নিং এর কাজগুলো করা সম্ভব তবে সবচেয়ে বড় জিনিসটা হচ্ছে যে ডিসিশন ট্রি নিয়ে অনেক ধরনের গল্প আছে আমরা খুব সহজ ধরনের ডিসিশন ট্রি নিয়ে সামনে আলাপ করব এবং ডিসিশন ট্রি গুলো এমন এমন সহজ ভাবে আমরা আগাবো যাতে আপনাদের মনে হয় যে মেশিন লার্নিং যত ডিফিকাল্ট হোক না কেন মেশিন লার্নিং এর পেছনে যে ডিসিশন ট্রিটা আছে সেটাকে ততটাই সহজ মনে হবে আজকে এই পর্যন্তই থাকছেন তো সামনে

শুন্য থেকে পাইথন মেশিন লার্নিং বই ভিডিও সিরিজ

শুন্য থেকে পাইথন মেশিন লার্নিং ১ আইরিস ফুলের ছবির প্লটিং দেখা.mp3

প্রথম কথা, শূন্য থেকে পাইথন মেশিন লার্নিং বইটা ব্যবহার করার জন্য আপনাকে আগে থেকে পাইথন জানতে হবে না। দ্বিতীয় কথা, মেশিন লার্নিং এর জন্য যে পাইথন সেটাকে কিন্তু ইংরেজি গদ্যের মত পড়া যায়। তৃতীয় কথা, মেশিন লার্নিং পার্টিগণিতের মত একটা টুল যেটা শিখতে পারবেন যে কেউ। কম্পিউটার সাইন্স, বিবিএ, পলিটেকনিক সবাই। এই বইয়ের সবচেয়ে বড় সুবিধা হচ্ছে এটাকে আপনি টেক্সটবুক নয় গল্পের বইয়ের মত পড়তে পারেন। যেকোনো বইয়ের মত এর সূচিপত্র কিন্তু আমাদের জানা বেশ জরুরি। এটা ঠিক যে আমরা এই সূচিপত্রে শুধুমাত্র চোখ বুলাবো। এখান থেকে কোন কিছু এই মুহূর্তে জানার নেই। বরাবরের মত সূচিপত্র কিন্তু একটা নেভিগেশনাল টুল। মানে এটা দিয়ে একটা বইয়ের স্ট্রাকচার বোঝা যায়। আচ্ছা, বলুন তো বইটা শুরু করব কিভাবে? সত্যি বলতে যারা মেশিন লার্নিং সম্বন্ধে কিছু জানেন মানে ধারণা আছে তারা কিন্তু চ্যাপ্টার থ্রি অথবা ফোর দিয়ে শুরু করতে পারেন। যেহেতু আমি আপনার গাইড আর সে কারণে কিন্তু বলব মেশিন লার্নিং কিন্তু শেখা সোজা ছবি দিয়ে। মেশিন লার্নিং এর কাজ হচ্ছে ডেটা থেকে প্যাটার্ন ডিটেক্ট করা। আর সেখানে কিন্তু মানুষের মাথায় কিন্তু আরো অন্য লেভেলের জিনিস। আর সে কারণে কিন্তু আমাদের এই ছবিতে মানে আমাদের এই ছবির প্লটিং এ আমরা দেখতে চাইবো আমরা কি সেখানে প্যাটার্ন ডিটেক্ট করতে পারি কিনা। যদি আমরা এই বইয়ের ছবিতে প্যাটার্ন ডিটেক্ট করতে পারি তাহলে কিন্তু আমাদের প্রথম পরীক্ষায় পাশ। অনেকে বলতে পারেন, আচ্ছা এই আইরিস ডেটা সেট কি? অবশ্যই। আমাদের এই ডেটা সেটে আইরিস ফুলের তিন প্রজাতির 150 টা রেকর্ড আছে। আমাদের এখানে এই যে তিন প্রজাতির ফুল আছে এটার তিনটা ইংরেজি নাম আছে যেটাকে আমরা বলছি সেটোসা, ভার্সিকালার আর ভার্জিনিকা। মনে আছে ছোটবেলার সেই বায়োলজি ক্লাসের কথা? ওখানে কিন্তু আমরা দেখতাম যে একটা ফুলের বৃতাংশ থাকতো, পাপড়ি থাকতো। ইংরেজিতে আমরা কিন্তু পাপড়িকে বলি পেটাল আর বৃতাংশকে বলি সিপাল। এই যে আমাদের যে আইরিস ডেটা সেট এটার প্রতিটা ফুলের সিপাল আর পেটালের দৈর্ঘ্য এবং প্রস্থ আছে। এর মানে হচ্ছে সিপাল আর পেটালের দৈর্ঘ্য প্রস্থ। তার মানে হচ্ছে পারমিশন কম্বিনেশনে চারটা ডেটা। আমাদের এখানে পেটাল দৈর্ঘ্য, পেটাল প্রস্থ, সিপাল দৈর্ঘ্য, সিপাল প্রস্থ। সব ডেটাগুলো কিন্তু আছে সেন্টিমিটারে। যেহেতু আজকে আমাদের প্রথম ক্লাস আর সে কারণে কিন্তু আমাদের চারটা ডেটা থেকে আমরা দুটো ডেটা প্লট করি। ঠিক আছে? চারটা ডেটার মধ্যে আমরা সিপাল লেন্থ আর পেটাল লেন্থ এই দুটোকে কিন্তু এই মুহূর্তে প্লট করছি এক্স আর ওয়াই এক্সিসে। কি দেখছেন? অবশ্যই অবাক হওয়ার মতো। মেশিন লার্নিং বাদ দিয়ে কিন্তু আমরা দেখছি আমাদের এই প্লটিং এ তিন প্রজাতির ফুলের প্লটিং কিন্তু আলাদা আলাদা ভাবে প্লটিং হয়েছে। ডেটা প্লটিং এর পর দেখা গেল যে এই যে বরফি বরফি আকৃতি এগুলো কিন্তু ভার্জিনিকা। আর এই যে রেক্ট্যাঙ্গুলার মানে এই চারকোনা এগুলো কিন্তু ভার্সিকালার। আর এই গোল অবশ্যই সেটোসা। ব্যাপারটা কিন্তু বেশ মজার। আমরা এই তিন প্রজাতির ডেটাকে কিন্তু প্লট করেই বুঝতে পারছি যে এই তিন প্রজাতির বৈশিষ্ট্যই কিন্তু আলাদা। আজকে এ পর্যন্তই থাকছেন তো সামনে?

শুন্য থেকে পাইথন মেশিন লার্নিং বই ভিডিও সিরিজ

“শূন্য থেকে পাইথন মেশিন লার্নিং” বই ৩ সাইকিট-লার্ন এর ডাটা লে-আউট, ডাটা হ্যান্ডলিং.mp3

শূন্য থেকে পাইথন মেশিন লার্নিং এর আগের দুটো ভিডিওতে কিন্তু আমরা দেখেছি যে মেশিন লার্নিং একটা ছবি বা একটা প্লটিং কিভাবে আমাদের দেখতে সাহায্য করে। আমরা এক্স এবং ওয়াই এক্সিসে টু ডাইমেনশনাল প্লটিং যখন করি তখন কিন্তু আমরা বুঝতে পারি যে একটা ডেটাতে তাদের যে ফিচারগুলো আছে সেই ফিচার গুলোর মধ্যে কিন্তু বেশ ডিস্টিংক্ট আলাদা বৈশিষ্ট্য আছে। মেশিন লার্নিং এর শুরুতেই আমি বলব ভিজুয়ালাইজেশন ইজ দা কি মানে ভিজুয়ালাইজেশনই কিন্তু সব। আমি আপনাদেরকে অনুরোধ করব সাইকিট লার্নের ডেটা লেআউট ডেটা হ্যান্ডেলিং এই চ্যাপ্টারটা ভালোভাবে বোঝার জন্য। এটা হচ্ছে পৃষ্ঠা 77, 78, 79, 80। এখানে আমরা বেসিক ভাবে কম্পিউটারে ডেটা রাখার ধারণাটা বোঝার চেষ্টা করব। গ্রেট উই আর আপ টু স্পিড। আজকে আমরা সাইকিট লার্নের ডেটা রাখার ধারণা মানে ডেটা কিভাবে রাখে আর এই ডেটা নিয়ে কাজ করার ধারণা নিয়ে আজকে আলাপ করছি। সাইকিট লার্ন নিয়ে কাজ করতে গিয়ে বুঝেছি এর নিজস্ব ডেটা হ্যান্ডেলিং আর এর ভেতরের যে ডেটা রিপ্রেজেন্টেশন এটা কিন্তু আসলেই অনেক ভালো। সাইকিট লার্ন কিন্তু খুব সুন্দরভাবে অন্যান্য সব ডেটা যেমন আমরা বলছি পাইথনের লিস্ট বা নামপাই এরে স্কিপি ম্যাট্রিক্স বা পান্ডাজ ডেটা ফ্রেম এই সবকিছুই কিন্তু অসাধারণভাবে এক্সেস করতে পারে। যে যাই বলুক পাইথন দিয়ে যদি আমরা ডেটা সাইন্সের কাজ করতে যাই তাহলে কিন্তু একটা জিনিস কিন্তু বলে রাখা ভালো সেখানে নামপাই কিন্তু আমাদের একদম শুরুর দিকের প্যাকেজ। নামপাই নিয়ে যদি আপনি একটু ধারণা পেতে চান তাহলে আমাদের এই বইয়ের 57 এবং 58 পৃষ্ঠায় একটু পড়তে পারেন। এখন আসি আমাদের এই বইয়ের মূল প্রজেক্টে আইরিস ডেটা সেট। মজার কথা হচ্ছে আমরা যারা মেশিন লার্নিং শিখতে চাই তাদেরকে মাথায় রেখে সাইকিট লার্ন বিশ্বখ্যাত সব ডেটা সেট গুলোকে কিন্তু যোগ করে দিয়েছে এর স্যাম্পল ডেটা সেটের ভেতর। আর এগুলোকে আমরা দেখতে পারবো এসকে লার্নের যে ডেটা সেটস মডিউল আছে তার ভেতরে। আমরা আইরিস ডেটা সেটকে বাইরের রিপোজিটরি থেকে ডাউনলোড করে আমরা লোড করতে পারতাম তবে এখানে এসকে লার্ন মানে সাইকিট লার্ন নিজে থেকেই কিন্তু একটা ফাংশন তৈরি করে দিয়েছে যাতে আমরা লোড করে নিতে পারি অটোমেটিক্যালি। আজকে আমরা একটা ওভারভিউ দিচ্ছি যেখানে আমরা ডেটা কিভাবে ইম্পোর্ট করতে হয় বিশেষ করে আইরিস ডেটা সেট অন্যান্য লাইব্রেরি আমরা কিভাবে এখানে ইম্পোর্ট করব আর এই ডেটা যদি আমরা লোড করি তার ভেতরে কি কি আছে সেটার একটা উপর দিয়ে একটা ধারণা দিচ্ছি। তবে এই সবগুলোই কিন্তু আমরা করব জুপিটার নোটবুকে বা গুগল কোলাবে সামনের ভিডিওতে। মেশিন লার্নিং এ একটা বড় পার্ট হচ্ছে এক্সপ্লোরেটরি ডেটা এনালাইসিস। মানে আসলে ডেটার ভেতরে কি আছে। আমরা যদি না জানি ডেটাটা কিরকম আর ডেটার ভিতরে কিভাবে কাজ করতে হবে এজন্যই কিন্তু এই ডেটা এনালাইসিস। আমরা ডেটাকে এক্সপ্লোর করে দেখব যে ডেটার ভিতরে কি আছে যেটা আমার আগের থেকেই জানা উচিত এই প্রেডিকশন করার আগে। বিশেষ করে এর ফিচার গুলো কি ফিচার গুলো আসলে কিভাবে রাখা আছে আর আমরা যেগুলোকে প্রেডিক্ট করব যেমন ফুলটা আসলে কোন প্রজাতির হতে পারে এগুলো আমাদেরকে জানতে হবে এই এক্সপ্লোরেটরি ডেটা এনালাইসিসে। সামনের ভিডিওতে কিন্তু আমরা সরাসরি গুগল কোলাবরেটরি নোটবুকে চলে যাব। থাকছেন তো সামনে?

শুন্য থেকে পাইথন মেশিন লার্নিং বই ভিডিও সিরিজ

“শূন্য থেকে পাইথন মেশিন লার্নিং” বই এক্সপ্লোরেটরি ডেটা অ্যানালাইসিস ১১৫০.mp3

আমরা যখন মেশিন লার্নিং নিয়ে কাজ করব তখন ডেটা সম্বন্ধে একটা ভালো পারসপেক্টিভ থাকা প্রয়োজন। আর সেটা করতে যে প্রসেস সেটাকে আমরা বলি এক্সপ্লোরেটরি ডেটা এনালাইসিস বা ইডিএ। আজকে আমরা শূন্য থেকে পাইথন মেশিন লার্নিং বইটার 11 তম ভিডিও নিয়ে আলাপ করছি। শুরুতেই আমরা দেখতে চাইবো যে আমাদের ফিচার গুলোর নাম মানে আইরিস ডট ফিচার নেমস এর ভেতরে আসলে কোথায় আছে। আমরা সরাসরি আইরিস ডট ফিচার নেমস এর মধ্যে যদি এক্সেস করি আমরা সেখানে সিপাল লেন্থ, সিপাল উইডথ, পেটাল লেন্থ, পেটাল উইডথ সবই পাচ্ছি সেন্টিমিটারে। আগের ভিডিও অনুযায়ী এগুলো হচ্ছে ফিচার ম্যাট্রিক্স। এখন আমরা আসি টার্গেট ভেক্টর মানে আমরা কি প্রেডিক্ট করতে চাচ্ছি। এই যে টার্গেট ভেক্টর সেটাকে আমরা যদি পেতে চাই তাহলে আমরা আইরিস ডট টার্গেট নেমস এক্সেস করতে হবে। আমরা যদি আইরিস ডট টার্গেট নেমস কে যদি এক্সেস করতে চাই সেটার ব্যাপারে কয়েকটা ধারণা আমি দেখিয়েছি এখানে। এতক্ষণ কিন্তু আমরা টার্গেট নেমস, ফিচার নেমস এই দুটোকে দেখলাম। যেহেতু আমরা এক্সপ্লোরেটরি ডেটা এনালাইসিস করছি তাহলে কি আমাদের ডেটার ভেতরে যে অ্যারে বা টার্গেট অ্যারে এর ভেতরের কন্টেন্ট তো আমাদের জানা জরুরি ঠিক না? আমরা যদি আইরিস ডট ডেটার এটার প্রথম রেকর্ড দেখতে চাই তাহলে কি করব? এটা হচ্ছে মাত্র একটা রেকর্ড। আমরা তো আসলে পুরো ডেটাটাও দেখতে পারি কারণ আমাদের মাত্র 150 টা রেকর্ড আছে। এখন আমাকে বলুন যে এই যে চারটা মাপ বা চারটা সেন্টিমিটারের যে মাপ আছে সেগুলো আসলে কোনটা কি? আমরা বলতে চাইছি আইরিস ডট ডেটার মধ্যে যে চারটা মাপ দেওয়া আছে সেটার কোনটা কোনটার মাপ। এ পর্যায়ে আমরা ফিরে যাই আগের ছবিটাতে। আপনি দেখুন 5.1 সেন্টিমিটার এটা কিন্তু সিপাল লেন্থ। 3.5 সেন্টিমিটার সিপাল উইডথ। 1. সেন্টিমিটার পেটাল লেন্থ। 0.2 সেন্টিমিটার হচ্ছে পেটাল উইডথ। বইয়ে এই ছবিটা আপনি 92 পৃষ্ঠায় পাবেন যেটা আমরাকে বলছি চিত্র 4.13। এতক্ষণ আমরা আইরিস ডট ডেটার কোনটা কি মানে কোনটার কি মাপ সেটা বের করলাম। তাহলে আমাদের বাকি থাকছে কি আইরিস ডট টার্গেট সেটা তাহলে একটু দেখে আসি। আইরিস ডট টার্গেট যখন আমরা দেখছি সেখানে অ্যারেতে কিন্তু তারা 0, 1, 2 বলেছে। এই 0, 1, 2 এগুলো কিন্তু ইন্টারপ্রিটেশন থেকে আইরিস সেটসা, আইরিস ভার্সিকালার, আইরিস ভার্জিনিকা। আমরা এ ব্যাপারটা কিন্তু জেনেছি আইরিস ডট ডেসক্রিপশন এর ভেতরে। আমরা সেখানে দেখেছি যে তিনটা যে ক্লাস আছে সেই তিনটা ক্লাসকে আমরা বলেছি 0, 1, 2 যেটাকে আমরা ইন্টারপ্রেট করছি তিনটা আইরিস প্রজাতির মাধ্যমে। এখন আমাদের কাছে প্রশ্ন আসতে পারে আমরা যে আইরিস ডট ডেটা আর আইরিস ডট টার্গেটস এই দুটোর মধ্যে যে ডেটা রাখছি সেটা আসলে কি কন্টেইনারে রাখছি? সেটা আসলে একটা এনডি অ্যারে এন ডাইমেনশনাল অ্যারে মানে নাম পাই এন ডাইমেনশনাল অ্যারে। এখন অনেকেই আমাকে বলতে পারেন যে আমাদের যে আইরিস ডট ডেটা এটার শেপটা কি? এটার প্রথম শেপ মানে প্রথম ডাইমেনশন সেটাকে আমরা বলছি অবজারভেশনের সংখ্যা মানে কতগুলো রেকর্ড আছে যেটাকে আমরা বলছি 150। আর কতগুলো ফিচার আছে মানে দ্বিতীয় ডাইমেনশন সেটা হচ্ছে গিয়ে চারটা ফিচার। সেখানে কিন্তু আমরা বলছি 150, 4। সেভাবে আমরা যখন আইরিস ডট টার্গেটস ডট শেপ দেখবো সেখানে কিন্তু আমরা 150 টা রেকর্ড সংখ্যা দেখতে পারব। মানে 150 টা টার্গেট ভেরিয়েবল বা টার্গেট আউটকাম বা টার্গেট ভেক্টর। আজকে এই পর্যন্তই থাকছেন তো সামনে?

শুন্য থেকে পাইথন মেশিন লার্নিং বই ভিডিও সিরিজ

সাইকিট-লার্ন এর ডাটা লে-আউট, ডাটা হ্যান্ডলিং ভিডিও ১০৫০.mp3

আমরা যেহেতু সাইকিট লার্ন নিয়ে কাজ করছি, সেই কারণে কিন্তু সাইকিট লার্নের ডেটা লেআউট নিয়ে আমাদের আলাপ করা উচিত। আজকে আমরা শূন্য থেকে পাইথন মেশিন লার্নিং বইটার 10 তম ভিডিও নিয়ে আলাপ করছি। যেকোনো লাইব্রেরি সেটা সাইকিট লার্ন অথবা অন্যান্য যদি কোন লাইব্রেরি থাকে, সবারই কিন্তু এই ধরনের একটা লেআউট প্রযোজ্য। আমরা এর আগেও কিন্তু একটা কথা বারবার বলেছি, মেশিন লার্নিং এর জন্য দুটো জিনিস দরকার। ফিচার ম্যাট্রিক্স আর টার্গেট ভেক্টর। আমরা যেটা বলতে চাচ্ছি, মেশিন লার্নিং যে ডেটা থেকে শেখে, সেটা হচ্ছে ফিচার ম্যাট্রিক্স আর তার পাশাপাশি তার উত্তর যেটা, সেটাকে আমরা বলছি টার্গেট ভেরিয়েবল। এটা ঠিক যে মেশিন লার্নিং এর যে টার্গেট ভেরিয়েবল আর ফিচার ম্যাট্রিক্স, এটার ভিতরে যে সম্পর্কটা, সেটাই কিন্তু আমাদের মডেল জানবে সামনে। যেহেতু আমরা সাইকিট লার্ন নিয়ে আলাপ করছি, সাইকিট লার্নের কনভেনশন অনুযায়ী ফিচারগুলো যে ম্যাট্রিক্স, এখানে আমরা বলছি আমাদের যে টু ডাইমেনশনাল আইরিস ফুলগুলোর যে মাপ, সেগুলো কিন্তু এখানে ফিচার ম্যাট্রিক্স হিসেবে আমরা স্টোর করতে চাচ্ছি। সাইকিট লার্নের কনভেনশন অনুযায়ী আমরা যেহেতু টু ডাইমেনশনাল একটা অ্যারে এখানে স্টোর করছি, সেই জন্য আমরা এখানে এটাকে বলছি ক্যাপিটাল এক্স। অর্থাৎ আমরা আমাদের ফিচার ম্যাট্রিক্স গুলোকে ক্যাপিটাল এক্স এ স্টোর করছি। এখানে আমার একটা প্রশ্ন আছে, আমাদের যে ডেটা মানে আমাদের ফিচার ম্যাট্রিক্স ক্যাপিটাল এক্স, এই ডেটা থেকে যে আউটপুটটা পাবো, যেটাকে আমরা বলছি টার্গেট অ্যারে, সেটার সাইকিট লার্ন কনভেনশন হচ্ছে ওয়াই। মানে ফাংশন অফ এক্স ইকুয়ালস টু ওয়াই। তো টার্গেট অ্যারে ওয়াই, এটা লোয়ার কেস ওয়াই কেন? আমরা ধারণা করছি আমাদের টার্গেট যেহেতু এক ডাইমেনশনাল অ্যারে, সেটাই কিন্তু আমাদের লোয়ার কেস ওয়াই। মানে এটা একটা ভেক্টর। এই মুহূর্তে আমরা একটু ফেরত যাই 83 নাম্বার পৃষ্ঠায়। আমাদের আইরিস যে অবজেক্ট, যেটাকে আমরা বলছি কিছুটা ডিকশনারি অবজেক্টের মধ্যে এবং এটার মধ্যে কিন্তু একটা ইন্ডেক্স আছে। সেই ইন্ডেক্সে আমরা এক্সেস করতে পারি iris.keys থেকে। আমরা যখন iris.keys কে প্রিন্ট করি, সেটার মধ্যে কিন্তু iris.data, iris.target, iris.target_names, iris.description বা iris.feature_names সবকিছুই কিন্তু এক্সেস করা যাবে আইরিসের পরে ডট দিয়ে এই কিগুলোকে এক্সেস করতে গিয়ে। আমাদের এই ছবিটা যদি আমরা ভালোভাবে দেখি, সেখানে দেখব যে এন ফিচারস, তার মানে হচ্ছে গিয়ে এখানে পাঁচটা ফিচার আছে। মানে পাঁচটা কলাম, পাঁচটা ফিচার। এদিকে এন স্যাম্পল মানে কতগুলো স্যাম্পল আছে এই ফিচারগুলোর। আমাদের পাঁচটা ফিচারের নয়টা স্যাম্পল আছে, মানে নয়টা রো আছে। এই নয়টা রোই কিন্তু আমাদের এন স্যাম্পল মানে নাম্বার অফ স্যাম্পলস, যেটা আমরা বলছি নয়টা। এই ছবির যে অ্যারেটা আছে, এটার শেপ হচ্ছে নয় আর পাঁচ। পাঁচটা ফিচার আর নয়টা স্যাম্পল। সেটাকে আমরা বলছি এন স্যাম্পল আর এন ফিচার। এই যে আমাদের যে ফিচার ম্যাট্রিক্স এক্স, এখানেই কিন্তু ডেটা আসবে আমাদের iris.data থেকে। এখানে দেখুন আমাদের টার্গেট ভেক্টর, সেটা কিন্তু একটাই কলাম আর সেটাকে আমরা বলছি ওয়াই। এখানে এন স্যাম্পলস মানে একটা কলাম আর নয়টা সারি। সাইকিট লার্নের কনভেনশন অনুযায়ী আমরা এখানে iris.target থেকে ডেটা আসবে এই ওয়াই টার্গেট ভেক্টরে।

শুন্য থেকে পাইথন মেশিন লার্নিং বই ভিডিও সিরিজ

শূন্য থেকে পাইথন মেশিন লার্নিং সাইকিট-লার্ন এর ডাটা নিয়ে কাজ করার ধারণা.mp3

সবাই এই কথাটাই বলেন যে মেশিন লার্নিং গোড়া থেকে শিখতে সাইকিট লার্নের জুড়ি নেই। সে হিসেবে আমরা শূন্য থেকে পাইথন মেশিন লার্নিং বইটা থেকে যদি সাইকিট লার্ন শিখতে চাই তাহলে চতুর্থ অধ্যায় থেকে শুরু করা যেতে পারে। এর আগের চ্যাপ্টারগুলোতে বেসিক মেশিন লার্নিং এবং তার পাশাপাশি পাইথনে এই জিনিসটা কিভাবে কাজ করে সেটা দেখানো হয়েছে। তবে একটা জিনিস বলে রাখা ভালো সাইকিট লার্নের ডেটা সাইন্স বা সাইকিট লার্নের যে কনভেনশনগুলো আছে যেগুলো ব্যবহার হয় অন্যান্য সবগুলো প্যাকেজে। যেমন টেন্সর ফ্লো বা অন্যান্য যেসব লাইব্রেরি আছে। আমরা দেখেছি যে সাইকিট লার্নের যে কনভেনশন সেগুলো অনেকটাই ইউনিভার্সাল। আর সে কারণেই আমি আপনাকে অনুরোধ করব সাইকিট লার্নের ডেটা লেআউট বা ডেটা হ্যান্ডেলিং নিয়ে যে চ্যাপ্টারটা লেখা হয়েছে সেটা একটু ভালোভাবে পড়ার জন্য। আমরা যখন কম্পিউটারে ডেটা রাখি সেই ডেটা রাখার কিছু স্কিম বা আমি সেখানে বলতে পারি ভেক্টর, ম্যাট্রিক্স, অ্যারে, ডেটা ফ্রেম, পাইথন লিস্ট এগুলো কিভাবে কাজ করে সেটার একটা ধারণা এখানে দেওয়া হয়েছে। কারণ আমরা যখন ডেটাকে হ্যান্ডেল করব সেই ডেটাকে কোনো না কোনো কন্টেইনারে রাখতে হবে। আর সেই কন্টেইনারটা ওয়ান ডাইমেনশন অ্যারে, দুই ডাইমেনশন অ্যারে, তিন ডাইমেনশন অ্যারে, চার অথবা পাঁচ ডাইমেনশন অ্যারে হতে পারে। আর যখন এই কন্টেইনারের কথা আসলোই সে কারণে আমরা পান্ডাজ এবং নামপাই দুটো প্যাকেজ ব্যবহার করব এই সাইকিট লার্নের সাথে। যেহেতু আমরা মেশিন লার্নিং নিয়ে কাজ করছি আর সে কারণে এই মেশিন লার্নিং নিয়ে আমরা সবার সাথে যখন আলাপ করব তখন কিছু কনভেনশন বা একই ধরনের লিঙ্গুইস্টিক বা লিঙ্গ নিয়ে আমাদেরকে আলাপ করতে হবে। ধরা যাক আমরা একটা প্রবলেমে পড়লাম আর সেই প্রবলেমটা নিয়ে আমাদের স্ট্যাক ওভারফ্লোতে একটা পোস্ট দিতে হবে। সেখানে আমরা একই ধরনের কনভেনশন নিয়ে আলাপ করতে হবে। যেমন আমরা এক্স, ওয়াই বা এনপি বা ডিএফ ডেটা, ডেটা ফ্রেম, ট্রেন, টেস্ট, রেজাল্টস, ট্রেন, টেস্ট, স্প্লিট এই ধরনের কিছু শব্দকে আমাদেরকে ব্যবহার করতে হবে প্রায় সময়ই। যেমন ধরুন আমরা যদি ডেটা ইম্পোর্ট নিয়ে কথা বলি আমাদের আইরিস ডেটা সেট নিয়ে যে কথা বলছি সেটা অলরেডি সাইকিট লার্নের ডেটা সেট মডিউলে রাখা আছে। এর অর্থ হচ্ছে যেহেতু আইরিস ডেটা সেট ডেটা সেট মডিউলে আছে এটাকে আমরা কিভাবে ইম্পোর্ট করে নিয়ে আসবো আর ইম্পোর্ট করার পর এটা কি ধরনের অবজেক্টে দাঁড়াবে সেটা কি ডিকশনারি অবজেক্ট হবে না কি হবে সেগুলো কিন্তু আমরা শিখবো এখানে। তবে এটা ঠিক যে আমরা শুরুতে এক দুই ডাইমেনশনের অ্যারে নিয়ে কাজ করছি বলে আমাদের নামপাই যথেষ্ট। আমাদের ডেটা সেটকে ইম্পোর্ট করলাম এর পাশাপাশি ডেটাকে এখন লোড করতে হবে। কারণ আমাদেরকে জানতে হবে কি আছে এই ডেটার ভেতর। যেহেতু আমরা সাইকিট লার্নে একদম শুরু থেকে কাজ করছি আর সে কারণে সাইকিট লার্ন আগে থেকে এই ডেটাগুলোকে ডিকশনারি অবজেক্ট আমরা যেটাকে বলতে পারি সাইকিট লার্নের বাঞ্চ অবজেক্ট হিসেবে এখানে রাখা হয়েছে। এই বাঞ্চ অবজেক্ট আসলে কিছুই না এটা অনেকটাই একটা ডিকশনারির মতো যার মধ্যে অনেকগুলো এলিমেন্ট থাকে, কি থাকে, ইন্ডেক্স থাকে। আর সে কারণে সেই আইরিস ডট কিজ প্রিন্ট করলে সেটা বোঝা যাবে। আজকে এই পর্যন্তই থাকছেন তো সামনে।

শুন্য থেকে পাইথন মেশিন লার্নিং বই ভিডিও সিরিজ

মডেল ইভাল্যুয়েশনের ধারণা, সাইকিট-লার্ন 'এস্টিমেটর'.mp3

মেশিন লার্নিং নিয়ে যখন আমরা কাজ শুরু করলাম তখন সাইকিট লার্নের বিভিন্ন এপিআই নিয়ে কাজ করতে গিয়ে বুঝলাম এটা শুধুমাত্র পাওয়ারফুল না এটা অনেক ফ্রেন্ডলি। যেহেতু আমি এখন টেন্সর ফ্লো এবং সাইকিট লার্ন দুটোকেই পাশাপাশি ব্যবহার করছি সেখানে আমার মতামত হচ্ছে যদি কেউ শুরুতে পাইথন দিয়ে শুরু করতে চান মেশিন লার্নিং সেই জায়গায় সাইকিট লার্ন এপিআই অসাধারণ। খুবই স্ট্রিমলাইন সিম্পলিস্টিক এবং ফরগিভিং। আমাদের সাইকিট লার্ন মডেল ঠিকমতো কাজ করছে কিনা সেটাকে প্রপারলি ইভালুয়েট করতে গেলে আমাদের সাইকিট লার্ন এস্টিমেটরের ব্যাপারে জানার প্রয়োজন। আমাদের শূন্য থেকে পাইথন মেশিন লার্নিং বইটার 96 পৃষ্ঠা থেকে যদি আমরা শুরু করি সেখানে মডেল ইভালুয়েট করার জন্য আমরা দুটো ক্রাইটেরিয়া নিয়ে আলাপ করেছি। যেহেতু আমাদের ডেটা সেটটা বেশ ছোট আমরা বলছি মাত্র 150 টা রেকর্ড সেখানে এই পুরো জিনিসটাকে ট্রেনিং এবং টেস্ট ডেটা সেটে আমরা কিভাবে ভাগ করব সেটার কিছু গাইডলাইন আমরা ওখানে দিয়েছি। আমাদের 150 টা রেকর্ডের মধ্যে আমরা যদি বলি 75 শতাংশ ট্রেনিং এবং 25 শতাংশ টেস্ট ডেটা সেটে আলাদা করে রাখি তাহলে 75 শতাংশ হচ্ছে 122 টা রেকর্ড আর 25 শতাংশ আমরা দেখছি 38 টা রেকর্ডে। মনে আছে আমরা এর আগেও বলেছিলাম সাইকিট লার্নের কনভেনশন অনুযায়ী আমরা মডেলকে এস্টিমেটর বলি যার কাজ হচ্ছে লার্নিং থেকে সে ভবিষ্যৎ ডেটাকে এস্টিমেট করবে। সাইকিট লার্নের এস্টিমেটর হিসেবে এ সবচেয়ে বড় সুবিধা হচ্ছে আপনার স্পেসিফাইড হাইপার প্যারামিটার যদি দিতে ভুলে যাই তাহলে সাইকিট লার্ন নিজে থেকে সেটার ডিফল্ট কিছু ভ্যালু ব্যবহার করে। অসাধারণ ফিচার তাই না? আমরা মেশিন লার্নিং শেখার শুরুতে যদি বারবার এরর পাই তাহলে কিন্তু আমাদের কাজ শেখার সেই মোটিভেশন থাকবে না আর সে কারণে এই ডিফল্ট হাইপার প্যারামিটার ব্যবহার আমাদেরকে অন্য লেভেলে নিয়ে যাচ্ছে। যেহেতু এই এস্টিমেটর এপিআইটা বেশ স্ট্রিমলাইন সে কারণে আপনি কিন্তু জানেন কি কল করতে হবে। আমাদের বইতে আমরা এস্টিমেটরের কাজের ধাপ নিয়ে যখন আলাপ করেছি সেখানে পাঁচটা ধাপ নিয়ে বেশ ভালোই ভেতরে আলাপ করেছি। আমার অনুরোধ থাকবে আপনাদের সবার প্রতি আমাদের এই শূন্য থেকে পাইথন মেশিন লার্নিং বইটার 98 পৃষ্ঠা থেকে 104 পৃষ্ঠা পর্যন্ত অবশ্যই পড়বেন। আমাদের পাঁচটা ধাপ অবশ্যই ভালো তবে এই পাঁচটা ধাপকেও আমি শর্টকাট করে নিয়ে আসতে পারি মাত্র তিনটা ধাপে। আমরা যদি কি ওয়ার্ড দিয়ে বলতে চাই তাহলে সেটাকে আমরা বলতে পারি আই আই এফ ইম্পোর্ট, ইনস্ট্যানশিয়েট এবং ফিট। ধরা যাক আমরা যদি এখানে কে নিয়ারেস্ট নেইবার ক্লাসিফিকেশন অ্যালগরিদমটা যদি ব্যবহার করি তাহলে সেই ক্লাসিফিকেশন অ্যালগরিদমটা কি ইমপ্লিমেন্ট করা হবে কে নিয়ারেস্ট নেইবার ক্লাসিফায়ার ক্লাস দিয়ে। এর অর্থ হচ্ছে আমরা কে নিয়ারেস্ট ক্লাসিফায়ারকে ইম্পোর্ট করে নিয়ে আসবো এসকে লার্ন নেইবারস থেকে। আমাদের দ্বিতীয় হবে আমরা এস্টিমেটরকে ইনস্ট্যানশিয়েট করছি। এর মানে হচ্ছে আমরা মডেলের একটা ইনস্ট্যান্সকে চালু করছি। মজার কথা হচ্ছে আমরা সাইকিট লার্নে আমাদের মডেলের ইনস্ট্যান্সগুলো চালু করার সময় এর হাইপার প্যারামিটার গুলোর ভ্যালুগুলোকে পাঠিয়ে দিই সেই মডেলে। ব্যাপারটা এমন যে আমাদের মডেলকে ইনস্ট্যানশিয়েট করে সেটাকে পাঠিয়ে দিতে হবে একটা অবজেক্টে যেমন কেএনএন এখানে একটা অবজেক্ট। এটা ঠিক যে আপনি এই কেএনএন এর জায়গায় যেকোনো জিনিস ব্যবহার করতে পারেন। আমরা যদি কেএনএন কে প্রিন্ট করি তাহলে এর ভেতরের হাইপার প্যারামিটার গুলোকে দেখা যাবে। দেখুন আমরা কিন্তু এই হাইপার প্যারামিটার গুলো দিয়ে দেইনি সে নিজে থেকে বাই ডিফল্ট নিয়ে নিয়েছে। এটাই সাইকিট লার্নের সবচেয়ে মজার জিনিস। আচ্ছা বলুন তো তিন নাম্বার ধাপ কি হতে পারে? আজকে এই পর্যন্তই থাকছেন তো সামনে?

শুন্য থেকে পাইথন মেশিন লার্নিং বই ভিডিও সিরিজ

শূন্য থেকে পাইথন মেশিন লার্নিং পাঠকের সেরা প্রশ্ন ফিচার ম্যাট্রিক্স, টার্গেট ভ্যারিয়েবল.mp3

এর আগের ভিডিওতে আমরা কিছু মেশিন লার্নিং টার্মিনোলজি নিয়ে আলাপ করছিলাম। সেখানে আমরা আলাপ করছিলাম আমাদের ফিচার ম্যাট্রিক্স পাশাপাশি টার্গেট ভেরিয়েবল কিভাবে থাকে। এর মধ্যেই জনাব ইলিয়াস হোসেন একটা খুব সুন্দর প্রশ্ন করেছেন। উনি বলছিলেন ফিচার ম্যাট্রিক্স টেবিলে কি কোন নির্দিষ্ট ফরম্যাট আছে? মানে প্রত্যেক সারিতে কিছু নির্দিষ্ট অ্যাট্রিবিউট ভেরিয়েবল ইত্যাদি। অসংখ্য ধন্যবাদ আপনাকে এই চমৎকার প্রশ্ন করার জন্য। প্রশ্নের শুরুতেই আমরা চলে যাচ্ছি আইরিস ডেটা সেটের রিপোজিটরিতে। এই ডেটাটা আসলে আছে সেন্টার ফর মেশিন লার্নিং এন্ড ইন্টেলিজেন্স সিস্টেম ইউসিআই মানে ইউনিভার্সিটি অফ ক্যালিফোর্নিয়ার আরভাইন রিপোজিটরিতে। এখানে আইরিস ডেটা সেটের ডাউনলোড ডেটা ফোল্ডারে চলে যাই। এখন আমরা iris.data এই ফাইলটাকে ডাউনলোড করে দেখার চেষ্টা করব এই ফাইলটাতে আসলে কি আছে। আপনাদেরকে বড় করে দেখানোর জন্য আমি আসলে ফাইলটাকে নোটপ্যাডে না খুলে ওয়ার্ডপ্যাডে খুলছি। এটা আসলে একটা সিএসভি ফাইল আমরা যাকে বলে থাকি কমা সেপারেটেড ভ্যালু। প্রতিটা ভ্যালু আমরা এখানে কমা দিয়ে সেপারেটেড করে রেখেছি। আপনার মনে আছে আমরা আগেই বলেছিলাম যে আমাদের এই আইরিস ফুলের পাপড়ি এবং বৃত্তাংশ এর দৈর্ঘ্য এবং প্রস্থ এরপরে আমরা প্রজাতির নাম রেখেছি। তারমানে চারটা এবং একটা টোটাল পাঁচটা ভ্যালু। এখন আমরা সেই ফাইলটাতে ফিরে যাই যেই ফাইলটা নিয়ে আমরা কাজ করছিলাম গুগল কোলাবে। মনে আছে iris.key যে ফাইল নেম বলে একটা এলিমেন্ট ছিল আমরা সেই এলিমেন্টটা দেখার চেষ্টা করি কোথায় আছে ফাইলটা। আমরা iris.filename চালালাম। পাইথন 3.6 এর ভেতরে যে ডিস্ট্রিবিউশন প্যাকেজ আছে সেখানে এসকেলার্নের ভেতরে এই ডেটা সেটে কিন্তু আইরিস ডেটা সেটটা আছে iris.csv ফাইল নাম দিয়ে। এখানে যেহেতু গুগল কোলাব মেশিনটাই কিন্তু একটা ভার্চুয়াল মেশিন আর আমি সেখানে কিন্তু সরাসরি এক্সেস করতে পারি এক্সক্লামেশন কমান্ড লাইন দিয়ে। ভালো কথা এখন তো আমরা দেখতে চাইবো ফাইলটা আসলে দেখতে কেমন। cat iris.csv প্রথম লাইনে একটু সামারি এসছে 150 টা রেকর্ড চারটা ফিল্ড আর তিনটা প্রজাতি সেটোসা ভার্সিকালার ভার্জিনিকা আর এরপরে কিন্তু চারটা ফিচার কমা দিয়ে ভাগ করা। আপনারা ঠিক ধরেছেন এখানে কিন্তু চারটা ফিল্ড নেই আছে পাঁচটা ফিল্ড। এর অর্থ হচ্ছে সবচেয়ে শেষের ফিল্ড যেটা 0 1 2 এই শেষের ফিগারটা হচ্ছে টার্গেট ভেরিয়েবল আর আগের চারটা সেটা হচ্ছে ফিচার ম্যাট্রিক্স। তারমানে প্রথম চারটা ফিচার ম্যাট্রিক্স আর শেষের ভ্যালুটা হচ্ছে টার্গেট ভেরিয়েবল। আরেকটু ডিগ ইন ডিপার করি। আমরা যেহেতু পাইথন নিয়ে কাজ করছি পাইথনের সি বর্ন কিন্তু একটা দুর্দান্ত ভিজুয়ালাইজেশন লাইব্রেরি আর সেই সি বর্নে কিন্তু আছে আমাদের এই আইরিস ডেটা সেট। এখানে যে সুবিধাটা পাচ্ছি সেটা হচ্ছে এখানকার আইরিস অবজেক্টটা কিন্তু আসলে একটা পান্ডা ডেটা ফ্রেম। এখানে সুবিধা হচ্ছে যেহেতু এটা একটা ডেটা ফ্রেম আর সে কারণে কিন্তু এই ডেটা ফ্রেমে আমরা ডেটা টাইপগুলো জানতে পারবো। আমরা এখানে দেখছি চারটা ফিচার সিপাল লেন্থ সিপাল উইথ মানে এগুলো কিন্তু ফ্লোট 64 মানে আমরা সাধারণভাবে বলতে পারি সংখ্যা আর স্পিসিস এটা অবজেক্ট মানে এটা একটা স্ট্রিং ভেরিয়েবল বা আমরা এখানে টেক্সট ক্যারেক্টার রাখতে পারি। আর ফাইনালি আমাদের আইরিস ডেটা সেট যেটা আছে সেটার আমরা প্রথম পাঁচটা রেকর্ড দেখার চেষ্টা করি এই সি বর্নে। সাধারণ টেক্সট থেকে এটা দেখতে অবশ্যই ভালো লাগছে ঠিক না? আমি আপনাকে আরেকটু পারসপেক্টিভ দেওয়ার জন্য আমার আগের বই যে বইটি লিখেছিলাম আমি টাইটানিক ডেটা সেট নিয়ে সেখান থেকে কিছু ধারণা মানে ডেটা ডিকশনারি এবং ওর কিছু পারসপেক্টিভ এখানে দেখানোর চেষ্টা করছি। এখানে দেখলেই আমরা বুঝতে পারছি যে আমাদের যে ট্রেন ডেটা ফ্রেমটা ছিল সেটা আসলে 12 টা কলাম ছিল মানে 12 টা ফিচার আর এই আমাদের যে 12 টা ফিচারের মধ্যে কিন্তু সারভাইভাল যেটা হচ্ছে আমাদের টার্গেট ভেক্টর সেটা সহই 12 টা আর টেস্ট যে ডেটা ফ্রেমটা ছিল সেখানে কিন্তু এই টার্গেট ভেরিয়েবল মানে এই সারভাইভাল কলামটা ছিল না। তারমানে হচ্ছে গিয়ে টেস্ট ডেটা ফ্রেমে 11 টা ফিচার ছিল। আমাদের এই টাইটানিকের যে ট্রেন ডেটা ফ্রেম এটা দেখানোর অর্থ হচ্ছে আমরা একই ডেটা ফ্রেমে অনেক ধরনের ফিচার আর একেকটা ফিচার কিন্তু একেক ধরনের ডেটা টাইপ। এখানে আমি যে পয়েন্টটা বলতে চাচ্ছি যে আমাদের যে ফিচারগুলো আছে সেই ফিচারগুলো বিভিন্ন ডেটা টাইপ হতে পারে। আরিস ডেটা সেটটা খুব ছোট আর সে কারণে কিন্তু সবগুলো ফিচারই কিন্তু সংখ্যা। বাট টাইটানিক ডেটা সেটে আপনি দেখছেন যে এখানে ফিচার অনেকগুলো আর ফিচারের ডেটা টাইপগুলো কিন্তু ভিন্ন। আমি চেষ্টা করেছি প্রশ্নটাকে ঠিকমতো কাভার করার জন্য। এরকম আরো সুন্দর প্রশ্নের উত্তর দেবার চেষ্টা করব সামনে। থাকছেন তো সামনে?

শুন্য থেকে পাইথন মেশিন লার্নিং বই ভিডিও সিরিজ

“শূন্য থেকে পাইথন মেশিন লার্নিং” বই ২ আইরিস ফুলের প্যাটার্ন দেখে আলাদা করা.mp3

ধরা যাক আপনি একটা সমস্যায় পড়েছেন আর সেই সমস্যাটার উত্তর আপনি আমার কাছে চাইলেন। ভালো কথা। আমি এই সমস্যার উত্তর আমি কিভাবে দেবো আপনাকে? ঠিক ধরেছেন। আমি আমার আগের অভিজ্ঞতার আলোকেই কিন্তু এই প্রশ্নটার উত্তর দিতে চেষ্টা করব। আমাদের মেশিন লার্নিং এ কিন্তু একই জিনিস। সে কিন্তু যেকোনো প্রশ্নের উত্তর কিন্তু তার অভিজ্ঞতা থেকে দিবে। আর তার অভিজ্ঞতা কি? অবশ্যই আগের ডেটা। আমাদের এই শূন্য থেকে পাইথন মেশিন লার্নিং এই বইটা কিন্তু আমি শুরু করেছি গত ভিডিওতে ছবি দিয়ে। ছবি মানে আমাদের যে ডেটা আছে সেই ডেটাকে ঠিকমতো প্লট করে দেখতে চাইছিলাম যে এই ডেটার মধ্যে প্যাটার্ন কিভাবে পাওয়া যায়। এখানে একটু বলে রাখি আমাদের যে আইরিশ ডেটা সেট প্রবলেম সেটা কিন্তু একটা ক্লাসিফিকেশন প্রবলেম। ক্লাসিফিকেশন প্রবলেম কি? এটা আসলে কয়েকটা প্যারামিটারের মধ্যেই সীমাবদ্ধ। যেমন হ্যাঁ অথবা না। যেমন আমরা একজন মানুষের রোগ আছে কিনা সেটা নির্ণয় করার চেষ্টা করছি। বা আমার জেন্ডার এটা কি পুরুষ না মহিলা। এর পাশাপাশি আমাদের যে আইরিশ ডেটা সেট আছে এটা আসলে কোন প্রজাতিতে অন্তর্ভুক্ত। মেশিন লার্নিং দিয়ে আমাদের বের করতে হবে যে নতুন কোন আইরিশ ফুল সেটা আসলে তিন প্রজাতির মধ্যে কোনটাতে পড়ছে। মনে আছে আমরা কিন্তু এখানে আইরিশ ডেটা সেটের দুটো ফিচারকে প্লট করেছিলাম। সিপাল লেন্থ, পেটাল লেন্থ। আমরা কিন্তু একটা জিনিস মনে রাখবো এখন থেকে যা পাবো মেশিন লার্নিং এ সবকিছু কিন্তু আমরা এক্স এবং ওয়াই এক্সিসে প্লট করব। মেশিন লার্নিং এ মজা হচ্ছে আমরা চারটা ফিচারের মধ্যে দুটো ফিচার প্লট করলেও সেই দুটো ফিচারের মধ্যেই কিন্তু আমরা তিনটা টার্গেট ভেরিয়েবল মানে তিনটা প্রজাতির প্যাটার্ন পাচ্ছি। আমাদের এই তিনটা প্রজাতির তিনটা প্লটিং মানে তিনটা প্যাটার্ন ফর্ম হলো কিভাবে? এর কারণ হচ্ছে আমাদের তিনটা প্রজাতির যে দুটো ফিচার আছে সেই দুটো ফিচারগুলো কিছুটা ডিস্টিংক্ট বলে কিন্তু এই তিনটা প্রজাতির আলাদা করে প্যাটার্নে প্লটিং এ পাচ্ছি। একটা জিনিস বুঝতে পারবেন যে এই তিনটা প্রজাতির মধ্যে একটা প্রজাতি কিন্তু বেশ দূরে আছে আর দুটো প্রজাতির মধ্যে কিন্তু একটু ওভারল্যাপিং আছে। এখন এই প্রজাতিগুলোর মধ্যে যদি আমি একটা লাইন টানি তাহলে কেমন হয়? এখানে তিনটা প্রজাতি কিন্তু আমরা যদি এরকম দেখতাম যে আমাদের আসলে আউটকাম দুটো হ্যাঁ অথবা না সেই অবস্থায় আমরা সেই দুটো ফিচারের প্লটিং দেখি এখন। এখানে আমাদের ফিচার এক আর ফিচার দুই এই দুটোর যে প্লটিং পয়েন্ট আছে মানে এই দুটোর যে ডেটা পয়েন্ট আছে সেই দুটোর ডেটা পয়েন্টগুলোকে আমরা এক্স এবং ওয়াই এক্সিসে প্লট করি। আমরা যেটা দেখতে পাচ্ছি যে এই দুটো ফিচারকে আমরা প্লটিং করার পরে এই দুটো ফিচারের মধ্যে কিন্তু একটা ফারাক আছে আর সেই ফারাকটা কিন্তু আমরা খালি চোখে দেখতে পাচ্ছি কারণ এই দুটো ফিচারের মধ্যে কিন্তু বৈশিষ্ট্যগতভাবে ব্যাপারগুলো আলাদা। এখন একটা কাজ করি এই দুটো ফিচারের মধ্যে যে প্লটিং পয়েন্ট আছে ওর মধ্যে কিন্তু একটা ভালো গ্যাপ পাচ্ছি আমরা আর সেটা ধরেই কিন্তু একটা লাইন টেনে ফেলছি এই মুহূর্তে। এখন একটা কাজ করি ধরা যাক আপনি আমাকে এই মুহূর্তে একটা নতুন ডেটা পয়েন্ট দিলেন আর সেই ডেটা পয়েন্টটা হচ্ছে এই জায়গাটা। এখন আপনি আমাকে বলুন যে এই নতুন ডেটা পয়েন্টটা কোন ফিচারে পড়বে? আজ আমি আর বলবো না। আপনাকে বলতে হবে যে এই নতুন ডেটা পয়েন্টটা কোন দিকে যাবে? ফিচার একে নাকি ফিচার দুয়ে? মেশিন লার্নিং এর ভাষায় আমি এই দুটোকে আর ফিচার বলবো না। এই দুটো আসলে দুটো আউটকাম। আমি বলবো যে এই নতুন ডেটা পয়েন্ট এটা আসলে উপরের আউটকাম নাকি নিচের আউটকামে পড়বে। আজকে এ পর্যন্তই থাকছেন তো সামনে?

শুন্য থেকে পাইথন মেশিন লার্নিং বই ভিডিও সিরিজ

সাইকিট-লার্ন এর ডেটা ইমপোর্ট আইরিস অবজেক্টের ভেতরে কী আছে.mp3

মনে আছে এর আগের ভিডিওতে কিন্তু আমরা সাইকিট লার্নের ডেটা লেআউট আর ডেটা হ্যান্ডেলিং নিয়ে আলাপ করেছিলাম। যেহেতু আমাদের পুরো বইটা আইরিস ডেটা সেট প্রজেক্ট নিয়ে কাজ করছে আর সে কারণে পুরো প্রজেক্টটাকে আমরা দেখতে চাইবো জুপিটার নোটবুকে। তবে এখানে আমার একটা প্রেফারেন্স আছে। আমি আসলে এই পুরো জিনিসটাকে গুগল কোলাবে দেখাতে চাই। কারণ গুগল কোলাবে কিন্তু অনেক কিছুই আগে থেকেই ইন্সটল করা আছে। যেহেতু পাইথনের মেশিন লার্নিং এর হার্ট হচ্ছে আমাদের এই সাইকিট লার্ন এই চমৎকার লাইব্রেরিটা কিন্তু আগে থেকেই ইন্সটল করা আছে আমাদের এই গুগল কোলাবে। সবচেয়ে মজার কথা হচ্ছে আমাদের এই সাইকিট লার্নে কিন্তু স্যাম্পেল ডেটা সেট হিসেবে আগে থেকেই দেয়া আছে আইরিস ডেটা সেট। আর সে কারণে কিন্তু আমরা এই আইরিস ডেটা সেটকে অন্য কোথাও থেকে ইম্পোর্ট করতে হবে না। তবে বেস্ট পার্ট এখনো বলাই হয়নি। আমাদের এই সাইকিট লার্নে এই আইরিস ডেটা সেটকে লোড করার জন্য লোড আইরিস বলে একটা ফাংশন আগে থেকে তৈরি করে দেয়া আছে এই সাইকিট লার্নে। এখানে দেখুন আমাদের যে লোড আইরিস বলে যে ফাংশনটা সেটা কিন্তু এসকেলার্ন ডট ডেটা সেট এই মডিউলে আছে আগে থেকেই। তাহলে আমরা এখানে কি বলতে চাইবো? ফ্রম এসকেলার্ন ইম্পোর্ট ডেটা সেট অথবা আমরা এটাও বলতে পারি ফ্রম এসকেলার্ন ডট ডেটা সেট ইম্পোর্ট লোড আইরিস। আমরা যখন দ্বিতীয় লাইনটা ব্যবহার করব তখন আমাদের এই প্রথম লাইনের যে অংশটা আছে তার পাশাপাশি লোড আইরিস ফাংশনটা কিন্তু আমরা কল করে ফেলছি একই সাথে। অন্যান্য লাইব্রেরি ইম্পোর্ট নিয়ে যদি কথা বলি তাহলে আজকে শুধুমাত্র নাম পাই দিয়ে কাজ করব। পান্ডাজ দরকার হচ্ছে না। এখানে নাম পাই যদি আমরা প্রতিবার কল করি তার থেকে আমাদের ভালো হচ্ছে এটাকে একটা এলাইজ করে নেওয়া। মানে আমরা বলছি এনপি। মেশিন লার্নিং হিসেবে আপনাকে একটা প্রশ্ন থাকতে হবে আর প্রশ্নের পাশে উত্তর থাকতে হবে। সেই জন্যই কিন্তু আমরা যে প্রশ্নটা আছে আমরা বলছি ফিচার ডেটা আর তার পাশাপাশি উত্তর হচ্ছে টার্গেট ডেটা। এই দুটোকে আলাদাভাবে পাবার জন্য আমরা আসলে এই লোড আইরিস ফাংশনটাকে কল করব। লোড আইরিস ফাংশনের সবচেয়ে ভালো দিক হচ্ছে আমরা এটার মাধ্যমে কিন্তু একটা অবজেক্ট রিটার্ন পাবো। ধরা যাক আমরা সেই অবজেক্টটার নাম দিচ্ছি আইরিস। আর এই আইরিসের মধ্যে আমাদের এই ফিচার ডেটা প্লাস টার্গেট ডেটা সবই থাকবে এখানে। আমরা এখানে আইরিস বলে যে অবজেক্টটা ফেরত পাচ্ছি সেটা আসলে একটা বাঞ্চ অবজেক্ট। আমরা এটাকে কিছুটা ধরতে পারি ডিকশনারির মতো। এর মধ্যে বেশ কিছু এলিমেন্ট আছে। আমরা যেহেতু এখানে ডেটা সাইন্স পড়ছি সে কারণে আমরা অন্যের কথা বিশ্বাস না করে সরাসরি দেখতে চাইবো যে এটা আসলে কি অবজেক্ট। আমরা টাইপ বলা মাত্রই কিন্তু সে আমাকে বলছে এটা এসকেলার্নের ইউটিলসের আন্ডারে একটা বাঞ্চ অবজেক্ট। এখন দ্বিতীয় প্রশ্ন আসতে পারে এটা আসলে কি ধরনের ডেটা? আমরা এখানে দেখতে পাচ্ছি যে টাইপ অফ ডেটা এটা আসলে একটা নামপাই ডট এনডি অ্যারে। মানে নামপাই এর একটা এন ডাইমেনশনাল অ্যারে। ভালো কথা। যেহেতু আমরা সবাই ডেটা সাইন্টিস্ট সে কারণে কিন্তু আমরা একটু ডিগ ইন ডিপার করব। আমাদের এই আইরিস যে অবজেক্টটা আছে সেটার ভিতরে আসলে কি কি জিনিস আছে সেটা আমাদের জানার জন্য আমরা আইরিস ডট কিজ এক্সেস করব। চমৎকার। আমাদের এই আইরিস অবজেক্টে কিন্তু অনেকগুলো এলিমেন্ট আছে। যেমন ডেটা আছে, টার্গেট, টার্গেট নেমস, ডেসক্রিপশন, ফিচার নেমস প্রায় সবকিছুই কিন্তু আছে আমাদের এখানে। এই একই জিনিস কিন্তু আমরা একটা বিল্টইন পাইথন ফাংশন দিয়েও দেখতে পারি এখানে ডিআইআর। একটা জিনিস বলে রাখি আগে থেকে। আমরা যেকোনো ধরনের ডেটা সেট নিয়ে কাজ করব তার আগে কিন্তু তাদের ডেসক্রিপশন পড়ে নেওয়া ভালো। সেখানে কিন্তু পুরো ডেটা সেটের ধারণা পাওয়া যায় এক নজরে। তাহলে বসে আছি কেন? প্রিন্ট আইরিস ডট ডেসক্রিপশন। ভয়েলা। এই ডেটা সেটের পুরো ডেসক্রিপশন বা পুরো বৈশিষ্ট্য চলে আসছে কিন্তু এক পাতায়। আমাদের কাজ হচ্ছে সেটাকে এক নজরে চোখ বুলিয়ে নেওয়া। আজকে এ পর্যন্তই থাকছেন তো সামনে?

শুন্য থেকে পাইথন মেশিন লার্নিং বই ভিডিও সিরিজ

পাইথন মেশিন লার্নিং বই থেকে কিছু মেশিন লার্নিং টার্মিনোলজি.mp3

অনেকেই আমাকে জিজ্ঞাসা করেন যে মেশিন লার্নিং নিয়ে আমি এত এক্সাইটেড কেন? প্রশ্নটা ভ্যালিড। কারণ এই মেশিন লার্নিং নিয়ে আমি কাজ করতে গিয়ে আমার মনের ভেতরের অনেক ফিলোসফিক্যাল প্রশ্নের উত্তর পাচ্ছি ধীরে ধীরে। মনে আছে এর আগের ভিডিওতে আমরা সাইকিট লার্নের ডেটা সেটটাকে লোড করেছিলাম। যেহেতু আমরা আস্তে আস্তে ভেতরে ঢুকছি সে কারণে মেশিন লার্নিং এর বেশ কিছু টার্মিনোলজি নিয়ে আলাপ করা উচিত। আমাদের যে আইরিস ডেটা সেট আছে সেই ডেটা সেটে ডাটাগুলো কিভাবে আছে সেটা কিন্তু আমাদের জানা জরুরি। অবশ্যই আমরা এই ডেটাকে এক্সপ্লোরেটরি ডেটা এনালাইসিসের মাধ্যমে দেখতে পারি অথবা আমি আপনাকে এই মুহূর্তে একটা স্ন্যাপশট দেখাই যেটা আসলে পরবর্তী সময়ে আমরা এক্সপ্লোরেটরি ডেটা এনালাইসিসেই দেখাবো। আপনাদের সুবিধার জন্য আমি বলে দিচ্ছি আমরা আজকে পৃষ্ঠা 82 আর পৃষ্ঠা 92 আলাপ করছি। আপনি দেখে থাকবেন যে আমাদের পৃষ্ঠা 82 তে যে কিছু মেশিন লার্নিং টার্মিনোলজি নিয়ে আলাপ করছি সেগুলো আসলে অনেকগুলো ডেফিনেশন। যেমন আমরা এখানে বলছি প্রতিটা সারি এক একটা অবজারভেশন। যেটাকে আসলে আমরা বলছি স্যাম্পল, ইনস্ট্যান্স, রেকর্ড অর এক্সাম্পল। আপনি দেখতে পাচ্ছেন যে আমাদের যে ছবিটা আছে সেই ছবিতে কিন্তু পাঁচটা সারি আছে। 0 1 2 3 4 এই পাঁচটা সারি কিন্তু এক একটা অবজারভেশন। বুঝতে পারছেন? এর পাশাপাশি প্রতিটা কলাম হচ্ছে এক একটা ফিচার। আমরা আসলে এই এক একটা ফিচার মানে এক একটা কলামকে আমরা বলতে পারি প্রেডিক্টর, অ্যাট্রিবিউট, ইন্ডিপেন্ডেন্ট ভেরিয়েবল, ইনপুট, রিগ্রেসর, কোভেরিয়েট। এর অর্থ হচ্ছে আমাদের যে সিপেল লেন্থ আছে, সিপেল উইডথ, পেটাল লেন্থ, পেটাল উইডথ এই যে কলামগুলো আছে এই কলামগুলোই কিন্তু এক একটা ফিচার। আর এই সবগুলো মিলে কিন্তু আমরা বলছি ফিচার ম্যাট্রিক্স। এখন আমাদের উত্তর খোঁজার পালা। আসলে আমাদের চ্যালেঞ্জ কি? আমাদের চ্যালেঞ্জ হচ্ছে আমাদের আইরিস ডেটা সেট থেকে যতগুলো ফুলের প্রজাতি আছে সেগুলোকে আমাদের যে ফিচারের যে ডেটা আছে সেই ফিচারের ডেটা দিয়ে কিন্তু আমরা প্রেডিক্ট করার চেষ্টা করব যে এটা আসলে কোন প্রজাতির ফুল। সোজা কথা হচ্ছে আমরা যে প্রতিটা ভ্যালু যাকে প্রেডিক্ট করব তার নাম হচ্ছে টার্গেট বা রেসপন্স। এর আসলে আরো অনেক নাম আছে যেমন আমরা বলি আউটকাম, লেবেল, ডিপেন্ডেন্ট ভেরিয়েবল ইত্যাদি। ছবিতে আমরা দেখছি এই টার্গেট এই টার্গেট এরেটাই কিন্তু আমাদের এই আউটকাম যেটাকে আমরা প্রেডিক্ট করছি। এখানে এটা আমরা দেখছি আইরিস প্রজাতির ফুল এখানে দেয়া আছে। আরেকটা জিনিস জেনে রাখা ভালো আমাদের এই সুপারভাইজড লার্নিং এর আউটকাম যেহেতু ক্লাসিফিকেশন এর মানে আমরা বলতে চাচ্ছি যে আমাদের রেসপন্স হচ্ছে ক্যাটাগরিকাল। ইয়েস অথবা নো অথবা তিনটার প্রজাতির যেকোনো একটা প্রজাতি মানে ক্যাটাগরিকাল। আবার এর অপজিটে আমরা যদি আমাদের টার্গেট ভেরিয়েবলে বয়স পেতে চাইতাম বা আমরা একটা কন্টিনিউয়াস সংখ্যা পেতে চাইতাম তাহলে সেটাকে বলতাম রিগ্রেশন। এখন থেকে তিন বছর পরে আমার কি বেতন হবে সেটাও কিন্তু একটা কন্টিনিউয়াস ভেরিয়েবল। আমরা সেটাকে বলবো রিগ্রেশন। আজকে এ পর্যন্তই থাকছেন তো সামনে?

১ মিনিটে মেশিন লার্নিং

১ মিনিটে মেশিন লার্নিং ০২.mp3

বইটা লেখার আগে একটা ইউটিউব চ্যানেল খুলেছিলাম। তবে অনেকের প্রয়োজনে খুলতে হলো আলাদা করে ফেসবুক পেইজ। একটা জিনিস লক্ষ্য করলাম তখন, অনেকে পেইজে প্রশ্ন না করে আমাকে মেসেজ করছেন আলাদা করে। বুঝতে পারি উনারা হয়তোবা বিব্রত হতে চান না ওপেন পেইজে। তবে যতই অনুরোধ করেছি সেটা আসলে আর পরে কাজ করেনি। তবে একটা জিনিস বুঝতে পারলাম তখন, প্রচুর প্রশ্ন এসছে তবে একটা জিনিস আমাকেও বিব্রত করছে বারবার। যখন অনেকে প্রশ্ন করেন আমরা ডিপ লার্নিং শিখতে চাই অথবা নিউরাল নেটওয়ার্ক এবং তারা আটকে থাকেন সেই জায়গাতেই। সাধারণ মেশিন লার্নিং না শিখে যদি ওই লেভেলে কেউ যেতে চান তাহলে কিন্তু ওইখানে একটা বড় সমস্যা হবে। কারণ অনলাইনে অনেক টিউটোরিয়াল তাদের ওই বেসিক আন্ডারস্ট্যান্ডিং ছাড়াই কিন্তু একটা হাই লেভেল শেখার জন্য একটা হাইপ তৈরি করেছে। তাদের কথা হচ্ছে আমরা লেটেস্টটা শিখতে চাই আর সেটাই কিন্তু আটকে দিচ্ছে অনেকে। অথবা অনেকে বলছেন নতুন আরেকটা ল্যাঙ্গুয়েজে কেন সময় ইনভেস্ট করব। আমার কথা হচ্ছে একেকটা ল্যাঙ্গুয়েজ হচ্ছে একেকটা টুল। শিখতে হবে টুল দরকার মতো। যেভাবে আমরা ভাবি সাইকেল চালাতে পারলে মোটরসাইকেল চালানো শিখবো না তাও তো হয় না। একটার প্রযোজ্যতা একেক রকম। বিভিন্ন টুল না শিখতে চাওয়াটা কিন্তু একটা বড় সমস্যা। আপনিই বলুন মেশিন লার্নিং কি আজকের জিনিস? সেই ১৯৫০ সাল থেকেই কিন্তু হয়ে আসছে কোনো না কোনো ফর্মে। এখন সমস্যা হচ্ছে বেশি ইনফরমেশন মানে বেশি হাইপ। এমনকি গুগল ডিপ লার্নিং বস বলছেন মিনিমাম মানে মিনিমাম এক লক্ষ রেকর্ড না হলে ডিপ লার্নিং কাজ করবে না। তাহলে ওই ডাটা হার যদি না থাকে আমরা বুঝবোই বা কিভাবে কি হচ্ছে মডেলে? তাহলে শুরু তো করতে হবে কোথাও। আসল কথা হচ্ছে দরকার মতো শিখতে হবে বিভিন্ন টুল এবং এতে বুদ্ধির ধার কখনোই কমে না, বাড়ে বরং।

১ মিনিটে মেশিন লার্নিং

মেশিন লার্নিং প্রোগ্রামিং ইন্টারফেস.mp3

আচ্ছা, মেশিন লার্নিং প্রোগ্রামিং ঠিকমতো লেখার জন্য একটা চমৎকার টুল নাম বলুন তো? ঠিক ধরেছেন, জুপিটার নোটবুক। আমাদের মেশিন লার্নিং প্রোগ্রামিং এর জন্য আর অথবা পাইথনের জন্য যেই এনভারনমেন্টে আমরা কাজ করি না কেন, সবকিছুর জন্য জুপিটার নোটবুক এক অসম্ভব জনপ্রিয় ইন্টারফেস। এখানে মেশিন লার্নিং থেকে শুরু করে সাইন্টিফিক অনেক কাজ করা যায়। বর্তমান সময়ে ওয়েব পেজ ইন্টারফেস দিয়ে কিন্তু সবকিছু করা যায় আর সেই জন্যই কিন্তু এই জুপিটার নোটবুক কিন্তু অসম্ভব জনপ্রিয়। আর সে কারণেই কিন্তু আমরা আজকে কথা বলব জুপিটার নোটবুক নিয়ে। নোটবুক মানে একদম নোটবুকের মতো। মানে এখানে একটা নোটবুকে আমরা বিভিন্ন প্রোগ্রামিং ল্যাঙ্গুয়েজ কিন্তু রান করতে পারব। এটা এমন একটি ইন্টারফেস যেখানে কিন্তু আপনি নিজে কাজ করবেন এবং তার পাশাপাশি এটাকে শেয়ার করা যাবে বাকি সবার সাথে এবং সবাই সেখানে মতামত দিতে পারবে। আপনার নোটবুককে যখন আপনি শেয়ার করবেন, হয়তোবা আর অথবা অন্যান্য কার্নালে লেখা যদি থাকে তাহলে সেটা কিন্তু আপনি শুধুমাত্র শেয়ার না, এটা কিন্তু আসলে সবাইকে দেখাতে পারবেন। আর জুপিটার নোটবুক কিন্তু প্রোগ্রামারদের নোটবুক বলে কিন্তু আমরা ভুল বলবো না। কারণ এখানে আপনি একাধারে বিভিন্ন প্রোগ্রামিং ল্যাঙ্গুয়েজ চালাতে পারবেন একটা ইন্টারফেসের মাধ্যমে। অর্থাৎ বিভিন্ন কার্নাল বিভিন্ন সময় আপনি ব্যবহার করতে পারবেন। আপনার জুপিটার নোটবুকে আপনি পাইথনের পাশাপাশি আর, সি প্লাস প্লাস অথবা অন্যান্য অনেক প্রোগ্রামিং কিন্তু চালানো যাবে এই একই ইন্টারফেসে। আমরা অনেক সময় প্রোগ্রামের মাঝখানে কমেন্ট লিখি। আমরা এখানে মার্কডাউনটা ব্যবহার করে এর মাঝে মাঝে আমরা বিভিন্ন কমেন্ট লিখতে পারি যাতে অন্যান্যরা বুঝতে পারেন আসলে আমরা কি লিখতে চাচ্ছি। মেশিন লার্নিং এর কাজগুলো কিন্তু আইটারেট করতে হয়। তার মানে হচ্ছে কি এর আগেও যেতে হয় এবং পরেও যেতে হয় এবং এর ফলে যেটা হচ্ছে আপনি কিন্তু আগে এবং পরে নিজের মতো করে লিখে আবার সেটাকে ঠিকমতো কাজ করে করতে পারবেন। যেহেতু বারবার আপনাকে আগে-পিছনে করতে হয়, তার মানে হচ্ছে কি আপনাকে আগে এবং পিছনে বিভিন্ন কোড চেক করার জন্য কিন্তু এই জুপিটার নোটবুক কিন্তু অসম্ভব জনপ্রিয়। প্রতিটা সেল ধরে ধরে আপনি আগাবেন এবং তার পাশাপাশি কিন্তু আপনি ওখানে বলতে পারবেন যে কিভাবে কাজগুলো এগচ্ছে। ডকুমেন্ট শেয়ার করার জন্য জুপিটার নোটবুক অসম্ভব ভালোভাবে কাজ করতে পারে। আপনি যেকোনো জিনিস সেভ করে নিয়ে আপনি গিটহাব বা অন্যান্য পেইজে যদি এটাকে আপনি পাঠান, এটা কিন্তু আবার চমৎকারভাবে রেন্ডার করতে পারবে অন্যান্য সব জায়গায়। তার মানে আপনার পিসিতে আপনি যেটাকে পাঠাবেন, অন্যান্য পিসিতে আবার সেটাকে চমৎকারভাবে রেন্ডার করা যায়। শেয়ার করার সবচেয়ে বড় সুবিধা হচ্ছে আপনি এখানে যেটা সেভ করছেন সেটা আপনি আপনার বন্ধুর পিসিতে কিন্তু সেটা আবার আগের মতোই আপনি যে এনভারনমেন্টে রেন্ডার করেছিলেন সেভাবে কিন্তু তার এনভারনমেন্টে পুরো সবকিছু সহ রেন্ডার হবে। তো বসে আছি কি জন্য? চলুন আমরা ইনস্টল করে নেই জুপিটার নোটবুক আমাদের পাইথন এবং আর এর জন্য। চলুন আমরা চলে যাই অ্যানাকোন্ডা প্যাকেজ সাইটে এবং সেখান থেকে ডাউনলোড করে নেই এই পুরো অ্যানাকোন্ডা প্যাকেজ। আপনি চাইলে মিনি অ্যানাকোন্ডা প্যাকেজটাও ইনস্টল করতে পারেন। তবে আসলে মিনিকন্ডা বলুন আর যাই বলুন শেষমেষ আসলে পুরো প্যাকেজটা করাটাই ভালো হবে আমাদের জন্য। অ্যানাকোন্ডা প্যাকেজ ইনস্টল করা কোন সমস্যাই নয় এবং আমি আপনাকে এটুকু বলতে পারি যে এইটা যেকোনো উইন্ডোজ প্রোগ্রামিং এর মতো আপনার আপনি এই অ্যানাকোন্ডা প্যাকেজটাকে অন্যান্য উইন্ডোজে যেকোনো প্যাকেজের মতো ইনস্টল করবেন সবকিছু ডিফল্ট হিসেবে রেখে এবং আমি আপনাকে দেখিয়ে দিচ্ছি কিভাবে ইনস্টল করতে হয়। তার পাশাপাশি আমরা আর কে আর নোটবুকটাও ইনস্টল করে নেব। ফলে আপনি একই সেটিং এ বসে আর এবং পাইথন কার্নাল চালাতে পারবেন এবং আমি আপনাকে সেটা দেখিয়ে দেবো এখানে। চলুন তাহলে চালু করা যাক জুপিটার নোটবুক। আমাদের জুপিটার নোটবুক চালাতে যেতে হবে রান অথবা ফাইন্ড কম্যান্ডে। আমরা সরাসরি লিখে ফেলি জুপিটার নোটবুক। চলে আসবে একটা ডেস্কটপ আইকন। ক্লিক করুন। চালু হয়ে যাবে আমাদের জুপিটার নোটবুক। একটা অসাধারণ জিনিস বলতে গেলে। আমাদের জুপিটার নোটবুকটা চালু হবে একটা ব্রাউজার উইন্ডো নিয়ে যেটাকে আমরা বলতে পারি ফাইল এক্সপ্লোরার। নোটবুকের ডেমো কি দরকার পড়বে? আমার মনে হয় আমি আপনাকে অলরেডি নোটবুকের পুরো একটা ডেমো দেখিয়ে দিয়েছি। তো বিদায় আজকের মতো। ধন্যবাদ আপনাকে।

১ মিনিটে মেশিন লার্নিং

'ইন্টারনেট অফ থিংস'.mp3

মেশিন লার্নিং এর সাথে ইন্টারনেট অফ থিংস এর একটা বিশাল সম্পর্ক আছে। আমাদের সচরাচর যে প্রশ্ন থাকে সেটার উত্তর আসবে ডেটা থেকে। সেটাই মেশিন লার্নিং। সাধারণত এই ধরনের ডেটাগুলো জেনারেট করছে আমাদের সাথে বিভিন্ন যন্ত্র। ধরুন আমাদের কম্পিউটার বা মোবাইল ফোন এগুলো কিন্তু প্রতিদিন প্রচুর ডেটা জেনারেট করছে। এর পাশাপাশি আসছে ইন্টারনেট অফ থিংস। যেগুলো আসলে আরো প্রচুর ডেটা জেনারেট করবে আমাদের সামনের দিনগুলোতে। সে কারণে কিছু আইওটি ধারণা রাখা ভালো। ধরা যাক আমাদের বাসাগুলোর কথা যেখানে প্রচুর সেন্সর থাকবে। সবগুলো কানেক্টেড থাকবে একটা হাবের কাছে। বাসায় আপনি আছেন কিনা মোশন সেন্সর ডিটেকশন অথবা বাসায় যে পানিগুলো আছে সে পানিগুলো ঠিকমতো গরম হচ্ছে না ঠান্ডা হচ্ছে সেগুলো কিন্তু আসলে দেখবে আমাদের এই সেন্সরগুলো। এই সেন্সরগুলো কিভাবে ডাটা পাবে? আসলে বিভিন্ন আইওটি ডিভাইস থেকে। আর এই সেন্সরগুলো কিন্তু আইওটি ডিভাইসের একটা পার্ট। তবে আইওটির শুরুতে আমরা যে ডিভাইসটার কথা চিন্তা করি সেটা হচ্ছে আরডুইনো। আরডুইনো যদিও একটা ছোট্ট জিনিস কিন্তু এটার মাধ্যমে প্রচুর জিনিস অটোমেট করা যায়। আমাদের আজকের আরডুইনো হচ্ছে আরডুইনো ন্যানো। যেটা হচ্ছে ছোট্ট একটা ফুটপ্রিন্টে কাজ করে এবং এটার আসলে ইন্টারনেটে এই মুহূর্তে কানেকশন আমরা নিচ্ছি না। আমাদের আইওটি ডিভাইসগুলোকে আস্তে আস্তে আমরা ইন্টারনেটে কানেক্ট করব। তবে তার আগে দেখতে চাইবো যে এগুলো আসলে স্ট্যান্ড অ্যালোন ভাবে কিভাবে কাজ করে। শুরুতে আমাদের লাগছে আরডুইনো ন্যানো একটা ডিভাইস। তার পাশাপাশি ব্রেডবোর্ড এবং আরো কিছু যন্ত্রপাতি। আরডুইনো ন্যানো শুরুতে আমরা কানেক্ট করছি ব্রেডবোর্ডে এবং সেখানে আমরা ডি 12 কে কানেক্ট করছি এখানে ডিজিটাল আউটপুট হিসেবে। এখানে ডি 12 হচ্ছে ডিজিটাল সিগন্যাল যেটাকে আমরা হাই অথবা লো দিয়ে ভোল্টেজ দিয়ে কানেক্ট করব। যেহেতু এখানে ফাইভ ভোল্টের একটা ব্যাপার আছে তা আমরা চাচ্ছি না এখানে এলইডি অথবা মাইক্রোকন্ট্রোলারটাকে নষ্ট করতে। সে কারণে আমরা এখানে একটা রেজিস্টার লাগাচ্ছি। তার মানে হচ্ছে ডি 12 থেকে আমরা যাচ্ছি রেজিস্টারে। রেজিস্টার থেকে আমরা যাচ্ছি এলইডিতে এবং এলইডির লম্বা পাটা আমরা নিয়ে আসতেছি ডি 12 এর দিকে। আমরা এলইডির ছোট পাটা লাগাবো গ্রাউন্ডে এবং গ্রাউন্ডটা আমরা কিন্তু ওপাশে ব্রেডবোর্ডে লাগাচ্ছি। আমাদের আরডুইনো বোর্ডে আরডুইনো বোর্ডকে টেস্ট করার জন্য এলইডি থ্রি যেটা হচ্ছে পিন থার্টিনে লাগানো আছে। তার মানে আমরা এখানে দুটো এলইডিকে ট্রাই করতে পারি। একটা হচ্ছে পিন থার্টিন এবং তার পাশাপাশি আমরা ডি 12। এখানে ডি 12 টা আসলে পিন 12 হিসেবে কাজ করছে। এখন সবকিছু লাগানো শেষ। এখন চলি কম্পিউটারে। আমাদের আরডুইনো আইডিতে আমরা আসলে পিন 12 এবং পিন 13 যেটাকে আমরা কানেক্ট করছি সেখানে কিন্তু দুটোতে একটা ডিলে দিব। এটা একটা লুপ। সেখানে কিন্তু আমরা ডিলে দিব এক সেকেন্ড করে। তার মানে হচ্ছে গিয়ে প্রতি এক সেকেন্ড পর পর পিন 12 এবং পিন 13 পাশাপাশি লুপে চলতে থাকবে। আরডুইনোকে এই স্কেচগুলো মানে যেগুলো আমরা আরডুইনোতে প্রোগ্রাম করি সেগুলোকে আমরা স্কেচ বলি। তো এই স্কেচগুলো যদি আমরা প্রপারলি দেখি তাহলে কিন্তু এখানে ডি 12 এবং ডি 13 কে আমরা কিন্তু এক সেকেন্ড পর পর আমরা লুপ করছি। তার মানে একেকবার ভোল্টেজ হাই এবং ভোল্টেজ লো করছি এই পিন দুটোকে এবং তার পাশাপাশি আপনি দেখুন আমরা ডি 13 এবং ডি 12 যেখানেই করি না কেন সেখানে একটা গ্রাউন্ডকে কানেকশন রেখেছি। তার মানে হচ্ছে গিয়ে আমাদের ডি 12 এর আউটপুটে যাচ্ছে কিন্তু গ্রাউন্ড হয়ে। তো আমরা আপলোড করি এই স্কেচটাকে আমাদের মাইক্রোকন্ট্রোলারের বোর্ডে। এরপরে আমরা এটাকে ডিসকানেক্ট করি কম্পিউটার থেকে। কেমন হয় আমাদের আরডুইনোকে বাহিরের একটা পাওয়ার সোর্স থেকে চালালে? দেখুন আমরা একটা পাওয়ার ব্যাংক থেকে চালাচ্ছি এই আরডুইনো বোর্ডটা। চলছে কিন্তু। আজকের মতো এখানেই। ধন্যবাদ সঙ্গে থাকার জন্য।

১ মিনিটে মেশিন লার্নিং

১ মিনিটে মেশিন লার্নিং ০১.mp3

মেশিন লার্নিং তো আগেও ছিল, হঠাৎ এটা নিয়ে এত মাতামাতির কারণ কি? একদম ঠিক বলেছেন। আসলে এত মাতামাতি কি আছে? 1950 সালে মেশিন লার্নিং এর মত আরও কিন্তু অনেক জিনিসপত্র চলছিল কোনো না কোনোভাবে। এবার হিস্টরি ঘেটে দেখা গেল 1940 সালে প্রোগ্রামেবল যে ডিজিটাল কম্পিউটারগুলো বের হয়েছিল তার সাথে ম্যাথমেটিক্যাল রিজনিং নিয়েও কিন্তু কথা হচ্ছিল ওই সময়। আর 1956 সালে কৃত্রিম বুদ্ধিমত্তা নিয়ে কিন্তু একটা ওয়ার্কশপ হয়েছিল কলেজে। এর পাশাপাশি আমরা যেটাকে বলি এআই উইন্টার মানে বেশ অনেকদিন ধরে কিন্তু কোন ধরনের ইনভেস্টমেন্ট আসেনি এআই এর উপরে। এরপরে দেখা গেল 80র দশকে জাপান সরকার আবার নতুন করে এই এআই প্রজেক্টের উপরে টাকা ঢালতে শুরু করে। তবে মানুষ মেশিন লার্নিং এর আসল সুবিধা পেতে শুরু করেছে কিন্তু গত 10 বছরে। আর এই 10 বছরে যা দেখিয়েছে সেটাই কিন্তু এই মাতামাতির বড় কারণ। এর পেছনে দুটো কারণ আছে। প্রথমটা হচ্ছে প্রসেসর ক্ষমতা বেড়েছে হাজার গুণ। আপনিই বলুন আপনার মোবাইল ফোনের ক্ষমতা এখন কিন্তু ল্যাপটপ থেকে অনেক অনেক বেশি। কিভাবে হল এটা? তার মানে হচ্ছে গিয়ে প্রসেসরের যে মিনিচারাইজেশন মানে এক ন্যানোমিটার স্পেসে বিলিয়ন ট্রানজিস্টর আটকাতে পারার সক্ষমতা। তার মানে প্রচুর ডাটাকে প্রসেস করতে পারছে এক সেকেন্ডে। আর মোবাইল ফোনের মধ্যে চলে এসেছে হেক্সাকোর আর এর সঙ্গে 64 বিট প্রসেসরের মত সক্ষমতা। অবাক ব্যাপার হচ্ছে এই অল্প পাওয়ারে চলছে এই ধরনের প্রসেসর। যেমন আমার হাতের যে স্মার্ট ওয়াচটা আছে সেটা কিন্তু চলছে গত সাত দিন একটানা কোন চার্জ ছাড়া। তার মানে প্রসেসরগুলো বিদ্যুৎ সাশ্রয়ী হয়েছে অনেক অনেক গুণ। দ্বিতীয় কারণ হচ্ছে প্রচুর ডাটা এখন আছে আমাদের হাতে। সেই ডাটাগুলোকে প্রসেস করতে পারছি আমরা অনেক অনেক জ্ঞান এবং অনেক প্রজ্ঞা। আর আমাদের হাতের মোবাইল ফোনগুলো কিন্তু প্রতিদিন জেনারেট করছে প্রচুর ডাটা। আর সেই ডাটাগুলো বলছে আমরা কে কেমন, আমরা কি চাই। ধরা যাক Amazon আগে থেকে বলে দিতে পারে আমি কি কিনব এরপরে অথবা আমার কি দরকার সেটা কিন্তু আগে থেকেই বলে দিতে পারছে Amazon। আর সেই ডাটার জোরে Netflix জানে আমার পছন্দের মুভিগুলো। এর পাশাপাশি বলতে পারে কি ধরনের মুভি দেখব সামনের উইকেন্ডে। এই ডাটার জোরেই কিন্তু আমরা এক্সাক্টলি জানি কখন পৌঁছাবো বাসায়। সামনের দিনগুলোতে বলতে পারব কবে বা কবে নাগাদ আমাদের ডায়াবেটিস হতে পারে অথবা কি ধরনের শারীরিক সমস্যা আসতে পারে সামনে। আজ এই পর্যন্তই বিদায়।

১ মিনিটে মেশিন লার্নিং

১ মিনিটে মেশিন লার্নিং ০৪.mp3

আজকে আমরা মেশিন লার্নিং এ এক মিনিটে আলাপ করবো ডেটা ভিজুয়ালাইজেশন নিয়ে। একটা কথা আছে না ছবি কথা বলে অথবা একটা ছবি হাজারো লেখার সমান। চলুন দেখি আমাদের টাইটানিকের ট্রেন ডেটা ফ্রেমটা আসলে দেখতে কেমন। মানে আমি বলতে চাচ্ছি ভিজুয়ালি কি ধরনের বা কি পরিমাণের ডেটা এখানে নেই সেটাই কিন্তু দেখাবে আমাদের এই আউটপুটটা। আগেই বলেছিলাম আর এনভারমেন্টের দক্ষতা কিন্তু এর প্রতিটা প্যাকেজে। আর এখানে এমন একটা ফাংশন ব্যবহার করবো এখানে যেটা হচ্ছে মিস ম্যাপ। মানে মিসিং ডেটার একটা ম্যাপ আমাদেরকে দেখাবে এখানে। আর এর কাজ হচ্ছে ডেটার ভেতর থেকে দেখানো কতটুকু ডাটা লাপাত্তা মানে ডাটাটা মিসিং আছে। এই ডেটা প্রসেসিং এর একটা বড় অংশ হচ্ছে আপনি এর ভেতরে কতটুকু জানেন। আর আমাদের এইজন্যই কিন্তু প্রয়োজনীয় অনেক প্যাকেজ আছে আমাদেরকে সাহায্য করবে ডেটার ভেতরে ঢোকার জন্য। আচ্ছা আমরা প্রথমেই ইন্সটল করে নেই অ্যামেলিয়া নামে একটা প্যাকেজ। কেন অ্যামেলিয়া? আপনারা তো অনেকেই জানেন অ্যামেলিয়া ইয়ারহার্ট বলে একজন মহিলা পাইলট যিনি আসলে হারিয়ে গিয়েছিলেন পৃথিবী পাড়িতে গিয়ে। তার নামে আসলে এই মিসিং ম্যাপ যে ফাংশনটা সেই প্যাকেজটা তৈরি করা হয়েছে। আমাদের অ্যামেলিয়া প্যাকেজটি ইন্সটল করা শেষ। তো আমরা এখন লোড করে নিচ্ছি প্যাকেজটাকে। আমাদের ট্রেন ডেটা ফ্রেমটি দেখতে বললাম এই ফাংশন মিস ম্যাপকে সঙ্গে টাইটেল আর লাপাত্তা ভ্যালু মানে যে ভ্যালুগুলো আসলে এখানে নেই তার জন্য হলুদ রং আর বাকিটা কালো। লিজেন্ড জানি বলি আর এখানে ব্যবহার করছি না লিজেন্ডটাকে। আমরা যদি একটু ভালোভাবে দেখি এখানে দেখা যাবে বয়সের সাথে প্রায় 20 শতাংশ ডেটা কিন্তু আগে থেকে নেই। আর 70 শতাংশের মতো যাত্রীদের কোন কেবিনের সাথে কানেক্ট করা যাচ্ছে না। তারমানে এগুলো কিন্তু এক একটা চ্যালেঞ্জ। তবে আমরা সব সামনে সামলে নেব।

১ মিনিটে মেশিন লার্নিং

১ মিনিটে মেশিন লার্নিং ০৩.mp3

আপনি ডেটা সাইন্স নিয়ে কাজ করতে গিয়ে ক্যাগল ক্যাগল বলে পাগল করে ফেলছেন সবাইকে। কাহিনী কি? একটা গল্প বলবো? আমার ভাই ইউনিভার্সিটি অফ ব্রিটিশ কলম্বিয়াতে যখন পিএইচডি করছিল তখন সে কয়েকটা কমিক বই পাঠায় আমার বাচ্চাদের কাছে। কমিক ধরনের বই তবে পিএইচডি রিসার্চদের হাজারো সমস্যা নিয়ে কিন্তু তৈরি করা হয়েছে বইগুলো। বেশ কিছু সমস্যার কথা ওখানে দেখানো হয়েছিল। তবে ওখানে একটা ডেটার কনসেপ্ট পাই। মানে ডেটা থেকে কিভাবে ধারণা পাওয়া যায়। তো সেটা একটা অনেক কষ্টের জীবন। মনে হলো আমিও শুরু করি। দেখি কাহিনী কি। সেটা অবশ্য পরের ঘটনা। আমার নিজের জীবনে একটা বড় বদঅভ্যাস হচ্ছে ডেটার ভেতরের গল্পটা বের করা। মানে কি বলতে চায় এক একটা ডেটা। তো সেই হিসেবে আমরা যখন ডেটার ভেতরে ঢুকি তখন দেখতে পাই ডেটার স্টোরি টেলিং ক্ষমতা কিন্তু অসম্ভব ভয়ঙ্কর। আর সে কারণেই কিন্তু ক্যাগলের সাথে কাজ করা। ক্যাগলের কাজ হচ্ছে ডেটা থেকে কিভাবে গল্প বের করতে হয়। চলুন তাহলে শোনা যাক এখন ক্যাগলটা কি। এটা একটা স্পেশালাইজড কোম্পানি। যার কাজ হচ্ছে ডেটার ভেতর থেকে প্যাটার্ন মানে ডেটা কি বলছে সেটার একটা প্রেডিকশন বের করে দেয়া। বিভিন্ন দেশের সরকার অথবা বড় বড় কোম্পানি মানে এই ক্যাগলের ক্লায়েন্ট। কোম্পানিগুলো ক্যাগলকে বরং পয়সা দেয় তাদের সমস্যাগুলোকে কম্পিটিশন হিসেবে তৈরি করে দেবার জন্য। পৃথিবী থেকে হাজারো মানুষ এই কম্পিটিশনে এসে সমস্যার সমাধান মানে বিভিন্ন অ্যালগরিদম তৈরি করে দেয়। হয়তোবা সেই সমস্যা মেটাতে তাদের কয়েকশো মিলিয়ন ডলার খরচ হলে পুরস্কার হিসেবে কয়েক মিলিয়ন ডলার দেওয়া তো আসলে কোন সমস্যা নয়। ধরা যাক একটা ওষুধ কোম্পানি তাদের ওষুধ তৈরিতে রিসার্চে যা লাগে তার একটা অংশ যদি ক্যাগলে দেয় তাহলে ক্যাগল থেকে কিন্তু একটা চমৎকার অ্যালগরিদম তৈরি করে দিতে পারে সবাই মিলে। আমরা যদি ক্যাগলের ওয়েবসাইটে যাই তাহলে এই মুহূর্তে দেখা যাচ্ছে 268 টা কম্পিটিশন চলছে এই একই সময়ে। দুই নাম্বারে যে প্রাইজটা আছে সেটা দেয়া আছে 10 কোটি টাকার মতো। একটা রিয়েল এস্টেট বিজনেসের বাড়ির দামের প্রেডিকশন বের করার জন্য। মজার কথা হচ্ছে সেখানে কিন্তু অলরেডি কাজ করছে প্রায় 4000 টিম। আর এক নাম্বারে আছে প্যাসেঞ্জার স্ক্রিনিং অ্যালগরিদম চ্যালেঞ্জ যেটা আসলে এসছে ডিপার্টমেন্ট অফ হোমল্যান্ড সিকিউরিটি থেকে। এটার পুরস্কার দেয়া আছে প্রায় 12 কোটি টাকার মতো এবং এখানে কাজ করছে 518 টা টিম। আপনারা জানেন একটা এয়ারপোর্টে যদি একটা ফলস অ্যালার্মের কারণে পুরো এয়ারপোর্ট কিন্তু স্থবির হয়ে যেতে পারে। সেখানে একটা চমৎকার যদি অ্যালগরিদম বের করা যায় যার মাধ্যমে এই স্ক্রিনিংটা কিন্তু আরো ভালোভাবে কাজ করা যেতে পারে। এয়ারপোর্টের সিকিউরিটি স্ক্রিনিং নিয়ে কিন্তু সবারই একটা মনে কষ্ট আছে। প্রতিটা এয়ারপোর্টে যাবার সময় কিন্তু আমাদের যে কষ্ট করতে হয় সেটার জন্য কিন্তু এই অ্যালগরিদম। এই অ্যালগরিদম কিন্তু আগে থেকেই প্রেডিক্ট করতে পারবে আসলে কোথায় সমস্যা এবং আগে থেকেই জানান দিতে পারবে কিভাবে সেই সমস্যাটা উত্তরণ হওয়া যায়। আর সে কারণেই কিন্তু ইউএস ট্রান্সপোর্টেশন সিকিউরিটি এজেন্সি যেখানে আমরা বলি টিএসএ তারা কিন্তু নরমাল প্রকিউরমেন্ট প্রসিডিউর থেকে বের হয়ে এসছে ডেটা সাইন্স কমিউনিটির কাছে যাতে ডেটা সাইন্স কমিউনিটি তাদেরকে সাহায্য করতে পারে একটা অ্যালগরিদম দিয়ে। এই মুহূর্তে টিএসএ কিন্তু আসলে অনেক ইকুইপমেন্ট কিনছে বাইর থেকে। তবে দেখা গেছে এইগুলোর অ্যালগরিদম কিন্তু বেশ পুরনো। আর সেজন্যই কিন্তু টিএসএ এসছে ডেটা সাইন্স কমিউনিটির কাছে যাতে তারা বলে দিতে পারে একটা মানুষের চালচলন এবং তার বডি টাইপ বা তার কাপড় চোপড় পড়া বা অন্যান্য ভাবভঙ্গি থেকে যে সেটা আসলে কতটুকু সিকিউরিটি অ্যালার্ট জেনারেট করবে। আর সেই অ্যালগরিদম তৈরি করতে 12 কোটি টাকার একটা পুরস্কার তো কোন ব্যাপারই নয়। আমার ধারণা আপনি বুঝতে পেরেছেন কেন আমি সারাদিন ক্যাগল ক্যাগল করি। আসলে মেশিন লার্নিং যদি শিখতে চাই তাহলে এই প্রতিযোগিতার উপরে আর কিছু হয় না। পুরস্কার বাদই দিলাম কিন্তু তার পাশাপাশি অন্যান্য শিক্ষণীয় ছোট ছোট প্রজেক্ট নিয়ে কিন্তু শুরু করতে পারি আমরা। আজকের মতো বিদায়। ধন্যবাদ আপনাদের সবাইকে।

১ মিনিটে মেশিন লার্নিং

কৃত্তিম বুদ্ধিমত্তা, আমরা কোথায়.mp3

চলুন কৃত্রিম বুদ্ধিমত্তা নিয়ে একটু আলাপ করি। অনেকেই বলতে পারেন আমরা এখন কোথায় মানে কৃত্রিম বুদ্ধিমত্তায়। পৃথিবীর জন্মের পর থেকে মানুষ আর পশু তারা কিন্তু ছিল পাশাপাশি। মানুষ পশুকে ছাড়িয়ে যায় জ্ঞান দিয়ে। তবে সেই জ্ঞানের ডিফিউশন আসে আরো অনেক পরে। আমার ধারণা জ্ঞানের ডিফিউশনটা অন্য লেভেলে যায় যখন প্রিন্টিং প্রেস আবিষ্কার হয়। তারপর এসেছে 1400 সাল। সময় কিন্তু থেমে থাকেনি। বাষ্পীয় ইঞ্জিন কিন্তু মানুষকে দিল অনেক অনেক শক্তি। মানে মানুষকে আর ব্যবহার করতে হবে না পাশবিক শক্তি। তবে চলে এলো অনেক হর্সপাওয়ার। এরপরে এলো তেলের ইঞ্জিন। কৃত্রিম সূর্যের মত ক্ষমতা নিয়ে এলো বিদ্যুৎ। ইন্ডাস্ট্রিয়াল রেভোলিউশনের পাশাপাশি চলে এলো ইন্টারনেট। আর আটকায় কে মানুষকে? সবকিছুই বাড়ছে এক্সপোনেনশিয়াল গ্রোথে। তার মানে হচ্ছে আমরা একটা ওয়াই এক্সিসে মানুষ সভ্যতার অগ্রগতি আর এক্স এক্সিসে যদি আমরা সময়কে ফেলি তাহলে কিন্তু আমরা একটা ক্রস রোডে দাঁড়িয়ে আছি এই মুহূর্তে। কৃত্রিম বুদ্ধিমত্তায়। মানুষের বুদ্ধিমত্তা যে বাড়েনি সেটা কিন্তু বলিনি আমরা। আমরা বলেছি মানুষের বুদ্ধিমত্তাকে ছাড়িয়ে যাবে কৃত্রিম বুদ্ধিমত্তা 2035 সালে। তো আমরা কোথায় এখন? আমরা যদি জ্ঞানের উৎকর্ষের পাশাপাশি সময়কে ফেলি তাহলে দেখা যাচ্ছে মানুষের বুদ্ধিমত্তা কিন্তু খুব একটা এগোয়নি। তার পাশাপাশি কৃত্রিম বুদ্ধিমত্তা যতটুকু এগিয়েছে সেটা কিন্তু অনেক দূর ছাড়িয়ে যাবে 2035 সালে। বুঝতেই পারছেন আমরা কোথায়। আমরা তো সেটাই চাচ্ছি। আমাদের কাজ সবকিছু অফলোড করব যন্ত্রের কাছে। মানুষের কাজ অন্য। আমরা ছুটে বেড়াবো গ্রহ থেকে গ্রহান্তরে। আজকে এখানেই বিদায় টানছি। দেখা হবে সামনে।

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

কৃত্রিম বুদ্ধিমত্তা এর পেছনে এতো 'হাইপ' কেন.mp3

আজকে আমরা কৃত্রিম বুদ্ধিমত্তা নিয়ে এত কথা বলছি, এটার পেছনে যে এক্সাইটমেন্ট, আমরা বারবার বলছি যে এই কৃত্রিম বুদ্ধিমত্তার পেছনে বিলিয়ন ডলার ইনভেস্টমেন্ট আসছে। অর্থাৎ এর পেছনে একটা আকাশচুম্বী উচ্ছাসা তৈরি হয়েছে। এখন আমাদের প্রশ্ন হতে পারে এগুলোর পেছনে কি কি ফ্যাক্টর কাজ করছে। আপনাদের মনে আছে এর আগে প্রায় দুবার এআই উইন্টার হয়ে গেছে। এর মানে হচ্ছে এ ধরনের একটা হাইপ তৈরি হয়েছিল সেই ১৯৫০ সালে। আর এরপরে কিন্তু আরেকটা হাইপ তৈরি হয়েছিল ১৯৭০ থেকে ৯০ সালের দিকে। আমরা দেখেছি যে এরকম এক একটা হাইপের পরে তাদের যে ইনভেস্টমেন্ট থাকে সেটা মার খেয়ে গেলে এই কৃত্রিম বুদ্ধিমত্তা আমলে আর্টিফিশিয়াল ইন্টেলিজেন্স উইন্টার মানুষের অনেক ইনোভেশন কমিয়ে দেয়। তবে এর আগে যতই এআই উইন্টার আসুক এবারের এক্সাইটমেন্ট এআই উইন্টার হবার নয়। আমি যেটা বলতে চাইছি এবারও কিন্তু এআই এর জন্য প্রচুর হাইপ উঠেছে তবে এবার সেটা এআই উইন্টারে যাবে না। এর কারণ প্রথমত প্রচুর ডেটা মানে আমাদের হাতে এখন এত ডেটা এসেছে আমরা কিন্তু নিজেরাও বুঝতে পারছি না যে এরকম ডেটা প্রসেসিং আমাদের করতে হবে সেরকম আমরা চিন্তাই করতে পারিনি। আপনি ধরুন আমাদের হাতে যে একটা মোবাইল ফোন আছে সেগুলো যে প্রতি সেকেন্ডে কত লগ জেনারেট করছে সেটা তো আমরা কখনোই জানতাম না। এর পাশাপাশি প্রচুর সেন্সর এসছে যেমন আমাদের গাড়িতে যে সেন্সরগুলো এসছে বা হাউসহোল্ড যে যন্ত্রপাতিগুলো আছে সেগুলোর যে সেন্সর সেগুলো যে আইওটি ডিভাইস হিসেবে যত লগ জেনারেট করছে সেগুলোকে প্রসেস করতে গেলেই কিন্তু আমাদের লাগছে মেশিন লার্নিং। আপনাদের মনে আছে আমরা যখন Google ট্রেন্ডে আগে প্রায় 10 বছর আগে দেখতাম বিগ ডেটা। সেই বিগ ডেটার সময় আমরা প্রচুর ডেটা জমিয়েছি ভবিষ্যতের জন্য। তখন আমাদের কাছে ডেটা ছিল কিন্তু সেই ডেটাকে প্রসেস করে সেটাকে ভিজুয়ালাইজ করা এবং সেটা থেকে জ্ঞান আহরণ করতে পারাটা তখন কিন্তু আমরা পারিনি। কারণ একটাই তখন আমরা মেশিন লার্নিং মডেলগুলো স্কেলে কাজ করতে পারতো না। আপনারা বলতে পারেন যে সেই বিগ ডেটার যুগে বিশেষ করে 20 বছর আগে তখন ডেটা স্টোর করতেই কিন্তু আমাদের অনেক ঝামেলা হতো। এখন আপনারা দেখছেন যে ডেটা স্টোরেজের যে সহজলভ্যতা বিশেষ করে এই ডেটার পাশাপাশি আমাদের প্রচুর ডেটা স্টোর করার জন্য যে ডিভাইসগুলো ছিল সেগুলোর দাম কিন্তু কমছে অনেক। আগে আমার পার্সোনাল স্টোরেজ কেনার জন্য যে কষ্ট হতো এখন সেই একই দামে একটা বাসায় ন্যাস লাগাতে পারছি। অর্থাৎ একই দামে আমি একটা হার্ড ডিস্ক পাচ্ছি না পাশাপাশি আমি একটা অপারেটিং সিস্টেম সহ একটা নেটওয়ার্ক অ্যাটাচ স্টোরেজ ডিভাইস পাচ্ছি। যেটাকে আপনি কোনোভাবে আপনার বাসার ল্যানে কানেক্টেড করে ফেলে রাখতে পারেন বছর পর বছর। যেটা অনেকটাই কাজ করে বাসার নিজস্ব প্রাইভেট ক্লাউডের মতো। আপনি নিশ্চয়ই বুঝতে পারছেন যে আপনার হাতের মোবাইল ফোনের যে প্রসেসিং পাওয়ার বা প্রসেসিং ক্ষমতা সেটা কিন্তু আপনার পিসির প্রসেসিং ক্ষমতার প্রায় কাছাকাছি। আমরা কখনোই ধারণা করতে পারিনি যে একটা জিপিউ সেটা লাগবে মেশিন লার্নিং মডেলের জন্য। এখানে আমরা যে জিনিসটা দেখছি এখানে আসল অ্যাডভান্সমেন্টটা এসছে বিশেষ করে ডিপ লার্নিং এ যেটা আসলে আমরা গেমিং ইন্ডাস্ট্রি থেকে জিপিউ গুলোকে নিয়ে এসেছি। আমরা যেটা দেখছি যে ডিপ লার্নিং এর জন্য যে বিশেষ ধরনের অংক দরকার সেই ম্যাট্রিক্স মাল্টিপ্লিকেশন গ্রাফিক্যাল প্রসেসরে অসাধারণ কাজ করছে। এটা ঠিক যে আমরা 1950 সালে যে ধরনের অ্যালগরিদম ব্যবহার করতাম সেই একই অ্যালগরিদম এখন ইউজ করছি। তবে সেই অ্যালগরিদম গুলোর কিছু বাড়তি ফিচার আমাদেরকে অনেক এগিয়ে দিয়েছে। এখানে আমরা যদি ব্যাক প্রপাগেশনের কথা বলি এটা আমাদের ডিপ লার্নিং এর শেখার জন্য প্রচুর মাইলেজ দিয়েছে। এটা না হলে আমাদের এরর কারেকশনে অনেক কষ্ট করতে হতো সামনে। আর ফাইনালি আমি অবশ্যই বলবো ক্লাউড কম্পিউটিং প্ল্যাটফর্মগুলো আমাদেরকে বিশাল একটা চয়েস দিয়েছে যেখানে আমার পছন্দমত বিশেষ করে লিনাক্স বা উইন্ডোজ বা ইউনিক্স বেইজ সলিউশন চাইলে সে ধরনের একটা ভার্চুয়াল প্ল্যাটফর্ম আমি বানাতে পারছি সেকেন্ডেই। যেমন ধরুন আমার বাসায় আমার জন্য কোনো হাই এন্ড পিসি নেই। এর অর্থ হচ্ছে আমার হাতে একটা সামান্য রাজবেরি পাই থাকলেও ইন্টারনেট দিয়ে যুক্ত হতে পারছি Google কোলাবের সাথে। এদিকে Google কোলাবেও আছে কিন্তু জিপিউ। আমাকে জিজ্ঞেস করলে বলবো আমার সব ডেটা সেট আছে ক্যাগোলে অথবা গিটহাবে। যেহেতু সব ক্লাউড প্ল্যাটফর্মগুলো কানেক্টেড ইথার চ্যানেলে মানে পুরোপুরি ফাইবার অপটিক্স নেটওয়ার্ক দিয়ে এর ফলে যেকোনো একটা ফাইল গিটহাব বা ক্যাগল থেকে সরাসরি ডাউনলোড করা যাচ্ছে Google কোলাবে সেকেন্ডের মধ্যে। এখন আপনার কাছে আমার একটা প্রশ্ন হতে পারে কেন এই সময়ে কৃত্রিম বুদ্ধিমত্তা কাজ করবে না। আজকে এ পর্যন্তই থাকছেন তো সামনে।

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

ডিপটেক কিভাবে জনগণকে 'এনাবল' করা যায় Enabling citizens to reach what they want using Deep Tech.mp3

এটা ঠিক যে আমি খুব ডিপ টেকনোলজি নিয়ে এক্সাইটেড কারণ ডিপ টেকনোলজি কিন্তু আমাদেরকে আসলে বাঁচাবে সেটা আমাদের দেশ হোক গ্লোবালি হোক ডিপ টেকনোলজি ইজ একচুয়ালি ইজ গোইং টু সলভ আওয়ার প্রবলেম। ইদানিং আমরা যেটা বুঝতে পারছি যে পৃথিবীতে যত প্রবলেম আছে উই হ্যাভ টু সলভ অল দা প্রবলেম বিকজ আমরা যদি আমাদের পৃথিবীর সব প্রবলেমগুলোকে সলভ না করি তাহলে হু ইজ গোইং টু সলভ ইট। সো ইদানিং দেখছি যে ডিপ ডিপ লার্নিং ডিপ টেকনোলজি বা বিভিন্ন জিনিস হাইটেক নিয়ে কাজ করতে গিয়ে একটা জিনিস আমরা বুঝতে পারছি যে যদি আমরা আমাদের ইন্টেলিজেন্স প্রবলেমটাকে সলভ করতে পারি মানে ইফ উই ক্যান সলভ আওয়ার ইন্টেলিজেন্স প্রবলেম দেন দিস ইন্টেলিজেন্স উইল সলভ এভরি আদার প্রবলেম। ব্যাপারটাকে আমি এভাবে বলতে পারি যে আমরা যদি ইন্টেলিজেন্স প্রবলেমটাকে যদি আমরা ঠিকমত ধরতে পারি এবং ইন্টেলিজেন্স প্রবলেমটাকে আমরা ঠিকমত সলভ করতে পারি ইন্টেলিজেন্স প্রবলেমটা যদি আমরা ঠিকমত মিটিগেট করতে পারি দেন দিস সুপার ইন্টেলিজেন্স দেন দিস সুপার ইন্টেলিজেন্স উইল সলভ এভরি আদার প্রবলেম। সো এর মধ্যে অনেকে আমাকে বলেন যে আমি এখন কি পড়ছি বা আমি এটা নিয়ে কি পড়ালেখা করছি। সো যেহেতু এটা কাইন্ড অফ লাইক এআই পাওয়ারড ট্র্যাকিং ডিভাইস অনেকে বলে বা আমি এটাকে বলি যে মেশিন লার্নিং যেহেতু এটার মধ্যে মেশিন লার্নিং আছে সো সিন্স ইট ক্যান ট্র্যাক ইট ক্যান অলসো ট্র্যাক হোয়াট ইজ ইন মাই ডেস্ক। সো আমি যদি এখন বলি যে আমার ডেস্কে এখন কি আছে সেটা যদি আমি দেখতে চাই সো ভয়েলা সঙ্গে সঙ্গে আমি আমার ডেস্ক দেখতে পাচ্ছি। সো এখন আমি আমি অফকোর্স আমি আমার ডেস্ক দেখতে পাচ্ছি। সো ডেস্কে কি আছে এই মুহূর্তে ডিপ টেক। সো আমি ফিরে আসি আমার ইয়েতে পুরনো অংশে। এই ডিপ টেক নেশন এই বইটা পড়তে গিয়ে আসলে অনেক আমি ধারণা পেলাম যে কিভাবে একটা দেশ এগোতে পারে বা কিভাবে একটা দেশ এগোতে পারে এবং এর পেছনে ডিপ টেকনোলজিটা আসলে কিভাবে কাজ করছে। সো বইটার সাথে একটা চমৎকার আমি বলি যে একটা বুকমার্ক এসছে আমি বুকমার্কটা যদি আপনাদেরকে দেখাই যে বুকমার্কটা কিন্তু খুব চমৎকার একটা জিনিস লেখা আছে যে অ্যাজ ফর দা ফিউচার ইউর টাস্ক ইজ নট টু ফোরসি ইট বাট টু এনাবেল ইট। আমি যদি এভাবে বলি যে অ্যাজ ফর দা ফিউচার মানে যদি ফিউচারের কথা চিন্তা করি আওয়ার জব মানে আমাদের টাস্ক ইজ নট অনলি টু ফোরসি ইট মানে শুধুমাত্র প্রেডিক্ট করে না বাট টু এনাবেল ইট মানে আমরা এটাকে কিভাবে এনাবেল করতে পারব আরকি। সো অফকোর্স ইউ ক্যান গেট দিস গেট দিস বুক। আমি যদি এভাবে বলি যে ডু ইউ রিয়েলি ওয়ান্ট টু গেট দিস বুক অফকোর্স এই বইটা ডিপ টেক নেশনে টর্চিয়েচ। ইয়েস। এখানে পাওয়া যাবে। সো আসলে আমি এটা নিয়ে অনেকদিন ধরে চিন্তা করছিলাম এবং গত চার পাঁচ বছর ধরে কিন্তু যে আমাদের যে প্রবলেমটা আছে সেই প্রবলেমটা কি কিভাবে আমরা সলভ করব বা আমাদের যত আমরা প্রবলেম দেখছি তো সেখানে কিন্তু আমরা দেখছিলাম যে ইন্টেলিজেন্সটা আসলে কোথায় মানে কোথায় ইন্টেলিজেন্স আছে এবং কিভাবে আমরা ইন্টেলিজেন্স নিয়ে সমাধানে আসবো আর সেজন্যই কিন্তু এই বইটা লিখেছিলাম যে ইন্টেলিজেন্স সিস্টেমের সন্ধানে মানে ইটস অল এবাউট হ্যাভিং অ্যান ইন্টেলিজেন্স সিস্টেম মানে আমরা বলছি যে ইন্টেলিজেন্স সিস্টেমের সন্ধানে আমরা কিভাবে ইন্টেলিজেন্স সিস্টেম তৈরি করব। সো দিনশেষে যে জিনিসটা ওরা বলেছে যে আওয়ার জব ইজ নট টু প্রেডিক্ট আওয়ার জব ইজ নট টু নট অনলি টু প্রেডিক্ট দা ফিউচার অফকোর্স উই হ্যাভ টু প্রেডিক্ট দা ফিউচার বিকজ ইফ উই ডু নট প্রেডিক্ট দা ফিউচার উই ক্যান নট উই ক্যান নট একচুয়ালি উই ক্যান নট একচুয়ালি প্ল্যান হোয়াট উই ওয়ান্ট টু ডু ইন দা ফিউচার এন্ড হাউ উই ওয়ান্ট টু অ্যাচিভ হোয়াট উই ওয়ান্ট ইন ফিউচার। সো আমি এখানে যেটা মনে করি যে ইজ টু এনাবেল মানে যে জিনিসটা ওরা বারবার বলছে যে অ্যাজ ফর দা ফিউচার আমি আবারও বলছি যে অ্যাজ ফর দা ফিউচার আওয়ার টাস্ক ইজ নট টু ফোরসি ইট বাট টু এনাবেল ইট মানে আমরা এটাকে এনাবেল করতে হবে। সো কিভাবে এনাবেল করব? কিভাবে আমাদের ফিউচারটাকে এনাবেল করব? অফকোর্স আমি মনে করি যে এখানে এনাবেল করার অনেক স্কোপ আছে যেমন আমি যখন এই বইটি লিখি আমি যখন এই কৃত্রিম বুদ্ধিমত্তা মানবিক রাষ্ট্র এই বইটাকে আমি যখন লিখি এটা কিন্তু ইটস অল এবাউট এনাবেলমেন্ট মানে আমরা কিভাবে আমাদের মানুষকে আমাদের জনগণকে এনাবেল করা যায় বিকজ দিনশেষে ইটস অল এবাউট এনাবেলিং পিপল যে তারা যাতে তাদের নিজের তাদের জীবনটা যাতে করে নিজেদের মত করে করে নিতে পারেন যে প্রতিটা ইনহ্যাবিটেন্ট বা প্রতিটা জনগণ মানে তার প্রতিটা মানুষের একটা স্বপ্ন আছে সেই স্বপ্নটাকে কিভাবে এনাবেল করে দিতে পারি। প্রতিটা মানুষের স্বপ্ন কিভাবে উনারা স্বপ্নের রাস্তায় যেতে পারে যে উনি যেই জিনিসটা চান উনার লাইফে এটা উনি করতে চান হাউ ডু দা স্টেট একটা স্টেট কিভাবে সেটাকে এনাবেল করতে পারে যে অনেকে অনেক অনেকে বলে যে আমেরিকা থেকে ফর দা ড্রিমারস যে অনেকে বলে যে আমেরিকাতে ড্রিমাররা যায় বা ড্রিমার মানে ইফ ইউ গো টু দা আমেরিকা ইউর ড্রিম উইল কাম ট্রু এই যে কথাটা বলে তার মানে হচ্ছে কি এটা কি ইটস অল এবাউট এনাবেলমেন্ট মানে তাদের ফ্রি স্পিচ বা তাদের সবকিছু যেগুলো আছে মানে তারা কি সেই লেভেলে পৌঁছানোর জন্য তাদের স্টেট হোক তাদের ন্যাশনাল লেভেলে কি সেই ধরনের এনাবেলমেন্ট গুলো কি আসলে আছে? সো আমি আসলে যেহেতু ইন্টেলিজেন্স সিস্টেম নিয়ে কাজ করি আমার ইন্টেলিজেন্স সিস্টেম নিয়ে কাজ করতে গিয়ে একটা জিনিস আমার মনে হলো যে আসলে এনাবেলমেন্টের সবচেয়ে বড় যে অংশটা সেটা হচ্ছে গিয়ে জনগণের প্রবলেমগুলোকে সলভ করা জনগণের ডে টু ডে প্রবলেম সলভ করা। আজকে যদি আমরা দেখি যে আমাদের কোভিডের সময় সুরক্ষা অ্যাপ ইট ওয়াজ এ বিউটিফুল অ্যাপ বিউটিফুল অ্যাপ মিন্স ইট ওয়াজ এ বিউটিফুল সিস্টেম বাট দিস সিস্টেম হ্যাজ লাইক দিস সিস্টেম কুড ওয়ার্ক বিকজ ইট হ্যাড মেনি কানেক্টেড সিস্টেমস লাইক ইট হ্যাড কানেক্টিভিটি টু দা এনআইডি ইট হ্যাড কানেক্টিভিটি টু আদার কাইন্ড অফ সিস্টেমস যেখান থেকে হেলথ সিস্টেম বা অন্যান্য সিস্টেম এর পাশাপাশি যেসব হসপিটালে সেখানে দেওয়া হবে সেই হসপিটাল সিস্টেম হসপিটাল সিস্টেমের পাশাপাশি সেই ক্যালেন্ডারিং সিস্টেমের সবকিছু এসএমএস সিস্টেম বা আমরা বলছি যে মোবাইল অপারেটরের কানেক্টিভিটি সো তারপর ইন্টারনেট কানেক্টিভিটি সো ইট ইজ সিস্টেমস অফ কানেক্টেড সিস্টেমস। সো আসলে এইজন্যই আমি এই বইটা আমি লিখেছিলাম যে এই বইটা লেখার পিছনে একটাই কারণ যে যেহেতু আমি প্রচুর দেশ ঘুরেছি আমি বিভিন্ন দেশের সোশ্যাল সিস্টেমগুলো আমি খুব খুব ভালোভাবে দেখেছি। বিভিন্ন দেশের সোশ্যাল সিস্টেমগুলো যে কিভাবে তাদের সোশ্যাল সিস্টেমগুলো কাজ করে কিভাবে তাদের গভমেন্ট সার্ভিস ডেলিভারি গুলো কাজ করে কিভাবে তাদের গভমেন্ট সার্ভিস ডেলিভারি গুলো মানে মানুষের দৌড়গোড়ায় যাতে মানুষকে কখনোই সরকারি অফিসে না যেতে হয় তারা মানুষের বাসায় বা দৌড়গোড়ায় মানুষের বাসায় তার সার্ভিসটা পায়। ইটস অল এবাউট হ্যাভিং কানেক্টেড সিস্টেমস লাইক মেনি মেনি সিস্টেমস আর কানেক্টেড সো দিস আর কানেক্টেড থ্রু এপিআই দা অ্যাপ্লিকেশন প্রোগ্রামিং ইন্টারফেস। সো আমরা বলছি যে উই হ্যাভ এনআইডি উই হ্যাভ পাসপোর্ট উই হ্যাভ বিআরটিএ উই হ্যাভ মেনি মেনি সিস্টেমস হুইচ ক্যান আইডেন্টিফাই আস বিকজ আইডেন্টিফাই আইডেন্টিফিকেশন ইজ ওয়ান অফ দা প্রবলেম। এই জন্য আমি আমার বইয়ে প্রথমেই কিন্তু আইডেন্টিফিকেশন নিয়ে কথা লিখেছি যে আসলে আমাদের আইডেন্টিফিকেশনটা কেন আইডেন্টিফিকেশন বাংলাদেশে আইডেন্টিফিকেশনটা নিয়ে কিভাবে কাজ হবে। সো ইউ কুড সি যে বাংলাদেশে আইডেন্টিফিকেশনটা কিভাবে কাজ করবে এবং আইডেন্টিফিকেশনের পাশাপাশি বুদ্ধিমান সিস্টেমগুলো কিভাবে কাজ করবে। সো দিস অল আর লাইক ইউ নো যে আমাদের একটা এনাবেলমেন্ট সিস্টেম যে কিভাবে এনাবেল হবে কিভাবে জিনিসগুলো কাজ করবে কিভাবে আগাম ধারণার প্রশাসন আসবে কিভাবে বাংলাদেশে যেই প্রশাসন প্রেডিক্ট করতে পারবে যে ফিউচারে কি হবে। সো এই ধরনের প্রেডিকশনগুলো কিভাবে আসবে। সো অফকোর্স উই হ্যাভ টু বি এবল টু প্রেডিক্ট আওয়ার ফিউচার বাট এট দা সেইম টাইম উই হ্যাভ টু এনাবেল আওয়ার ফিউচার।

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

জিপিটি-৪.X পাল্টে দেবে সনাতন শিক্ষা, শিক্ষকতা GPT-4 How It's Transforming Education and Learning.mp3

জিপিটি ফোর নিয়ে আমি খুবই এক্সাইটেড কারণ জিপিটি ফোর এর সবচেয়ে বড় ব্যাপার হচ্ছে এটা মাল্টিমোডাল মানে মাল্টিমোডাল বলতে হচ্ছে যে এই কারণে যে এটার মধ্যে আপনি শুধু টেক্সচুয়াল আগে যেরকম 3.5 মানে আমরা চ্যাট জিপিটির কথা বলছি যে জিপিটি 3.5 এ আমরা শুধু টেক্সচুয়াল কন্টেক্সট নিতাম কিন্তু এখন এটা মাল্টিমোডাল হওয়ার কারণে আসলে টেক্সট অডিও ভিডিও আমরা যেটাই আসলে দিতে চাই না কেন সেটাকে আসলে আমরা এখানে দিতে পারব। আর সে কারণেই আমার কাছে মনে হচ্ছে যে চ্যাট জিপিটি বিশেষ করে জিপিটি ফোর আমাদের ধারণার বাহিরে যেয়ে কিন্তু এডুকেশনে সাপোর্ট করবে। আমি আসলে খুব এডুকেশন নিয়ে এক্সাইটেড কারণ দিনশেষে একটা রাষ্ট্র মানে আমরা যদি বলি একটা রাষ্ট্র যদি একটা লেভেলে খেলতে পারে সেটা হচ্ছে এডুকেশন। মানে আমরা আসলে যতই বলি না কেন যে একটা রাষ্ট্র হ্যাপি মানে হ্যাপি কোথায়? আমরা যদি স্ক্যান্ডিনেভিয়ান কান্ট্রি দেখি বিশেষ করে আমি ফিনল্যান্ড বা ঐসব জায়গায় গিয়েছিলাম আমি দেখেছি যে আসলে নরওয়ে ফিনল্যান্ড মানে ওদের ওদের যে শিক্ষা ব্যবস্থা সেই শিক্ষা ব্যবস্থার মধ্যে কিন্তু অত প্যারা কিন্তু আমি দেখিনি। তো শিক্ষা ব্যবস্থায় যদি আমরা রিয়েলি একটা লেভেলে পৌঁছানোর জন্য আমরা চেষ্টা করি তাহলে কিন্তু আমাদের এ ধরনের একটা সলিউশন বিশেষ করে চ্যাট জিপিটি মানে বিশেষ করে জিপিটি ফোর নিয়ে আসলে আমি যেহেতু পড়ালেখা করছিলাম জিপি জিপিটি ফোর এ আসলে এ ধরনের এডুকেশনাল কন্টেন্ট এবং শিক্ষার যে একটা বড় গ্যাপ মানে আমরা আসলে আমি যদি উদাহরণ দেই যে আমাদের ক্যারেট করে যে প্রতিটা ফর্ম মানে আমাদের এক একটা সেকশনকে ফর্ম বলা হতো। প্রতিটা ফর্মে একজন ফর্ম মাস্টার থাকতেন এবং প্রতিটা ফর্মে 25 জন ছাত্র ছিলেন। 25 জন ছাত্র থাকা মানে হচ্ছে গিয়ে 25 টা ছাত্রের একদম সবকিছু দেখভাল করা মানে একজন ফর্ম মাস্টার। এমনি আমাদের যিনি ফর্ম মাস্টার ছিলেন উনি আমাদেরকে জ্যামিতি পড়াতেন। এর পাশাপাশি কিন্তু উনি আমাদের ফর্ম মাস্টার ছিলেন। মানে প্রতিটা 25 টা বাচ্চার প্রতিটা সবকিছুই প্রতিটা সাবজেক্ট ট্র্যাক করা, প্রতিটা সাবজেক্ট ধরে কে কোথায় খারাপ করছে, ভালো করছে, কোথায় তাকে কাউন্সিলিং লাগবে সবকিছুই কিন্তু সেই লেভেলে। তো সেই একই জিনিস যখন আমি দেখছি যে আমার বাচ্চা বিভিন্ন জায়গায় পড়ালেখা করছে। একেকটা ক্লাসে 100 150 জন করে ছাত্র। তার মানে ওখানে কিন্তু একটা বড় প্রবলেম হচ্ছে যে শিক্ষক উনি ডেলিভারি দিচ্ছেন কিন্তু প্রতিটা ছাত্রকে ট্র্যাক করার জন্য আমরা হয়তোবা বুঝতে পারছি যে আমরা আমরা এক্সাম নেই কিন্তু এক্সামের পাশাপাশি আসলে প্রতিটা জায়গায় উনি আসলে ঠিকমতো একটা বাচ্চা প্রতিটা সেগমেন্টে মানে আমি যদি ধরা যাক জ্যামিতি আমার খুব প্রিয় সাবজেক্ট আমি যদি জ্যামিতি ক্লাস সেভেনের জ্যামিতির বইটার কথা যদি বলি যে ক্লাস সেভেনের জ্যামিতির বইটা বিকজ আমার ফর্ম মাস্টার উনি দেখিয়েছিলেন যে আসলে জ্যামিতিকে কিভাবে কিভাবে ভালোবাসতে হয়। তো আমি এটাই বারবার বলছি যে জ্যামিতির পুরো বইটাকে যদি আমরা ধরা যাক 2000 লার্নিং পয়েন্টে যদি ডিভাইড করি জ্যামিতির বইটাকে পুরোপুরি 2000 লার্নিং পয়েন্টে আমি ডিভাইড করলাম। এখন আমি যদি 919 নাম্বার লার্নিং পয়েন্ট থেকে যদি 920 নাম্বার লার্নিং পয়েন্টে যেতে যদি আমি আমি যদি হিকাপ আমার যদি হিকাপ হয় এজ এ স্টুডেন্ট আরেকজনের কিন্তু 212 থেকে 213 তে যাওয়ার জন্য হিকাপ হবে। আরেকজনের জন্য হয়তোবা এ ধরনের হিকাপ হতে পারে যে লার্নিং পয়েন্ট 719 থেকে 722 এ যেতে সমস্যা বা আরেকজনের হয়তোবা 312 থেকে 313 তে যেতে। এই যে আমরা পুরো জ্যামিতির বইটাকে একটা 2000 লার্নিং পয়েন্টে ভাগ করলাম মানে এটাকে ট্র্যাক করবে কে? অফকোর্স এআই এবং এই ট্র্যাকটাই আসলে আমরা এটা নিয়ে আলাপ করছি যে ট্র্যাকিং হ্যাজ টু বি ফ্রম দা মেশিন লার্নিং এন্ড আমরা শেখানোর ব্যবস্থা যে কে কোথায় কোন গ্যাপ আছে এই তার লার্নিং পয়েন্টের গ্যাপটা আসলে আমাদেরকে ঠিকমতো বোঝাতে পারবে হচ্ছে চ্যাট জিপিটি বা আমরা জিপিটি ফোর বলছি বা জিপিটি ফাইভ সিক্স যেটাই আসুক না কেন। তার মানে হচ্ছে গিয়ে এই এআই এবং এনএলপি লার্জ ল্যাঙ্গুয়েজ মডেলের যেটা এনএলপির কথা বলছি সেটা হচ্ছে গিয়ে আমাদের এই ইন্টারেকশনটা দিবে যে আমি আসলে কতটুকু বুঝতে পারছি আর কতটুকু বোঝার কন্টেক্সটে আমাকে কোন লেভেলে পৌঁছাতে হবে কারণ আমাদের আগের যে শিক্ষা ব্যবস্থা মানে এখন আমরা যে দেখছি চ্যাট জিপিটি বা জিপিটি ফোর যেভাবে বিভিন্ন এক্সাম সিস্টেমকে ব্রেক করছে স্যাট হচ্ছে, জিআরই হচ্ছে, বিভিন্ন বার এক্সাম, মেডিকেল এক্সাম তারা যেভাবে পাশ করছে উইথ ফ্লাইং কালারস। তার মানে হচ্ছে গিয়ে হিউম্যানকে মানে সত্যিকারে হিউম্যানকে যদি ইভালুয়েট করতে হয় তাহলে আমাদের এক্সাম সিস্টেম ফ্লড। এটা আমরা বলতে পারছি যে আসলে আমাদের এই প্রেজেন্ট এক্সাম সিস্টেমটা আসলে ফ্লড। ইটস নট অনলি মেমোরাইজেশন ইটস নট অনলি বাট অলসো ইটস কাইন্ড অফ লাইক প্রবলেম সলভিং ক্রিটিক্যাল থিংকিং। সো আমরা আসলে যদি এই চ্যাট জিপিটি বা জিপিটি ফোর যদি এডুকেশনের কথা বলি দিস ইজ নিউ দিস ইজ ইনরমাস এবং আমরা যেটা বুঝতে পারছি যে একটা 2000 লার্নিং পয়েন্টে যেভাবে আমরা একটা জায়গা থেকে আরেকটা জায়গায় কারণ এক্সাম যদি হয় ধরা যাক আমরা যদি আমার জন্য মানে ওয়ান সাইজ ফিট অল এটা এটা কিন্তু এডুকেশনে সম্ভব না। এডুকেশনে কিন্তু একেকজন একেক ধরনের ভাবে বোঝেন। তার মানে হচ্ছে গিয়ে আমার ক্লাসে যদি 25 টা ছাত্র হয় অথবা যদি 25000 ছাত্র হয় ফর এআই ইট ইজ সিমিলার বিকজ এআই উইল ট্রিট এভরিবডি ইন্ডিভিজুয়ালি। সো তার মানে হচ্ছে গিয়ে 25000 ছাত্রের জন্য সেপারেট কোশ্চেন, সেপারেট কোশ্চেন পেপার এআই উইল ডু ইট বিকজ এআই উইল নো যে আসলে আমি কোন জায়গাটাতে কোন লার্নিং পয়েন্টে আমার হিকাপ হচ্ছে। সো সেইভাবেই কিন্তু সে এক্সাম পেপার তৈরি করবে। তার মানে হচ্ছে গিয়ে আমার ক্লাসে যদি 25000 ছাত্র থাকে 25000 ছাত্রের জন্য সে ডিফারেন্ট ডিফারেন্ট কোশ্চেনিয়ার দিবে কারণ একেকজন একেকভাবে বুঝতে পারে এবং একেকজন এটা একেকভাবে এটাকে ইন্টার্নালাইজেশন করতে পারে। আর সে কারণে আমরা বলছি যে এই জিপিটি ফোর অথবা জিপিটি ফাইভ যেটাই হোক না কেন দিস ইজ দা গেম চেঞ্জার। খান একাডেমি অলরেডি এটা নিয়ে কাজ করছে এবং ডুওলিঙ্গো এই জিপিটি ফোর নিয়ে কাজ করছে অনেক অনেকদিন ধরে। তার মানে হচ্ছে গিয়ে শিক্ষায় জিপিটি ফোর উইল বি ওয়ান অফ দা ট্রান্সফর্মার এবং প্রতিটা ছাত্রকে ট্র্যাক করা, প্রতিটা ছাত্রকে আলাদা আলাদাভাবে কোশ্চেনিয়ার দেয়া, কে কোথায় আটকা যাবে আর আটকাবে এবং কে কোথা থেকে তাকে হেল্প করতে হবে সেইভাবে যদি আমরা দেখি তাহলে কিন্তু এ ধরনের লার্জ ল্যাঙ্গুয়েজ মডেলগুলো কিন্তু আমাদেরকে সাহায্য করবে এবং সবচেয়ে বড় ব্যাপার হচ্ছে ট্রিটিং এভরি স্টুডেন্টস ইন্ডিভিজুয়ালি ট্রিটিং এভরি স্টুডেন্টস ইন্ডিভিজুয়ালি যেটা আমাদের ফর্ম মাস্টার করতেন। 25 টা ছাত্রকে উনি আলাদাভাবে ট্রিট করতেন। সো এই একই জিনিস কিন্তু এখন এআইতে সম্ভব। আজকে এই পর্যন্তই থাকছেন তো সামনে?

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

চ্যাট-জিপিটিবার্ড এর যুগে আমাদের কোন জিনিসটা কাজে লাগবে human getting most out of ChatGPT, Bard.mp3

এই প্রশ্নটা প্রায় পাই যে এই চ্যাট জিপিটি বার্ডের যুগে আমাদের শিক্ষার কি হবে। আসলে মনে আছে আমরা যখন ক্যালকুলেটর ব্যবহার করতাম এবং যখন ক্যালকুলেটর ব্যবহার করতাম না তখনকার সময়ের মধ্যে যদি পার্থক্য দেখি যে আমরা ক্যালকুলেটর যখন ব্যবহার করতাম না তখন কিন্তু আমরা একটা বেসিক লেভেলে কিন্তু থাকতাম। কিন্তু যখন আমরা ক্যালকুলেটর ব্যবহার শুরু করা শুরু করলাম তার মানে হচ্ছে গিয়ে আমাদের ওই বেসিক ম্যাথগুলো কিন্তু আমরা ক্যালকুলেটরের উপর ছেড়ে দিয়েছি এবং এর ফলে কিন্তু আমরা সাইন বা সাইন্টিফিক ক্যালকুলেটরের সাইন, কোসাইন, টান এই যে এই বিভিন্ন যে রেজাল্টগুলো আমরা কিন্তু সাইন্টিফিক ক্যালকুলেটর দিয়ে আমরা নেওয়া শুরু করলাম। ইভেন আমাদের এক্সামিনেশন সিস্টেমের মধ্যেও কিন্তু আমরা এই ধরনের সাইন্টিফিক ক্যালকুলেটর ব্যবহার করা শুরু করলাম। তার মানে হচ্ছে গিয়ে ইট হ্যাজ অলরেডি আমরা যে লেভেলটা এখন আছি সেই লেভেল থেকে সবসময় কিন্তু এটা আপগ্রেড হচ্ছে। আর সে কারণে আমরা যদি আজকে চ্যাট জিপিটি বা বার্ড মানে চ্যাট জিপিটি বার্ডের যুগে একটা প্রশ্ন প্রায় আসে যে এই চ্যাট জিপিটি বার্ডের যুগে আমরা কি আরো বোকা হব কিনা মানে মানুষ কি আরো বোকা হবে কিনা। এই প্রশ্নটা যদি আমি অন্যভাবে দেখি যে চ্যাট জিপিটি এবং বার্ড এই ধরনের এলএলএম বা এই ধরনের যে জেনারেটিভ এআই এই জেনারেটিভ এআই কিন্তু আমাদেরকে সাহায্য করছে যে নেক্সট লেভেলে নেওয়ার জন্য। বিকজ এই চ্যাট জিপিটি এবং বার্ড আমাদেরকে তারা কিন্তু চ্যালেঞ্জ করছে। আমরা যদি চ্যাট জিপিটি বা বার্ডকে চ্যালেঞ্জ হিসেবে নেই তাহলে কিন্তু আমরা আপস্কিল করতে পারব। তাহলে কিন্তু আমরা নেক্সট লেভেলে যেতে পারব। কারণ চ্যাট জিপিটি বা বার্ড যেই ধরনের প্রোডাক্টগুলো তৈরি করছে সেই প্রোডাক্টগুলো আমি শুধু যদি ব্যবহার করি তাহলে কিন্তু আমি সবসময় পিছিয়ে থাকবো। আমি যেটা মনে করি যে চ্যাট জিপিটি বা বার্ড থেকে যেই আমরা প্রোডাক্টটা পাচ্ছি সেটাকে আমাকে মডিফাই করতে পারতে হবে বা আমাকে সেটাকে এনহ্যান্স করতে পারতে হবে। আর সে কারণে আমি দেখছি যে বর্তমান ইয়াং জেনারেশন অনেকেই কিন্তু আমাকে বলেন যে চাকরির ব্যাপারে বা বিভিন্ন সময় কিন্তু আমাকে বলেন। কিন্তু আমার একটাই ব্যাপার হচ্ছে গিয়ে আমরা যদি প্রবলেম সলভিং স্কিল স্পেশালি প্রবলেম সলভিং স্কিলটা যদি আমরা আয়ত্ত করতে পারি তাহলে কিন্তু নোবডি ক্যান বিট মি। ইভেন নোবডি ইভেন দা চ্যাট জিপিটি অর বার্ড নোবডি ক্যান বিট মি যদি আমি প্রবলেম সলভিং স্কিলটা যদি ঠিকমত ধরতে পারি। আর সে কারণে আমি বারবার বলি যে আমরা এই ধরনের নতুন টুল এগুলোকে ব্যবহার করার জন্য কিন্তু আমরা আপস্কিল করব। আমাদেরকে নিজেকে আপস্কিল করব যে আমরা ভাববো যে আমাকে চ্যাট জিপিটি বা বার্ড আমাকে আমার জিনিসপত্র তৈরি করে দিবে এবং আমি মাথা ঘামাবো না দেন আই উইল বি রং। আর সে কারণে আমি বারবার বলি যে প্রবলেম সলভিং স্কিল ইজ ওয়ান অফ দা কোর স্কিল হোয়াট আই ফাইন্ড ইন এভরি সেক্টর। ইভেন আমি যে সেক্টরে কাজ করছি আইএসপি সেক্টরে সেখানে কিন্তু প্রবলেম সলভিং স্কিল ইজ ওয়ান অফ দা কোর ওয়ান অফ দা কোর আইডিয়া যেটার উপর আসলে উই ক্যান ক্যাশ ইন। তো এইজন্য বলছি যে এই চ্যাট জিপিটি বার্ড বা জেনারেটিভ এআই আরো অনেক এনহ্যান্সমেন্ট হবে এবং এখানে কিন্তু মানুষের কাছাকাছি একটা লেভেলে চলে যাবে। কিন্তু আমরা যে জিনিসটা বলব যে মানুষের যেই যেই স্কিলটা আসলে মানুষকে একটা নতুন লেভেলে নিয়ে যাবে বা যেই স্কিলটা মানুষকে আসলে অন্য লেভেলে সবসময় রাখবে সেটা হচ্ছে গিয়ে প্রবলেম সলভিং স্কিল এবং এই রিজনিং। আমরা রিজনিং এর কথা বলি, বায়াসের কথা বলি, আমরা প্রবলেম সলভিং স্কিলের কথা বলি যে আমাকে আমার বায়াস থেকে বের হয়ে আসতে হবে যে আমি সবসময় একটা প্রিঅকুপেড প্রিঅকুপাইড আইডিয়া থেকে আমি সবসময় সিদ্ধান্ত নেই। একটা প্রিঅকুপেশন কাজ করে। আমার সবকিছুর মধ্যে একটা প্রিঅকুপেশন কাজ করে যে এটা আমি এভাবে করেছি, গতবার আমি এটা এভাবে করেছি বা তার আগে আমি এটা এভাবে করেছি। সুতরাং এবারও কিন্তু আমি সেটা এভাবে করব। আমার আইডিয়া হচ্ছে নো। আমরা এখন ডেটা দেখব। ডেটা দেখে যেইটা আমার জন্য এই মুহূর্তে প্রযোজ্য সেই স্কিলটাকে আমি নিব এবং সেই স্কিলটা নেবার জন্যই কিন্তু আমরা এত এত কথা বলছি। আর সে কারণে আমরা নতুন জেনারেটিভ এআই টুলগুলোকে ব্যবহার করব এবং এই টুলগুলোকে ব্যবহার করেই কিন্তু আমরা নেক্সট লেভেলে যাব। আমরা এই টুলগুলোকে কখনো আমাদের কম্পিটিশন ভাববো না। আমরা এই টুলগুলোকে যদি আমরা ঠিকমত ব্যবহার করতে পারি দেন আই উইল বি ইন দা কম্পিটিশন এবং একটা জিনিস বারবার বলে যে দা পারসন অর অর দা এআই অর জেনারেটিভ এআই দা এআই উইল নট রিপ্লেস ইউ। দা পারসন হু ইউজেস এআই উইল রিপ্লেস ইউ। আমি এটা আবারও বলছি যে এআই উইল নট রিপ্লেস ইউ। বাট দা পারসন হু ইজ হু ইজ ইউজিং এআই উইল রিপ্লেস ইউ। সো আমার কথা হচ্ছে যে উই শুড বি ইউজিং এআই, উই শুড বি ইউজিং অল দিস জেনারেটিভ মডেল সো দ্যাট আই ক্যান এনহ্যান্স মাইসেলফ। আই ক্যান নট অনলি এনহ্যান্স মাইসেলফ আই হ্যাভ টু গেট ইন দা গেম। আমাকে গেমে ঢুকতে হবে এবং আমি যদি গেমে না ঢুকি তাহলে কিন্তু আই উইল বি আই উইল বি আউট অফ দা মার্কেট। আই হ্যাভ টু স্টে রিলেভেন্ট ইন দা মার্কেট। সো হোয়াইল আই হ্যাভ টু বি স্টেইং হোয়াইল আই হ্যাভ টু বি স্টেইং ইন রিলেভেন্ট ইন দা মার্কেট দা ফার্স্ট থিং আই হ্যাভ টু বি লাইক আই হ্যাভ টু বি এবল টু ইউজ দিস নিউ টুল। কারণ আমাকে মার্কেটে স্টেইং রিলেভেন্ট থাকার জন্য আমাকে বর্তমান যেই টুলগুলো আছে সেই টুলগুলোকে ব্যবহার করতে হবে। এই টুলগুলো যখন ব্যবহার করব তখন কিন্তু আই উইল বি অলওয়েজ ইন দা মার্কেট এবং আমাকে কিন্তু কেউ মার্কেট থেকে বের করতে পারবে না। আজকে এই পর্যন্তই থাকছেন তো সামনে?

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

চ্যাট-জিপিটি'র যুগে আমাদের স্কিল How ChatGPT is redefining human expertise Being smart, AI is.mp3

এই চ্যাট জিপিটির যুগে আমাদের টিকে থাকার উপায় কি? অফকোর্স আমি যদি বলি যে আমরা আমি আমি খুবই বিশ্বাস করি যে এই চ্যাট জিপিটি বা এই এআই এর লেভেলে যখন আমরা এলাম আসলে আমাদের সামনের লাইফটা আরো আরো খুবই এনথুসিয়াস্টিক একটা লাইফ এবং এটাকে আমি মনে করি যে খুব পছন্দের লাইফ হবে কারণ অল উই হ্যাভ টু লার্ন এভরি ইয়ার। অল উই হ্যাভ টু লার্ন লার্ন ফর দা হোল ফর দা হোল লাইফ। আমরা আমাদেরকে আসলে শিখতে হবে। সো এটাকে আমি আসলে এভাবে বলতে পারি যে আমরা এই চ্যাট জিপিটি যেখানে আমাকে সবকিছু উত্তর দিতে পারছে তার মানে এটাকে আমরা বলতে পারি কিছুটা স্ট্যাটিক নলেজ যে যেই নলেজটা অলরেডি আমাদের পৃথিবীতে আছে, যেই নলেজটা অলরেডি আমাদের ওয়েবে আছে, যেই নলেজটা আছে কাইন্ড অফ স্ট্যাটিক নলেজ। বাট দেন এর পাশাপাশি আমাদের কিছু ডাইনামিক নলেজ আসা উচিত যেটা হচ্ছে গিয়ে কাইন্ড অফ লাইক মেশিন লার্নিং মডেল হুইচ ইজ এ কাইন্ড অফ ইনফারেন্স। মানে আগের নলেজের কিছুটা ইনফারেন্স তারপরে থেকে আমাদের সেই লেভেলে যেতে হবে। তো আমরা আসলে ডাইনামিক নলেজটা কি যে যেই নলেজটা সম্বন্ধে আমাদের ধারণা নেই বাট ইনফারেন্স দিয়ে মানে যেটা মেশিন লার্নিং বা ডিপ লার্নিং আমরা যেটা দেখি যে আমরা আসলে কোন আনসিন ডেটা মানে যেই ডেটাটা আমি জানিনা, যেই ডেটা ব্যাপারে আমার কোন ধারণা নেই বাট অলসো আই এম একচুয়ালি ইনফারেন্সিং দা নিউ লাইন অফ কোশ্চেনস যেটা আসলে আমি জানিনা বাট আই এম ট্রাইং টু প্রেডিক্ট ফ্রম দা ওল্ড ডেটা হুইচ ইজ কাইন্ড অফ সিমিলার অর নন সিমিলার। বাট অলসো আই এম ট্রাইং টু ফিগার আউট এ ওয়ে যেটা আনসিন ডেটার মধ্যে। তো এখানেও কিন্তু একই জিনিস হতে পারে যে আমরা যেটা বলছি যে চ্যাট জিপিটি বা এই ধরনের অ্যাপ্লিকেশনে ইট ইজ গিভিং আস মোর আইডিয়াস দেন দ্যাট অফ হোয়াট উই হ্যাভ লার্ন সো ফার। মানে আমরা আসলে এতদিন আমরা যা শিখেছি এখন কিন্তু আমাদেরকে চ্যাট জিপিটি আমাদেরকে অন্যান্য অনেক রাস্তা দেখাচ্ছে যে না এটা এভাবেও করা সম্ভব বা এটা আসলে এভাবে না হয়ে এটা এটার পাশাপাশি এভাবেও করা সম্ভব। সো আমি এটাকে মনে করি যে ইট হ্যাজ এ গুড গুড গুড থিং। বাট এর পাশাপাশি আমি মনে করি যে ফার্স্ট প্রিন্সিপাল মানে এটা চ্যাট জিপিটি থাকুক না থাকুক বাট ইফ উই হ্যাভ টু লিড আওয়ার লাইফ থ্রু দিস দিস জার্নি অফ আমি মনে করছি যে এই যে এআই এর একটা লার্নিং এআই লার্নিং এর মধ্যে আমরা আমরা টিকে থাকবো কিভাবে? ইটস জাস্ট বিকজ ওখানে ফার্স্ট প্রিন্সিপাল ফার্স্ট প্রিন্সিপাল থিংকিং হলেই কিন্তু এটা আসলে হয়ে যাবে এবং আমরা আসলে অনেক সময় বলি যে এই যে ফার্স্ট প্রিন্সিপাল থিংকিং এটাকে আসলে আমি যদি এভাবে বলি যে ফার্স্ট প্রিন্সিপাল থিংকিং ইজ ওয়ান অফ দা বেস্ট ওয়ে ওয়েজ টু রিভার্স ইঞ্জিনিয়ার কমপ্লিকেটেড প্রবলেম এন্ড আনলিশ ক্রিয়েটিভ পসিবিলিটি। সো অফকোর্স ইট ইজ সামথিং লাইক রিভার্স ইঞ্জিনিয়ারিং। বাট দেন অফকোর্স সামটাইমস ইট ইজ বিন কলড রিজনিং ফ্রম ফার্স্ট প্রিন্সিপাল। দা আইডিয়া ইজ টু ব্রেক ডাউন কমপ্লিকেটেড প্রবলেম ইনটু বেসিক এলিমেন্ট এন্ড দেন রিএসেম্বল দেম ফ্রম দা গ্রাউন্ড আপ। সো আসলে আমরা যদি যেকোনো জিনিস মানে আজকে এআই এর যুগ হোক আর এরপরে যদি এআই এর পরে যদি বিআই যুগ মানে যেটাই যেটাই আসুক না কেন, যেটাই আসুক না কেন আমাদের সবচেয়ে বড় যে চ্যালেঞ্জটা হচ্ছে গিয়ে আমাদের হিউম্যান হিউম্যান নলেজটা আসলে কাইন্ড অফ লাইক অনেক সময় আমরা আমাদের রাইট নলেজটা পাই না। এখন একটা কাইন্ড অফ উই ট্রাই টু স্ক্র্যাচ দা সারফেস। মানে আমরা যেকোনো জিনিসে আমরা কিন্তু উই ট্রাই টু স্ক্র্যাচ দা সারফেস যে একটা প্রবলেম আইডেন্টিফাই করার জন্য। আমি প্রচুর মানুষকে দেখি এখন যে তাদেরকে প্রবলেম আইডেন্টিফাই করতে বললে তারা প্রবলেমটাকে আইডেন্টিফাই করতে পারে না বা একটা প্রবলেম সলভিং স্কিলটা নেই। কারণ তাদের এই যে ফার্স্ট প্রিন্সিপাল থিংকিং এখানেই কিন্তু তাদের একটা বড় প্রবলেম যে দে ডু নট নো দা বেসিকস অর দা ফান্ডামেন্টাল অফ দা থিং। আমরা যদি মেশিন লার্নিং বা ডিপ লার্নিং বা যেটার আমি দেখেছি অনেকের সাথে অনেকে অনেক ধরনের অনেক কিছু জানেন কিন্তু ফান্ডামেন্টাল বেসিক যে আমরা বলি যে ফার্স্ট প্রিন্সিপাল যে আমরা আসলে এলিমেন্ট ধরে একদম এলিমেন্ট ধরে বেসিক আইডিয়াটা না থাকার ফলে কিন্তু পরে কিন্তু আমরা হারিয়ে যাচ্ছি। আমরা অনেক কিছু করছি মেশিন লার্নিং করছি, ডিপ লার্নিং করছি। বাট দেন উই আর লুজিং আওয়ার মাইন্ড জাস্ট বিকজ উই ডু নট হ্যাভ দা প্রপার আন্ডারস্ট্যান্ডিং অন দা বেসিক আইটেমস অর এলিমেন্টস যেটার উপরে ভিত্তি করে কিন্তু পুরো নলেজটা দাঁড়িয়ে গেছে। সো এই যে ব্যাপারটা এই জায়গাটাতে কিন্তু আমাদের একটা বড় মিসিং আছে এবং সেখানে একটা যেটা দেখছি যে ইট ইজ ওয়ান অফ দা বেস্ট ওয়েজ টু লার্ন টু থিংক ফর ইউরসেলফ, আনলক ইউর ক্রিয়েটিভ পটেনশিয়াল এন্ড মুভ ফ্রম লিনিয়ার টু নন নন লিনিয়ার রেজাল্ট। সো লিনিয়ার হচ্ছে কি যেটা আমরা প্রেডিক্ট করতে পারছি কিন্তু নন লিনিয়ার ইজ সামথিং আই আই রিয়েলি লাইক বিকজ দ্যাট ইজ সামথিং যেখানে আমাদের ক্রিয়েটিভিটির ব্যাপারটা আছে। এখানে দিস অ্যাপ্রোচ ওয়াজ ইউজড বাই দা ফিলোসফার অ্যারিস্টটল এন্ড ইজ ইউজড নাউ বাই এলন মাস্ক এন্ড চার্লি মানজার। ওকে। ইট এলাউস দেম টু কাট থ্রু দা ফগ অফ শডি রিজনিং এন্ড ইন ইন ইনএডিকুয়েট এনালজিস টু সি অপরচুনিটিস দ্যাট আদার্স মিস। সো অফকোর্স এখানে রিচার্ড ফেইনম্যানের একটা জিনিস দেখছি যে আই ডোন্ট নো হোয়াট আই ডোন্ট নো হোয়াটস দা ম্যাটার উইথ পিপল। দে ডোন্ট লার্ন বাই আন্ডারস্ট্যান্ডিং। দে লার্ন বাই সাম আদার ওয়েজ বাই রট অর সামথিং। দেয়ার নলেজ ইজ সো ফ্রাজাইল। সো আই হ্যাভ টু চেক আর ও টি ই রট। সো আসলে যে জিনিসটা আমরা বলতে চাচ্ছি যে আমাদের যেই জিনিসগুলো নিয়ে আমরা কাজ করছি বা যেই জিনিসগুলো নিয়ে আমরা দেখছি যে এইটা আসলে আমাদের যেমন রটের মানেটা হচ্ছে গিয়ে মেকানিক্যাল অর হ্যাবিচুয়াল রিপিটেশন অফ সামথিং টু বি লার্ন। ইয়া দ্যাটস দ্যাটস সামথিং আই এম লার্নিং টুডে। সো এখানে যে জিনিসটা বলছি যে আই ডোন্ট নো হোয়াট দা ম্যাটার উইথ পিপল। দে ডোন্ট লার্ন বাই আন্ডারস্ট্যান্ডিং। দে লার্ন বাই সাম আদার ওয়ে বাই রট অর সামথিং। দেয়ার নলেজ ইজ সো ফ্রাজাইল। সো রিচার্ড ফেইনম্যানের কাছ থেকে এই জিনিসটা যেটা বোঝার চেষ্টা করলাম যে এটা আসলে বেসিক আন্ডারস্ট্যান্ডিং যদি আমরা ফেরত যাই যে দা বেসিকস অফ দা ফার্স্ট প্রিন্সিপাল ইজ এ ফাউন্ডেশনাল প্রপোজিশন অর এজাম্পশন দ্যাট স্ট্যান্ডস এলোন। উই ক্যান নট ডিডিউস দা ফার্স্ট প্রিন্সিপাল ফ্রম এনি আদার প্রপোজিশন অর এজাম্পশন। দ্যাটস দা ফার্স্ট থিং। অ্যারিস্টটল ইন রাইটিং অন ফার্স্ট প্রিন্সিপাল সেড ইন এভরি সিস্টেমেটিক ইনকোয়ারি হোয়ার দেয়ার আর ফার্স্ট প্রিন্সিপাল অর কজেস অর এলিমেন্টস নলেজ এন্ড সাইন্স রেজাল্টস ফ্রম একোয়ারিং নলেজ অফ দিস ফর উই থিংক উই নো সামথিং জাস্ট ইন কেস উই একোয়ার নলেজ অফ দা প্রাইমারি কজ দা প্রাইমারি ফার্স্ট প্রিন্সিপাল অল দা ওয়ে টু দা এলিমেন্ট। সো এই জায়গাটাতে আসলে একটা বড় অংশ হচ্ছে গিয়ে যে দা সার্চ ফর ফার্স্ট প্রিন্সিপাল ইজ নট ইউনিক টু ফিলোসফি। অল গ্রেট থিংকারস ডু ইট। রিজনিং বাই ফার্স্ট প্রিন্সিপাল রিমুভস দা ইমপিউরিটি অফ এজাম্পশন এন্ড কনভেনশন। আমরা সবকিছুই একটা এজাম্পশনের ভিত্তিতে কাজ করি হুইচ ইজ হুইচ ইজ নট হুইচ ক্যান নট বি ডান হিয়ার। সো রিজনিং বাই ফার্স্ট প্রিন্সিপাল রিমুভস দা ইমপিউরিটি অফ এজাম্পশন এন্ড কনভেনশন। হোয়াট রিমেইনস ইজ দা এসেনশিয়াল। ইটস ট্রু। আর ওই জায়গাটাতে আসলে আমাদের হিট করতে হবে যে উই হ্যাভ টু গো ব্যাক টু দা এসেনশিয়াল। এটাই আসলে আমাদেরকে এই জায়গাটাতে কাজ করাবে। ইট ইজ ওয়ান অফ দা বেস্ট মেন্টাল মডেলস ইউ ক্যান ইউজ টু ইম্প্রুভ ইউর থিংকিং বিকজ দা এসেনশিয়াল এলাউস ইউ টু সি হোয়ার রিজনিং বাই এনালজি মাইট লিড ইউ টু এস্ট্রে। সো আমরা অনেক সময় বোঝানোর চেষ্টা করি যে এনালজি দিয়ে এটা এভাবে করতে হবে, এটা এভাবে করতে হবে বা এটা আমরা ধরা যাক এভাবে তারপর আমরা এনালজি দিয়ে করার চেষ্টা করি। এটা আসলে এখানে এনালজি দিয়ে করা যাবে না। ফার্স্ট প্রিন্সিপাল ইজ প্রহিবিটিং টু ইভেন গো উইথ দা এনালজি। সো ওই জায়গাটাতে আসলে আমাদের কাজ করতে হবে। সো সামনে আমাদেরকে যদি এই চ্যাট জিপিটি বা এদেরকে নিয়ে যদি কাজ করতে হয়, দা ফার্স্ট থিং উই হ্যাভ টু আন্ডারস্ট্যান্ড দা হাউ উই ইউজ দা ফার্স্ট প্রিন্সিপাল থিংকিং। দ্যাট মিন্স উই হ্যাভ টু গো ব্যাক টু দা বেসিকস, উই হ্যাভ টু গো ব্যাক টু দা এলিমেন্টস এবং এলিমেন্টস ওয়াইজ আমাদেরকে শিখতে হবে। সেকেন্ড উই হ্যাভ টু ইউজ ইট। উই হ্যাভ টু উই হ্যাভ টু বি এবল টু ইউজ দিস চ্যাট জিপিটি অর এনি অ্যাপ্লিকেশন হোয়াট উইল এনহ্যান্স আওয়ার লাইফ। আজকে আমি প্রচুর এআই টুল ব্যবহার করি জাস্ট টু এনহ্যান্স মাই নলেজ। লাইক আমি আমার এই রেকর্ডিংটা করছি এই রেকর্ডিং এর মধ্যে আমার সাউন্ডটাকে কিছু সময় এক্সট্রা ওভারবোর্ড যাচ্ছে, কিছু সময় কম যাচ্ছে, সামনে পাইলিং এর শব্দ হচ্ছে, এখানে অনেক নয়েজ হচ্ছে, পাশের রুমে আমার ছেলেরা শব্দ করছে। সো এই যে সবকিছুর মধ্যে আই এম ডুইং সাম অটোমেশন এন্ড আই এম ইউজিং এআই জাস্ট বিকজ এখানে যে শব্দটা সেই শব্দটা যাতে ক্লিন হয় এবং ক্লিন হওয়ার জন্য আই ডোন্ট নিড টু ডু ইট এভরিডে। আই হ্যাভ অলরেডি ট্রেইন দা মডেল। নাউ দা মডেল উইল ডু দা রেস্ট। সো প্রথম কথা হচ্ছে গিয়ে আমাদের এই যুগে টিকে থাকতে হলে উই হ্যাভ টু গো ব্যাক টু দা বেসিকস অফ দা আন্ডারস্ট্যান্ডিং যে কিভাবে জিনিসটা হয়, কিভাবে জিনিসটা হয়। এন্ড ইফ উই হ্যাভ দা প্রপার আন্ডারস্ট্যান্ডিং অন দা ফার্স্ট প্রিন্সিপাল থিংকিং দেন উই ক্যান সলভ প্রবলেমস। আই ক্যান টেল ইউ উই ক্যান সলভ মেনি মেনি মেনি প্রবলেমস বিকজ দিস ডেইজ পিপল ডু নট আই ডোন্ট নো পিপল ডু নট হ্যাভ দা টাইম টু ইভেন সলভ প্রবলেমস। সো দিস ইজ নাম্বার ওয়ান এন্ড নাম্বার টু ইজ লাইক উই হ্যাভ টু ইউজ দা এআই ফর আওয়ার অ্যাসেসমেন্ট, ফর আওয়ার বেটারমেন্ট এন্ড ফর এভরিথিং। দ্যাটস হোয়াট দ্যাটস হোয়াই উই নিড টু লার্ন হাউ টু ইউজ এআই ফর আওয়ার বেনিফিট। আজকে এই পর্যন্তই থাকছেন তো সামনে?

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

কৃত্রিম বুদ্ধিমত্তায় মানবিক রাষ্ট্র ডেটা স্ট্রাটেজিক অ্যাসেট ডিক্লেয়ার Data as a strategic asset.mp3

কেন ডেটাকে স্ট্র্যাটেজিক অ্যাসেট হিসেবে ডিক্লেয়ার করতে হবে সেটা নিয়ে কিন্তু এর আগেও আমরা আলাপ করেছিলাম যে যেকোনো দেশ অথবা আমি যদি বলি যে আমার কোম্পানির কথা আমার কোম্পানির যেকোনো বিজনেস ডিসিশন যেকোনো বিজনেস ডিসিশনকে ডিরাইভ করতে হলে সেটা কিন্তু আমাকে আমাকে নির্ভর করতে হচ্ছে গিয়ে কোম্পানির বা আমার কাস্টমার বা তাদের যে ডেটা তারা যে ডেটা জেনারেট করছে সেটার উপর ভিত্তি করে আর একই জিনিস আমরা যদি একই জিনিস আলাপ করতে চাই দেশের জন্য এই একই জিনিস যে দেশের যেভাবে আমরা যদি চিন্তা করি যে সৌদি আরব সৌদি আরবের জন্য একটা সময় আমি মনে করি যে ফসিল ফুয়েল মানে তেল ফসিল ফুয়েল ওয়াজ এ স্ট্র্যাটেজিক অ্যাসেট অফকোর্স ফসিল ফুয়েল ইজ এ স্ট্র্যাটেজিক অ্যাসেট স্টিল নাউ বাট দেন অবভিয়াসলি দেয়ার আর কান্ট্রিস লাইক আমরা দেখছি যে অনেক মিডল ইস্ট কান্ট্রি বা অনেক দেশ কিন্তু দেখছি যে তারা আসলে সরে আসছে যে তাদের যে স্ট্র্যাটেজিক অ্যাসেট মানে তেল বা অন্যান্য গ্যাস বা ওর পাশাপাশি কিন্তু তারা চিন্তা করছে যে কিভাবে হিউম্যান অ্যাসেট ডেভেলপ করা যায় হিউম্যান অ্যাসেট এট দা সেইম টাইম দেশের ভেতরে যেই ডেটাগুলো আছে যে ডেটাগুলোকে আমরা আসলে সবসময় জেনারেট করছি ইভেন এজ এ কাস্টমার এজ এ কাস্টমার আই এম জেনারেটিং লট অফ ডেটা ফর মাই কোম্পানি ফর এনাদার কোম্পানি সো একই ক্ষেত্রে আসলে আমরা আমরা প্রতিনিয়ত কিন্তু প্রচুর ডেটা জেনারেট করছি এই দেশের ভেতরে সেটা সরকারি ডেটা সেট হোক আর সেটা বেসরকারি ডেটা সেট হোক সো ডেটা ইজ এ স্ট্র্যাটেজিক অ্যাসেট বিকজ ইফ উই ইফ উই ডোন্ট ডিক্লেয়ার দিস ডেটা এজ এ স্ট্র্যাটেজিক অ্যাসেট দেন এভরিথিং ফলস এপার্ট আমি যদি একটা উদাহরণ দেই ধরা যাক আমাদের কখন অতিবৃষ্টি হবে কখন সাধারণ বৃষ্টি হবে কখন কোন বৃষ্টিতে কোন রেললাইন ক্ষতিগ্রস্ত হতে পারে বা কোন সময়ে কোন জিনিসটা হতে পারে বা কোনটা এটার কিন্তু প্রেডিকশন কিন্তু আমরা ডেটা থেকেই পাই কারণ আজকে আমরা ইভেন এটাও বলছি যে ভূমিকম্প ভূমিকম্পর মত জিনিসও কিন্তু আস্তে আস্তে আমরা এই ডেটা গ্যাদারিং করে কিন্তু আস্তে আস্তে বুঝতে পারছি যে ভূমিকম্প বা অন্যান্য জিনিস আমরা কিন্তু এখন প্রেডিকশন করতে পারি বা প্রজেকশন করতে পারি আজকে দেশে কখন ধরা যাক পেঁয়াজের দাম বা রসুনের দাম বা যেকোনো একটা নিত্য প্রয়োজনীয় জিনিসের দাম এটা আসলে বাড়বে কি বাড়বে না সব ডেটাই কিন্তু আছে আমাদের কাছে কারণ দিনশেষে প্রতিটা যে আমরা আইটেম যারা যেগুলো আমরা বাহির থেকে নিয়ে আসছি তার মানে দেশের বাইরে যেটা ডিপেন্ডেন্সি আছে সেই দেশের বাইরের যে ডেটাগুলো সে ডেটাগুলো কিন্তু আমাদের এলসি যখন খোলা হয় এলসির পাশাপাশি আমরা যখন প্রতিটা জিনিস যখন আমরা আসলে নিয়ে আসি একটা দেশ থেকে সেই দেশের থেকে কিন্তু আমরা প্রজেকশন পাই এবং প্রজেকশনের পাশাপাশি এই ধরনের ডেটা কিন্তু আমাদের একটা ভালো ইনসাইট দেয় যে কিভাবে আমরা সেলফ সাস্টেনেবল হতে পারি কিভাবে আমরা কম আমদানি করতে পারি বা কখন কম আমদানি করতে পারবো বা কখন আমাদেরকে একটু বেশি আমদানি করতে হবে বা কখন কোন জিনিসের দাম পরতির দিকে সেটা কি আমরা আগে থেকে কি সেটা কি আমদানি করতে পারি কিনা বা আমরা কথা হচ্ছে যে কোন জিনিসটা বা কোন আইটেমটা আসলে এখন আমাদেরকে ধরা যাক স্টোরেজ ফ্যাসিলিটিতে লাগতে পারে সো ব্যাপারটা হচ্ছে এরকম যে আসলে দিনশেষে আমাদের কিন্তু রিলাই করতে হচ্ছে ডেটার উপরে আমাদেরকে রিলাই করতে হচ্ছে গিয়ে কিভাবে আমরা কাজ করতে পারি কারণ আজকে যদি দেখি যে মেট্রো রেল বা এরকম যে আমি যদি আজকে আমার বাসা থেকে বের হওয়ার সময় আমি বুঝতে পারি যে হ্যাঁ আমি আমার অফিসে ঠিক 7:55 তে পৌঁছাতে পারব আমি যদি ঠিক বুঝতে পারি যে আমি আজকে আমার অফিসে 7:55 তে পৌঁছাতে পারব তার মানে হচ্ছে গিয়ে আমি কিন্তু দিস আর বিন টেকেন কেয়ার অফ তার মানে হচ্ছে কি মেট্রো রেল হোক আর যেটা হোক না কেন দিস ইজ অলসো রানিং অন ডেটা বিকজ আসলে কোন লাইনে কতটুকু বেশি চাপ পড়ছে কোন লাইন আজকে প্রবলেম হবে বা এর পাশাপাশি আমাদের রুটের কোন জায়গাতে প্রবলেম হচ্ছে সেটাও কিন্তু আমরা ডেটা থেকে আমরা ধারণা নিতে পারি আজকে উবার বা এই ধরনের কোম্পানিগুলো কিন্তু এটা অনেকদিন ধরে কাজ করছে যে প্রতিটা রুটের ব্যাপারে তাদের একটা প্রজেকশন থাকে যে কখন কোন রুটে কোন প্রজেকশনটা আসলে তার জন্য একটা একটা কাস্টমারকে ঠিকমত পৌঁছানো বিকজ দিনশেষে আমি যদি ঠিক টাইম মতো আমার একটা জায়গায় পৌঁছাতে পারি দেন আই উইল বি এবল টু ডু দা আদার থিং বিকজ দিনশেষে আমরা ডেটাকে ব্যবহার করছি আমাদের লাইফটাকে ইজি করার জন্য যে আমি একটা ফোরকাস্ট পেতে পারি আমি রাত্রে ঘুমানোর আগেই যদি আমি চিন্তা করতে পারি যে না আমি 7:55 তে আমি আমার অফিসে পৌঁছাতে পারব এর পেছনে কিন্তু প্রচুর ডেটার কাজ আছে এটা মেট্রো রেল এই ডেটা নিয়ে কাজ করবে এটা নিয়ে আমাদের সড়ক পরিবহন কাজ করবে এই একই ডেটা আমাদের পাবলিক ট্রান্সপোর্ট কাজ করবে এই একই ডেটা যারা বাস মালিক সমিতি আছে তারাও কিন্তু এই ডেটার উপরে ড্রিভেন মানে বিকজ আজকে আমাদের দেশের আমাদের মানুষের ডেটা কিন্তু এটা চলে যাচ্ছে গুগলের কাছে গুগল কিন্তু হ্যাজ দা ইনরমাস ইনসাইট যে আসলে এই ট্রাফিক সিস্টেমটা কিভাবে সামনে আরো ভালো কাজ করানো যেতে পারে বিকজ গুগলের কাছে এমনও ডেটা আছে যে ডেটাটা আসলে আমাদের একটা ধারণা দেয় যে আসলে আমাদের নেক্সট পাবলিক ট্রানজিট সিস্টেম কিভাবে আরো ডেভেলপ করা যেতে পারে সো আমরা এটাকে বলছি এই কারণে যে ডেটা হ্যাজ টু বি ডিক্লেয়ারড এজ এ স্ট্র্যাটেজিক অ্যাসেট আর সেটাই আসলে আমি আমার বইতে সবসময় বলেছি যে কৃত্রিম বুদ্ধিমত্তায় মানবিক রাষ্ট্র কৃত্রিম বুদ্ধিমত্তায় মানবিক রাষ্ট্র এই বইটাতে কিন্তু আমি আসলে এই ব্যাপারটাই কিন্তু বারবার বলার চেষ্টা করেছি যে আমরা যদি ডেটাকে ঠিকমতো ডিক্লেয়ার করতে পারি যে দিস ইজ এন স্ট্র্যাটেজিক অ্যাসেট ইফ আই ক্যান ডিক্লেয়ার ডেটা জাস্ট লাইক ফসিল ফুয়েল জাস্ট লাইক গ্যাস জাস্ট লাইক ন্যাচারাল গ্যাস জাস্ট লাইক এনি আদার থিং ইফ আই ডিক্লেয়ার দিস ওয়ান এজ এ স্ট্র্যাটেজিক অ্যাসেট দেন আই উইল বি এবল টু ফিগার আউট যে আসলে আমরা কিভাবে একটা দেশকে চালাতে পারবো আমরা কিভাবে একটা দেশকে নেক্সট লেভেলে নিতে পারবো বিকজ ডেটা উইল গিভ ইউ দা রাইট পারসপেক্টিভ যে আমরা আসলে নেক্সট স্টেজে আমরা কিভাবে যাব বিকজ দিনশেষে এটাই আমরা বলি যে যদি ডেটা মানে আমরা আসলে যদি দেখেন যে কৃত্রিম বুদ্ধিমত্তায় মানবিক রাষ্ট্র বাট এখানে যে জিনিসটা বলা হচ্ছে যে ডেটার 10টি ব্যবহার আপনি যদি ভালোভাবে দেখেন যে এটা আসলে ডেটার 10টি ব্যবহার মানে আমরা আসলে এখানে ডেটাকে ভিত্তি করে ডেটাকে কাঁচামাল হিসেবে যদি নেই আমরা দেন ডেটা হ্যাজ টু বি ডিক্লেয়ারড এজ এ স্ট্র্যাটেজিক অ্যাসেট ইফ আই ডোন্ট ডিক্লেয়ার ডেটা এজ এ স্ট্র্যাটেজিক অ্যাসেট দেন আমাদের আসলে অনেক কিছুই আমাদেরকে চিন্তা করতে হবে যে না এটা আসলে সবকিছুই সৃষ্টিকর্তার উপর নির্ভরশীল অফকোর্স সবকিছুই সৃষ্টিকর্তার উপর নির্ভরশীল বাট এর পাশাপাশি সৃষ্টিকর্তা আমাদেরকে নলেজ দিয়েছে যে কিভাবে আসলে কিছুটা প্রেডিকশন করতে পারতে হয় কিভাবে আমাদের এই সামনের যেগুলো হচ্ছে গিয়ে দৈব দৈব যে ব্যাপারটা আছে সেই দৈবর কিছু কিছু জিনিসে আমাদের কিছুটা হাত থাকে যে আমরা এখন প্রেডিক্ট করতে পারছি যে আসলে সামনে আমাদেরকে কিভাবে কোথায় যেতে হবে একই জিনিস যদি আমরা প্রেডিক্ট করতে পারি যে না আমাদের আসলে সামনে ধরা যাক কোভিডের যে ব্যাপারগুলো যে কোভিডের যে টিকা সেই কোভিডের টিকা আমার পাস্ট ইনফ্লুয়েন্স কোভিডের টিকার পাস্ট ইনফ্লুয়েন্স থেকে যদি আমি জানতে পারি যে কোভিড আমাকে কিভাবে আমাদের টিকাগুলো কিভাবে আমাদেরকে সহায়তা করছে দেন এই ভিত্তিতে কিন্তু আমি সামনে কোন ধরনের কোন মহামারী বা কোন কিছু আসলে কিন্তু আমি সেটাকে কিন্তু আমি এটাকে কন্টেইন করতে পারি বিকজ পাস্ট ডেটা পাস্ট ডেটা উইল বি এবল টু হেল্প আস টু কন্টেইন দা ফিউচার ক্যাটাষ্ট্রফি ফিউচার ক্যাটাষ্ট্রফিকে যদি আমি আমাকে যদি কন্টেইন করতে পারতে হয় দেন আই উইল বি এবল টু কনসাল্ট দা ওল্ড ডেটা আর সেজন্যই আমরা বারবার বলি যে ডেটা হ্যাজ টু বি ডিক্লেয়ারড এজ এ স্ট্র্যাটেজিক অ্যাসেট আমরা যদি ডেটাকে যদি স্টোর করি এবং ডেটা থেকে যদি প্রপারলি ইনসাইট নেই তাহলে ভবিষ্যৎ ভবিষ্যৎ দেখার যে একটা ব্যাপার যে ভবিষ্যতে দেশটা কিভাবে চলবে সেইখানে আসলে আমাদের রিজার্ভ নিয়ে যে কি যে কাজটা হচ্ছে যে কিভাবে রিজার্ভটাকে আরো ভালোভাবে আমরা এটাকে মেইনটেইন করতে পারি বা আমাদের আসলে এই যে বাহিরের নির্ভরশীলতা বাইরের নির্ভরশীলতা আমরা কিভাবে কমাতে পারি ইট অল ডিপেন্ডস অন ডেটা বিকজ উই হ্যাভ টু ডিসাইড উই হ্যাভ টু ডিসাইড আমাদের সিদ্ধান্ত আমাদের সিদ্ধান্ত আসবে কিন্তু ডেটা থেকে এবং এই সিদ্ধান্ত আমরা যদি ইনফর্ম ডিসিশন নিতে চাই আমরা যদি দেশ চালাতে বা একটা কোম্পানি চালাতে যদি ইনফর্ম ডিসিশন নিতে চাই সেই ইনফর্ম ডিসিশনের পেছনে কিন্তু থাকতে হবে ডেটা বিকজ ডেটা হচ্ছে গিয়ে স্ট্র্যাটেজিক অ্যাসেট এই স্ট্র্যাটেজিক অ্যাসেট নিয়েই কিন্তু আসলে আমরা বলছি যে উই হ্যাভ টু গেট টু দা নেক্সট লেভেল আজকে এই পর্যন্তই কিন্তু সামনে

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

হাইটেকডিপটেক প্রযুক্তি কম্পিউটিংয়ে, হাই-প্রিসিশন নয় The Global Race for Deep Tech Startups.mp3

ছুটির সময়ে অনেক আরএনডি করি বিশেষ করে হাই প্রিসিশন আরএনডি। তার মধ্যে এবার আমি বেশ কিছু জিনিস নিয়ে কাজ করছি এটা হচ্ছে গিয়ে একটা জিনিস যে দিস ইজ হোয়াট উই কল কাইন্ড অফ লাইক ফাউন্টেন পেন। অবভিয়াসলি এটার মধ্যে প্রচুর হাই প্রিসিশন থিং আছে এবং আমার কাছে যেটা মনে হয় যে অফকোর্স রাইটিং ইজ সামথিং লাইক অবভিয়াসলি আমরা চাই যে রাইটিং ইজ হাই প্রিসিশন বিশেষ করে ফাউন্টেন পেনে। বাট দিস জাস্ট কিলস ইট। এনাদার থিং আই ওয়াজ ট্রাইং এনাদার থিং আই ওয়াজ ট্রাইং ফর কাপল অফ ডেইজ ইজ ড্যাক। দিস ইজ দা ড্যাক দিস ইজ দা ড্যাক ইউ সি দিস ইজ দা ড্যাক এন্ড অবভিয়াসলি ভেরি হাই প্রিসিশন থিং ভেরি হাই প্রিসিশন থিং ফ্রম কর্ক। সো আজকের আলাপটা হচ্ছে গিয়ে কাইন্ড অফ লাইক হাই প্রিসিশন থিং যেটা আমার কাছে মনে হচ্ছে যে আমরা যখন আমাদের চাকরির শুরুতে আমি দেখতাম যে এভরিথিং হাই প্রিসিশন উই ইউজ টু কল ইট ফ্রম যেটা হচ্ছে জার্মান থেকে আমরা পেতাম। এনিথিং হাই প্রিসিশন ইট ওয়াজ মেড ইন জার্মান। বাট দিস ডেইজ ইভেন হাই প্রিসিশন থিং হোয়াট উই আর আস্কিং হাই প্রিসিশন আইটেমস দিস আর অলসো কামিং ফ্রম চায়না। মেবি মাচ অফ দা আরএনডি এন্ড অলসো বিন লাইক এভরিথিং ওয়াজ কামিং ফ্রম ইউএস এন্ড অলসো ফ্রম জার্মান এন্ড অলসো ফ্রম সাম সুইস কোম্পানিজ বাট দিনশেষে হাই প্রিসিশন ওয়াজ কাইন্ড অফ লাইক জার্মান এন্ড সুইস কাইন্ড অফ থিং। বাট আমার কাছে মনে হচ্ছে যে এই সময় মানে এখন এই গ্লোবালাইজেশনের সময় বিশেষ করে ইনফরমেশন টেকনোলজি এখন যেই লেভেলে পৌঁছে গেছে সেখানে আমি আসলে এই হাই প্রিসিশন টেকনোলজিতে আটকে থাকার মতো আমি দেখছি না আর। কারণ এখন দেখছি যে এখন আমরা চ্যাট জিপিটি বলছি বার্ড বলছি এআই বলছি অনেক ধরনের লার্জ ল্যাঙ্গুয়েজ মডেল বলছি দিস আর নট কাইন্ড অফ লাইক হাই প্রিসিশন পারসে ইন ইটস সেন্স যে এই হাই প্রিসিশন আমার দেশে আটকে থাকার মতো যে আগে আমরা জার্মানির উপর নির্ভর করতাম বা সুইস বা ইভেন এখন চায়নার উপর নির্ভর করি হাই প্রিসিশন টেকনোলজির জন্য। কিন্তু ইফ ইউ টক এবাউট দা হাইটেক ডিপটেক হাইটেক অথবা ডিপটেক দিস আর নট লাইক ইউএস অর চায়না অর মেবি সুইজারল্যান্ড অর মেবি সাম অফ দা কান্ট্রিস দোস হু আর রিয়েলি গুড ইন দিস ডিপটেক। সো আসলে আমি এই বইটা পড়ছিলাম বেশ কিছুদিন ধরে ডিপটেক নেশন ডিপটেক নেশন এন্ড অফকোর্স সুইজারল্যান্ড একসময় একদম হাইটেক হাই প্রিসিশন টেক ছিল। সো এই বইটা আমার কাছে পড়তে যেয়ে যেটা মনে হলো যে ডিপটেক এন্ড হাইটেক এন্ড হাই প্রিসিশন টেক এগুলো কিন্তু এখন আর কোন একছত্র একটা কোম্পানি বা একছত্র একটা দেশের আর মধ্যে নেই। এটা এখন কাইন্ড অফ লাইক ইট ইজ এভরিওয়ার। লাইক আজকে যদি আমরা ডিপ লার্নিং মডেল বা আমরা যদি কোন ধরনের আমরা কাজ করি যেটা বাংলা হোক ইংরেজি হোক যেটা হোক উই অল উই নিড ইজ কম্পিউটেশনাল পাওয়ার এন্ড কম্পিউটেশনাল পাওয়ার ইজ এভরিওয়ার। উই ক্যান হ্যাভ দা কম্পিউটেশনাল পাওয়ার। আমাদের কম্পিউটেশনাল পাওয়ার আছে। সো এখন ডিপটেক বা হাই প্রিসিশন টেক ইজ নট লাইক নট ফর এ সিঙ্গেল অর ইন্ডিভিজুয়াল কান্ট্রিস বাট আই উড সে ইট ইজ হিয়ার। লাইক আমরা আসলে যদি চিন্তা করতে পারি আমরা যদি এটা মাথায় ধরতে পারি অনলি দেন উই উইল বি এবল টু একচুয়ালি গেট থিংস আউট। সো আসলে যেটা আমি বলছিলাম যে লার্জ ল্যাঙ্গুয়েজ মডেল বা অন্যান্য জায়গায় এজন্যই কিন্তু আমি আসলে এই বইটি লিখছিলাম যেটা হচ্ছে গিয়ে কাইন্ড অফ লাইক এনএলপি আজকে বার্ড বলি আজকে আমরা যদি ধরা যাক গুগল চ্যাট জিপিটি বলি সবকিছুই কিন্তু লার্জ ল্যাঙ্গুয়েজ মডেল। লার্জ ল্যাঙ্গুয়েজ মডেলস আর একচুয়ালি বিল্ট এরাউন্ড দা এনএলপি ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং এন্ড অলসো দিস আর বেসড অন দা ট্রান্সফর্মারস। এজন্যই এখানে বলা আছে যে রিকারেন্ট নিউরাল নেটওয়ার্ক থেকে ট্রান্সফর্মার। আজকে এই সবকিছুই কিন্তু ট্রান্সফর্মার। সো উই হ্যাভ টু আন্ডারস্ট্যান্ড হাউ টু বিল্ড অল দিস ট্রান্সফর্মারস এন্ড দেন গেট থিংস ডান। সো ডিপটেক হাইটেক অল দিস ইট ইজ হিয়ার। লাইক আই ক্যান নট জাস্ট সে গুগল হ্যাজ ইট লাইক ফেসবুক হ্যাজ ইট উই ডোন্ট হ্যাভ ইট। ইয়েস উই হ্যাভ ইট। দা থিং ইজ লাইক আর উই উইলিং টু ইনভেস্ট টাইম অন ইট আর আর উই উইলিং টু ওয়ার্ক অন ইট। সো এটা একটা বড় ইস্যু। অফকোর্স আমরা যদি গুগল বা ফেসবুক বা অন্যান্য যেই মডেলগুলো এখন কাজ করছে সেটা ওপেন এআই বলি দে হ্যাভ ইনভেস্টেড টাইম অন ইট। দে হ্যাভ ইনভেস্টেড টাইম দে হ্যাভ একচুয়ালি রেইজড মানি। সো এন্ড দে কুড হ্যাভ রেইজড মানি ফ্রম এলস এনিওয়ার। সো আমরা আসলে যেটাকে সবসময় চিন্তা করি যে না আমরা মনে হয় ডিপটেক বা আমরা হাইটেক মনে হয় পারবো না। ইটস অল এবাউট হিউম্যান রিসোর্স মানে আমরা আসলে কি চিন্তা করছি আমরা আসলে এটা পারবো কিনা বা আমরা আসলে এটাকে দিনশেষে করতে পারবো কিনা। তো এজন্যই আমি ভাবে মাঝে মাঝে ভাবি যে আসলে আমরা ডিপটেক বলছি আমরা হাইটেক বলছি এই জায়গাটাতে কি আমরা আসলে পিছিয়ে থাকবো নাকি আমরা আসলে এটা নিয়ে কাজ করব। আর সেজন্যই কিন্তু আমি বেশ কয়েক বছর ধরে কয়েকটা জিনিস লিখছিলাম এন্ড দিস ইজ ওয়ান অফ মাই বেস্ট সেলিং যেটা হচ্ছে গিয়ে ডিপ লার্নিং এর জন্য যেটাকে হচ্ছে আমরা বলছি ইন্টেলিজেন্স সিস্টেমের সন্ধানে মানে উই হ্যাভ টু বিল্ড ইন্টেলিজেন্স সিস্টেম। আমাদেরকে আসলে ইন্টেলিজেন্স সিস্টেম বিল্ড করতে হবে। মানে এখানে আমার একটা কথা আছে যে ইফ উই ক্যান সলভ দা ইন্টেলিজেন্স দেন রেস্ট ইজ হিস্টরি বিকজ ইফ উই ক্যান সলভ দা ইন্টেলিজেন্স প্রবলেম এন্ড দেন লেট দা ইন্টেলিজেন্স সলভ এভরি আদার প্রবলেম। লাইক ইফ উই ওয়ান্ট টু সলভ এনি প্রবলেম অফ বাংলাদেশ অথবা আমরা যদি পৃথিবীর একটা প্রবলেম সলভ করতে চাই সো আমাকে আলাদাভাবে এই প্রবলেমটাকে ক্র্যাক করতে যেয়ে যেই সময়টা লাগবে যেই যেই সমস্যাটা লাগবে বা যেই এক্সট্রা রিসোর্স লাগবে যেই আন্ডারস্ট্যান্ডিং লাগবে সেখানে আমি বলছি যে লেটস সলভ দা ইন্টেলিজেন্স প্রবলেম ফাস্ট। লেটস সলভ দা ইন্টেলিজেন্স প্রবলেম ফাস্ট। ইফ উই ক্যান সলভ দা ইন্টেলিজেন্স প্রবলেম ফাস্ট এন্ড আই ক্যান টেল ইউ দেন দা ইন্টেলিজেন্স দেন দা ইন্টেলিজেন্স ক্যান সলভ এভরি আদার প্রবলেম। সো আজকে আমি হাইটেক বলি ডিপটেক বলি এভরিথিং এভরিথিং বেসড অন দা ইন্টেলিজেন্স হোয়াট উই হ্যাভ হিয়ার। উই হ্যাভ টু বিল্ড ইট অন এ মেশিন। সো এইজন্য বলছি যে আগে হাই প্রিসিশনের জন্য আমরা জার্মান জার্মানির কাছে আটকে থাকতাম বা চায়নার কাছে আটকে থাকতাম বা আমরা ইউএস এর কাছে আটকে থাকতাম। এখন কিন্তু উই হ্যাভ হিয়ার। উই হ্যাভ টু বিল্ড ইট। উই হ্যাভ কম্পিউটেশনাল পাওয়ার উই ওয়ান্ট টু বিল্ড ইট উই ক্যান বিল্ড ইট। লাইক ছোট প্রোটোটাইপ দিয়ে কিন্তু আমি আমি শুরু করতে পারি। ছোট একটা প্রোটোটাইপ দিয়ে আমি আমি শুরু করলে এন্ড দেন এট সাম পয়েন্ট অফকোর্স দা বিগ কোম্পানিজ উড ইনভেস্ট এন্ড অলসো উই ক্যান রেইজ মানি। ইটস অল এবাউট আর উই উইলিং টু সলভ এনি গ্লোবাল প্রবলেম অর নট। আজকে এই পর্যন্তই থাকছেন তো সামনে?

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

কৃত্রিম বুদ্ধিমত্তা এবং মেশিন লার্নিং সফটওয়্যার ইজ ইটিং দ্য ওয়ার্ল্ড.mp3

একটা কমন প্রশ্ন পাই সবসময়, কেন মেশিন লার্নিং শিখতে চাইবো? আমি বলব যে এটা একটা এক্সাইটিং ফিল্ড যেটা আসলে পাল্টে দিচ্ছে পুরো পৃথিবীকে। সবচেয়ে বড় ব্যাপার হচ্ছে এই ফিল্ডটা কিন্তু এখনো এক্সপ্লোর করে যাচ্ছে যে কোন কোন জিনিসটা আসলে প্রথাগত সফটওয়্যার দিয়ে করা সম্ভব নয়। আপনি যদি একটু ভালোভাবে লক্ষ্য করেন, দেখবেন যে পৃথিবীর সবচেয়ে বড় বড় কোম্পানিগুলোই কিন্তু এখন সফটওয়্যার কোম্পানি। ছোটবেলায় মুভি বা ভিডিও রেন্টাল করার জন্য কিন্তু আমরা যেতাম ফিল্ম ফেয়ার বা বিভিন্ন ক্যাসেট রেন্টাল শপে। আর এই মার্কেটটাকে কিন্তু অনেক আগেই নিয়ে ফেলেছে Netflix বা YouTube। আপনি দেখুন যে সনাতন যে দোকানপাট আছে সেগুলো কিন্তু চলে যাচ্ছে আস্তে আস্তে Amazon, Daraz বা আজকের ডিলের কাছে। আমাদের ব্যাংকিং এর একটা বড় পার্ট চলে যাচ্ছে কিন্তু বিকাশের কাছে। ট্রেনের ট্রাভেল বলেন আর বাসের ট্রাভেল বলেন সবকিছুই কিন্তু আস্তে আস্তে চলে যাচ্ছে বিভিন্ন অ্যাপ্লিকেশনে বা সহজের কাছে। এগুলো কিন্তু সব সফটওয়্যার কোম্পানি। মেশিন লার্নিং আমরা কেন শিখবো? তার আগে কিন্তু একটা গুরুত্বপূর্ণ প্রশ্নের উত্তর দিতে হবে। কেন সফটওয়্যার আর কেন সফটওয়্যার পৃথিবীকে খেয়ে ফেলছে? মনে আছে মার্ক এন্ড্রিসনের কথা? যার হাত দিয়ে আসলে বের হয়েছিল পৃথিবীর দুটো বিশাল সফটওয়্যার। মানে আমি বলছি ব্রাউজারের কথা। একটা হচ্ছে নেটস্কেপ, আরেকটা হচ্ছে মোজাইক। আমি মার্ক এন্ড্রিসনের ধারণাটাকে বিশ্বাস করি কারণ উনি একজন আসলেই ভিশনারি লোক। আপনি দেখুন কিভাবে একটা ব্রাউজার পুরো পৃথিবীকে পাল্টে দিচ্ছে। আমি কিন্তু সনাতন ল্যাপটপ ব্যবহার করা ছেড়ে দিয়েছি অনেক আগেই। কারণ আমি দেখছি যে পৃথিবীর সবকিছুই কিন্তু এখন করা যায় ব্রাউজার দিয়ে। আর সে কারণে কিন্তু একটা 150 ডলারের ক্রোমবুক কিন্তু আমার ল্যাপটপ। যেহেতু সবকিছুই এখন ক্লাউড বেসড। আমি বা কেনই এখন মাইক্রোসফট অ্যাপ্লিকেশন ব্যবহার করব? যেখানে Google এর সব অ্যাপ্লিকেশন কিন্তু ব্রাউজার দিয়ে আপনাকে সব সার্ভিস দিতে পারছে। Google ডক্স বা Google স্লাইডস এগুলো তো আর কম কাজের না। সেই 2011 সালে মার্ক এন্ড্রিসন কিন্তু বলেছিলেন সফটওয়্যার ইজ ইটিং দা ওয়ার্ল্ড। আমাদের প্রতিটা কাজ কিন্তু হচ্ছে কম্পিউটারে। এর পাশাপাশি আমাদের হাতে চলে এসেছে কিন্তু ছোট্ট ছোট্ট কম্পিউটার। পাশাপাশি আমাদের মোবাইল ফোন কিন্তু মোর দেন এ কম্পিউটার। সেখানে কেনই বা সফটওয়্যার পৃথিবীকে খেয়ে ফেলবে না? আপনি একটু ভালোভাবে দেখলেই বুঝতে পারবেন যে এখন প্রোডাক্ট আর সার্ভিস হয়ে যাচ্ছে কিন্তু ইন্টারনেট ভিত্তিক। পাশাপাশি ট্রান্সপোর্টেশন কোম্পানির ভেতরে কিন্তু ঢুকে গেছে পাঠাও বা Uber। ট্রাভেল এজেন্টদের কাজের ভেতরে কিন্তু ঢুকে গেছে Expedia, booking.com, priceline। সব সফটওয়্যার কোম্পানি। এদিকে হোটেল ব্যবসায় চলে এসেছে Airbnb। আজকে Netflix এর পেছনে কিন্তু একটা সফটওয়্যার আর সেটা কিন্তু ঢুকে গেছে সিনেমা বিজনেসে। এই সফটওয়্যার মডেলে প্রথম কপিটা কিন্তু তৈরি করা কষ্টকর আর এরপরের কপিগুলো কিন্তু ফ্রি। এটাকে আমরা ব্যবসায়িক ওয়ার্ল্ডে বলে থাকি জিরো মার্জিনাল কস্ট। মানে আপনার নতুন ব্যবহারকারী বা নতুন সার্ভিসকে অ্যাড করার জন্য আসলে বাড়তি খরচ হচ্ছে না। ব্যাপারটাকে একটু খোলাসা করে বলি। ধরা যাক আমি অনলাইনে আমার বইগুলোকে সেল করতে চাচ্ছি। ধরা যাক একটা বইকে পোস্ট প্রোডাকশন পর্যন্ত নিতে আমার প্রায় 2 লাখ টাকা খরচ হলো। এরপরে এটাকে সফটওয়্যার হিসেবে সেল করতে আমার কিন্তু বাড়তি কোন খরচ হচ্ছে না। আর এর ফলে কিন্তু আমি এটাকে দিতেও পারছি কমে। হয়তোবা 50 টাকায় একটা বই সেল করতে পারছি। যেখানে হার্ড কপিতে হয়তোবা 300 টাকা লাগতো। আজকে এই পর্যন্তই থাকছেন তো সামনে?

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

আইনি সহায়তায় কৃত্রিম বুদ্ধিমত্তা.mp3

এটা ঠিক যে আমাদের সমাজে প্রচুর সমস্যা আছে আর এই সমস্যাগুলোকে সমাধান করতে গেলে আমাদের ধারণা যে যেই লেভেলে যে সমস্যাটা তৈরি হয়েছে সেই সমস্যাটা সমাধান করার জন্য তার থেকে একটু উপরের লেভেলে যেতে হবে। এটা আসলে আমার কথা না এটা আইনস্টাইন অনেক আগেই বলে গিয়েছেন যে যেই লেভেলে একটা সমস্যা তৈরি হয় সেটাকে সমাধানের জন্য তার থেকে একটু উপরের লেভেলে যেতে হবে এবং সেই উপরের লেভেলে যাওয়ার একটা বড় রাস্তা হচ্ছে গিয়ে সেই ইন্টেলিজেন্সের একটু সুপার ইন্টেলিজেন্স। আমরা বলছি না যে হিউম্যান বা আমরা যেভাবে এখন সমস্যার সমাধান করতে চাচ্ছি বা সমস্যার সমাধানের রাস্তায় হাঁটছি সেই রাস্তায় কি আমরা বরাবর থাকবো কিনা নাকি সেই সমস্যাগুলোর সমাধান করার জন্য সুপার ইন্টেলিজেন্সের আমরা সাহায্য নেব সেটা নিয়ে আমরা আসলে আলাপ করতে পারি। তবে একটা জিনিস দেখছি যে ইদানিং যে আর্টিফিশিয়াল ইন্টেলিজেন্স মানে হচ্ছে গিয়ে কৃত্রিম বুদ্ধিমত্তা এবং তার পাশাপাশি নিউরোসায়েন্স মানে দিনশেষে আসলে আমাদের মাথায় কি ঘটছে বা আমরা কি চিন্তা করছি বা আমাদের পারসেপশনটা কি আমাদের পারসেপশন এর উপর নির্ভর করে কিন্তু আমাদের সমস্যার সমাধানের রাস্তায় আমরা হাঁটতে পারি যে আমরা আসলে কিভাবে চিন্তা করছি এবং আমরা কিভাবে একটা সমস্যাকে সমাধান করছি এবং সেই সমস্যার সমাধানে আসলে আমরা সনাতন পদ্ধতিতে কিভাবে কাজ করছি এবং তার পাশাপাশি সুপার ইন্টেলিজেন্স মানে হচ্ছে গিয়ে সেই সমস্যাটা যেই লেভেলে তৈরি হয়েছে এবং সেই সমস্যাটাকে সমাধান করার জন্য তার উপরের লেভেলে যাওয়া যায় কিনা সেটা নিয়ে আসলে অনেক আলাপ হচ্ছে। আর এ কারণে কৃত্রিম বুদ্ধিমত্তা এবং নিউরোসায়েন্সের মধ্যে একটা ভালো সম্পর্ক হচ্ছে এবং সেই কারণে আপনারা দেখবেন যে ডিপ ডিপ মাইন্ড যে কোম্পানিটা আছে সেই কোম্পানিটা কিন্তু এখন বড় বড় সমস্যাগুলো সমস্যাকে সমাধান করার জন্য কিন্তু তারা সুপার ইন্টেলিজেন্সের লেভেলে হাঁটছে এবং আমরা দেখছি যে প্রচুর কাজ যে যেগুলো আসলে ধরা যাক বায়োলজিতে গত 50 বছর যে সমস্যাগুলো ছিল সেই সমস্যাগুলোকে প্রোটিন ফোল্ডিং যে প্রবলেমটা ছিল সেটার সমাধান করা হয়েছে কারণ প্রোটিন ফোল্ডিং যে প্রবলেমটা ছিল সেটা যেই লেভেলে ছিল সেই লেভেল থেকে আসলে উপরের যেই কিন্তু সেটার সমাধান করা হয়েছে। আজকে আমরা চিন্তা করতে পারি যে ধরা যাক আমাদের লিগ্যাল সিস্টেম বা আমাদের জাস্টিস সিস্টেম আমাদের সমাজে যে জাস্টিস সিস্টেমের মধ্যে যেই ধরনের কাজগুলো হচ্ছে সেখানে আমরা একটা কথা বলি যে জাস্টিস ডিলেইড জাস্টিস ডিনাইড। সেখানে কৃত্রিম বুদ্ধিমত্তা কিভাবে সাহায্য করতে পারে সেটা নিয়ে আসলে অনেক কাজ হচ্ছে ইদানিং। কারণ দিনশেষে একটা মানুষের একটা সমস্যায় পড়তে পারে একটা অপরাধী সে একটা অপরাধ করতে পারে কিন্তু সেই অপরাধটা আসলে কোন মাইন্ডসেট থেকে বা কিভাবে সে অপরাধটা সংঘটিত হলো সেটা শুধুমাত্র হিউম্যান পারসেপশন থেকে হয়তোবা দেখলে হবে না কারণ এর পাশাপাশি আমরা ভাবছি যে যেই লেভেলে সমস্যাটা সমস্যাটা তৈরি হয়েছে সেটার উপরে আসলে সমাধান করা যায় কিনা সেটাও আমরা সেই লেভেলে আমাদেরকে একটু হাঁটতে হবে। তবে সবচেয়ে বড় যে জিনিসটা আমি আসলে বারবার বলি যে আমি এই বইটা লিখেছিলাম যে কৃত্রিম বুদ্ধিমত্তায় মানবিক রাষ্ট্র এই বইটা লেখার পেছনে একটাই কারণ যে আসলে আমাদের সমাজে যেই সমস্যাগুলো এখন হচ্ছে সেই সমাজের সমস্যাগুলোকে কিভাবে আমরা আসলে সমাধান করতে পারি। দিনশেষে সমস্যার সমাধানেই কিন্তু আসল রাস্তা এবং সেই সমাধানটাকে করতে হলে শুধুমাত্র হিউম্যান ইন্টেলিজেন্স দিয়েই যে সম্ভব সেটা না। তার পাশাপাশি আমাদের যে কৃত্রিম বুদ্ধিমত্তা সেটাকেও আসলে ব্যবহার করতে হবে। এখন আমরা ভাবতেই পারি যে আসলে আমাদের বর্তমান যে প্রবলেমগুলো আছে যে আমাদের দেশের যে সমস্যাগুলো আছে সেই সমস্যাগুলো সমাধান কিভাবে হতে পারে এবং সেটাই আসলে আমি এই বইটাতে লিখেছি প্রায় গত তিন বছর ধরে আমি আসলে এই বইটা নিয়ে কাজ করছি বলেই আমি বলতে পারছি যে আমার 33 বছর সরকারে থাকার যে অভিজ্ঞতা সেই অভিজ্ঞতা থেকেই আসলে এই বইটা লেখা। পারসপেক্টিভ হচ্ছে যে শুধু কৃত্রিম বুদ্ধিমত্তা না বরং কৃত্রিম বুদ্ধিমত্তা একটা কাইন্ড অফ বাজওয়ার্ড অফকোর্স বাট তার পাশাপাশি ডেটা ড্রিভেন সোসাইটি ডেটা কিভাবে মানুষকে হেল্প করতে পারে বা আমাদের জাস্টিস জাস্টিস সিস্টেমে যে জিনিসটা হচ্ছে যে দেরি হচ্ছে। আসলে প্রতিটা কাজ আমরা হিউম্যান মানুষও কিন্তু একটা অ্যালগরিদম হিসেবে কাজ করি। আমরা প্রতিটা কাজ কিন্তু প্রতিটা একটা রুল সেট ফলো করে কাজ করি। প্রতিটা মানুষের ইভেন আমাদের লিগ্যাল সিস্টেমে কিন্তু একটা রুল সেট ফলো করেই কিন্তু প্রসিডিং হয়। সেটা ক্রিমিনাল জাস্টিস হোক সেটা হোক সেই রুল সেটটাকে যদি আমরা মেশিনকে শিখিয়ে দেই এন্ড ফাইনালি যদি মানুষ সিদ্ধান্ত নেয় সেটা তো মানুষ অবশ্যই সেটা নিয়ে কাজ করতে পারে। তবে আমরা দেখি যে হিউম্যান জাজমেন্ট অনেক সময় কলিউড হয় এবং সেখানে আসলে আমরা কৃত্রিম বুদ্ধিমত্তাকে আমাদের অ্যাসিস্টেন্স বা অ্যাসিস্টেন্ট হিসেবে আমরা কাজ করাতে পারি। ইটস নট যে আমরা কৃত্রিম বুদ্ধিমত্তাকে মানুষের যে চিন্তাভাবনা তার থেকে উপরে নিচ্ছি বাট আমরা বলছি যে আমরা বুদ্ধিমত্তাকে আমরা আসলে একটা টুল হিসেবে ব্যবহার করতে চাই। কৃত্রিম বুদ্ধিমত্তাকে আমরা একটা টুল হিসেবে ব্যবহার করতে চাই যাতে হিউম্যান জাজমেন্টটাকে আরো ফেয়ার আরো এটাকে ইজি করা যায়। কারণ হিউম্যান আমাদের একজন জাজ যিনি প্রতিদিন কতগুলো জাজমেন্ট দিচ্ছেন তার সেখানে যদি আমি আমি যদি ডাক্তারের কথা বলি একজন ডাক্তার যদি তার ডায়াগনস্টিক টুল হিসেবে তাকে যদি এডিশনালি তাকে টুল না দেওয়া হয়। একজন ডক্টর যে টুলগুলো ব্যবহার করছেন এখন কিন্তু এআই ড্রিভেন অনেক টুল মানে অনেক ধরনের ডায়াগনস্টিক টুল এসছে যার পেছনে কিন্তু এআই আছে। তার মানে একজন ডক্টর একটা সিদ্ধান্ত নিতে পারছে যেখানে এআই তাকে হেল্প করছে ইনিশিয়াল ডায়াগনস্টিক করার জন্য। সেখানে আমরা বলছি যে লিগ্যাল সিস্টেমে ইনিশিয়াল ডায়াগনস্টিকগুলো কিন্তু আমরা লিগ্যাল যে এআই ফ্রেমওয়ার্কগুলো আছে লিগ্যালের জন্য এআই অনেকগুলো ফ্রেমওয়ার্ক আছে সেই ফ্রেমওয়ার্কগুলো নিয়ে আমরা দেখতে পারি। আর ফাইনালি তো হিউম্যান সেটাকে ওভাররাইড করতেই পারে। বাট তবে একটা জিনিস হচ্ছে যে আস্তে আস্তে আমরা এআই যে ইভলভ হচ্ছে এবং এআই যেভাবে সুপার ইন্টেলিজেন্সের রাস্তায় হাঁটছে সেখানে একসময় সেখানে হিউম্যান ইন্টারভেনশন নাও লাগতে পারে। হিউম্যান ইন্টারভেনশন সবসময় থাকবে বাট আমি বলছি যে জাস্টিস সিস্টেমে এমন একদিন আসবে যেখানে হিউম্যান ইন্টারভেনশন নাও লাগতে পারে। তো এই বইটা আপনারা দেখতে পারেন যে এই বইটা আসলে কিভাবে কৃত্রিম বুদ্ধিমত্তা নয় একটা ডেটা ড্রিভেন সোসাইটি একটা মানবিক রাষ্ট্র তৈরি করতে পারে আর তার পাশাপাশি আমরা দেখতে পারি যে কৃত্রিম বুদ্ধিমত্তা কিভাবে আমাদেরকে সাহায্য করছে। আজকে এই পর্যন্তই থাকছেন তো সামনে?

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

JAX হাই পারফরমেন্স ডিপ লার্নিং ফ্রেমওয়ার্ক, নামপাই এবং পাইথন ফাংশনাল ট্রান্সফরমেশন.mp3

সামনে যতই দিন যাচ্ছে আমরা প্রতিদিন নতুন নতুন সমস্যায় পড়ছি। বিশেষ করে মেশিন লার্নিং বা ডিপ লার্নিং ফ্রেমওয়ার্কগুলো নিয়ে। গত ছয় মাস ধরে আমরা যখন ট্রান্সফর্মার মডেল নিয়ে কাজ করলাম সেখানে দেখলাম হাই পারফরমেন্স কম্পিউটিং ছাড়া অনেক কিছুই সম্ভব নয়। আমরা যারা মেশিন লার্নিং নিয়ে অনেকদিন ধরে কাজ করছি তারা জানি যে কিভাবে নাম পাই সবকিছুর কোরের মধ্যে আছে। সাইন্টিফিক কম্পিউটিং মানে হচ্ছে এই নাম পাই। আমরা এটাকে আর আলাদাভাবে কখনো বলি না। তবে এই নাম পাই জুড়ে রয়েছে আমাদের সবকিছুর মধ্যে। আমাদের এই মেশিন লার্নিং বা ডিপ লার্নিং ফ্রেমওয়ার্কে এত বেশি প্যারালাল প্রসেসিং চলে এসেছে যার জন্য আমরা কিন্তু জিপিইউ ব্যবহার করছি। অর্থাৎ আপনি নাম পাইতে কাজ করলে সেই নাম পাইয়ের কাজ সরাসরি যেকোনো ডিপ লার্নিং ফ্রেমওয়ার্কে ট্রান্সফার করা যাচ্ছে। প্রতিদিনের কাজে নাম পাই ফ্যান্টাস্টিক কিন্তু নাম পাইকে আমরা এই জিপিইউ অর্থাৎ প্যারালাল কাজে ব্যবহার করতে পারতাম না। আমরা দেখেছি যে যেকোনো ডিপ লার্নিং ফ্রেমওয়ার্কের জন্য নাম পাই কাইন্ড অফ ইন্টারচেঞ্জেবল। সেখানে হঠাৎ করে এই নাম পাইয়ের হোঁচট খাওয়া বিশেষ করে জিপিইউর ব্যাপারে এটা তো সম্ভব না। অর্থাৎ আমরা এটাকে মেনে নিতে পারছি না। এটা একটা বিশাল মনোকষ্টের ব্যাপার ছিল আমাদের জন্য। এটা ঠিক যে নাম পাইকে র‍্যাপার হিসেবে ব্যবহার করার জন্য অনেকগুলো লাইব্রেরি এসেছে বাজারে। তবে আমার কাছে মনে হয়েছে নাম পাইয়ের এই ফাংশনালিটি এবং পাইথনের যে কাজ সেগুলোকে একমাত্র যে লাইব্রেরিটা গুছিয়ে এনেছে সবকিছু এক জায়গায় সেটা হচ্ছে জ্যাক্স। আমরা যেটা বুঝতে পারছি এটার পেছনে দুটো বড় বড় শক্তি আছে যেটাকে আমরা বলছি অটোগ্র্যাড এবং এক্সেল এ। আমাদের এই অটোগ্র্যাড আগে থেকেই নেটিভ পাইথন এবং নাম পাই কোডের ডিফারেন্সিয়েশন বিশেষ করে অটোমেটিক ডিফারেন্সিয়েশন করতো তারা। পাইথনের বড় বড় সাবসেটের ফিচার যেমন লুপস, ইফ, রিকার্শন বা ক্লোজার হ্যান্ডেল করার পাশাপাশি অন্যান্য ডেরিভেটিভস নিতে পারত। সবচেয়ে মজার কথা হচ্ছে এটা ডেরিভেটিভসের ডেরিভেটিভস এবং ডেরিভেটিভস নিতে পারত। এটা সাইন্টিফিক কম্পিউটিং এর জন্য বিশাল চ্যালেঞ্জ। আমরা যেটাকে ব্যাক প্রপাগেশন বলছি সেটার আর্থিক অর্থ হচ্ছে রিভার্স মোড ডিফারেন্সিয়েশন যা অটোগ্রেডিং এর জন্য কোন সমস্যাই নয়। নাম পাই অবশ্যই অনেক ফাস্ট কিন্তু নাম পাইকে যদি আমরা এই জ্যাক্স লাইব্রেরির ফাংশনালিটি ব্যবহার করি তাহলে কিন্তু ওটাকে আরো অনেক দ্রুত গতিতে চালানো যাবে। ভালো কথা এখানে অটো ডিফারেন্সিয়েশন তো আছেই বাট এর পাশাপাশি আমরা যেটাকে বলছি এক্সএলএ যার অর্থ হচ্ছে এক্সেলারেটেড লিনিয়ার অ্যালজেব্রা যেটা আমাদের কিওয়ার্ড হচ্ছে হাই পারফরমেন্স মেশিন লার্নিং রিসার্চ। মেশিন লার্নিং এ আমরা যেভাবে পাইথন এবং নাম পাইকে স্পিড আপ করতে দেখি সেটাকে আরো দ্রুত গতি করানোর জন্য এটার পেছনে আছে একটা স্পেশাল কম্পাইলার। এই স্পেশাল কম্পাইলারটাকে আমরা সামনাসামনি দেখি না যেটা আসলে পেছনে পেছনে কাজ করে। যেটা আসলে একটা ডোমেইন স্পেসিফিক কম্পাইলার ফর লিনিয়ার অ্যালজেব্রা। আপনারা এতক্ষণে বুঝতে পারছেন যে আমাদের এই জ্যাক্স এই এক্সেল একে ব্যবহার করে এই নাম পাই প্রোগ্রামকে ঠিকমতো কম্পাইল করার জন্য। এর অর্থ হচ্ছে আমাদের এই জিপিইউ বা টিপিইউর উপরে নাম পাই চালানো কোন সমস্যাই না এই জ্যাক্স লাইব্রেরি থাকার কারণে। আজকে এই পর্যন্তই থাকছেন তো সামনে?

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

প্রযুক্তি দিয়ে 'বিস্মিত' হওয়া যাবে না, তৈরি হতে হবে আমাদেরকে Don't be surprised, be ready.mp3

ভবিষ্যৎ প্রেডিকশন নিয়ে আমি অনেক প্রশ্ন পাই যে ভবিষ্যতে কি হতে পারে আর আমি যেহেতু 1970s, 1980s, 1990s এবং তারপরে আসলে একটা বড় পরিবর্তন দেখছি। সেখানে ভবিষ্যতের প্রেডিকশন এবং ভবিষ্যতে আসলে কি ঘটতে পারে সেটা নিয়ে আমি অনেক প্রশ্ন পাই। তবে আমার এটার সবচেয়ে বড় উত্তর হচ্ছে গিয়ে যেটা আপনি আপনাকে বলতে পারি যে ডোন্ট বি সারপ্রাইজড, ডোন্ট বি সারপ্রাইজড বি রেডি। মানে আসলে ডোন্ট বি সারপ্রাইজড ইন এ সেন্স যে আমরা আসলে এখন প্রযুক্তিতে কি ঘটতে পারে বা প্রযুক্তি আমাদেরকে কি দিতে পারে বা প্রযুক্তি আমাদেরকে কি করতে পারে তার থেকে সবচেয়ে বড় হচ্ছে যে আমরা উই শুড বি রেডি, উই শুড গেট রেডি যে আসলে ভবিষ্যৎ কোথায় যাচ্ছে। আর সে কারণে আসলে আমি সেই 2015 সাল থেকে বই লিখছি একটাই কারণে যে টু বি রেডি। মানে আসলে আমরা কি রেডি হতে পারছি কিনা। এবং সেখানে আসলে বলছি যে ডেটা যেহেতু সবকিছু ভেতরে ঢুকছে এবং ডেটা এনালাইসিস মানে ডেটাকে প্রপারলি এনালাইসিস করতে পারাটাই হচ্ছে এখন সবচেয়ে বড় স্কিল। যে আসলে ডেটা কি বলছে বা ডেটা আমাকে প্রপারলি এনালাইসিস বা ডেটা থেকে আমি অ্যাকশনেবল ইনসাইট দিতে পারছি কিনা। আর সে কারণে আমি আসলে অনেকগুলো এবার অনেকগুলো ডকুমেন্টেশন নিয়ে এসছি ম্যাককিনজি থেকে। সো আসলে ম্যাককিনজিও কিন্তু একই কথা বলছে যে আসলে ভবিষ্যৎ কোথায় যাচ্ছে এবং আমরা কি সেটার জন্য রেডি কিনা এবং সেখানেই আসলে এই জিনিসটা আমি দেখা যাচ্ছিলাম যে ডোন্ট বি সারপ্রাইজড, ডোন্ট বি সারপ্রাইজড বি রেডি। এখন বিইং রেডি আই উড সে বিইং রেডি ডিপেন্ডস আপনি কোন দিকে তাকাচ্ছেন। আজকে যদি আমরা সব দিকে তাকাই মানে সব জায়গাতে এগ্রিকালচার বলুন, সেলস বলুন, মার্কেটিং বলুন, এডুকেশন বলুন এভরিহোয়্যার, এভরিহোয়্যার ডেটা ইজ টকিং এন্ড এভরিবডি, এভরিওয়ান ইজ টকিং এবাউট ডেটা টু অ্যাকচুয়ালি গেট টু দ্য নেক্সট লেভেল। আমি যদি আজকে খান একাডেমির কথা বলি খান একাডেমি ইজ গোইং থ্রু এ বিগ বিগ বিগ ট্রান্সফরমেশন। আমরা হয়তো ভাবতে পারি যে খান একাডেমি তো আমরা আসলে ওভাবে ব্যবহার করি না বাট দেন গ্লোবালি গ্লোবালি খান একাডেমি কিন্তু এডুকেশনে একটা বড় বড় একটা মার্ক রাখছে এবং সেটার ইউএস স্টিল ইউএস স্কুল ডিস্ট্রিক্ট গুলোর সাথে আমরা যদি কম্বিনেশন দেখি এবং ইউএস স্কুল ডিস্ট্রিক্টে খান একাডেমির ইনফ্লুয়েন্স কিন্তু আমরা দেখতে পাই। তা আমরা বলছি যে আমরা যদি এখন গ্লোবাল লেভেলে ফাইট দিচ্ছি গ্লোবাল স্কিল আমাদেরকে নিতে হবে। এখন গ্লোবাল লেভেলে ফাইট দিতে গেলে আমাদের গ্লোবাল স্কিল যদি নিতে হয় তাহলে উই নিড টু উই আর এবল টু আন্ডারস্ট্যান্ড হোয়াট দ্য ডেটা ইজ সেইং। ইটস নট লাইক ইটস নট যে আই এম আই এম প্রমোটিং বুক নো। ইটস এবাউট আন্ডারস্ট্যান্ডিং হোয়াট দ্য ডেটা ইজ সেইং বিকজ দিস বুকস আর এভেলেবল অনলাইন। আমার বইগুলো আসলে অনলাইনে পড়া যায়। ইউ ডোন্ট হ্যাভ টু বাই দিস বুকস বাট হোয়াট আই এম সেইং ডেটাকে এনালাইসিস করতে পারতে হবে। দ্য পারসন হু ক্যান এনালাইজ দ্য ডেটা উইনস। সো আসলে ডেটাকে এনালাইসিস করতে পারতে হবে, ডেটা কি বলতে চাইছে সেটা আমাদের একটা ধারণা নিতে হবে এবং ডেটা থেকে আমি ব্যবসায়িক সিদ্ধান্ত নিতে পারছি কিনা। বিকজ দিনশেষে এভরিথিং ইজ বিজনেস। ওয়েদার ইট ইজ গভর্মেন্ট, ওয়েদার ইজ নন গভর্মেন্ট, ওয়েদার ইজ ইট ইজ ফিনান্সিয়াল সেক্টর, ওয়েদার ইট ইজ প্রাইভেট সেক্টর, পাবলিক সেক্টর এভরিহোয়্যার। এভরিহোয়্যার ইট ইজ অল এবাউট বিজনেস। ইট ইজ অল এবাউট বিজনেস। আমি যেহেতু সরকারের প্রায় একটা লম্বা সময় ছিলাম আমি মনে করতে পারি যে সরকারে থাকার এই লম্বা সময়টা দ্যাট হ্যাজ গিভেন মি এ বিগ পার্সপেক্টিভ বিকজ গভর্মেন্টেও কিন্তু আই হ্যাভ লাইক উই ডিড বিজনেস। গভর্মেন্ট ইজ অলসো ডুইং বিজনেস অফ লাইক প্রসেস সিম্পলিফিকেশন, গভর্মেন্টের সার্ভিস ডেলিভারি জনগণের দৌড়গোড়ায় তার সার্ভিসটাকে নিয়ে যাওয়া ইজ অল এবাউট বিজনেস। সো হোয়েন উই আর ইন বিজনেস উই হ্যাভ টু লার্ন এবাউট ডেটা এন্ড উই হ্যাভ টু লার্ন হাউ থিংস আর কামিং। সো দিস ডেটা এনালাইসিস ইজ ভেরি ইম্পরট্যান্ট। সো বি রেডি। মানে আমরা আসলে বা যে জিনিসটা বারবার বলছি যে ডোন্ট বি সারপ্রাইজড। আমি আবার বলছি ডোন্ট বি সারপ্রাইজড বি রেডি। আমাদের এখন সারপ্রাইজ হওয়ার সময় চলে গেছে। মানে আমরা আসলে এখন সারপ্রাইজ হতে গেলেই কিন্তু আমরা আসলে সময় নষ্ট করব। উই ক্যান নট বি সারপ্রাইজড। উই হ্যাভ টু বি রেডি এন্ড উই হ্যাভ টু আন্ডারস্ট্যান্ড হোয়াট ডেটা এনালাইসিস সেইস। সো এর পাশাপাশি আরেকটা স্কিল আমি দেখছি ইদানিং যে ডেটা এনালাইসিসের পাশাপাশি এনএলপি ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং বিকজ আজকে চ্যাট জিপিটি বলেন আজকে জিপিটি ফোর বলেন, জিপিটি ফাইভ যেটা সামনে আসুক না আসুক না কেন ইজ অল এবাউট ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং। ইজ অল এবাউট ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং এন্ড অলসো দ্য বিগ ল্যাঙ্গুয়েজ মডেল এবং এই বিগ ল্যাঙ্গুয়েজ মডেলগুলো কিন্তু আমাদের আমাদের লাইফটাকে পাল্টে দিবে। সো অফকোর্স উই হ্যাভ টু লার্ন বিগ ডেটা, উই হ্যাভ টু লার্ন এনএলপি, উই হ্যাভ টু লার্ন দ্য ডেটা এনালাইসিস। বাট অলসো যারা ডিপ টেক ডিপ টেক ডিপ টেক নিয়ে কাজ করতে চান রিয়েলি রিয়েলি রিয়েলি ডিপ টেক উই হ্যাভ টু আন্ডারস্ট্যান্ড দ্য ডিপ লার্নিং। উই হ্যাভ টু আন্ডারস্ট্যান্ড হোয়াট দ্য ডিপ লার্নিং ইজ সেইং এন্ড হোয়াট দ্য ডিপ লার্নিং ইজ প্রোভাইডিং টু আস। সো আমরা অনেক সময় ভাবি যে হোয়াই ডু আই নিড টু লার্ন ডিপ লার্নিং। আজকে এনএলপির কথা বলি ইজ বেসড অন ডিপ লার্নিং। আজকে ইমেজ প্রসেসিং বলি, আজকে কম্পিউটার ভিশন বলি, আজকে যত ধরনের অ্যাপ্লিকেশন আছে মোস্ট অফ দেম আর বেসড অন ডিপ লার্নিং। আজকে আমি যে অডিওটা রেকর্ড করছি সেই অডিওটা রেকর্ড করার পর সেই অডিওটাকে আমি যখন প্রসেস করব ইট ইজ অন মেশিন ডিপ লার্নিং। ইট ইজ অন মেশিন লার্নিং। ইট ইজ ইট ইজ ইট হ্যাজ টু বি। ইট হ্যাজ টু বি ইন মেশিন লার্নিং। আদারওয়াইজ আমার এই ধরা যাক এই ভোকাল আমার এই ভোকাল প্রতিদিন প্রসেস করাটা একটু ডিফিকাল্ট। রাদার আই উড গিভ ইট টু দ্য মেশিন লার্নিং এন্ড মেশিন লার্নিং উইল ডু দ্য বেস্ট ফর মি। বিকজ ইট নোজ হোয়াট ইট রিকোয়ারস ফর মি টু ইভেন প্রসেস দ্য ফাইল। সো আমার কথা হচ্ছে যে দিনশেষে হোয়াটেভার উই ডু উই হ্যাভ টু লার্ন, উই হ্যাভ টু আন্ডারস্ট্যান্ড, উই হ্যাভ টু ডু আওয়ার থিং বিইং রেডি। সো আমি আবার বলব যে ডোন্ট বি সারপ্রাইজড, ডোন্ট বি সারপ্রাইজড। যারা সারপ্রাইজড হবে তাদের কিন্তু সময় নষ্ট হয়ে যাবে। উই ক্যান নট বি সারপ্রাইজড। সো এখানে জিনিসটা যে ডোন্ট বি সারপ্রাইজড বি রেডি এন্ড উই উই উইল বি গেটিং রেডি উইথ দ্য নিউ টেকনোলজি হোয়াট উই আর সেইং ডেটা এনালাইসিস, ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং, ডিপ লার্নিং আই থিংক উইথ দিস দিস অল ক্যান সলভ অল আওয়ার প্রবলেম। আজকে এই পর্যন্তই থাকছেন তো সামনে?

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

চ্যাট-জিপিটি আমাদের ‘স্ট্যাটিক’ শিক্ষা নিয়ে ভাবতে শেখাচ্ছে । AI in education ChatGPT is iceberg.mp3

কয়েকদিন আগে একটা ভিডিও বানিয়েছিলাম। সেই ভিডিওটার নাম বলছিলাম যে, দ্যা রাইজ অফ দ্যা মেশিন। আর এটার ব্যাপারে একটা স্ট্যাটাস দিয়েছিলাম। সেই স্ট্যাটাসটা হচ্ছে গিয়ে দ্যা রাইজ অফ দ্যা মেশিনস। আমাদেরকে ভাবতে হবে সনাতন শিক্ষা পদ্ধতি নিয়ে। আর সেখানে আমি বলছিলাম যে চ্যাট জিপিটি যদি কমপ্লেক্স বার এক্সাম বা ওয়ার্থনের এমবিএ, মার্কিন যুক্তরাষ্ট্রের মেডিকেল লাইসেন্সিং এক্সাম, তারপর হচ্ছে গিয়ে অ্যামাজনের রিক্রুটিং পরীক্ষা পাশ করতে পারে তাহলে মানুষের সক্ষমতা এবং তার ইভলিউশন ক্রাইটেরিয়া নিয়ে নতুন করে ভাবতে হবে। এটা এটা এটা আমি স্ট্যাটাস দিয়েছিলাম এবং সেটার পরিপ্রেক্ষিতে অনেকে অনেক কিছু বলেছেন। সেটা নিয়ে আজকের ভিডিও যে আসলে সবাই এটা নিয়ে কি কে কি ভাবছে এবং সেটার একটা ধারণা আমরা পেতে পারি। যে এখানে একজন বলেছেন যে আচ্ছা এটা বলেছেন যে আজাজ আহমেদ লিপু। উনি বলেছেন যে, আচ্ছা এসব এক্সাম এবং উত্তরের সেট তো সাধারণত সাধারণত স্ট্যাটিক ডাটা। হুইচ ইজ হুইচ ইজ ট্রু। আচ্ছা এসব এক্সাম এবং উত্তরের সেট তো সাধারণত স্ট্যাটিক ডাটা। আর্টিফিশিয়াল ইন্টেলিজেন্সের কাছে এ ধরনের স্ট্যাটিক ডাটা উত্তর বের করা তো দুধভাত। তাই না? হুইচ ইজ হুইচ ইজ ট্রু। কারণ আমার যদি পুরো টেস্ট পেপার যদি আমাকে মেশিন লার্নিং মডেলে যদি পুরো টেস্ট পেপারকে আমি দিয়ে দেই এবং সেটার সাথে আমি ট্রেনিং ডেটা সেটে আমি যদি তার প্রশ্ন এবং তার উত্তর এটার সঙ্গে যদি আমি ট্রেনিং করাই তাহলে তো সে এটার উত্তর তো দিতেই পারবে। পাশাপাশি টেস্ট ডেটা সেটে বা টেস্ট পেপারে যেগুলো নেই সেটাও কিন্তু সে দিতে পারবে। তার মানে পুরো টেক্সটবুক যদি আমাদের মেশিন লার্নিং মডেলে যদি দিয়ে দেই তাহলে অফকোর্স যেটা টেক্সটবুকে নেই সেটারও একটা ধারণা প্রেডিকশন দিতে পারে। তো সেখানে বলছে যে যদিও এটা জ্ঞাত যে সকল এক্সিস্টিং প্রবলেম যেটা সলভ হয়ে গেছে সেটার অ্যালগরিদম অনুসরণ করে এরূপ যেকোনো ডাইনামিক প্রবলেম সলভ করতে এরা সক্ষম। হুইচ ইজ ট্রু। কারণ আমরা যদি বলি যে একটা এক্সিস্টিং প্রবলেম যেটা বাংলাদেশে আমি যদি মনে করি যে বাংলাদেশে একটা এক্সিস্টিং প্রবলেম। আমরা ভাবি যে এটা মনে হয় শুধু বাংলাদেশের জন্য ইউনিক। বাট একচুয়ালি এটা গ্লোবালি কোনো না কোনো দেশ এটা এই প্রবলেমে পড়ে সেটাকে সলভ করেছে। সো এটাও কিন্তু মেশিন লার্নিং মডেল যেটা আসলে কিভাবে এই জিনিসটা আগে সলভ করা হয়েছে এবং সেটাকে আসলে এখানে আমরা দেখছি। তো ওখানে আসলে আমার উত্তরটা ছিল যে আজাজ আহমেদ লিপু একদম সত্যি কথা। যেই সমস্যাগুলো পৃথিবীতে সমাধান হয়েছে সেগুলোরও সেগুলোকে কিন্তু আমাদের দেশে সলভ করা যাচ্ছে না। কারণ আমরা ভাবছি যে আমাদের সমস্যাটা পৃথিবীর অন্য সমস্যার মতো নয়। হুইচ ইজ ট্রু। কারণ আমি দেখছি যেরকম যে আমরা ভাবছি যে এটা মনে হয় সম্ভব না। কারণ আমরা আমাদের মাস ট্রানজিটের কথা যদি বলি যে মাস ট্রানজিট এতদিন কেন হয়নি আমাদের এই যে মাস ট্রানজিটের জন্য আমাদের একটা মেগা প্রজেক্ট যেটা বলছি যে আজকে যে আমরা যদি মেট্রো রেলের কথা বলি, মেট্রো রেলের প্রজেক্টটা তো আসলে গ্লোবালি অন্যান্য দেশে অনেক অনেক অনেক বছর আগে হয়ে গেছে। তো এটা কেন আমরা আসলে এতদিন করতে পারলাম না। তো এই ব্যাপারটা যে আমরা অনেক সময় বিশ্বাস করি বা ভাবি যেটা মনে হয় সম্ভব না। সো স্ট্যাটিক এবং ডাইনামিক ডেটার মধ্যে সামনে অনেক কাজ বাকি আছে। আমাদের শিক্ষা ব্যবস্থা স্ট্যাটিক সিস্টেমকেই প্রমোট করে বলে অনেক আসল স্মার্ট লোকজন উত্তীর্ণ হতে পারেনি। মানে আমি যেটা বলেছি যে আমাদের শিক্ষা ব্যবস্থায় স্ট্যাটিক সিস্টেমটাকেই প্রমোট করে বলে অনেক আসল স্মার্ট লোকজন উত্তীর্ণ হতে পারেনি। মানে এই সিস্টেম থেকে আসলে ফাইনালি বের হতে পারেননি। তাদেরকে আমরা হারিয়ে ফেলেছি। সো এখানে রাজিব সরকার উনি বলেছেন যে দিস মিনস হিউম্যান পটেনশিয়াল ইজ নেভার ফুললি ইউটিলাইজড ইন ট্রেডিশনাল এডুকেশন সিস্টেম। ইট ইজ ট্রু। ইট ইজ ট্রু। যে আসলে হিউম্যান আমরা আমরা অনেক সময় দেখি যে মেমোরাইজেশন করতে পারলে মনে হয় ভালো ছাত্র বা মেধাবী ছাত্র বলা হতো যে ও মেমোরাইজ করতে পারে। যেমন আমি কখনোই মেমোরাইজ করতে পারতাম না। সো মেমোরাইজেশন ওয়াজ এ ট্রিক যে আমরা মানুষজনকে বলতাম যে না ও মেধাবী। সো এখানে আমি উত্তরটা দিয়েছিলাম যে এক্সাক্টলি। দ্যাটস মাই ফেয়ার। উই হ্যাভ লস্ট মেনি রিয়েল স্মার্ট পিপল কমপ্লাইং ট্রেডিশনাল এডুকেশন সিস্টেম। সো অফকোর্স এখানে এটা নিয়ে আরও অনেকে অনেকে কথা বলেছে। বাট এটা ঠিক যে আসলে আমাদের সনাতন শিক্ষা এগুলোকে কমপ্রিহেন্ড করতে পারছে না বা পারছে না বলেই এই ধরনের প্রবলেম হচ্ছে। এখানে অনিক কুমার বলেছেন যে আমার মনে হচ্ছে এই প্রথম সনাতন শিক্ষা ব্যবস্থা নিয়ে ভাবতে মানে আমি আবার বলি যে সরি আমার একটু জ্বর চলছে এইজন্য হয়তোবা আমি অনেক কিছু ইয়ে করতে পারছি না। সো আমার মনে হচ্ছে এই প্রথম সনাতন শিক্ষা ব্যবস্থা নিয়ে ভাবতে কেউ কানে ধরে বাধ্য করছে সবাইকে। ইয়েস। আদারওয়াইজ আমরা কিন্তু এর আগে সনাতন শিক্ষাকে ভাবতাম যে না দ্যাট ইজ দা গোল্ড স্ট্যান্ডার্ড। বাট এখন সেটাকে গোল্ড স্ট্যান্ডার্ড হয়তোবা ভাবা যাবে না। আরেকজন বলেছেন হাসান হাফিজুর রহমান শান্ত। তারপরও আমাদের কারিকুলাম পাবলিক পরীক্ষায় কারক বিভক্তি কারক বিভক্তি এবং ন্যারেসন আরও 10 বছর থাকবে। অমিত ভৌমিক বলেছেন যে ইউ মিস ভাব সম্প্রসারণ, এককথায় প্রকাশ, এসেট্রা। সো অফকোর্স। আসলে চ্যাট জিপিটি জাস্ট এ টিপ অফ আইসবার্গ। মানে আমরা আসলে এটাকে ভাবছি যে এটা আসলে অনেক কিছু করতে পারবে। বাট এর পাশাপাশি কিন্তু অনেক কিছু আলাপ হচ্ছে। সো এখানে আরেকটা আমি স্ট্যাটাস দিয়েছিলাম ভিডিওতে যে চ্যাট জিপিটি কি পাল্টে দিচ্ছে আমাদের শিক্ষা? চ্যাট জিপিটি ইজ চেঞ্জিং এডুকেশন। এআই এক্সপার্ট সেইজ। বাট হাউ? সেই ভিডিওতে অনেকে এখানে অনেক কিছু বলেছেন। সেখানে মোহাম্মদ আতিকুল হাফিজ উনি বলেছেন যে আমরা যেটাকে মেধাবী বলি সেই ডেফিনেশনটাই ঠিক না। আমি যদি একটা রোবটের মেমরিতে সে এইচএসসির পুরো কারিকুলাম লোড করি এবং তাকে কোশ্চেন সেট কোশ্চেন সেট সলভ করতে বলি রোবট অফকোর্স এখানে স্কোর করবে 100%। তো তাহলে তো ডিভাইসটা কি ব্রিলিয়ান্ট হবে? সো দ্যাটস হোয়ার আসলে এখানে কি কাজটা হবে যে আমাদেরকে আসলে মাইন্ডসেট পাল্টাতে হবে যে মেধাবীর ডেফিনেশনটা কি? মেধাবীর ডেফিনেশন কি পুরো জিনিসটাকে মাথায় লোড করা এবং মাথায় লোড করে আমরা কি সেটাকে উগড়ে দেওয়া? সো আসলে সেটাই আমি বলেছিলাম যে হ্যাঁ আপনি ঠিক বলেছেন যে আমাদের মেমোরাইজেশন স্কিম থেকে বের হয়ে আসতে হবে। তো আরেকজন বলেছেন যে শাকিব তরফদার বলছেন যে মেমোরাইজেশন স্কিম থেকে বের হয়ে আসলে জাতীয় মেধায় প্রথম ঘোষণা কিভাবে করবে? সো এগুলো নিয়ে অনেক কিছুই অনেক কিছুই আসছে। সো মোহাম্মদ দিদার হোসেন উনি বলেছেন যে সময় এসেছে মেধা শব্দটিকে রিডিফাইন করার। সো এখানে আসলে এরকম আসলে অনেক কিছুই চলছে। সো আসলে এর পাশাপাশি আমি যে জিনিসটা বলতে চাই যে আমি এই বইটা প্রায় অনেকদিন আগে লিখেছিলাম যে কৃত্রিম বুদ্ধিমত্তায় মানবিক রাষ্ট্র। এই বইটা লেখার পিছনে একটাই কারণ যে কৃত্রিম বুদ্ধিমত্তা বাংলায় আসলে কিভাবে লেখা যায়। তো এখানে কৃত্রিম বুদ্ধিমত্তাটা কি? মানে চ্যাট জিপিটি অফকোর্স চ্যাট জিপিটি নিয়ে আমরা সামনে আলাপ করবো। বাট কৃত্রিম বুদ্ধিমত্তার ব্যাপারটা কি? সেখানে এআই এর যে অংশটা সেখানে আমি বলেছিলাম যে এআই প্রাথমিক বিল্ডিং ব্লক কি? মানে কেন এআইটা আসলে আমরা ওদিকে হাঁটছি? অটোমেশন বুদ্ধিমান সফটওয়্যার ইকুয়ালস টু কৃত্রিম বুদ্ধিমত্তা। তারপর ডেটা ডেটাকে স্ট্র্যাটেজিক অ্যাসেট বা ওপেন ডেটা ইনিশিয়েটিভ। তারপর হচ্ছে ক্লাউড কম্পিউটিং, ডেটা রেসিডেন্সি, তথ্যের নিরাপত্তা এগুলো নিয়ে কথা বলেছি। তো এআইতে আসলে বিশাল চ্যাপ্টার লিখেছি যে কিভাবে এখানে এলাম? মানে কিভাবে আমরা এই এআই পথে হাঁটছি? কেন প্রয়োজন কৃত্রিম বুদ্ধিমত্তার বা কৃত্রিম বুদ্ধিমত্তা জিনিসটা কি? যন্ত্রের নিজের সিদ্ধান্ত নেবার ক্ষমতা। তারপর হচ্ছে গিয়ে সনাতন প্রোগ্রামিং এর সাথে সনাতন প্রোগ্রামিং এর সাথে মেশিন লার্নিং একদম উল্টো কেন? মানে সনাতন সনাতন প্রোগ্রামিং আর মেশিন লার্নিং উল্টো কেন? কারণ সনাতন প্রোগ্রামিং হচ্ছে গিয়ে আপনাকে পুরো জিনিসটাকে বলে দিতে হচ্ছে যে ইউ হ্যাভ টু ডু দিস অর ইউ হ্যাভ টু ডু দ্যাট। বাট মেশিন লার্নিং উল্টো। মেশিন লার্নিংকে ডেটা একচুয়ালি তাকে ড্রাইভ করছে যে আসলে কি তাকে করতে হবে। সো এই এআই এর পেছনে ড্রাইভিং ফ্যাক্টরগুলো কি কি? মানে এটার পেছনে কি ফ্যাক্টরগুলো আসলে এটাকে নিতে চাচ্ছে? কৃত্রিম বুদ্ধিমত্তার দুটো অ্যাপ্রোচ। এটা আমার খুবই খুবই প্রিয় জায়গা। টেক্সটবুকের কিছু ডেফিনেশন নিয়ে আলাপ করেছি। চারটা ডাইমেনশন চারটা ডাইমেনশন আটটা ডেফিনেশন। মানে এআই এর আটটা ডেফিনেশন। তারপর হচ্ছে গিয়ে অ্যারিস্টোটলের বিখ্যাত ধারণার নীতিমালা। মানে লজ অফ থটস এর ব্যাপারটা। মানবিক ক্ষমতা যে যুক্তযুক্তভাবে কাজ করতে পারা। এটাকে আমরা কিভাবে যন্ত্র সেটা পারবে? অ্যালান টুরিং টেস্ট। বর্তমানের চিন্তা ভাবনা। মানে যন্ত্রের চিন্তা ভাবনা নিয়ে যে যন্ত্র আসলে কিভাবে চিন্তা চিন্তা ভাবনা করতে পারে। যন্ত্রের উপলব্ধি বোধ। যেটাকে আমরা বলছি চাইনিজ রুম যুক্তি। ওইটা একটা চমৎকার একটা ভালো কাজ আছে। মানুষ এবং যন্ত্র কিভাবে শেখে? মানবিক ক্ষমতা। তার পাশাপাশি ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিংটা কিভাবে এর সাথে কানেক্টেড? সিদ্ধান্তের লুপ থেকে মানুষকে বের করে নিয়ে আসা। ইফ দিস দেন দ্যাট। এবং এর পাশাপাশি আরও অন্যান্য অনেকগুলো অ্যাপ্লিকেশন কিভাবে কাজ করছে? ডেটা কিভাবে কথা বলে? মেশিন লার্নিং কেন? ডিপ লার্নিং ব্যাপারটা কি? শব্দের এম্বেডিং প্রজেক্টের ঘটনা সিগনেচার। সো এই ধরনের অনেক কিছুই এই ব্যাপার এই বইটাতে লিখেছি। সো আসলে আমি যদি ফিরে আসি যে যদি চ্যাট জিপিটি আমাদের মতো করে যদি সবকিছুর উত্তর দিতে পারে। মানে যেহেতু ওর কাছে সবকিছু আছে। ও যদি সবকিছুর উত্তর দিতে পারে যে আমার পুরো টেক্সটবুক বা আমার ক্লাস ওয়ান থেকে ক্লাস টেন পর্যন্ত সবগুলো বইয়ের যদি আমার টেক্সটগুলো যদি মেশিন লার্নিং মডেলে দেই এবং তার পাশাপাশি তার উত্তরগুলোকে যদি আমি দিয়ে দেই। এরপরে যদি আমি ওকে একটা নতুন প্রশ্ন দেই সেই প্রশ্নটাও কিন্তু সে সলভ করতে পারবে। কারণ সে প্যাটার্নটা জেনে গেছে এবং প্যাটার্নটা সে জেনে গেছে বলেই কিন্তু সেটার উত্তর দিতে পারবে। নট দ্যাট আমি ধরা যাক গত 10 বছরের 10 টা টেস্ট 10 টা টেস্ট পেপার আমি মেশিন লার্নিং মডেলে দিলাম উত্তরসহ এবং এই 10 বছরের টেস্ট পেপারে এরকম প্রশ্ন নেই। সেরকম একটা প্রশ্ন আমি মেশিন লার্নিং মডেলকে দিলাম এবং মেশিন লার্নিং মডেল সেটাকে উত্তর দিতে পারবে বিকজ অফ দা প্যাটার্ন প্যাটার্ন রিকগনিশন। মানে সে আগের প্যাটার্ন থেকে কিন্তু সে এটার উত্তর দিতে পারবে। সো ব্যাপারটা এরকম যে ইটস নট দ্যাট টেক্সট বুকের সবগুলো কোশ্চেন ইয়ার এবং অ্যানসারটা তার পেতে হবে। নো দিস দোজ উড বি স্ট্যাটিক। বাট ডাইনামিক হচ্ছে এরকম যে যখন এটা উত্তর হবে, উত্তরটা হবে কি ডাইনামিক্যালি। কারণ ওর কাছে কিন্তু সবগুলো প্রশ্ন এবং উত্তর আছে। সো আনসিন ডেটা। তার কাছে যে আনসিন ডেটাটা আছে সে আনসিন ডেটা থেকে সে তার উত্তরটা দেওয়ার চেষ্টা করবে। এজন্য আজকে চ্যাট জিপিটি আমরা যা দেখছি সেটা কিন্তু অনেকটাই কিন্তু আনসিন ডেটা। মানে আমরা যা প্রশ্ন করছি অনেকটাই আনসিন ডেটা থেকে সে উত্তর দিতে পারছে। সো দা ফিউচার ইজ ইজ রিয়েলি রিয়েলি ব্রাইট। আমাদের করণীয়? অফকোর্স উই হ্যাভ টু পুশ দা এনভেলাপ। আমাদেরকে আমাদের এনভেলাপ থেকে আমাদের যে বাউন্ডারি বাউন্ডারি থেকে বাইরে যেতে হবে। এবং এভাবেই কিন্তু আমরা আসলে দেখবো যে আসলে আমাদের সামনে আমাদের আরও অনেক চ্যালেঞ্জ আছে। বাট একটা জিনিস আমি বুঝি এবং বিশ্বাস করি মানুষের সবচেয়ে বড় স্কিল হচ্ছে গিয়ে ক্রিটিক্যাল রিজনিং। আস্কিং দা রাইট কোশ্চেন। মানে আমরা অনেক সময় উই ক্যান নট। যেমন চ্যাট জিপিটিতে দেখছি যে লোকজন অনেক ধরনের প্রশ্ন করছেন যেটা আসলে নট দা রাইট কোশ্চেন। এবং রাইট কোশ্চেন না হওয়ার কারণে কিন্তু উত্তর ঠিকমতো আসছে না। সো উই নিড টু বি এবল টু আস্ক দা রাইট কোশ্চেন উইথ দা রাইট প্যারামিটার এন্ড উইথ দা রাইট কন্টেক্সট। আদারওয়াইজ ইউ উড নট গেট দা রাইট অ্যানসার। সো এইখানে আমাদেরকে ব্যাপারটা বুঝতে হবে। আর এর পাশাপাশি আমি এটাকে বলতে পারি যে ক্রিটিক্যাল রিজনিং, প্রবলেম সলভিং, তারপর হচ্ছে গিয়ে বায়াস। এই ব্যাপারগুলো যদি মানুষ জয় করতে পারে তাহলে হিউম্যান ক্যান একচুয়ালি রান চ্যাট জিপিটিস এন্ড হিউম্যান ক্যান রান চ্যাট জিপিটি লাইক অ্যাপ্লিকেশন ইভেন ইন দা ফিউচার। সো আমাদেরকে এই ধরনের অ্যাপ্লিকেশন চালাতে গেলে আমাকে অ্যাপ্লিকেশন জানতে হবে এবং সেই অ্যাপ্লিকেশন জানার জন্য কিন্তু আমরা বলছি মেশিন লার্নিং, ডিপ লার্নিং, এআই এই ধরনের ব্যাপারগুলো বুঝতে। সো এটাই বলছি যে একটা বেসিক ধারণা পাওয়ার জন্য কৃত্রিম বুদ্ধিমত্তা কি? বেসিক ধারণা পাওয়ার জন্য আপনি দেখতে পারেন। এটা পুরোপুরি এটা বইটা কিনতে হবে না। পুরো বইটা অনলাইনে পাওয়া যায়। পুরো বইটা অনলাইনে পড়া যায়। সো অফকোর্স। আর সবচেয়ে বড় জিনিস যে জিনিসটা আমি বিশ্বাস করি যে চ্যাট জিপিটি ইজ জাস্ট এ টিপ অফ দা আইসবার্গ। আজকে এই পর্যন্তই। থাকছেন তো সামনে?

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

প্রোগ্রামারদের চাকরি এই চ্যাট-জিপিটির যুগে বাঘের পিঠে সওয়ার Why ChatGPT is not taking our job.mp3

চ্যাট জিপিটি ফোর আসার পরে এই প্রশ্নটা বারবার আসছে যে আসলে চ্যাট জিপিটির যুগে প্রোগ্রামাররা চাকরি হারাবেন কিনা। ইটস এ হার্ড কোশ্চেন, ইটস এ হার্ড কোশ্চেন টু একচুয়ালি রেসপন্ড। বাট প্রায়র টু দ্যাট আমার প্রশ্ন আসার আগে আমি কিছু আলাপ করতে চাই। তবে তার আগে বলি যে একটু আগে আমি আমার চুলটা কাটিয়েছি। তো নতুন চুল কাটানোর পরে আমার কাছে মনে হচ্ছে যে ফ্রেশ। তো এইজন্য আমার কিছু পেছনের গল্প বলি তাহলে এটার সাথে একটা কন্টেক্সট আসবে। কারণ আমি নিজে দেখছি যে চ্যাট জিপিটি ফোর আসার পরে দা কোশ্চেনস এন্ড দা অ্যানসারস মানে আমরা যেটাকে বলছি প্রম্পট ইঞ্জিনিয়ারিং। মানে আপনি যখন একটা এআই সিস্টেমসকে ব্যবহার করবেন, এআই সিস্টেমসকে ব্যবহার করার জন্য সেটার জন্য আমি রেডি কিনা। সেজন্যই কিন্তু আমরা প্রম্পট ইঞ্জিনিয়ারিং এর কথা বলি। যেমন আমরা যেটা বারবার বলি যে গুগল সার্চ যখন আমরা করি, গুগল সার্চ করতে গিয়ে কিন্তু আমরা আসলে প্রপারলি গুগল সার্চ করতে পারছি কিনা নাকি আমি গুগল সার্চ করতে গিয়ে আমি নিজে দু ঘন্টা নষ্ট করলাম। কারণ আসলে ব্যাপারটা হচ্ছে যে চ্যাট জিপিটি কিন্তু সেইরকমই একটা জিনিস যে আসলে আমি এআই সিস্টেমসটাকে ঠিকমতো ব্যবহার করতে পারছি কিনা বা ব্যবহার করার জন্য আমার সেই এজটা আছে কিনা। বিকজ কিছুদিন আগে আমি পড়ছিলাম মুনির ভাইয়া একটা কথা পড়ছিলাম যে চ্যাট জিপিটি অর অর এই ধরনের এআই সিস্টেমস উড বি কাইন্ড অফ লাইক বাঘের পিঠে সওয়ার হওয়ার মতো। মানে মানে চ্যাট জিপিটি হচ্ছে একটা বাঘ। মানে এই বাঘের পিঠে আপনি যদি সওয়ার না হতে পারেন মানে আপনাকে কিন্তু চ্যাট জিপিটি খেয়ে ফেলবে। তার মানে হচ্ছে কি চ্যাট জিপিটি কে চ্যাট জিপিটির পিঠে সওয়ার হয়ে সেটাকে মানে বাঘকে ঠিকমতো চালাতে পারার জন্য স্কিল যদি আমার না থাকে তাহলে কিন্তু সেই বাঘ আমাকে খেয়ে ফেলবে। তার মানে হচ্ছে গিয়ে আমাদের এই চ্যাট জিপিটি হচ্ছে গিয়ে কাইন্ড অফ লাইক একটা বাঘ। মানে এটা একটা ক্ষমতাশালী জিনিস। বাট এটাকে ইউজ করার জন্য মানে এর পিঠে সওয়ার হওয়ার জন্য আমি কি সেরকম স্কিলড কিনা। মানে আমি যদি সেরকম স্কিল না হই তাহলে আমার কিন্তু সেই জায়গাটাতে আমার স্কিল বা অন্য কিছু সে আমাকে খেয়ে ফেলবে। ব্যাপারটা এরকম যে আমরা যে জিনিসটা নিয়ে আলাপ করছিলাম যদি আমি ফিরে আসি যে আসলে চ্যাট জিপিটিকে ব্যবহার করে আমাদের মতো মানে আমাদের মতো করে ব্যবহার করে যদি আমরা যদি দেখি যে চ্যাট জিপিটি আসলে আমরা সেটাকে প্রম্পট ইঞ্জিনিয়ারিং এর মাধ্যমে মানে আমরা যেভাবে গুগল সার্চ যেভাবে করার জন্য গুগল সার্চ শিখতে হয়। নট দ্যাট গুগল আমি সার্চ করলাম দ্যাটস ইট নো। আমাকে কন্টেক্সচুয়ালাইজ হতে হবে যে আমি আসলে আমার এআই সিস্টেমসকে আগে আমার মতো করে চিন্তা করার মতো করে তৈরি করে নিয়ে আসতে হবে। দেন আই উড বি আস্কিং কোশ্চেনস। সো প্রম্পট ইঞ্জিনিয়ারিং নিয়ে আমি আপনারা গুগল করতে পারেন প্রচুর। কিন্তু আমার কথা হচ্ছে যে এটা একটা বাঘ অফকোর্স। বাট এটাতে সওয়ার হওয়ার জন্য আমাকে স্কিলফুল হতে হবে এক নাম্বার। আর দুই নাম্বার হচ্ছে যে আমার এই চাকরি খাবে কিনা সেটার আমি উদাহরণে আমি আরেকটা গল্প বলি যে আমি যেমন আমার প্রচুর কাজ কিন্তু আগে অটোমেশন দিয়ে করতাম। যেমন এখানে আমি আমার যে একটা সফটওয়্যার আছে যেটা হচ্ছে গিয়ে রিপার। মানে আমার এই রেকর্ডিং, আমার রেকর্ডিং এর সফটওয়্যার হচ্ছে রিপার। এই রিপারে কিন্তু আমি বেশ কিছু অটোমেশন করি যাতে আমার যে সাউন্ড ইঞ্জিনিয়ারিং বা আমি যে সাউন্ডটাকে পোস্ট প্রডিউস করছি, পোস্ট প্রসেসিং করছি, পোস্ট প্রসেসিং এ আসলে এই অটোমেশনের পরেও কিন্তু আমাকে প্রায় প্রায় 20 থেকে 30 মিনিট আমাকে সময় দিতে হতো এই পোস্ট প্রসেসিং করার জন্য। আমার অডিওটাকে যাতে আপনারা ঠিকমতো শুনতে পারেন। বিশেষ করে আমার অডিওটা যাতে মোবাইল ফোনে ঠিকমতো শোনা যায়। তারপর হচ্ছে গিয়ে আমার অডিওটা ল্যাপটপে ঠিকমতো শোনা যায়। আমার অডিওটা যাতে টিভিতে ঠিকমতো শোনা যায় বা আমার অডিওটা যাতে মানে প্রায় সবকিছু মিডিয়ামে যাতে ঠিকমতো শোনা যায়। এজন্য আমি কিছু অটোমেশন কাজ করতাম। কিন্তু কিন্তু আমার তো সময় নেই। আমার সময় কম। এখন আমি তো প্রতিটা ভিডিওতে শুধুমাত্র অডিও পোস্ট প্রসেসিং এ যদি আমার 20 মিনিট লাগে তাহলে আমার আসলে ভিডিওর জন্য আমি দাভিঞ্চি রিজলভ ব্যবহার করি। দাভিঞ্চিতেও কিন্তু আমার সেই অডিও মানে এই অডিও এবং দাভিঞ্চির জন্য যে আমার যে ভিডিও সেই ভিডিওকে এলাইন করে দাভিঞ্চির জন্য সেখানেও আমি কিছুটা মেশিন লার্নিং ব্যবহার করছি। তার মানে হচ্ছে গিয়ে আমি কিন্তু আমার লাইফে আস্তে আস্তে কিন্তু এআই ব্যবহার করছি টু টেক কন্ট্রোল অফ মাই লাইফ। সো আমি কিন্তু এখন আগের মতো 20 মিনিট লাগাই না একটা অডিও পোস্ট প্রসেসিং করতে। সো আমার একটা অডিওতে আমি এখানে দেখছি যে এখন আমার অডিও পোস্ট প্রসেসিং করার জন্য আমি এআই ব্যবহার করছি। এআইটা আমার অডিওটাকে নিয়ে সে প্রথমে ইনপুট লেভেলটাকে সে এনালাইজ করে। ইনপুট লেভেলটা সে এনালাইজ করে সে দেখে। যেমন আপনি এখানে দেখতে পারেন যে আমার ইনপুট লেভেলটা কোথায় আছে। ইনপুট লেভেল কিভাবে যাচ্ছে। সো ইউ গেট ইউ ক্যান টু সি ইউ ক্যান সি মাই ইনপুট লেভেল। সো ইট এনালাইজ ইনপুট লেভেল টু ডিটারমাইন অপটিমাম ইনপুট গেইন। মানে প্রথমেই কিন্তু ইট এনালাইজ ইনপুট লেভেল টু ডিটারমাইন অপটিমাম ইনপুট গেইন। তারপরে সে বলছে যে এনালাইজ ভোকাল সিগন্যাল টু ডিটারমাইন অপটিমাল সেটিং। তার মানে হচ্ছে কি একটার পর একটা কিন্তু সে এনালাইজ করছে যে আসলে আমার এই পোস্ট প্রসেসিং এর জন্য কি লাগবে। আমার রুমের যে ইকোসিস্টেম, আমার রুমেতে রুমে যে ইকো হয় সেই ইকোটাকে সে একটা জায়গায় কিভাবে ইকো কমানো যায়। তারপর সেটা বলছে যে অ্যাপ্লাইং সেটিং বেসড অন ভোকাল কন্টেন্ট। মানে আমার যে ভোকাল কন্টেন্ট আছে সেই ভোকাল কন্টেন্টের উপর ভিত্তি করে সে যে আগের যে সেটিংগুলো সে ডিসকভার করেছে সেটাকে সে এপ্লাই করে। তারপর হচ্ছে গিয়ে ডিটেক্টিং ভোকাল রেজিস্টার টু অপটিমাইজ পিচ কারেকশন। মানে আমার আমার গলাটার পিচ কারেকশনটা সে দেখে যে ডিটেক্টিং ভোকাল রেজিস্টার টু অপটিমাইজ পিচ কারেকশন। মানে আমার গলাটা কি খুব সরু নাকি এটা কি চিকন নাকি মোটা মানে অথবা আমারটা কি একটু হাই বা লো এটার জন্য সে কিন্তু পিচ কারেকশনের একটা কথা বলে। লার্নিং অপটিমাল গেট থ্রেশোল্ড। মানে এই যে আমার আশেপাশের শব্দ হচ্ছে। আমার যেহেতু বাসা আমার এখানে কোন ধরনের সাউন্ড প্রুফিং নেই। তো সাউন্ড প্রুফিং এর জন্য আমাকে কিন্তু এখানে একটা অপটিমাম গেট থ্রেশোল্ড। যেমন আমি এখন জানি যে আমি রাত্রেবেলা রেকর্ড করছি। এখন আমার বাসে আশেপাশে বাসার আশেপাশে মাইনাস 30 টু মাইনাস 32 থেকে 25 ডিবি। মাইনাস 32 থেকে 24 25 ডিবি আমি একটা বলতে পারি যে একটা অপটিমাল গেট ব্যবহার করতে পারি। যাতে আমার বাকি নয়েজগুলো যাতে সে কাট অফ হয়ে যায়। কিন্তু আমি যাতে আবার এটলিস্ট কিছু নয়েজ যাতে ঢুকাই যাতে এটাকে আনন্যাচারাল না মনে হয়। সো আমার এখানে একটা অপটিমাম গেটের থ্রেশোল্ড। তারপর বলছি যে লার্নিং সাবস্ট্রাক্টিভ লার্নিং সাবট্রাক্টিভ ইকিউ প্যারামিটারস টু ইমপ্রুভ ক্লারিটি। তার মানে হচ্ছে গিয়ে এটা আবার লার্ন করছে লার্নিং সাবট্রাক্টিভ ইকিউ প্যারামিটার টু ইমপ্রুভ ক্লারিটি। মানে আমার আমার শব্দটা ক্লারিটি পাওয়ার জন্য সে সাবট্রাক্টিভ ইকিউ প্যারামিটার ব্যবহার করছে। তারপর হচ্ছে যে ডিটেক্টিং ভোকাল সিবিলেন্স টু সেট ডিএসআর। মানে আমি যে আমার আমার কথাতে অনেক ধরনের আসতে পারে। সো এখানে একটা ভোকাল সিবিলেন্স যাতে আপনার হেডফোনে যখন শুনবেন তখন আপনার যাতে এটা খারাপ না লাগে। এজন্য ডিএসআর ডিএসআর একটা লার্নিং মেকানিজম করে। অ্যাপ্লাইং ডাইনামিক্স ফর এ কন্ট্রোল আউটপুট লেভেল। মানে আপনার ডাইনামিক্স যেটা আছে সেই ডাইনামিক্সটা আসলে কতটুকু কন্ট্রোল করতে পারে সেটাও কিন্তু এখানে সে লার্ন করছে। এবং ফাইনালি সেটিং রিভার্ব মিক্স লেভেল ডিপেন্ডিং অন সিলেক্টিং অ্যাসিস্ট্যান্ট মোড। মানে আমি এখন এরপরে অ্যাসিস্ট্যান্ট মোডে এক্সট্রা যদি আমি কোন কিছু করতে চাই তার জন্য সে আমাকে একটা লেভেলে নিয়ে এসে নিয়ে এসে দিবে যেখানে রিভার্ব মিক্স লেভেল নিয়ে এসে বলবে। বাট দ্যাট ইজ সামথিং আমাকে মেশিন লার্নিং বা এআই আমাকে একটা বেজলাইন দিচ্ছে। এই বেজলাইনটা করতে আমার আগে হয়তোবা লাগতো হচ্ছে গিয়ে 18 18 মিনিট। 15 থেকে 18 মিনিট। তার মানে হচ্ছে গিয়ে এই বেজলাইনটাই কিন্তু আমাকে এআই তৈরি করে দিচ্ছে। এই বেজলাইন এআই তৈরি করার ফলে যেটা হচ্ছে যে আমার জন্য এটা নিয়ে যখন কাজ করছি তখন কিন্তু আমি বাকি ছোট্ট খুব ছোট্ট কিছু ফাইন টিউনিং করে কিন্তু আমার আমার এই অডিও পোস্ট প্রসেসিংটা করতে পারছি। তার মানে হচ্ছে গিয়ে এখানে আই এম অলরেডি টেকিং এআইস হেল্প। সো সো দ্যাট আমার যে এক্সট্রা যে সময়টা সেই সময়টা আমি আমি বাঁচাচ্ছি। সো আসলে ফিরে আসি আমার সেই গল্পে যে প্রোগ্রামার এবং কেন মানে কেন আমরা যে ভয় পাচ্ছি যে প্রোগ্রামাররা চাকরি হারাবেন কিনা। আসলে আমার পারসপেক্টিভ হচ্ছে গিয়ে প্রোগ্রামার যতটুকু চাকরি হারাবেন আমি আমি দেখছি না যে প্রোগ্রামাররা চাকরি হারাবেন। বিকজ আপনি জাস্ট চিন্তা করুন যে হোয়াট ইজ প্রোগ্রামিং? আপনি প্রোগ্রাম চিন্তা করেন যে ইউনিসেফের যেমন যে যারা বাচ্চা, বাচ্চাদের ফিডিং প্রোগ্রাম ইউনিসেফের বাচ্চাদের ফিডিং প্রোগ্রাম। তার মানে হচ্ছে ইটস এ বিগ বিগ বিগ থিং। সো আমরা যেটা এর আগে আলাপ করেছিলেন যে রেলের টিকিট কাটার জন্য এনআইডির যে ভেরিফিকেশন আই উড সে ইটস ইটস এ প্রোগ্রামিং। বিকজ ইটস নট অনলি কোডিং বাট ইট হ্যাজ মেনি মেনি মেনি থিংস। যেটা আমি আসলে সবসময় বলি যে আসলে একটা প্রোগ্রামিং মানে একটা প্রোগ্রামিং যখন আমরা করতে চাই তখন সেটার জন্য উই হ্যাভ টু ডিজাইন এন্ড ডেভলপ লজিক্যাল সফটওয়্যার সলিউশন। মানে উই উই কাম বাই লজিক্যাল সিকুয়েন্সেস। মানে এজ এ হিউম্যান উই নিড টু আন্ডারস্ট্যান্ড হোয়াট আর দা লজিক্যাল সিকুয়েন্সেস টু বি ইউজড টু একচুয়ালি বিল্ড এ প্রোগ্রাম। তার মানে হচ্ছে কি প্রোগ্রাম ইজ এ বিগ বিগ বিগ থিং। তার মধ্যে কোডিং হচ্ছে গিয়ে খুবই একটা স্মল পার্ট। সো দা প্রোগ্রামিং ইজ এ সলিউশন লাইক আই উড সে যে ইটস এ লজিক্যাল সফটওয়্যার সলিউশন টু এ প্রবলেম স্টেটমেন্ট। মানে আমাকে এনআইডি ভেরিফিকেশন করতে হবে এনআইডি সার্ভার থেকে। সো এবং সেটা হচ্ছে গিয়ে আমাদের যে রেলের টিকিটের জন্য। সো রেলের টিকিটের জন্য এনআইডি ভেরিফিকেশন ইজ এ প্রবলেম স্টেটমেন্ট। সো এই প্রবলেম স্টেটমেন্টকে কিন্তু এটা প্রোগ্রামিং এর মাধ্যমে করতে হবে। ইজ ইজ ইট ইজ নট কোডিং। সো সেখানে ইট ইনভলভস অলসো আই উড সে যে এটাকে ডিজাইনিং এবং ডেভলপ করতে হবে যে এটার পেছনে কি কি অ্যালগরিদম আমরা ব্যবহার করব। তারপর সেটাতে ফ্লোচার্টটা কি হবে কোন কিসের পরে কোনটা হবে ফ্লোচার্টটা লাগবে। তারপর হচ্ছে গিয়ে এই এটার জন্য কি ধরনের প্রোগ্রামিং ল্যাঙ্গুয়েজ আমি ব্যবহার করব বা এটার সাথে আসলে হিউম্যান প্রবলেম, হিউম্যান বায়াস যে আসলে টিকিট কাটতে গেলে কিভাবে লোকজন এটাকে এবিউজ করতে পারে। সেই এবিউজ মানে হিউম্যান পারসপেক্টিভ থেকে চিন্তা করতে হবে যে আমি একটা সফটওয়্যার সলিউশন বানালাম। এটা যদি হিউম্যান এবিউজ করে তাহলে এটা তো আসলে নালিফাই হয়ে যাবে। তাহলে এটাকে কিভাবে আমরা একটা রিয়েল ওয়ার্ল্ড সলিউশনে যেতে পারি। তার মানে হচ্ছে কি এন্ড অফ দা ডে আমাদের প্রোগ্রামিং ইজ মোর অফ লাইক হিউম্যান পারসেপশন টু সলভ এ প্রবলেম। অফকোর্স চ্যাট জিপিটি উইল গিভ আস এন আন্ডারস্ট্যান্ডিং টু টু এ লেভেল হাউ টু সলভ দ্যাট প্রবলেম। বাট দেন ইউ নিড হিউম্যান বায়াস। ইউ নিড হিউম্যান বায়াস অলসো যে হিউম্যান বায়াসটাকে আমরা কিভাবে আমরা ক্লোজ করে নিয়ে আসবো। তার পাশাপাশি আরেকটা জিনিস আমি দেখতে পাচ্ছি যে আমাদের এই যে প্রোগ্রামিং আর যদি কোডিং এর কথা বলি যেখানে চ্যাট জিপিটি আমাদেরকে রিপ্লেস করে ফেলবে সেটা হচ্ছে কোডিং। মানে হচ্ছে গিয়ে কোডিং ইজ কাইন্ড অফ এ ট্রান্সলেশন। মানে আমাদের এই প্রবলেম স্টেটমেন্টটাকে আমার একটা ল্যাঙ্গুয়েজের মধ্যে আমি ট্রান্সলেট করব যাতে আমার মেশিন বুঝতে পারে। মানে আমার যন্ত্র বুঝতে পারে। আমার সফটওয়্যার যে আইডি বা কম্পাইলার সেটা বুঝতে পারে যে আসলে আমি এই যে ট্রান্সলেশনটা মানে মেশিনের যে ট্রান্সলেশনটা মানে আমার প্রোগ্রামিং এর একটা ছোট অংশ। সেই অংশটা সেই ল্যাঙ্গুয়েজটাকে সিলেক্ট করার পর ল্যাঙ্গুয়েজে সেই মেশিন যাতে বুঝতে পারে, আমার কম্পাইলার যাতে বুঝতে পারে সেজন্য কিন্তু কোডিং। এবং সেই কোডিং এ কিন্তু চ্যাট জিপিটি ইজ বিকামিং রিয়েলি রিয়েলি গুড। তো সেজন্য বলছি যে আমাদের এখানে এই যে এই জিনিসটা আসছে যে ইট রাইটস দা ইউজার ইন্সট্রাকশন ইন এ ফর্ম অফ এ কম্পিউটার প্রোগ্রাম। ইট রাইটস দা ইউজার ইউজার ইন্সট্রাকশন ইন দা ফর্ম অফ এ কম্পিউটার প্রোগ্রাম। ইট কনভার্টস দা কম্পিউটার প্রোগ্রাম ইনটু লো লেভেল ল্যাঙ্গুয়েজ কোডস এন্ড ফিড ইট টু দা কম্পিউটার ফর এক্সিকিউশন। তার মানে হচ্ছে কি কোডিংটা কিন্তু চ্যাট জিপিটি খেয়ে ফেলবে। মানে কোডিং ইজ সামথিং লাইক যে বেসিক জিনিস এবং এটা ইন্টারমিডিয়েট লেভেলে এটা এটা কিন্তু চ্যাট জিপিটি ইজ ইজ বিকামিং গুড এট। সো আমার কথা হচ্ছে যে বিইং এ প্রোগ্রামার, বিইং এ সিজন প্রোগ্রামার আই ডোন্ট আই উড ওরি এবাউট ইট। বাট বিইং এ কোডার আই উড সে এটা আমাদের এখানে রিপ্লেস হওয়ার একটা সুযোগ থাকে। এবং সবচেয়ে বড় হচ্ছে কি আমাদের কিন্তু এখন আমরা যদি লিগাল সিস্টেমে দেখি আস্তে আস্তে লিগালের যে ইনিশিয়াল যে কাজগুলো যেটা হচ্ছে কি ইন্টার্ন বা অনেকে করেন যে লিগাল সিস্টেমে যে কতগুলো যে এই জিনিসটা আমরা বলছি যে কতগুলো কাজ যেটা নিয়ে আমি কাজ করছি। লিগালের মধ্যে সবচেয়ে বড় পারসপেক্টিভ হচ্ছে কি আমি আসলে কতগুলো ধারা মানে এই ধারা কি ওই ধারায় পড়বে কিনা বা এই জিনিসটা এই প্রবলেমটা বা এই এই একটা আইনের বরখেলাপ হয়েছে এটা কি সেই আইনের মধ্যে পড়বে কিনা সেটার জন্য কিন্তু আমি বলতে পারি যে এখানে কিন্তু চ্যাট জিপিটি বা এই জায়গাতে কিন্তু অনেক জায়গায় ঢুকে যাবে। মানে লিগাল সিস্টেম কিন্তু ওখানে কিন্তু একদম ঢুকে যাচ্ছে। সো আমরা আসলে যেটা বলতে পারি যে প্রোগ্রামার উই শুডন্ট বি ওরিং এবাউট দিস বিকজ আমরা আসলে চ্যাট জিপিটিকে ব্যবহার করব। এটা হচ্ছে গিয়ে বাঘের মতো। চ্যাট জিপিটিকে ব্যবহার করব যাতে আমি আরো ভালো প্রোগ্রামিং শিখি। চ্যাট জিপিটিকে ইউজ করে আমি আসলে একটা লেভেলে যেতে চাইবো যাতে আমার যে কাজগুলো আছে সেই কাজগুলো আমরা যেমন আমি নিজে একই একই প্রবলেমের উপরে আমি বেশ কিছু বই পড়ি। মানে একই প্রবলেম বিভিন্ন অথরের। কারণ আমি এক একটা প্রবলেমের জন্য যখন বিভিন্ন অথরের একটা অনেকগুলো বই পড়ি তখন কিন্তু বিভিন্ন অথরের বিভিন্ন ভিউপয়েন্ট পাওয়া যায়। সো আমি বলব যে এই বাড়তি ভিউপয়েন্ট একেকজনের একেক এঙ্গেলের ভিউপয়েন্ট এটা কিন্তু আপনি চ্যাট জিপিটিতে পাবেন। সো আই শুড বি আস্কিং কোশ্চেনস টু মাইসেলফ। আই শুড বি চ্যালেঞ্জিং মাইসেলফ। আই শুড বি ইভেন চ্যালেঞ্জিং টু দা সিস্টেম যে আমি কি জিনিসটা পারছি না বা আমি এটা কিভাবে সলভ করতে পারি। সো আই শুড বি ইউজিং চ্যাট জিপিটি টু চ্যালেঞ্জ মাইসেলফ। আজকে এই পর্যন্তই থাকছেন তো সামনে?

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

কৃত্রিম বুদ্ধিমত্তা টেসলার কী অবস্থা.mp3

মাঝে মাঝে মনে হয় সো মাচ টু ডু এন্ড সো লেস টাইম। আচ্ছা আমাদের যদি ডেইলি সিদ্ধান্ত নেবার ক্ষমতা যদি ছেড়ে দিতে পারতাম যন্ত্রের উপরে তাহলে কেমন হতো? যেমন ঢাকায় গাড়ি চালানো আমার কাছে বেশ স্ট্রেসফুল মনে হয়। আমরা কি সেটা পারিনা যন্ত্রের উপর ছেড়ে দিতে? যেমন আমি মেশিন লার্নিং এর উপর তিনটা বই লিখতে চাচ্ছি কিন্তু সময় পাচ্ছি না। যেহেতু আমরা প্রথম পর্বে সেলফ ড্রাইভিং কার মানে অটোনোমাস কার নিয়ে আলাপ করছিলাম সেই ল্যান্ডস্কেপে কিন্তু টেসলা কাজ করছে অনেকদিন আগে থেকে। আমি কয়েকটা স্টাডি দেখছিলাম যেখানে টেসলা অলরেডি 1.5 বিলিয়ন মাইল একোয়ার করেছে অটো পাইলটে। আর এর থেকে প্রায় ডাবল সে চালিয়েছে শ্যাডো মোডে। টেসলা প্রজেক্ট করছে 2020 সালের মধ্যে সে প্রায় চালিয়ে ফেলবে 2.3 বিলিয়ন মাইল অটো পাইলটে। একটা যন্ত্রের জন্য কিন্তু এই অভিজ্ঞতা কিন্তু কম নয়। টেসলা বলছে তারা ফুল সেলফ ড্রাইভিং কার হার্ডওয়্যার দিচ্ছে কিন্তু সব গাড়িতে। আমরা প্রায় সব জায়গায় দেখছি যে এই হিউম্যান ড্রাইভার থেকে সেলফ ড্রাইভিং কার অর্থাৎ অটো পাইলট এনহ্যান্স মোড অনেক সুপিরিয়র। কিন্তু সেই ব্যাপারগুলো কিন্তু আটকে আছে কিছুটা রেগুলেটরি ফ্রেমওয়ার্কের জন্য। এটা অনেকটাই নির্ভর করছে মানুষের পারসেপশনের উপরে। ব্যাপারটা এরকম যে হিউম্যান ড্রাইভার 100 জন মানুষকে মারলেও যে ধরনের ধারণা হবে তার থেকে একটা যন্ত্র যদি একজন মানুষকে মেরে ফেলে সেটার আউটকামটা বা রিপারকেশনটা অন্যরকম হবে। সোজা কথায় মানুষের দায়বদ্ধতা আছে কিন্তু যন্ত্রের তো আমরা এখনো কোন ফ্রেমওয়ার্ক তৈরি করে দিতে পারিনি। আমার ধারণা এই সমস্যাগুলো কাটছে আস্তে আস্তে। এর অর্থ হচ্ছে সিদ্ধান্ত দেবার ক্ষমতাকে যদি আপনি টুল হিসেবে ব্যবহার করেন তাহলে কিন্তু সামনে এই সমস্যাগুলো আস্তে আস্তে কেটে যাবে। 2016 এর পরে কিন্তু টেসলাতে যত হার্ডওয়্যার অ্যাড করা হয়েছে সেখানে আমি দেখছি আটটা ক্যামেরা মানে 360 ডিগ্রি কাভার করবে। একটা ফরওয়ার্ড ফেসিং রেডার এর সঙ্গে 12 টা সোনার। মানুষের সেফটির জন্য তারা কোন ত্রুটি রাখেনি। এখানে দেখলাম এনহ্যান্স অটো পাইলটে তারা চারটা ক্যামেরা ব্যবহার করে আর সেখানে ফুল সেলফ ড্রাইভিং মোডে আটটা ক্যামেরা ব্যবহার করে টেসলা। আমি এই জিনিসটা নিয়ে খুব ইন্টারেস্টেড কারণ 2016 এর পরে হার্ডওয়্যার টু ভার্সনে এনভিডিয়ার যে কুডা বেসড জিপিইউ প্রসেসে এসেছে সেটা আটটা সারাউন্ড ক্যামেরা 12 টা আল্ট্রাসনিক সেন্সর এবং একটা ফরওয়ার্ড রেডারকে একসাথে প্রসেস করার জন্য যে ক্ষমতা সেটাই কিন্তু আমার কাছে অবাক লেগেছে। আমার ভাববার বিষয় হচ্ছে পৃথিবীর সবাই কিন্তু অনেক কিছু করে ফেলছে সেখানে আমরা আসলে কি করতে পারি। আমার কথা হচ্ছে আমাদের মাথা আছে আর হার্ডওয়্যার কিন্তু অন্যান্য যেকোনো কোম্পানির মতো আমরা সোর্স করে নিয়ে আসতে পারি চায়না থেকে। এটা কি মেনে নিতে হবে যে পৃথিবীর সব হার্ডওয়্যার চায়না বানায় আর এটাই কিন্তু মেনে নিয়েছে পৃথিবীর অন্যান্য বিলিয়ন ডলার কোম্পানিগুলো। আমার কথা হচ্ছে প্রোডাক্ট ডিজাইন হবে বাংলাদেশে আর সেটা তৈরি হবে চায়নায়। সেখানে কিন্তু আমার কোন আপত্তি নেই। যেভাবে আইফোন সানফ্রান্সিসকোতে ডিজাইন হচ্ছে আর তৈরি হচ্ছে চায়নাতে। কৃত্রিম বুদ্ধিমত্তা নিয়ে কাজ করার জন্য দরকার প্রচুর জনবল আর সেখানে কিন্তু হার্ডওয়্যারের কোন সমস্যা না। আমার বাসায় কিন্তু পড়ে আছে বেশ কয়েকটা জিপিইউ। প্রশ্ন হচ্ছে পৃথিবীর কোন সমস্যাটা সমাধান করতে চান আজকে? দেখা হচ্ছে সামনে।

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

মেশিন লার্নিং কী বই পড়ছি এখন.mp3

প্রায়শ আমি একটা প্রশ্ন পাই, আমি এই মুহূর্তে কোন মেশিন লার্নিং বইটা পড়ছি। মাস কয়েক আগে আমি শুরু করেছিলাম এই বইটার কিন্ডেল এডিশন দিয়ে। পরে আমার ভাই এটার একটা প্রিন্ট এডিশন নিয়ে এসেছিল কানাডা থেকে। আমি এই বইটার প্রথম এডিশনও ফলো করছিলাম কারণ এই বইটাতে একটা সাইকিট লার্ন এবং টেন্সর ফ্লোর মধ্যে একটা কমিউনিকেশন তৈরি করে দিয়েছে। এই বইটার লেখক একজন ফ্রেঞ্চ, অয়েলিও জিও, যিনি ইউটিউব এর ভিডিও টিম লিড করতেন। এই বইটার সাথে একটা সক্ষতা আছে আমার কারণ আমি এই একই ধারণায় মানুষকে ডিপ লার্নিং বা মেশিন লার্নিং শেখাতে যাচ্ছি। আমাকে অনেকে বলেন যে এই মেশিন লার্নিং বা ডিপ লার্নিং এর ভেতরে অ্যালগরিদম বা ম্যাথ এগুলো কিভাবে কাজ করছে বা একটা পিএইচডি রিসর্চার উনি আসলে এই মেশিন লার্নিং বা ডিপ লার্নিং নিয়ে কিভাবে কাজ করবেন সেটা নিয়ে ধারণা দেওয়ার জন্য। আমি আসলে সরে এসেছি সেই স্ট্যান্ডপয়েন্ট থেকে কারণ আমার কন্টেক্সট হচ্ছে একটা মেশিন লার্নিং বা ডিপ লার্নিং এই মডেলগুলোকে কিভাবে চালাতে হয় সেটার হ্যান্ডস অন বা প্র্যাক্টিক্যালিটি না জানলে এটার ভেতরে ঢোকা বেশ কঠিন। আমি এই উদাহরণটা প্রায় দেই যে বাংলাদেশ এখন ড্রিমলাইনার মানে বোইং 787 কয়েকটা কিনেছে। যেহেতু বোইং কোম্পানির সাথে আমাদের মেইনটেনেন্স কন্ট্রাক্ট আছে আর সে কারণে বোইংটা কিভাবে বানানো হয়েছে অর্থাৎ বোইংটা কিভাবে স্ক্র্যাচ থেকে বানানো হয়েছে সেটার পেছনে যদি আমাদের সময় নষ্ট করি তাহলে বোইং এর যে মেইনটেনেন্স বা বোইং ফ্লাই করার জন্য যেই প্র্যাক্টিক্যালিটি বা বোইং চালানোর যে দক্ষতা সেটা না জেনে বোইং বানানোর জন্য দক্ষতার পেছনে যদি আমরা দৌড়াই তাহলে কিন্তু আমাদের সময় নষ্ট হবে। কারণ নলেজ একটা স্টেপ বাই স্টেপ প্রসেস। আপনি শুরুতেই বোইং এর মেইনটেনেন্স করে কিন্তু আস্তে আস্তে ধারণা পাবেন যে বোইংটা আসলে কিভাবে মেইনটেনেন্স করতে হয়। তাহলে আমাদের আর ফুল মেইনটেনেন্স কেনা লাগবে না। সেখানে অনেক পয়সা আমরা সাশ্রয় করতে পারব। আমি কিন্তু বলিনি যে আমরা কখনো বিমান বানাবো না বরং আমি বলছি যে ইট ইজ এ স্টেপ বাই স্টেপ প্রসেস। আমরা শুরু করব মেইনটেনেন্স দিয়ে। জানবো কিভাবে মেশিনটাকে চালাতে হয়। আর সেজন্যই একটা মেশিন লার্নিং বা ডিপ লার্নিং মডেল সেটা অ্যালগরিদম বা সেটা কিভাবে তৈরি করা হয়েছে তার থেকে আমার কাছে ইম্পরট্যান্ট হচ্ছে এই মেশিন লার্নিং বা ডিপ লার্নিং মডেলকে আমার কাজে কিভাবে ব্যবহার করে আমার কাজটাকে তুলে নিয়ে আসা যায়। আমি সাধারণত কোন কিছুই স্ক্র্যাচ থেকে করতে চাই না কারণ আমি জানি যে এটার ব্যাপারে অলরেডি কোথাও না কোথাও কোন কিছু তৈরি করা আছে। পুরো বিশ্বের বর্তমান প্রেক্ষাপটের সাথে আমাকে যদি কোপ করতে হয় তাহলে আমাকে বর্তমান মডেলগুলো নিয়েই শুরু করতে হবে। আজকে এই পর্যন্তই থাকছেন তো সামনে?

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

অডিওভিডিও পোস্ট প্রসেসিং হাতের কাজে মেশিনডিপ লার্নিংয়ের ব্যবহার ML audiovideo post processing.mp3

ছোটবেলা থেকে প্রচুর গান শুনতাম আর আর সে কারণে একটা লেভেলে আমি বুঝতে পারলাম যে আসলে অডিও নিয়ে বিশেষ করে অডিওর প্রযুক্তি নিয়ে যারা কাজ করে তাদেরকে কিছুটা অডিও ফাইল বলা হয়। আমি সে ধরনের অডিও ফাইল না তবে আমি বাজেট অডিও ফাইল মানে বাজেট মানে হচ্ছে গিয়ে সবচেয়ে কম দামে সবচেয়ে কম খরচে কিভাবে অডিও ফাইল গ্রেডের গান শোনা যায়। আর সেক্ষেত্রে অডিও নিয়ে যখন আমি কাজ করছি তখন এই ভিডিও যখন বানাচ্ছিলাম তখন এই ভিডিওর মধ্যে আমার ভিডিওর সাথে যে অডিওটা যাবে সেটাও আসলে অডিও ফাইল গ্রেডের কিনা সেটা নিয়েও কিন্তু আমি কাজ করছিলাম। তবে একটা জিনিস আমি বুঝতে পারছি যে আমরা ধরা যাক একটা ভিডিও মানে আমি একটা আমি যে ভিডিওগুলো বানাই সেই ভিডিওগুলোতে আমি যে ফোনটা ব্যবহার করি সেটা হচ্ছে গিয়ে একটা Samsung A22। হয়তোবা বাজারে এখন এটার মার্কেট ভ্যালু হচ্ছে 17000 টাকা। সো এটা এটার সাথে হচ্ছে গিয়ে আমি ইউএসবি কেবল লাগিয়ে আগে রেকর্ড করতাম। তবে এখন আমি আলাদাভাবে এটার যে অডিও মানে আমার ফোনের যে অডিও সেই ফোনের অডিওর সাথে আমার যে ড ডিজিটাল অডিও ওয়ার্কস্টেশন সেই দুটোকে কিন্তু আমি মেশিন লার্নিং ব্যবহার করেই কিন্তু সেটাকে এলাইন করি। কারণ আমার ফোনের সাথে যে অডিও যাচ্ছে আমার যে ড টা আছে ড টা একটা অডিও ইন্টারফেসের সাথে কানেক্টেড। এই অডিও ইন্টারফেসের সাথে ড কানেক্টেড। এই ড টাকে আমরা যখন ডাবিঞ্চি রিজলভের আমি যখন কানেক্ট করব তখন দেখা যাচ্ছে যে এই ফোনের অডিও এবং এই ডিজিটাল অডিও ওয়ার্কস্টেশনের অডিও এটাকে এলাইন করার জন্য আমি মেশিন লার্নিং ব্যবহার করি। এর পাশাপাশি আমি যখন অডিও নিয়ে কাজ করছি বিশেষ করে অডিও প্রসেসিং এ আমি মেশিন লার্নিং ব্যবহার করার আগে একটা অডিও প্রসেস করতে ধরা যাক একটা পাঁচ মিনিটের ভিডিও বা 10 মিনিটের ভিডিওর একটা অডিও প্রসেস করতে আমার হয়তোবা সময় লাগতো 30 মিনিট। আধা ঘন্টা সময় লাগতো। আধা ঘন্টা থেকে এক ঘন্টার মতো সময় লাগতো। কারণ বেসড অন আমার সারাউন্ডিং এর নয়েজ যেমন এখন আমার সারাউন্ডিং এ বেশ কিছু নয়েজ হচ্ছে বিকজ আমার সামনে নতুন বিল্ডিং উঠছে। সো এই সারাউন্ডিং নয়েজ আর আমার রুমটা কিন্তু ট্রিটেড রুম না। যেহেতু ট্রিটেড রুম না সেখানে আমার নয়েজ রিডাকশনে নয়েজ রিডাকশন আমাকে অনেক কাজ করতে হয়। তো আগে আমি নয়েজ রিডাকশনে যে ধরনের কাজ করতাম আস্তে আস্তে কিন্তু আমি ডিপ লার্নিং এ চলে গেলাম। মানে ডিপ লার্নিং এ চলে গেলাম এ কারণে যে ডিপ লার্নিং এখন যেভাবে আমাদের নয়েজ রিডাকশনে কাজ করছে সেই নয়েজ রিডাকশনে আমি কিছু প্রোফাইলিং তৈরি করে দিলে কিন্তু আমার নয়েজটা সে সেখানে লেভেলে এটা কাজ করতে পারবে। আসলে যেকোনো একটা অডিও প্রসেসিং এ আমি যখন আস্তে আস্তে মেশিন লার্নিং ব্যবহার করলাম নয়েজ রিডাকশনে। আমি নয়েজ রিডাকশনে মেশিন লার্নিং ব্যবহার করছি। বাট আস্তে আস্তে এখন মানে গত পাঁচ বছর ধরে আমি যেভাবে রেকর্ড করতাম আর এখন রেকর্ড করি অন্যভাবে। যেমন এখন যেই অডিওটা আপনি প্রসেস অবস্থায় পাবেন মানে যখন এটাকে ভিডিওর সাথে অডিওকে এলাইন করে সেই ভিডিওর সাথে এমবেড করে আমি যখন ফাইনালি ভিডিও এবং অডিওটা প্রসেস করে পাঠিয়ে দেবো সেই পোস্ট প্রসেসিং এখন আমি অলমোস্ট আমি মনে করি যে অলমোস্ট 90% কিন্তু মেশিন লার্নিং দিয়ে করি। কারণ আগে আমার যেটা লাগতো যেটা করতে আমার এক হয়তোবা আধা ঘন্টা থেকে এক ঘন্টা লাগতো বা আরো বেশি অনেক সময় দু ঘন্টা লাগতো। কারণ অনেক ধরনের গেটিং, কমপ্রেসিং তারপর হচ্ছে গিয়ে আমাদের ইকুয়ালাইজেশন এগুলো করতে আমার সময় লাগতো। বাট এখন আমার কাছে একটা অডিও প্রসেসিং করতে হয়তোবা খুব বেশি হলে 15 মিনিট লাগে। এই 15 মিনিট আর ভিডিও করতে হয়তোবা ভিডিও আগে ভিডিও আমার পোস্ট প্রসেসিং করতে সময় লাগতো হয়তোবা দু ঘন্টা। এখন ভিডিওটা টেমপ্লেট বেসড হয়ে যাওয়াতে আমি আসলে ভিডিওটাও খুব বেশি হলে আমার ভিডিও এডিটিং করতে লাগে 15 থেকে আধা ঘন্টা। তার মানে হচ্ছে গিয়ে অডিও এবং ভিডিও মিলে আমার পুরোপুরি সবকিছু প্রসেসিং করতে হয়তোবা আধা ঘন্টা লাগে। সবকিছু মিলে মানে আধা ঘন্টা লাগছে। যখন আমি এখন কথা বলছি আমার ড কিন্তু পোস্ট প্রসেসিং করবে। এখন আমার যে পিসিটা আছে সেই পিসির মধ্যে কিন্তু এখন জিপিইউ এক্সট্রা মানে নয়েজ করছে মানে জিপিইউ জিপিইউ হিট হয়ে যাচ্ছে এবং হিট হওয়ার ফলে কিন্তু আসলে ফ্যানটা চালু হয়ে যাচ্ছে। তার মানে হচ্ছে কি এখন কিন্তু এক্সট্রা ফ্যানের নয়েজ কিন্তু আমার অডিওতে যোগ হচ্ছে। তার মানে হচ্ছে গিয়ে আমি এটাই বলতে চাচ্ছি যে মেশিন লার্নিং বা ডিপ লার্নিং যেমন ডিপ লার্নিং আমি ব্যবহার করি হচ্ছে গিয়ে আমার নয়েজ রিডাকশনে। আর আমি পোস্ট প্রসেসিং অডিও যেটাতে আমি মনে করি যে প্রথমে গেটিং মানে আমার আমার প্রথমে নয়েজ রিডাকশন লাগছে তারপর আমি গেটিং করছি। গেটিং মানে হচ্ছে গিয়ে একটা সাটল একটা কাইন্ড অফ আমি বলতে পারি যে -35 বিকজ আশেপাশে নয়েজ এতই বেশি -35 থেকে হয়তোবা -35 ডিবি থেকে আমার গেটিং শুরু হয়। অনেক সময় রাত্রে হয়তোবা এটা 25 ডিবিতে চলে যায়। বাট -25 সো বাট যে জিনিসটা হচ্ছে যে নয়েজ রিডাকশন গেটিং গেটিং এর পরে হয়তোবা ইকুয়ালাইজেশন ইকুয়ালাইজেশন হয়তোবা আমার একটা বা দুটো লাগতে পারে। তারপর হচ্ছে গিয়ে আমার কম্প্রেশন কম্প্রেশন হয়তোবা একটা বা দুটো লাগতে পারে যেমন ভি সি এ কম্প্রেশন বা এই ধরনের মিলিয়ে তারপরে যদি যদি লাগে মানে সামান্য স্যাচুরেশন কি লাগবে কিনা। তার মানে হচ্ছে কি ফাইনাল মিক্সিং এ আমি যদি বলতে চাই যে ফাইনাল মিক্সিং এ সেটা আসলে কত ডিবি যেহেতু আমাকে YouTube এর জন্য -16 -16 ডিবি যে এই জিনিসটা আমরা প্ল্যান করছি সেখানে হয়তোবা -16 আমি রাখি না আমি আরও একটু নিচে রাখি। কারণ দিনশেষে আমার মোবাইল ফোন এবং মোবাইল ফোনের পাশাপাশি এটাকে পিসিতে ঠিকমতো দেখতে পারছি কিনা টিভিতে ঠিকমতো দেখতে পারছি কিনা এবং সেখানে স্পটিফাই বা স্পটিফাই যেমন -14 YouTube -16 এই যে আমরা যে লেভেলে আসলে ফাইনালি মাস্টারিং করছি সেখানেও আমরা হেল্প নিচ্ছি এই ধরনের মেশিন লার্নিং বা ডিপ লার্নিং। আমার কথা হচ্ছে যে আজকে আমি এইটা নিয়ে আলাপ করতে চাচ্ছি যে আমি আমার লাইফে যে কাজগুলো আগে ম্যানুয়ালি করতাম সেগুলোকে আস্তে আস্তে আমি মেশিন লার্নিং বা ডিপ লার্নিং দিয়ে সেটাকে আরও সহজ করে নিয়ে আসছি। আজকে এ পর্যন্তই থাকছেন তো সামনে?

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

হাই-টেক ইন্ডাস্ট্রির লাইন পাবো কোথায় পাইথন কি এতোটাই কঠিন How to start Python minimally.mp3

আমি যেহেতু একসময় হাইটেক ইন্ডাস্ট্রি নিয়ে কাজ করেছি এবং এখনো করছি। হাইটেক ইন্ডাস্ট্রিতে যেতে হলে আমাদের কিছু বেসিক কিছু বেসিক জিনিস নিয়ে কাজ করতে হবে। তার মধ্যে আমাদের প্রথম শর্ত হচ্ছে গিয়ে আমাদের হাইটেক ইন্ডাস্ট্রিতে যেতে হলে আমাদের কিছুটা ডেটা অ্যানালিটিক্স শিখতে হবে। কারণ ডেটা থেকে যদি আমি আমার ইনসাইট না জানতে পারি বা ডেটা থেকে আমি যদি আমার কাজটা যদি না বুঝতে পারি এবং ডেটা যদি আমাকে প্রপারলি গাইড না করে দেন আই উইল বি গোইং ব্যাক টু দা স্কয়ার ওয়ান। সো হাইটেক ইন্ডাস্ট্রিতে আমাকে যদি ল্যান্ড করতে হয় দা ফার্স্ট থিং দা ফার্স্ট থিং আই হ্যাভ টু লার্ন দা ফার্স্ট থিং আই হ্যাভ টু লার্ন পাইথন। ইয়েস অফকোর্স পাইথন ইজ এভরিওয়ার। ইটস এ কাইন্ড অফ লাইক ম্যাজিক্যাল ল্যাঙ্গুয়েজ। ম্যাজিক্যাল ল্যাঙ্গুয়েজ ইন এ সেন্স যে পাইথন দিয়ে হেনো কাজ নাই করা যায় না। তবে এটা ঠিক যে ডেটা স্পেসিফিক ল্যাঙ্গুয়েজ আছে আর। বাট আর দিয়ে আমি যেভাবে কাজ করতে পারি পাইথন দিয়ে হয়তোবা একই কাজ আমাকে একটু বেশি ভাবে করতে হবে। বাট আমার কাছে মনে হয় যে ইদানিং পাইথনে যেভাবে লাইব্রেরি এসছে মানে ডেটাকে সাপোর্ট দেওয়ার জন্য যেভাবে লাইব্রেরি এসছে সেখানে কিন্তু আমাদের সেই ভয়টা আর নেই যে আর এ যে লাইব্রেরি গুলো ছিল সেগুলো কিন্তু পাইথনে চলে এসছে এবং পাইথনে কিন্তু কাইন্ড অফ লাইক এখন একটা ম্যাজিক্যাল একটা ল্যাঙ্গুয়েজ হয়ে গেছে। এই কারণে যে পাইথন দিয়ে সবকিছু করা যায়। আমি ইভেন পাইথন না জেনেও অনেকে কিন্তু পাইথন স্ক্রিপ্ট নিয়ে কাজ করছে, পাইথন নিয়ে অনেক কাজ করছে। বেসিক পাইথন তারা তারা হয়তোবা কিছুটা কাজ করতে করতে জেনে গেছেন। আর সেজন্য বলব যে আমি যদি পাইথন নিয়ে কাজ করতে চাই এবং আমি যদি ডেটা নিয়ে কাজ করতে চাই অথবা আমি যদি হাইটেক ইন্ডাস্ট্রিতে কাজ করতে চাই হাইটেক মিন্স হাইটেক। সো হাইটেক ইন্ডাস্ট্রিতে কাজ করতে গেলে আমাকে পাইথন কুড বি ওয়ান অফ দা গেটওয়ে। আমার যদি আর ল্যাঙ্গুয়েজ জানা থাকে দ্যাট ইজ সামথিং লাইক অফকোর্স আই ক্যান আই ক্যান ডু ইট। বাট অনেক সময় যে রিকোয়ারমেন্ট যদি থাকে পাইথন দেন আমাকে পাইথন নিয়ে কাজ করতে হবে। আর সে কারণে আমি অনেক আগেই এই বইটা লিখেছিলাম যে শূন্য থেকে পাইথন মেশিন লার্নিং যে আসলে পাইথন আমি কেন শিখবো? পাইথন আসলে শিখার পিছনে কারণ হচ্ছে গিয়ে আমার মেশিন লার্নিং বা ডেটা নিয়ে কাজ করা। তো ডেটা নিয়ে আমি যদি কাজ করতে চাই ডেটা নিয়ে কাজ করতে যাওয়ার আগে বা ডেটাকে আমি প্রসেস করতে চাইলে আমার তো পাইথন বা আর ব্যবহার করতে পারতে হবে। সো আমি যদি বলি যে কেউ যদি আজকে শুরু করতে চান ডেটা নিয়ে কাজ করা তাহলে আমার মনে হয় যে পাইথন উড বি এ গুড চয়েস বিকজ পাইথনের উপর প্রচুর লাইব্রেরি আছে। যেমন আমার প্রিয় কয়েকটা লাইব্রেরি হচ্ছে গিয়ে ম্যাটপ্লটলি ভিজুয়ালাইজেশনের জন্য নাম পাই হচ্ছে গিয়ে চমৎকার আমার কাছে ডেটাকে ম্যানিপুলেট করতে পারার জন্য পান্ডাজ উড বি দা সেইম যে যেই জিনিসটা আমরা এক্সেলে কাজ করি এই একই জিনিসটা আমরা পান্ডাজে করতে পারি। সো পাইথনে প্রচুর লাইব্রেরি আছে যেটা হচ্ছে ডেটাকে সাপোর্ট করার জন্য। এইজন্য আজকে আমি যদি পাইথনকে যদি বেসিক ধরি যে আমি পাইথনে কিছুই জানি না বাট আই ওয়ান্ট টু স্টার্ট সামথিং লাইক আমার কাছে মনে হয় যে পাইথন নিয়ে কাজ করি। আপনারা দেখছেন যে আমি হ্যান্ড জেসচার করলাম আমার ক্যামেরাটা কিন্তু ট্র্যাকিং মোডে চলে গেল। যেহেতু হ্যান্ড জেসচার করেছিলাম দা ক্যামেরা একচুয়ালি গট ইনটু দা ট্র্যাকিং মোড এবং ট্র্যাকিং মোডে কিন্তু সে তার ইয়েটা চেঞ্জ করে ফেলল। বাট আমি আমি আমি বলছি যে এই যে ট্র্যাকিং ক্যামেরাটা ইট হ্যাজ গট এ মেশিন লার্নিং অ্যালগরিদম যে আমার হিউম্যান ফেসটাকে সে ডিটেক্ট করে সে এটাকে ট্র্যাক করতে পারে। সো আমি ট্র্যাকিংটা অফ করে দিয়েছি। সো পাইথন ফিরে আসি পাইথনে। পাইথনে আমি যেটা বললাম যে পাইথনের বেইজ বেইজ জিনিসটা যেটা আমার জানা দরকার ডেটা নিয়ে কাজ করতে গেলে অথবা অন্য সবকিছু জানতে হলে সেটা হচ্ছে গিয়ে আমি প্রথম কথা হচ্ছে আমি কেন পাইথন শিখবো? আমার তো পাইথন শিখার দরকার নেই। পাইথন শিখবো হচ্ছে গিয়ে আমাকে ডেটা অ্যানালিটিক্স বা ডেটা নিয়ে কাজ করতে পারতে হবে। সেখানে আমি যদি পাইথন নিয়ে কাজ করতে চাই তার জন্য আমার বেইজ কিছু জিনিস জানলেই হবে। যেমন আমরা বলি পাইথনের একদম ফান্ডামেন্টাল ডেটা নিয়ে কাজ করার জন্য ফান্ডামেন্টাল যে জিনিসটা আমার দরকার হচ্ছে লিস্ট। দিস ইজ ভেরি ফান্ডামেন্টাল এন্ড ফান্ডামেন্টাল টু দা কোশ্চেন যে আমাকে ডেটাকে ঠিক মতো দেখতে পারতে হবে। আর সেজন্যই আমি যেহেতু ডেটা নিয়ে অনেকদিন ধরে কাজ করি তো আসলে ডেটা কিভাবে আমরা ডেটাকে কিভাবে প্রসেস করব ডেটা কিভাবে থাকে বা সেই ডেটাকে ম্যাট্রিক্স যে ধরা যাক আমি যদি এভাবে বলি যে নিউরাল নেটওয়ার্কে কিভাবে ডেটা থাকে। সো অফকোর্স নিউরাল নেটওয়ার্কে কিভাবে ডেটা থাকে সেটার একটা ধারণা এখানে আমরা পাই। এর পাশাপাশি আমরা যদি বলি যে ধরা যাক ভেক্টর স্কেলার বা এই ধরনের কাজগুলো কিভাবে হয় সেটার একটা ধারণা এখানে পাওয়া যায় এবং ডেটাগুলোকে আসলে বিভিন্ন ডাইমেনশনে ফেলা যে ডেটাগুলোকে যদি আমি বিভিন্ন ডাইমেনশনে ফেলতে চাই তাহলে আসলে এটা কিভাবে কাজ করবে সেটা কিছু ধারণা এখানে আমরা দিতে পারি। সো ব্যাপারটা হচ্ছে যে অফকোর্স দিস ইজ ফ্রম দা পাইথন ডিপ লার্নিং। আসলে ব্যাপারটা হচ্ছে যে ডেটা কিভাবে থাকছে আমাদের কম্পিউটারে সেটা যদি আমরা ঠিকমত জানতে পারি তাহলে কিন্তু আমার কাজটা অনেকটাই সহজ হয়ে যায়। আর সেজন্য আমি মনে করি যে লিস্ট উড বি আওয়ার ফান্ডামেন্টাল ডেটা স্ট্রাকচার ইন পাইথন যেটা আসলে আমাকে জানতে হবে। তারপরে আমার মানে লিস্টটা কি? লিস্টটা হচ্ছে গিয়ে একটা অর্ডারড কালেকশন যেটাকে আসলে আমি তাকে ঠিকমতো বিভিন্ন ডাইমেনশনে ফেলতে পারি। তারপর হচ্ছে গিয়ে আমাদের এরপরে লাগবে হচ্ছে গিয়ে আমি যদি এখানে বলি যে লিস্ট তো কাইন্ড অফ লাইক আমরা মডিফাই করতে পারি কিন্তু অনেক সময় আমরা লিস্টটাকে মডিফাই করতে চাই না। যেটা যেভাবে আছে সেটাকে আমরা টুপোস দিয়ে আমরা ডিল করতে পারি। টুপোসটা হচ্ছে গিয়ে একটা ইমিউটেবল মানে যেটাকে চেঞ্জ করা যায় না। সো ওই জায়গাটাতে আমরা দেখতে পারি। তারপর হচ্ছে গিয়ে আমাদের দিনশেষে মানে আরেকটা ফান্ডামেন্টাল ডেটা স্ট্রাকচার হচ্ছে গিয়ে ডিকশনারি। যে আমরা যেভাবে ডিকশনারিতে প্রথমে থাকে হচ্ছে গিয়ে যেই যেই শব্দটা এবং শব্দের অর্থটা। ডিকশনারি একটা পেয়ার ভ্যালু থাকে। পেয়ার ভ্যালুটাকে আমাদের আসলে এখানে ডিল করতে হবে। সেটাকে আমরা যেটাই বলি যে একটা ভ্যালুস একটা ভ্যালু থাকে একটা কি থাকে একটা কি কি এগেইনস্টে একটা ভ্যালু থাকে। সো এই এই জিনিসটা আমরা আসলে দেখতে পারি যে ডিকশনারি আসলে বেইজ লেভেলে কিভাবে কাজ করে এবং এটা আসলে সবচেয়ে ভালোভাবে হেল্প করে যে যখন আমরা একটা ভ্যালুকে রিট্রাইভ করতে চাই যে একটা অ্যাসোসিয়েটেড একটা কি আছে সেই কির এগেইনস্টে আমার একটা ভ্যালু রিট্রাইভ করতে হবে যে ধরা যাক আমার নাম নেম রকিবুল হাসান। সো নেম ইজ দা কি আর ভ্যালু অ্যাসোসিয়েটেড ভ্যালু হচ্ছে গিয়ে রকিবুল হাসান। সো এই নামটাকে রিট্রাইভ করার জন্য আমরা ডিকশনারিকে দিতে পারি ঠিকানা। এভাবে ঠিকানাটা আমরা দিলাম। সো এভাবে আসলে আমরা অনেকগুলো কাজ করতে পারি। তারপর এর মধ্যে ডিফল্ট ডিকশনারি নিয়ে আসলে অনেক ধরনের আলাপ আছে। তারপরে আরেকটা কথা হচ্ছে সেট। সেট আমরা সেট ছোটবেলায় পড়াশোনা করেছি। সেইম সেট সেইম সেট। তারপরে যেহেতু আমরা প্রোগ্রামিং নিয়ে কথা বলছি প্রোগ্রামিং এর সবচেয়ে বড় যে অংশটা হচ্ছে গিয়ে আমরা কেন প্রোগ্রামিং করতে চাই? প্রোগ্রামিং করার পিছনে সবচেয়ে বড় কাজ হচ্ছে গিয়ে কন্ট্রোল সেট। ইফ এটা হলে ওইটা হবে এর ওইটা হলে ওইটা হবে। এই যে কন্ট্রোল সেট এই কন্ট্রোল সেটটা জানলেই কিন্তু আমাদের পাইথনের কাজটা বোঝা সহজ হবে। আর আপনি যদি একদম শুরুতে ডেটা অ্যানালিটিক্স নিয়ে শুরু করতে চান যেটাকে আমি মনে করি যে আমাদের বেইজলাইন ডেটা অ্যানালিটিক্স দ্যাট উড বি একচুয়ালি কামিং ফ্রম দিস বুক যেটার জন্য আপনার শুরুতে পাইথন জানার দরকার নেই। আজকে এই পর্যন্তই থাকছেন তো সামনে?

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

এআই ২০৪১ বই গল্পে পল্পে কৃত্রিম বুদ্ধিমত্তা শুরু কোথায় AI 2041 Book.mp3

আজকে আমাদের আলাপ হচ্ছে এআই 2041 মানে এই বইটা। এআই 2041 এটা একটা চমৎকার বই। মানে এটা শুধুমাত্র টেকনোলজিক্যাল বই না। বাট এটাকে আমি বলতে পারি যে কাইন্ড অফ লাইক এর মধ্যে অনেকগুলো গল্প আছে। মানে এআই 2041 মানে এখানে যেটা বলছে যে টেন ভিশনস ফর আওয়ার ফিউচার। আর কাইফুলি মানে উনি যিনি লিখেছেন মানে এটা একটা আমি মনে করি যে এটা অসাধারণের একটা ধারণা দিয়েছেন। আর প্লাস সবচেয়ে বড় যে হচ্ছে কি এটা আমি নিউইয়র্কে গিয়েছিলাম গত বছর। তখন আমি এই বইটা নিয়ে এসেছিলাম। সো আসলে এর মধ্যে অনেকগুলো ধারণা আছে। যেই ধারণার মধ্যে প্রথম একটা ধারণা আমি যদি দেই যে কম্পিউটার ভিশন মানে কম্পিউটার কিভাবে আসলে ইমেজ ডিটেক্ট করে এবং যখন আমরা বলছি যে ভিডিও, ভিডিওতে তো মনে করেন যে মিলিয়নস অফ পিক্সেল। মানে পিক্সেলস প্রতিটা ফ্রেমে 30 ফ্রেম হলে অথবা 26 ফ্রেম হলে মানে প্রতিটা এক একটা আমি মনে করি যে ছবিতে স্থির ছবিতে তো আমার কত মেগাপিক্সেল মানে প্রচুর প্রচুর মেগাপিক্সেল। তার মানে হচ্ছে মিলিয়নস অফ পিক্সেল। তাহলে যখন এটা ভিডিও হবে দেন ইট বিকামস কাইন্ড অফ লাইক লট অফ মিলিয়নস অফ পিক্সেল এভরি সেকেন্ড। সো এই যে ব্যাপারগুলোকে প্রসেস করতে হবে। কিভাবে প্রসেস করব? আর সেখানেই আসলে আমরা আলাপ করছি যে এখানে মানে যেটা এখানে আমি দেখছি যে মেকিং ডিপ লার্নিং ওয়ার্ক অন এ স্ট্যান্ডার্ড নিউরাল নেটওয়ার্ক টার্নড আউট টু বি এ চ্যালেঞ্জ। বিকজ অ্যান ইমেজ হ্যাজ টেনস অফ মিলিয়নস অফ পিক্সেল এন্ড টিচিং ডিপ লার্নিং টু ফাইন্ড সাটল হিন্টস এন্ড ফিচারস ফ্রম দা ম্যাসিভ নাম্বার অফ ইমেজ ইজ ডনটিং। ইটস ট্রু। তার মানে হচ্ছে গিয়ে এত এত এত পিক্সেল এবং মিলিয়নস আর মিলিয়নস অফ পিক্সেল এগুলোকে প্রসেস করার জন্য আমাদের নিউরাল নেটওয়ার্ক কি তৈরি কিনা। আর সেখানেই আসছে যে রিসার্চারস হ্যাভ লুকড, রিসার্চার হ্যাভ লুকড ইনটু দা হিউম্যান ব্রেইন ফর ইন্সপিরেশন টু ইম্প্রুভ ডিপ লার্নিং। অফকোর্স। আমাদেরকে সৃষ্টিকর্তা যেটা বানিয়ে দিয়েছেন আমাদের মাথায় সেখান থেকে ইন্সপিরেশন তো নিতেই হবে। আজকে আমরা যদি বলি যে সাবমেরিন কোথা থেকে এলো? অফকোর্স আমরা যে ফিশ মাছ দেখেছি। মাছকে দেখেই তো আমরা সাবমেরিন তৈরি করলাম। তারপর হচ্ছে গিয়ে আমরা বিমান তৈরি করছি কিভাবে? বিমান তৈরি করেছি বিকজ উই হ্যাভ সিন হাউ বার্ড ফ্লাইজ। সো এই যে ব্যাপারগুলো এখান থেকে কিন্তু এটা এসছে যে রিসার্চারস হ্যাভ লুকড ইনটু দা হিউম্যান ব্রেইন ফর ইন্সপিরেশন টু ইম্প্রুভ ডিপ লার্নিং। এখানে যে জিনিসটা হচ্ছে যে আমাদের এই যে ভিজুয়াল কর্টেক্সটা মানে আমাদের যে ভিজুয়াল কর্টেক্সটা আছে চোখের মধ্যে এবং এটা আমাদের ব্রেইনের সাথে যখন কানেক্টেড আসতেছে সেই ভিজুয়াল কর্টেক্স সেখানে কিন্তু অনেকগুলো নিউরন আছে। যেটা হচ্ছে গিয়ে কাইন্ড অফ লাইক আমার মনে হয় যে এই নিউরনগুলোই কিন্তু কাইন্ড অফ নিউরাল নেটওয়ার্কে কিন্তু এক একটা লেয়ার এবং সেই সেখানে কিন্তু উনারা বলছেন যে করেসপন্ডিং মেনি নিউরাল বা নিউরাল নেটওয়ার্কস করেসপন্ডিং টু মেনি রেস্ট্রিক্টেড সাব সাবরিজিয়নস। তার মানে হচ্ছে কি এই যে বিভিন্ন কর্টেক্সগুলো মানে আওয়ার ভিজুয়াল কর্টেক্স ইউজেস মেনি নিউরনস করেসপন্ডিং টু মেনি রেস্ট্রিক্টেড সাবরিজিয়ন। মানে যেটাকে বলছি যে রিসেপ্টিভ ফিল্ড উইথইন আওয়ার আইজ ফর এ গিভেন টাইম। তার মানে হচ্ছে কি যে আমরা যেটা বলছি যে আমরা যা দেখছি আমরা সবকিছুই প্রসেস করছি না। এই বিভিন্ন লেয়ারে লেয়ারে আমরা সেটা বিভিন্ন ভাগ করছি যে প্রথম একটা লেয়ারে কিছু ভাগ হবে। পরের লেয়ারে পরের লেয়ারে। তার মানে হচ্ছে কি এই যে সিএনএন আমরা যেটাকে বলছি যে কনভেশনাল কনভোলিউশনাল নিউরাল নেটওয়ার্ক সিএনএন এটা কিন্তু এখান থেকে আসছে যে আমরা যতগুলো ইমেজের মধ্যে যতগুলো পিক্সেল আছে সবগুলো পিক্সেল কিন্তু আমরা দেখছি এমনভাবে যে পিক্সেলের মধ্যে একটা আইডিয়া আসতেছে যে সবগুলো পিক্সেল একসাথে প্রসেস করা যাবে না। সুতরাং আমরা এটাকে ভাগ ভাগ করে নিব। আমরা একটা রেস্ট্রিক্টেড টু সাম রিজিয়ন। এক একটা রিজিয়নে ভাগ করব যাতে এটাকে ভালোভাবে প্রসেস করা যায়। সো আমরা সেভাবে চিন্তা করি যে এটাকে আমরা আসলে এই লাইনেই চিন্তা করব যাতে এই যে বিভিন্ন ইমেজগুলো আসতেছে আমাদের কাছে সেই ইমেজগুলোকে বিভিন্ন লেয়ারে লেয়ারে লেয়ারে আমরা আসলে কাজ করব। এজন্য এটা বলছে যে দা রিসেপ্টিভ ফিল্ডস আইডেন্টিফাই বেসিক ফিচারস সাচ এজ শেপস, লাইন, কালার এন্ড এঙ্গেল। মানে ইভেন আমার চেহারাকে যদি তাকে ডিটেক্ট করতে হয় সে প্রথমে প্রথম রিসেপ্টিভ ফিল্ডে মানে প্রথম দিকে তারা সে কিন্তু বেসিক জাস্ট এজ এজটাকে সে ডিটেক্ট করবে। প্রথমে এজটা ডিটেক্ট করবে। তারপরে আস্তে আস্তে পরের লেয়ারে হয়তোবা নাকটাকে ডিটেক্ট করবে। পরের লেয়ারে মুখটাকে ডিটেক্ট করবে। পরের লেয়ারে চোখটাকে ডিটেক্ট করবে। তারপর আস্তে আস্তে আস্তে এমন একটা লেভেলে আসবে যেখানে আরেকটা হিউম্যানের সাথে আমার চেহারাটাকে সে ডিটেক্ট করবে আলাদা আলাদা করে। তো ব্যাপারটা হচ্ছে কি যে প্রতিটা লেয়ারে আলাদা আলাদা করে আমরা আসলে এই ইমেজগুলোকে প্রসেস করতে চাই। আর সেজন্যই আমরা আসলে বলি সিএনএন। এই সিএনএন নিয়ে আসলে একটা ভালো গল্প আছে। যেজন্য আমি বলব যে সিএনএন নিয়ে আপনারা এখানে দেখতে পারেন এবং সিএনএন নিয়ে আমি আসলে একটা বিশাল গল্প ফেঁদেছি। মানে আমি বলব যে সিএনএন এর গল্পটা কিন্তু হঠাৎ করে আসেনি। কারণ এই কার্নাল কনভোলিউশন ম্যাক্স পুলিং এগুলো সবকিছুই আমি আসলে সেখানেই দেখিয়েছিলাম যে কিভাবে আসলে সিএনএন কাজ করে এবং সেখানে প্রসেসগুলো কিভাবে একটা বেড়ালের গল্প দিয়ে আমি আসলে এই ফিচারগুলোকে কিভাবে এক্সট্রাক্ট করে। এই ফিচারগুলোকে কিভাবে এক্সট্রাক্ট করা হচ্ছে সেই বেড়ালের গল্প দিয়ে আমরা আসলে এখানে দেখতে পাচ্ছি। তো দিনশেষে আসলে আমাদের কি দরকার? আমাদের দরকার হচ্ছে কি কিভাবে নিউরাল নেটওয়ার্ক আমাদের ইমেজটাকে প্রসেস করতে পারছে। আজকে এ পর্যন্তই। থাকছেন তো সামনে?

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

কৃত্রিম বুদ্ধিমত্ত্বা সুপার-ইন্টেলিজেন্স সিঙ্গুলারিটি আসছে কবে Singularity Within Just 7 Years.mp3

একটা বিশাল রিউনিয়ন থেকে ফিরলাম কয়েকদিন আগে। আমাদের ক্যারেট কলেজে প্রায় 34 বছর পর আমি একটা রিউনিয়নে গেলাম। এর আগে মাঝখানে কয়েকটাতে গিয়েছি বাট আমি বলছি যে 34 বছর পর যে রিউনিয়নটা হলো সেটাতে যাওয়ার পর অনেক কিছুই আসলে মাথায় খেলছিল যে আসলে আমাদের সময় শেষ হয়ে আসছে। সো এর পাশাপাশি আরেকটা জিনিস দেখছিলাম যে হয়তোবা আমাদের এর সময় শেষ হয়ে আসছে। আমাদের রিউনিয়নগুলো যেহেতু চার বছর পর পর হয়। তো আমি ধারণা করছি যে এর পরেরবার বা এর পরেরবার যখন আমরা রিউনিয়নে যাব তখন হয়তোবা আমি কাউকে চিনবো না। এরকম একটা বাট এর পরেরবার আসলে যেতে পারবো কিনা বা তারপরেরবার যেতে পারবো কিনা। সো ব্যাপারটা আসলে ভাবাচ্ছে যে আমাদের প্রায় সময় শেষ হয়ে আসছে। তো সেখানে আমিও টেকনোলজি ব্যাপারে কিছু জিনিস আলাপ করতে চাই যে কিভাবে আমাদের সময়গুলো আসলে অন্য লেভেলে চলে যাচ্ছে। তো আজকের আলাপ হচ্ছে সিঙ্গুলারিটি। সিঙ্গুলারিটি ব্যাপারটা যেরকম যে আমরা কৃত্রিম বুদ্ধিমত্তা নিয়ে কাজ করছি। আমরা কৃত্রিম বুদ্ধিমত্তা নিয়ে অনেক ধরনের ব্যাপার নিয়ে আমরা দেখছি। তো এখানে চ্যাট জিপিটি যেভাবে পৃথিবীকে নাড়িয়েছে মানে আমরা বলছি যে একটা ওয়েবসাইট মাত্র পাঁচ দিনে মিলিয়ন ইউজার সাবস্ক্রাইব সাবস্ক্রাইব করিয়েছে। তার মানে হচ্ছে গিয়ে এটা আসলে পৃথিবীকে ভালো নাড়িয়ে দিয়েছে। সো আমরা আসলে কৃত্রিম বুদ্ধিমত্তা যে লেভেলে দেখছি সেটা আসলে খুব বেবি স্টেপ বেবি স্টেপ বাট আসলে ইন ইন নিয়ার ফিউচার আমরা আসলে যেভাবে ভাবছিলাম যে 1935 সালে হয়তোবা একটা সুপার হিউম্যান ইন্টেলিজেন্স মানে মানুষের সমান সমান সমকক্ষ ইন্টেলিজেন্স চলে আসবে যেটাকে কাইন্ড অফ লাইক আমরা বলছি সিঙ্গুলারিটি। মানে এটাকে টেকনোলজিক্যাল সিঙ্গুলারিটি বলা হয় বা আমরা বলছি সিঙ্গুলারিটি। আমরা শর্টে সিঙ্গুলারিটি বলতে পারি। সো আসলে এই সিঙ্গুলারিটি একটা কাইন্ড অফ লাইক একটা হাইপোথেটিক্যাল টাইমলাইন আমরা বলতে পারি যে এই টাইমলাইনের মধ্যে মানুষের সমকক্ষ মানুষের সমকক্ষ ইন্টেলিজেন্স আসবে। যেই ইন্টেলিজেন্সটা আসলে মানুষের সাহায্য ছাড়াই সে তাকে রেপ্লিকেট করতে পারবে, তাকে তৈরি করতে পারবে, তাকে আবার বাড়াতে পারবে এবং তাকে আমি বলছি যে এই সুপার ইন্টেলিজেন্স বা এই সুপার হিউম্যান ইন্টেলিজেন্সটা যখন একটা রানওয়ে আমাদের মনে আছে যে আমরা ছোটবেলায় পড়েছেন যে এভালান্স রানওয়ে মানে আমরা যখন একটা ইলেকট্রনিক্সে কাজ করতাম তখন রানওয়ে ইলেকট্রনিক্স কিভাবে কাজ করত। তার মানে হচ্ছে কি একটা লেভেলে একটা লেভেলে যাবার পরে ইট উইল বি জাস্ট লাইক রানওয়ে মানে এটার এক্সপ্লোশন মানে এই সুপার ইন্টেলিজেন্সের এক্সপ্লোশনটা আসলে কোথাও থামানো যাবে না। এটাকে ইরিভার্সিবল করা যাবে না। এটা কাইন্ড অফ লাইক আমাদের হাত থেকে ছুটে যাবে। এই যে ইন্টেলিজেন্স ব্যাপারটা। মানে ইন্টেলিজেন্সের অনেক ভালো দিক আছে খারাপ দিক আছে বাট আমার কথা হচ্ছে যে এই সুপার ইন্টেলিজেন্স বা সিঙ্গুলারিটি ব্যাপারটা বলছি যে যেটা আসলে হয়তোবা আমাদের হাতে থাকবে না। সে ধরনের আসলে একটা রানওয়ে রিয়াকশনের কথা বলছি যে এটা ইন্টেলিজেন্সটা আসলে বাড়তে থাকবে। মানে এটাকে যদি আমি বলি উদাহরণস্বরূপ বলি যে আমরা আমাদের একটা হিউম্যান আমরা আমরা একটা মানুষ আমরা কখন দাবা খেলতে শিখি এবং আমরা আসলে একটা মানুষ কখন গ্র্যান্ড চ্যাম্পিয়ন হতে পারে দাবাতে বা গো খেলার পৃথিবীর সবচেয়ে কমপ্লেক্স গেম সেটা যদি কম সুপার ইন্টেলিজেন্স লেভেলে খেলা হয় বা দাবা খেলা হয় দাবাতে দেখা যাচ্ছে যে একটা মানুষ নয় বছর 10 বছর লাগে একটা দাবাকে একটা লেভেলে আনার জন্য। তারপরে গ্র্যান্ড মাস্টারের জন্য একটা সময় লাগে যে হয়তোবা 12 বছর 13 বছর বা 14 বছর বা বা আমরা বলছি যে 16 বছর 18 বছর একজন গ্র্যান্ডমাস্টার। তার মানে হচ্ছে গিয়ে তার একটা সময় লাগে। কিন্তু দেখা যাচ্ছে যে আমরা একটা ইন্টেলিজেন্ট একটা মেশিনকে দাবা হয়তোবা কয়েক মিনিটে গ্র্যান্ডমাস্টার লেভেলে খেলা শেখাতে পারি। মানে অফকোর্স কম্পিউটেশনাল পাওয়ার লাগবে সুপার লেভেলে জিপিইউ লাগবে ওকে শেখানোর জন্য। মানে আমি এটা বলছি যে আমরা ছোটবেলায় প্যাকম্যান খেলতাম। তো প্যাকম্যান গেমসটাকে যদি আমরা কম্পিউটারে খেলতে চাই হয়তোবা আমার 20 থেকে 30 সেকেন্ড লাগবে সেটা আমার লেভেলে জানার জন্য। তার মানে হচ্ছে কি একটা সুপার ইন্টেলিজেন্স একটা মেশিন হিউম্যান যেভাবে শিখছে হিউম্যানের শেখার জন্য যে সময় লাগছে প্যাকম্যানটা শিখতে তো আমাকে কয়েক মাস লাগবে। সেটা যদি কয়েক সেকেন্ডে যদি এটাকে ছোট করে নিয়ে আসা হয় টাইমলাইনটাকে ছোট করে নিয়ে আসা হয় তাহলে তো আসলে এটা অন্য লেভেলে যাবে। ব্যাপারটা আমি যদি এভাবে বলি যে অফকোর্স আমরা একটা মানুষ মানুষ একজন একজন ডক্টর যেমন সাথীর এমআরআই নিয়ে আসলে আমরা কথা বলছিলাম তো আমার ওয়াইফ সাথী তো তার এমআরআই একজন ডক্টর দেখছেন। তো একজন ডক্টর কিন্তু তার লাইফ টাইমে হয়তোবা 2 লাখ 3 লাখ এমআরআই দেখতে পারেন। তার মানে হচ্ছে তার লাইফ টাইমে কিন্তু 2 লাখ 3 লাখ এমআরআই দেখে উনি কিন্তু বলতে পারেন যে এটাতে এই সমস্যা হতে পারে। তার মানে হচ্ছে গিয়ে উনি 60 বা 70 ইয়ার্স ওল্ডে বয়সে এটাকে উনি ঠিকমত ডিটেক্ট করতে পারবেন যে এই এমআরআইতে এই সমস্যাটা। বাট একটা মেশিনকে যদি আমরা 2 লাখ 3 লাখ না একটা মেশিনকে তো মিলিয়ন কেন বিলিয়ন বিলিয়ন এমআরআই মেশিন এমআরআই স্ক্যান দেখানো সম্ভব। তো যদি বিলিয়ন এমআরআই স্ক্যান যদি একটা মেশিনকে দেখানো যায় মেবি উইদিন উইদিন কাপল অফ ইয়ার্স হি উইল বি ইট উইল বি সুপার ইন্টেলিজেন্ট। ইট উইল বি সুপার ইন্টেলিজেন্ট ইভেন বেটার দেন হিউম্যানস বিকজ ও তো পিক্সেল লেভেলে চেক করবে। হিউম্যান তো পিক্সেল লেভেলে চেক করতে পারবে না। হিউম্যান তো রেটিনার পিক্সেল লেভেলে চেক করতে পারবে না। সেখানে এই মেশিনটা পিক্সেল লেভেলে সে চেক করতে পারবে। সো ইট উইল বি সুপার হিউম্যান সুপার ইন্টেলিজেন্স। সো আমরা আসলে যেটাকে বারবার বলছি যে এই সুপার ইন্টেলিজেন্স লেভেলটা কিন্তু একটা কাইন্ড অফ লাইক এক্সপ্লোশন এবং ইন্টেলিজেন্স একটা এক্সপ্লোশন এবং ইন্টেলিজেন্সের এক্সপ্লোশনটা এতদিন এটা লিমিট ছিল। বিকজ আমরা ভাবতাম যে এটা মনে হয় করা সম্ভব না। আপনারা মেশিন লার্নিং আমরা যেভাবে কাজ করতাম ইট ওয়াজ জাস্ট টয়। বাট দেন সাডেনলি এভরিথিং হ্যাজ চেঞ্জড। এভরিথিং গট ইনটু সামথিং যখন আমরা দেখলাম প্রসেসরের পাওয়ার বাড়ছে, র‍্যামের দাম কমছে, জিপিইউ এসেছে। তারপর হচ্ছে গিয়ে স্টোরেজ স্টোরেজের দাম কমছে, ক্লাউডের ক্লাউড আসছে। তার মানে হচ্ছে কি প্রসেসিং পাওয়ার ক্লাউড স্টোরেজ র‍্যামের ইয়েটা বাড়ানো এবং জিপিইউ আসা। তার মানে হচ্ছে কি তখন কিন্তু আমরা ডিপ লার্নিং এর কথা চিন্তা করলাম। নিউরাল নেটওয়ার্ক মানে মানুষের ব্রেইন যেভাবে কাজ করে হিউম্যান হিউম্যান ব্রেইন যেভাবে কাজ করে সেই নিউরন সেই নিউরনকে আমরা কপি করলাম। সেই নিউরনকে কপি করে কিন্তু আমরা ডিপ লার্নিং। নাউ দিস ডিপ লার্নিং ক্যান প্রসেস ইভেন ফাস্টার দেন হিউম্যান। সো সুপার ইন্টেলিজেন্সটা আসলে ওই লেভেলে চলে যাচ্ছে। সো এখানে আসলে ইন্টেলিজেন্সের ওই এক্সপ্লোশনটা মানে হচ্ছে বিকজ ওই বেসিক লিমিটেশনটা থেকে আমরা আসলে বের হয়ে আসছি। তো এখানে সবচেয়ে বড় যে জিনিসটা আমরা বলছি যে হিউম্যান ইন্টেলিজেন্সের অ্যামপ্লিফিকেশন অ্যামপ্লিফিকেশনটা কিন্তু ইম্পরট্যান্ট। মানে সুপার ইন্টেলিজেন্সের অ্যামপ্লিফিকেশন। আজকে আমরা যদি বলি কোভিডের ব্যাপারটা কোভিডের যে বিভিন্ন ভ্যারিয়েন্ট ভ্যাক্সিনেশন জাস্ট বিকজ অফ ডিপ লার্নিং জাস্ট বিকজ অফ এই জায়গাটাতে কিন্তু আমরা খুব ফাস্টার জায়গায় নিয়ে এসেছি এবং সেখানে কিন্তু ক্রিসপার ক্রিসপার এর ব্যাপারে আপনারা সবাই জানেন। ক্রিসপার ডিএনএ ডিএনএ সিকুয়েন্সিং সেখানে আসলে মেশিন লার্নিং বা ডিপ লার্নিং কোথায় নিয়ে গেছে এই ডিএনএ সিকুয়েন্সিং এ। মানে দ্যাট ইজ একচুয়ালি এডিং এ মানে এই সুপার ইন্টেলিজেন্সটা হিউম্যানকে একটা এডিশনাল হ্যান্ড দিচ্ছে। এডিশনাল ক্ষমতা দিচ্ছে। সো আসলে সেই লেভেলে আসলে যাচ্ছে। তো আমি ওটাই বলছি যে আমাদের লাইফ টাইমে হয়তোবা আমরা এগুলো দেখে যাব কিছুটা জিনিস যে বাট আমাদের লাইফ টাইমে হয়তোবা হয়তোবা আমরা এই সিঙ্গুলারিটির একটা লেভেলে দেখে যেতে পারবো। কারণ আমরা এখনই দেখছি যে সিঙ্গুলারিটি কিছু কিছু লেভেলে কিন্তু যাচ্ছে এবং আমরা আসলে সিঙ্গুলারিটি ব্যাপারটা নিয়ে হয়তোবা আমরা সেভাবে ধারণা করতে পারছি না। বিকজ ধরো যাক আমাদের দেশে প্রযুক্তিগত ব্যবহারটা সেভাবে নেই। তবে আমার কাছে মনে হচ্ছে যে এই এখানে আমাদের অনেক কাজ করার স্কোপ আছে। কারণ সবচেয়ে বড় হচ্ছে কি আমাদের আর ম্যানুফ্যাকচারিং যেতে হচ্ছে না। আমাদের প্রসেসিং পাওয়ার আছে আমাদের কাছে। আমাদের হিউম্যান ব্রেইন আছি। আমাদের প্রোগ্রামার আছে। সো আমার মনে হয় না যে এখন আমাদের প্রযুক্তিগত কোন সীমাবদ্ধতা আছে। বাট আমরা মনে করি যে এখানে আমাদের অনেক কাজ করার স্কোপ আছে এবং এআই নিয়ে আসলে আমাদের সামনে অনেক কাজ করার স্কোপ আছে। কারণ আমরা যদি এআই না তৈরি করি বা আমরা এআই নিয়ে কাজ না করি তাহলে উই হ্যাভ টু বাই সামবডি এলসেস এআই এন্ড দেন ইট কন্ট্রোলস আস। সো আমরা আমরা আসলে ভাবছি যে এ ধরনের এআই নিয়ে আমাদের কাজ করা উচিত। বিকজ দিনশেষে অন্যদের এআইতে কিছুটা বায়াস থাকবে। সেখানে আমাদের লেভেলে আমাদের এআইতে হয়তোবা আমাদের দিকটা দেখবে। সেই সেই জায়গাটায় বলছি যে আমাদের এআই নিয়ে কাজ করা শুরু করা উচিত। আর সেজন্যই এই বইমেলাতে একটা বই নিয়ে এসেছি। সেটা হচ্ছে এআই এর একদম শুরুর অংশ যে ডেটা অ্যানালিটিক্স। ডেটা অ্যানালিটিক্স থেকে তারপরে ডেটা সায়েন্সের রোডম্যাপ কিভাবে এগুলো নিয়ে কাজ করবে সেটা নিয়ে। সো এডিটিং চলছে বইটা। আমার বই এডিটিং করতে একদমই ভালো লাগে না। কারণ বই এডিটিং করতে যে কষ্ট তার থেকে আরো তিনটা বই লেখা ভালো। সো এডিটিং ইজ ইজ ডিফিকাল্ট এবং কোডিং মিলানো, ছবি মিলানো সবকিছু মিলানো ইটস ডিফিকাল্ট। সো আমরা যদি সিঙ্গুলারিটির কথা বলি দেয়ার ইজ দা টাইম অফ দা পয়েন্ট যেখানে আসলে হিউম্যান যে নলেজ হিউম্যান যে ইন্টেলিজেন্স সেই লেভেলটা আসলে যন্ত্র পৌঁছে যাবে এবং যন্ত্র অলরেডি ওখানে পৌঁছাচ্ছে। আজকে এ পর্যন্ত থাকছেন তো সামনে?

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

গল্পে গল্পে কৃত্রিম বুদ্ধিমত্তা, ২ Artificial Intelligence Understanding in Bangla, part 2.mp3

আমরা বর্তমানে এআই নিয়ে সুপার এক্সাইটেড। কারণ এআই নিয়ে যেসব কাজ হচ্ছে এবং সামনে এআই নিয়ে যে ধরনের কাজের পারসপেক্টিভ আসছে সেটা আসলে বোঝার উপায় নেই। তো আমি আজকে বলছি যে এই বইটা এআই 2041 মানে এটা একটা বই যেটা থেকে আমি আসলে অনেক ধরনের আইডিয়া পাচ্ছি। বাট একটা জিনিস আমি বলতে চাই যে আমরা কেন এআই নিয়ে চিন্তা করছি না। আর সবচেয়ে বড় জিনিসটা হচ্ছে যে এআই আজকে আমাদের যারা নতুন প্রজন্ম আছে তাদের লাইফটাইমে এআইটা এত বেশি ওতপ্রোতভাবে জড়িত থাকবে সেখানে এআই এর ব্যাপারটা যদি আমরা এখন থেকে যদি না জানি তাহলে আমাদের সামনে যে দিনগুলো আছে সেই দিনগুলোতে আমরা পিছিয়ে পড়বো। আমি যদি এভাবে বলি যে সফটওয়্যার ইজ ইটিং দা ওয়ার্ল্ড মানে এটার প্রায় নেটস্কেপের যে ফাউন্ডার ছিলেন উনি কিন্তু এন্ড্রিসন উনি অনেক আগে বলে দিয়েছেন যে কিভাবে সফটওয়্যার আমাদেরকে পুরো লাইফটাই পাল্টে দেবে। সেখানে আমরা কেন এই সফটওয়্যারের যে বাবা আমরা বলছি যে সফটওয়্যার কে যারা চালাবে বা সফটওয়্যারের সামনাসামনি আমরা আজকে যেটা বলছি যে সফটওয়্যার। বাট তবে সফটওয়্যারের ঠিক সাংঘর্ষিক দিকটা হচ্ছে গিয়ে এআই। মানে যারা আমরা এতদিন সফটওয়্যার নিয়ে কাজ করতাম আমরা এখন বলছি না না আমরা সফটওয়্যার লিখবো না। এখন সফটওয়্যার লিখবে ডেটা। মানে আমরা বলছি যে ডেটা থেকে ফিড আসবে সেই ফিডটাই সফটওয়্যার লিখবে বা সফটওয়্যারের কাজটা হবে। তো সেজন্য বলছি যে আমরা আজকে এই মুহূর্তে সফটওয়্যার নিয়ে কাজ করছি বাট আমাদের সামনে সফটওয়্যারটাকে কিন্তু ওভারটেক করছে এই এআই। আর সেজন্যই কিন্তু আমাদের সামনে এআই জানতে হবে এবং আমাদের যারা ইয়ং জেনারেশন আছেন তাদেরকে এআই ব্যবহারিক পার্টটা। আমি বলছি না যে তাদেরকে এআই ডেভেলপ করতে হবে বাট এআই এর ব্যবহারিক পার্ট সেটাও যদি আমি আজকে জানি তাহলে এই এআই কে ব্যবহার করে আমি সামনে আমার ক্যারিয়ারে কিন্তু অন্য লেভেলে যাওয়া যাবে। তো সেটাই বলছি যে ডেটা থেকে ধারণা পাওয়া, ডেটা অ্যানালিটিক্স এটা এআই এর একটা ইনিশিয়াল পার্ট যেটাকে আমরা বলছি যে ডেটা থেকে ধারণা পাওয়া। আমরা যদি ডেটা থেকে ধারণা পেতে চাই তাহলে আমাদের এই ডেটা অ্যানালিটিক্স বা এআই নিয়ে আমাদের কাজটা শুরু করতে হবে। আর সবচেয়ে বড় জিনিসটা হচ্ছে যে আমাদের কিন্তু এই এআই এর ইনিশিয়াল ধারণাটা যদি আমরা আস্তে আস্তে পাই তাহলে আস্তে আস্তে আমরা ডেটা অ্যানালিটিক্স, ডেটা সায়েন্স এর মধ্যে ঢুকতে পারবো। আমার একটাই কথা সেটা হচ্ছে যে আমরা শুরুতে এআই সম্বন্ধে কেন জানছি না বা এআই এর আমাদেরকে সামনে কোথায় নিয়ে যাবে সেটা আমরা কেন বুঝতে পারছি না। তো সেটাকেই যদি আমরা একটা লেভেলে আমরা যদি বেসিক লেভেলে যদি এটা বুঝি মানে আজকে দেখুন যে যেই টেসলা বা যে ধরনের সেলফ ড্রাইভিং কার মানে আমি মনে করি যে একটা সেলফ ড্রাইভিং কার যদি পয়েন্ট এ থেকে পয়েন্ট বি মানে যেমন আমি দেখছি যে সানফ্রান্সিসকো থেকে এলে মানে একদম ফুল সেলফ ড্রাইভিং কার চলে যাচ্ছে। তার মানে কি যে আমরা ভাবতেই পারছি না যে এখন আমরা যেটা চিন্তা করছি বা আমরা যেটা নিয়ে ভাবছি বা আমরা মনে করছি যে বর্তমানে বিভিন্ন জায়গায় এটা মনে হয় সফটওয়্যার পারবে না বা এটা এআই পারবে না। আমার মনে হয় এটা ভুল কথা। কারণ সেলফ ড্রাইভিং এর মত একটা জিনিস যেখানে একটা গাড়ি এক জায়গা থেকে আরেক জায়গায় একদম পুরোপুরি নেভিগেট করে চলে যেতে পারতেছে। আমি জাস্ট বলছি একটা গাড়ি পয়েন্ট এ থেকে পয়েন্ট বি পর্যন্ত পুরোপুরি নেভিগেট করে সবকিছু বুঝে রেড লাইট, গ্রীন লাইট রাস্তার এদিকে ওদিকে মানুষ সামনের গাড়ি, পেছনের গাড়ি, ডানের গাড়ি, বামের গাড়ি সবকিছু বুঝে যখন একটা ফুল স্কেল সেলফ ড্রাইভিং কার যদি এক জায়গা থেকে আরেক জায়গায় যেতে পারে সেখানে আমাদের বেসিক যে আন্ডারস্ট্যান্ডিং বা বেসিক যে আমাদের ধরা যাক সরকারি যে আমাদের বিভিন্ন ধরনের আমাদের কাজ আছে সেই পাসপোর্ট ভেরিফিকেশন বলেন বা অন্যান্য জায়গায় বলেন সেখানে আমরা এখনো ভাবছি যে শুধুমাত্র মানুষ দিয়েই চলবে এটা আসলে অন্য কিছু দিয়ে চলবে না। এটা থেকে আমাদের বের হয়ে আসতে হবে। আমরা বলছি যে হিউম্যান ইন দা লুপ মানে হিউম্যানকে আস্তে আস্তে লুপ থেকে বের করে আনতে হবে। এই যে দেখুন আমাদের যে সুরক্ষা অ্যাপ এই যে এই পুরো জিনিসটাই কিন্তু ওইখানে যেটা কাজ হয়েছে এটা কিন্তু একটা অ্যাপ্লিকেশনের মাধ্যমে হয়েছে এবং অ্যাপ্লিকেশনের ব্যাক এন্ডে কিন্তু হিউম্যান যে ইন্টারেকশনটা সেটা কিন্তু অনেকটাই কমে এসেছে। দারাজের সাথে আপনি কেনাবেচা করছেন বা দারাজ থেকে আপনি অনেক কিছু কেনা কেনাবেচা করছেন সেখানেও কিন্তু পেছনে কিন্তু হিউম্যান ইন্টারেকশনটা কম। আপনি একটা সফটওয়্যারের সাথে ইন্টারেক্ট করছেন এবং সফটওয়্যার কিন্তু আপনার সাথে ইন্টারেক্ট করছে। তো এবং দারাজে কিন্তু আপনি 24/7 কাজ করতে পারছেন। এখানে হিউম্যানলি পসিবল না যে দারাজের কিছু দেখা যাচ্ছে যে রাত 11 টার পর মানুষজন চলে যাচ্ছে অন্য কাজে কিন্তু সফটওয়্যার দা হোল সফটওয়্যার ইজ রানিং 24/7। সেই রাত 3 টার সময় আপনি একটা জিনিস কিনতে পারছেন। সেখানে কিন্তু কোনো মানুষ নেই। তো আমরা এটাই বলছি যে আমরা আজকে যেটা প্ল্যান করছি বা চিন্তা করছি সেটা থেকে কিন্তু আমাদের বের হয়ে আসতে হবে যে হিউম্যান ইন দা লুপ মানে সবকিছুর মধ্যে যে মানুষ এটা থেকে কিন্তু আমাদের বের হয়ে আসতে হবে এবং সেটার জন্যই আমি সামনে বলবো যে কিভাবে মানুষ আসলে অন্য কাজে এক্সপার্ট। মানুষ কিন্তু রিপিটেটিভ কাজে এক্সপার্ট না এবং মানুষ রিপিটেটিভ সিদ্ধান্ত নিতে চান না। তো সেজন্য বলছি যে আমরা যেটা করবো সেটা হচ্ছে যে হিউম্যানকে কিভাবে লুপ থেকে আসলে সরানো যায় এবং সেই হিউম্যানকে আমরা অন্য কাজে লাগাবো যেখানে কোনো রিপিটেটিভ ব্যাপার নেই। আমার কথা হচ্ছে যে যেটাই রিপিটেটিভ সেটাই আমরা অটোমেশনে ফেলে দেবো। তো এইজন্যই এই অটোমেশন বলেন আমাদের কৃত্রিম বুদ্ধিমত্তা বলেন, মেশিন লার্নিং বলেন, ডেটা সায়েন্স বলেন সবকিছুই কিন্তু একটার সাথে আরেকটা কানেক্টেড। আজকে এই পর্যন্তই থাকছেন তো সামনে?

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

চ্যাট-জিপিটিএআই কিভাবে আমাদেরকে ভ্যালু অ্যাড করবে Learn to use Chat GPT to its full potential.mp3

কৃত্রিম বুদ্ধিমত্তা আমাদের কাজ কেড়ে নেবে নাকি আমাদের সাথে অগমেন্ট করবে মানে আমাদের কাজের সাথে অগমেন্ট করবে সেটা নিয়ে আসলে অনেক ধরনের আলাপ হচ্ছিল। কৃত্রিম বুদ্ধিমত্তা অফকোর্স দিস ইজ সামথিং লাইক ইট ইজ দেয়ার টু অ্যাসিস্ট আস। মানে আমরা সেটা যেটা সবসময় বলছি যে আজকে যে আমাদের ভ্যাকসিনেশন প্রোগ্রাম বা সবকিছু সবকিছুর পেছনে কিন্তু আছে ডিপ লার্নিং এবং এই ডিপ লার্নিং এর একটা বড় অংশ কিন্তু এসছে হচ্ছে গিয়ে লার্জ ডেটা সেট থেকে। সো আমাদের যেটা বুঝি যে এআই অথবা চ্যাট জিপিটি বা বার্ড মানে যেকোনো ধরনের এই ধরনের সলিউশন গুলো আসুক না কেন এগুলো কমপ্লিমেন্টারি মানে আমাদের হিউম্যান নলেজ বা হিউম্যান যে প্রজ্ঞা আছে তার সাথে এটা কমপ্লিমেন্টারি হিসেবে কাজ করবে। তো এখানে আমরা যদি এভাবে বলি যে চ্যাট জিপিটি অফকোর্স চ্যাট জিপিটি একটা লেভেল পর্যন্ত মানে বেসিক লেভেলের অনেক জব তারা আসলে কনভার্ট করবে মানে এটাকে আমি মনে করি যে চ্যাট জিপিটি বা বার্ডকে ব্যবহার করতে হবে টু কনভার্ট আওয়ার নলেজ। কারণ আমরা প্রথমে দেখছিলাম যে চ্যাট জিপিটি অনেক স্কুল ব্যান করছিল এবং স্কুলগুলো চ্যাট জিপিটি ব্যান করার পেছনে কারণ ছিল যে আসলে সবাই কপি পেস্ট করছিল। এখন ব্যাপারটা হচ্ছে যে যদি সামনে এডুকেশন সিস্টেম নিয়ে কিন্তু একটা বড় একটা চেঞ্জ আসবে কারণ এখানে স্কুল কলেজ ইউনিভার্সিটি এটার এক্সিস্টেন্স নিয়ে কিন্তু কথা আসবে যে আসলে এখনকার লার্নিং সিস্টেম বা লার্নিং মেকানিজম এটা আসলে কিভাবে সামনে আমরা এখানে আপস্কিল করা যায়। কারণ আপস্কিলে সবচেয়ে বড় ব্যাপার হচ্ছে যে এটা নিজের কাছে। আর এই জ্ঞান প্রজ্ঞা বা আমাদের নলেজ এই নলেজটা কিন্তু এর পেছনে কিন্তু একদম আমরা ইনভল্ভ। এজন্য দেখা যাচ্ছে যে বর্তমানে যে নলেজ ম্যানেজমেন্ট বা বর্তমানে যারা শিক্ষা নিয়ে আছে তাদের কিন্তু একটা বড় পার্সপেক্টিভ হচ্ছে পার্সোনালাইজেশন। মানে প্রতিটা মানুষ এক না আমরা সবাই আলাদা সুতরাং আমাদের নলেজ এবং সেটাকে নিয়ে কাজ করার পেছনে এটার একটা মনে করি যে পার্সোনালাইজড অ্যাপ্রোচ যে আমাদের আমি যেমন ক্যাডেট কলেজে যখন পড়েছি ক্যাডেট কলেজে আমাদের ফর্মে আমাদের ফর্মে 25 জন মাত্র ছাত্র ছিল। 25 টা ছাত্রকে চালানোর জন্য আমাদের অন্যান্য টিচার ছাড়াও একজন ফর্ম মাস্টার ছিলেন যিনি আসলে প্রতিটা ছাত্রকে ট্র্যাক করতেন কে কোথায় খারাপ করছেন ভালো করছেন আমি বাংলায় খারাপ করছি না আমি কি জ্যামিতিতে খারাপ করছি সো হি কুড ট্র্যাক ইট। বাট এখন এডুকেশন সিস্টেমটা এমন হয়ে গেছে যে একটা ক্লাসে হয়তোবা 100 জন লোক। সো হাউ হাউ ক্যান ইট ট্র্যাক ইট যেখানে তাকে মাইক্রোফোন নিয়ে ক্লাস নিতে হয়। সো ওই ব্যাপারটা মানে ওই জায়গাটাতে আসলে এআই এর ব্যবহার বা এআই কে পার্সোনালাইজড অ্যাপ্রোচে নিয়ে যাওয়া। আমি আসলে অন্য দিকে চলে গেলাম যে আমাদের এখন সবচেয়ে বড় যে জিনিসটা করতে হবে যে চ্যাট জিপিটি বা বার্ডকে উই হ্যাভ টু অগমেন্ট মানে আমরা যেই লেভেলে কাজ করছি বা যেটা নিয়ে আমরা আমাদের প্রতিদিন আমরা দেখছি সেখানে উই হ্যাভ টু অগমেন্ট মানে আমরা আজকে আমি চ্যাট জিপিটি ব্যবহার করছি যে আমি কি জানি এবং সেই নলেজের মধ্যে ফারাকটা কোথায় সেই গ্যাপটা কোথায় এবং এখন আমরা কিন্তু সেই লার্নিং পয়েন্ট এটা আসলে অনেক আগে যেহেতু আমি এডুকেশন নিয়ে কাজ করছিলাম এআই এবং এডুকেশন সেখানে আমি দেখছিলাম যে আসলে প্রতিটা লার্নিং পয়েন্ট মানে আমার লার্নিং পয়েন্ট থেকে পরের লার্নিং পয়েন্ট মানে আমি এখন ধরা যাক একটা পুরো জ্যামিতি বইকে আমরা ভাগ করে ফেলছি 2000 লার্নিং পয়েন্টে। এখন এই 2000 লার্নিং পয়েন্টে ধরা যাক কেউ 700 13 নাম্বার লার্নিং পয়েন্ট থেকে 714 নাম্বার লার্নিং পয়েন্টে কিন্তু হিকাপ হচ্ছে সে পারছে না। সো তার জন্য কিন্তু ওখানে লার্নিং পয়েন্ট বাড়বে। আমার জন্য হয়তোবা একটা জ্যামিতি বইয়ের লার্নিং পয়েন্ট হতে পারে 2000 আরেকজনের জন্য হয়তোবা সেটা 1500 তে নেমে আসতে পারে বিকজ হি ক্যান লার্ন ফাস্টার হি ওয়াজ কুইকার এন্ড হি নোজ সাম অফ দা থিংস ইভেন ফ্রম দা স্টার্ট। সো এই জায়গায় আমরা মনে করি যে চ্যাট জিপিটি বা এটাকে অগমেন্ট মানে এটাকে ব্যবহার করা উচিত। আমরা ইটস নট এবাউট ব্যানিং বাট অলসো ইটস এবাউট ইউজিং ইট ফর মাই বেনিফিট। সো আমরা কপি পেস্ট করবো না চ্যাট জিপিটি যেটা সবাই করে যে অনেকে করে যে কপি পেস্ট করে হুইচ ইজ ব্যাড। হুইচ ইজ ব্যাড বিকজ এন্ড অফ দা ডে যখন রিয়েল জব ফিল্ডে নামবো তখন কিন্তু এটা এটা একটা বড় প্রবলেম হয়ে যাবে। তো এইজন্য বলছি যে টু আপস্কিল উই শুড বি ইউজিং চ্যাট জিপিটি অর বার্ডের মত প্রযুক্তি যেটা আমাদের আপস্কিল করবে মানে আমরা আসলে যেখানে নলেজ গ্যাপটা আছে সেই নলেজ গ্যাপটাকে একটা লেভেল পর্যন্ত বোঝা যে আমার এখানে নলেজ গ্যাপটা আছে এবং সেইখানে আমি চ্যাট জিপিটি বা আমরা বার্ডকে ব্যবহার করে সেই নলেজ গ্যাপটাকে কমিয়ে নিয়ে আসবো। বিকজ দিনশেষে উই কান্ট লার্ন এভরিথিং এবং আমরা সবকিছুই পারবো না এবং সবকিছুই আমরা ইভেন নামিয়ে দিতে পারবো না। বাট হোয়াট উই কুড ডু উই কুড বি সিলেক্টিভ উই কুড বি লাইক আমি এই ফিল্ডে যেতে চাই আমি প্রোগ্রামিং ফিল্ডে যেতে চাই আমি ডেটা সাইন্টিস্ট ফিল্ডে যেতে চাই আমি ডেটা অ্যানালিটিক্স ফিল্ডে যেতে চাই। সো এই সিলেক্টিভ রোলটা যদি আমরা ঠিকমত বের করতে পারি দেন বেসড অন দ্যাট আমরা সেখানে কাজ করতে পারি। সেখানে আমরা যেটা দেখছিলাম যে দিস ইজ মাই এনাদার বুক যেটা হচ্ছে গিয়ে হাতে কলমে ডেটা অ্যানালিটিক্স। কারণ হাতে কলমে ডেটা অ্যানালিটিক্স বইটা এজন্যই আমি লিখেছি যে আমাদের বেসিক ডেটা নিয়ে আন্ডারস্ট্যান্ডিংটা হয়তোবা আমাদের একটু দরকার। এটা ঠিক যে হাতে কলমে ডেটা সাইন্স বা ডেটা অ্যানালিটিক্স এই ব্যাপারটা আসলে আসছে অন্য ব্যাপার থেকে যে ধরা যাক আমি যেটা বলছি যে আমরা আমি যে হাতে কলমে ডেটা অ্যানালিটিক্স যে বইটা লিখেছি সেখানে ব্যাপারটা এসছে যে আমরা কিভাবে হার্নেস করতে পারি আমাদের এই প্রযুক্তিকে আমাদের কাজে। কারণ অফকোর্স দা মেশিন ইজ ফার সুপিরিয়র ইজ বিকামিং ফার সুপিরিয়র বাট দেন এজ এ হিউম্যান আমাদেরকে মেশিনকে ব্যবহার করতে পারতে হবে এবং মেশিনকে আমি মনে করি যে মেশিন যেই লেভেলে সুপার ইন্টেলিজেন্স লেভেলে পৌঁছে গেছে সেখানে হিউম্যান এজ এ হিউম্যান আমরা আসলে ওই জায়গাটা কিভাবে গ্যাপটাকে ক্লোজ করতে পারি। কারণ সবচেয়ে বড় ব্যাপার হচ্ছে যে আমাদের যে লার্নিং পয়েন্ট নিয়ে আলাপ করছিলাম যে লার্নিং পয়েন্ট গুলোকে কিভাবে আমরা ক্লোজ করতে পারি বিকজ ইউজিং চ্যাট জিপিটি অর ইউজিং বার্ড ইজ জাস্ট এবাউট নোইং যে আমার নলেজে কি গ্যাপ আছে। সো আমি ধরা যাক যে সিলেক্টিভ যেখানে যাচ্ছি সেই সিলেক্টিভ জায়গায় ধরা যাক আমি একটা ডেটা সাইন্স নিয়ে কাজ করতে যাচ্ছি বা আমি ধরা যাক মার্কেটিং নিয়ে কাজ করতে যাচ্ছি বা আমি ধরা যাক সেলসে কাজ করতে যাচ্ছি। সো ওখানে আমার বর্তমান যে স্কিল আছে এবং সেই স্কিলের মধ্যে পরের স্কিলটা আসলে কোথায় গ্যাপ আছে সেই গ্যাপটাই বের করার জন্য আমাদের দরকার এই চ্যাট জিপিটি বা চ্যাট জিপিটিকে আমি মনে করি যে বার্ড বা চ্যাট জিপিটি। সো এখানে আমি এটুকু বলতে পারি যে উই শুড বি ইউজিং অল দিস টেকনোলজি চ্যাট জিপিটি অর বার্ড বাট এট দা সেইম টাইম নোইং হোয়াট আই নিড টু নো বিকজ ইটস ডেটা যদি আমি না বুঝি বা ডেটার থেকে আমি ইনসাইট না পেতে পারি যদি না পাই তাহলে কিন্তু আমাদের একটা সমস্যা হতে পারে। সো এইজন্যই এ ধরনের বই যে হাতে কলমে ডেটা অ্যানালিটিক্স সবচেয়ে বড় ব্যাপার হচ্ছে যে এই ধরনের বইগুলো লেখাটা ডিফিকাল্ট কারণ কোড ছবি এর পাশাপাশি কন্টেক্সট বিকজ আমাকে অনেকে বলেন যে আমি হচ্ছে গিয়ে ফিলোসফিক্যাল রাইটার মানে আই রাইট উইথ ফিলোসফি বিকজ আমি কেন একটা জিনিস শিখতে চাইবো বা আমি একটা কেন জিনিস আমি এক্সট্রা সময় দিব বা একটা জিনিসের পেছনে আমি কেন আরো আলাদা সময় দিব জাস্ট বিকজ আমি যদি জানি যে আমি আসলে কেন করতে চাই মানে এটার পেছনে ফিলোসফি মানে এটার পেছনের ফিলোসফিটা কি। যেকোনো জিনিসের পেছনের ফিলোসফি যদি আমি ঠিকমত জানতে পারি তাহলে আমার জন্য সেটা শেখা সহজ এবং সেটার জন্য আমার আমার আকর্ষণ বাড়ে। সো আমি ওটাই বলছি যে উই শুড বি ইউজিং চ্যাট জিপিটি এন্ড বার্ড টু অগমেন্ট উইথ মাই কারেন্ট নলেজ স্কিল এবং এর পাশাপাশি আমার নলেজের পাশাপাশি কোথায় গ্যাপ আছে সেই গ্যাপটাকে বের করার জন্য কিন্তু আমরা এই চ্যাট জিপিটি নিয়ে কাজ করার চেষ্টা করব। আর সবচেয়ে বড় ব্যাপার হচ্ছে যে হোয়াট এভার উই ডু উই হ্যাভ টু লার্ন ডেটা ওয়েদার আই এম ইন মার্কেটিং ওয়েদার আই এম ইন সেলস ওয়েদার আই এম ইন এনিহোয়ার আমি স্বপ্নে কাজ করি আমি যেখানে কাজ করি না আই শুড বি এবল টু ইউজ ডেটা এন্ড টু আন্ডারস্ট্যান্ড ডেটা উই হ্যাভ টু লার্ন দা স্টার্টিং পয়েন্ট ইজ ডেটা অ্যানালিটিক্স আর সেজন্যই এ ধরনের বই যে বইটা আমি প্রায় দু বছর ধরে লিখছিলাম ফিনিশ করাটা ডিফিকাল্ট ছিল বিকজ বই লেখাটা যত সহজ এডিটিং তার থেকে 10 গুণ কষ্ট। সো আমার মনে হয় এই বইমেলায় এই বইটা আমি আনতে পারছি। সো আমি ফাইনালি এটাই বলব যে আমরা চ্যাট জিপিটিকে অগমেন্ট করব চ্যাট জিপিটিকে আমরা আমাদের সাথে কমপ্লিমেন্ট করব সো দ্যাট উই ক্যান আপস্কিল এবং দা ফিউচার ইজ অল এবাউট আপস্কিলিং। আজকে এই পর্যন্তই থাকছেন তো সামনে?

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

ইন্টেলিজেন্স এবং এডুকেশন কেন এডুকেশন নিয়ে পড়লাম Why Intelligence is different than Education.mp3

একটা প্রশ্ন প্রায় পাই যে কেন আমি মেশিন লার্নিং থেকে আস্তে আস্তে এডুকেশনে ঝুকছি। আসলে এই ব্যাপারটা আমার কাছে ইট ডন অন টু মি মানে হচ্ছে গিয়ে আমি যখন মেশিন লার্নিং বা ডিপ লার্নিং নিয়ে কাজ করা শুরু করলাম তখন একটা পর্যায়ে আমি বুঝতে পারলাম যে দিনশেষে ইজ অল অ্যাবাউট ইন্টেলিজেন্স মানে আমাদের ইন্টেলিজেন্সটাকে আসলে আমাদের ফিগার আউট করতে হবে। মানে আমরা সনাতন পদ্ধতিতে যেভাবে আমরা পড়ালেখা করি যেমন আমরা যদি দেখি যে এখন জেনারেটিভ এআই এটা কিন্তু ভালোভাবে কিন্তু আমাদের যে সনাতন পড়ালেখার যে একটা স্টাইল সেটা কিন্তু ঠিকমত সে বুঝতে পেরেছে এবং আর সে কারণে কিন্তু আমরা দেখছি যে আজকের যে জেনারেটিভ এআই যেমন চ্যাট জিপিটি বা অন্যান্য সেগুলো কিন্তু আমাদের হিউম্যান মানে আমাদের মানুষের ম্যাক্সিমাম পরীক্ষা কিন্তু তারা পাশ করছে এবং খুব ভালো ডিস্টিংশন নিয়ে তারা পাশ করছে। তার মানে হচ্ছে কি আমাদের যে এডুকেশন আমাদের এডুকেশন এবং ইন্টেলিজেন্সের মধ্যে একটা বড় ফারাক মনে হচ্ছে। আর এর পাশাপাশি আমি যখন মেশিন লার্নিং নিয়ে কাজ শুরু করলাম তখন মেশিন লার্নিং একটা পর্যায়ে আমি ডিপ লার্নিং নিয়ে কাজ করলাম এবং তখন দেখলাম যে আসলে মেশিন লার্নিং বা ডিপ লার্নিং তার যে নলেজ সেই নলেজটা আসলে কিছু না। নলেজটা হচ্ছে গিয়ে ও রিপিটেটিভ যে জিনিসগুলো যেগুলো হচ্ছে গিয়ে আমরা শিখি যেগুলো আমরা আসলে আরো পরবর্তী সময় আমরা ব্যবহার করি সেই নলেজ সেই জ্ঞান সেই ইন্টেলিজেন্সটা আসলে আমাদের যে সনাতন শিক্ষা তার মধ্যে একটু পার্থক্য আছে। কারণ আমার যে সনাতন শিক্ষা তার মধ্যে ইন্টেলিজেন্সের অংশ কতটুকু সেটাই কিন্তু এখন আমাদেরকে ভাবাচ্ছে। কারণ আমরা যদি চ্যাট জিপিটি বা অন্যান্য সিস্টেম ব্যবহার করি তাহলে দেখা যাবে যে এ ধরনের সিস্টেমের মধ্যে যেগুলো অলরেডি আগে নলেজ মানে স্ট্যাটিক নলেজ আছে। স্ট্যাটিক নলেজ কিন্তু আমাদের জন্য আসলে ইন্টেলিজেন্স হিসেবে আমি বলতে চাই না। আমি স্ট্যাটিক নলেজ মানে বলতে চাচ্ছি যে এটা সামওয়ে ইট ইজ দেয়ার এবং সেটাকে সে রিপ্রডিউস করছে। কিন্তু ইন্টেলিজেন্স ইজ বিয়ন্ড দ্যাট মানে ইন্টেলিজেন্স হচ্ছে গিয়ে কাইন্ড অফ লাইক আমি মেশিন লার্নিং নিয়ে যখন কাজ করলাম এবং ডিপ লার্নিং এ যখন আমরা দেখছি যে ডিপ লার্নিং মডেলগুলো থেকে ইনফার করি মানে ইনফারেন্স আমরা আসলে মডেলের যে ওয়েট এন্ড বায়াস এবং যেগুলো নিয়ে কাজ করছি ডিপ লার্নিং মডেলে সেখানে কিন্তু আমরা একটা নলেজ বা আপনার একটা ভবিষ্যৎ প্রেডিকশন ভবিষ্যৎ ডেটাকে প্রেডিক্ট করার জন্য আমরা যেটা অজানা ডেটা যে যার যে ডেটাটা আমি জানি না। আমরা হিউম্যান কিন্তু দেখা যাচ্ছে যে আমরা যখন পরীক্ষা দেই আমরা কিন্তু অজানা প্রশ্নের উপর পরীক্ষা দেই। আমরা সারাজীবন বা সারা বছর পড়ালেখা করি একটা নোন ডেটা সেটের উপরে। কিন্তু পরীক্ষা দেই একটা আননোন ডেটা সেট। একইভাবে কিন্তু আমরা মেশিন লার্নিং মডেল বা ডিপ লার্নিং মডেলে কিন্তু আমরা সেভাবে দেখি যে যখনই আমরা সেটাকে অজানা ডেটার উপরে যখন ডিল করি তখন কিন্তু সেটাকে ইনফার করা হয়। মানে আগের ডেটা আগের ডেটার উপর ভিত্তি করে জ্ঞানটা নিয়ে তার উপর থেকে কিন্তু সেটাকে আমি ইনফার করি সেজন্য এটাকে ইনফারেন্স করা হয় বা ইনফারেন্স বলা হয়। আমরা মেশিন লার্নিং মডেলের ইনফারেন্স নিয়ে কিন্তু আমরা কাজ করি এবং ইনফারেন্সটা নিয়ে যখন কাজ করি তার মানে হচ্ছে তাকে অজানা ডেটার উপরে কাজ করতে হয়। আর সেজন্যই আমি রিচার্ড ফেইনম্যান উনার একটা আলাপ আমি আসলে প্রায় বলি যে নেভার কনফিউজ এডুকেশন উইথ ইন্টেলিজেন্স। আমি আবারও বলছি রিচার্ড সরি নেভার কনফিউজ এডুকেশন উইথ ইন্টেলিজেন্স। ইন্টেলিজেন্স ইজ নট দা ক্যাপাবিলিটি টু রিমেম্বার এন্ড রিপিট লাইক দে টিচ ইন স্কুল। আমি বলছি যে ইন্টেলিজেন্ট ইজ নট মানে হচ্ছে কি ইন্টেলিজেন্ট ইজ নট দা এবিলিটি টু রিমেম্বার এন্ড রিপিট লাইক দে টিচ ইন স্কুল। মানে আমরা আসলে যেভাবে শিখি সেখানে আসলে সেরকম এবিলিটি শুধু মুখস্ত করা মনে রাখা রিপিট করা সেটা না। ইন্টেলিজেন্ট ইজ নট এবিলিটি টু রিমেম্বার এন্ড রিপিট লাইক দে টিচ ইন স্কুল। সেখানে উনি বলছেন ইন্টেলিজেন্স ইজ এবিলিটি টু লার্ন ফ্রম এক্সপেরিয়েন্স সলভ প্রবলেম এন্ড ইউজ আওয়ার নলেজ টু এডাপ্ট টু নিউ সিচুয়েশন। ব্যাপারটা যদি আমি এভাবে বলি যে আমাদের এডুকেশন সেটাকে আমরা যদি এভাবে দেখাই যে আমাদের এডুকেশন ইজ অল অ্যাবাউট এডাপ্টিং টু দ্য নিউ সিচুয়েশন। আমি পুরনো ডেটা সেটের উপর কাজ করবো না। যেই ডেটা সেটটা আমি জানি সেটা নিয়ে কাজ করবো না। উই উইল সলভ প্রবলেম হুইচ আই হ্যাভ নট সিন বিফোর। হিউম্যান মানুষের একটা বড় কাজ হচ্ছে গিয়ে টু সলভ প্রবলেম। কিন্তু আমি দেখি যে ধরা যাক আমাদের দেশে আমরা কিন্তু ম্যাক্সিমামে এক্সিস্টিং প্রবলেম সলভ করি। এক্সিস্টিং প্রবলেমেও কিন্তু আমাদের অনেক ধরনের প্রবলেম থাকে যে এক্সিস্টিং প্রবলেমগুলো সবার একসাথে মাইন্ডসেটটা ঠিক থাকে না। কিন্তু সে এখানে আমরা যদি অজানা ডেটা মানে হিউম্যান ডু নট লাইক টু ওয়ার্ক অন দা রিপিটেটিভ ডেটা। এজন্য দেখা যাবে যে যারা নলেজ ওয়ার্কার তারা কিন্তু একই কাজ একঘেমি কাজ পছন্দ করেন না। তারা সবসময় নতুন নতুন চ্যালেঞ্জ নিতে পছন্দ করেন। আর সেজন্য বলছি যে ইন্টেলিজেন্স এন্ড এডুকেশন এটার মধ্যে একটা বড় ফারাক আছে। আর আমি সে কারণেই এডুকেশনে আসতে চাই এবং সে কারণেই আমি এডুকেশন নিয়ে খুবই খুবই এক্সাইটেড। কারণ যখনই এডুকেশন উইল একচুয়ালি হ্যাভ এ কানেকশন টু দ্য ইন্টেলিজেন্স তখনই কিন্তু আমাদের রিয়েল এডুকেশন আসবে। কারণ আমরা দেখছি যে চ্যাট জিপিটির মত জিনিস তারা যদি মেডিকেল এক্সাম পাশ করে তারা যদি আমাদের ধরা যাক সব ধরনের এক্সাম পাশ করে ল ল এক্সাম পাশ করে বা আমাদের মানে প্রতিটা এক্সাম আমরা যেটাকে মেডিকেল এক্সাম বলছি বা আমাদের যে মানে বার এক্সাম বা আমাদের যে প্রতিনিয়ত যে এক্সামগুলো দিচ্ছি প্রতিটা এক্সাম যদি চ্যাট জিপিটির মত সিস্টেম যদি পাশ করতে পারে দেন উই হ্যাভ এ ফ্লড এডুকেশন সিস্টেম। এটা এটা আমার এটা আমার পার্সোনাল মতামত। তখন আসলে এই এডুকেশনটা নিয়ে আমারও কিন্তু কিছু প্রশ্ন আসে। তো সেজন্য বলছি যে আমি এইজন্যই এই এডুকেশনের মধ্যে ঢুকতে চাই এবং এডুকেশনের মধ্যে এই মেশিন লার্নিং বা এআই বা এটাকে ব্যবহার করে কিভাবে একচুয়াল নলেজটা নেওয়া যায়। সেটা নিয়েই কাজ করতে চাই। আর সেজন্যই বলছি যে এডুকেশন এবং নলেজের মধ্যে যে গ্যাপটা আছে বা এডুকেশন এবং আমাদের যে যেটাকে আমরা বলছি এডুকেশন এবং বিশেষ করে আমরা এডুকেশনের মধ্যে যে ব্যাপারটা বারবার আসছে যে এডুকেশন এক্সপেরিয়েন্স এবং এডুকেশন এক্সপেরিয়েন্সের পাশাপাশি যেটা আসলে কাজ করে যে ইন্টেলিজেন্সটা সেই ইন্টেলিজেন্সটা আসলে আমরা ঠিকমত ডিফাইন করতে পারছি কিনা মানে আমরা কি এখনো ইন্টেলিজেন্সটাকে ঠিকমত বুঝতে পারছি কিনা। যদি আমরা প্রপারলি ইন্টেলিজেন্সটা বুঝতে পারি দেন উই উড বি এবল টু ক্র্যাক দা ফিউচার এডুকেশন সিস্টেম। আজকে এ পর্যন্তই থাকছেন তো সামনে?

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

গল্পে গল্পে কৃত্রিম বুদ্ধিমত্তা, ৩ - সিদ্ধান্ত নেয়া Understanding Artificial Intelligence in Bangla.mp3

যন্ত্র সিদ্ধান্ত নিতে পারে কিনা সেটা নিয়ে আসলে অনেক ধরনের প্রশ্ন আছে। সেইজন্যই আজকে আমরা একটা ছোট ডেমো দেখাবো সানফ্রান্সিসকোর একটা রোডে যে কিভাবে আসলে আমরা বা যন্ত্র কিভাবে সিদ্ধান্ত নিতে পারে এবং সেই যন্ত্র সিদ্ধান্ত নেবার জন্য বেশ কিছু ধারণা এখানে আমরা আলাপ করব। তবে আমি সানফ্রান্সিসকোতে আরো প্রচুর ডেমো আছে যেটাতে খুব কনজেস্টেড রোড আছে বাট আমার কাছে মনে হয়েছে যে এটা একটা সহজ সরল ডেমো যেটাতে আপনাদের সাথে আমিও একটা গাইডেন্স দিতে পারব যে আসলে কিভাবে যন্ত্র সিদ্ধান্ত নিতে পারছে। সবচেয়ে বড় ব্যাপার হচ্ছে যে আমি যখন ঢাকায় গাড়ি চালাই তখন আমি কিছুটা যন্ত্রের মত চালাই কারণ সবচেয়ে শেষে আমি যাই মানে যেকোনো জায়গায় যেকোনো হিউম্যান ড্রাইভার যেভাবে চান্স নেন যে উনি ধারণাই করেন যে আমি যদি এখানে গাড়িটা ঢুকিয়ে দেই তাহলে আমার যে পেছনের গাড়িটা আছে বা আমার সাথে যে গাড়িটা আছে সে এখানে ঢুকিয়ে দেবে না। তারা কিন্তু একটা আমি মনে করি যে অপরচুনিটি নেন মানে আমাদের ড্রাইভাররা সবসময় একটা অপরচুনিটি নেন যাতে উনি আগে যেতে পারেন। আর এই কারণেই কিন্তু দেখবেন যে যারা গাড়ি চালান আপনি যদি জিপিএস লক কখনো নেন তাহলে কিন্তু সেই গাড়ি চালানোর ভিতর থেকে কিন্তু একটা মানুষের মানসিকতা তার শিক্ষাগত যোগ্যতা এবং সে আসলে মানুষ হিসেবে কেমন সবকিছু মিলিয়ে কিন্তু এটার একটা অ্যানালিস অ্যানালাইসিস পাওয়া যায়। আমি আপনাকে বলে দিতে পারি বা একটা গাড়ির ড্রাইভিং প্যাটার্ন দিয়ে বোঝানো যেতে পারে যে আসলে তার মেন্টাল স্টেট কিরকম বা তার মেন্টাল স্ট্যাটাস কি আছে। তো আমি যদি আজকের এই ডেমোর ব্যাপারে বলি যে ডেমোটা একটা খুব সহজ সরল ডেমো। তো আমরা চলুন আমরা গাড়িটাকে চালু করলাম এবং এখানে যে ড্রাইভার উনি কিন্তু অটো মানে উনি কিন্তু বলেছেন যে উনি একটা জায়গায় যেতে চান এবং উনি মুখে বলেছেন মুখে যাওয়ার পর বলার পর একটা চালু হয়ে গেল। এখন উনি সরাসরি এটাকে সেলফ ড্রাইভিং মোড যেটাকে মোড যেটাকে আমরা বলছি এফএসডি। এফএসডি মোডে আমরা চলে গেলাম। এখন আপনি দেখতে পাচ্ছেন যে গাড়ি কিন্তু তার আশেপাশে আমার সামনে যেমন একটা বড় ট্রাক সে বাইপাস করলো। সে ট্রাকের জন্য কিন্তু সে লেন্স চেঞ্জ করলো। আপনারা যদি দেখলেন যে লেন্স চেঞ্জ করলো। এখন কিন্তু সে ডান দিকে যাবে। তো ডান দিকে যাওয়ার জন্য কিন্তু সে একটা ভালো সময় কিন্তু ওয়েট করলো। তারপরে সে একটা সিদ্ধান্ত নিল যে সে ডান দিকে সে যেতে পারবে কিনা। তার মানে হচ্ছে গিয়ে এখানে কিন্তু তার নিজস্ব জাজমেন্ট কিন্তু এখানে এসছে যেটা এবং সামনে দেখেন একটা গাড়ি। গাড়িটা কিন্তু সে ক্যামেরা থেকে দেখতে পাচ্ছে এবং সে কিন্তু লেন চেঞ্জ করলো এবং সামনে সে কিন্তু রেড লাইট দেখেছে। রেড লাইট দেখার পরে কিন্তু সে কিন্তু ওয়েট করেছে এবং ওয়েট করার পর কিন্তু সে আস্তে আস্তে সে আবার সামনে আগাচ্ছে। তো এই যে তার সিদ্ধান্ত নেবার ক্ষমতা মানে সে কিন্তু একটার পর একটা ট্রাফিক স্টপ বা আমরা বলছি যে সে সবকিছু কিন্তু কাভার করছে এবং সেখানে কিন্তু কোথায় রেড লাইট কোথায় গ্রীন লাইট এবং সেই জন্য কিন্তু সে গাড়িটাকে কিছুটা সামান্য রোল রেখে দেখুন যে বাঁ দিক থেকে কিন্তু একটা গাড়ি আসছে এবং সেই গাড়িটাকে কিন্তু মার্ক করেছে মার্ক করে কিন্তু সে সামনে আগাচ্ছে এবং সামনে যে নীল যে বর্ডারটা মানে এর মানে হচ্ছে যে এর সামনে তার জায়গাটা ফাঁকা আছে এবং সবচেয়ে বড় জিনিস হচ্ছে কি এখানে কিন্তু লেন মার্কিং ঠিকমতো নেই। মানে এই যে রাস্তাটা আছে সেই রাস্তাটাতে কিন্তু লেন মার্কিং নেই। কিন্তু সে বর্ডার বর্ডার যে লেনটা আছে সেটা সে বের করতে পেরেছে এবং আপনি দেখেন যে সে কিন্তু সামনের কয়েকটা গাড়িকে দেখে তারপরে যাচ্ছে এবং আমরা যদি আরো সামনে যাই যে সামনে থেকে একটা গাড়ি কিন্তু আসছে এবং সেই গাড়িটা কিন্তু ঢুকছে মানে সে কিন্তু সবকিছুই তার ক্যামেরা থেকে বুঝতে পারছে এবং বুঝেই কিন্তু সে সিদ্ধান্ত নিচ্ছে এবং তার পিছন থেকে কিন্তু গাড়ি আসছে সেটাও কিন্তু সে দেখতে পাচ্ছে। তো আমরা যদি দেখি যে গাড়িটা যেভাবে যাচ্ছে সে এখানে যেহেতু লেন মার্কিংটা নেই সেই জন্য কিন্তু সে একটা সেফ ডিস্টেন্স রেখেছে যে ডান দিকে তার জন্য এবং দেখেন তাকে সামনে গাড়ি চলে এলো এবং সে গাড়িটা কিন্তু সে দেখে দেখলো। সে কিন্তু নীল যে অবজেক্ট সেটা কিন্তু সে দেখেছে এবং সামনে বাঁয়ে কিন্তু একটা মোটরসাইকেলকেও সে সাইডলাইন দিয়েছে। তো এভাবে আমরা যদি দেখি যে সামনে সে গাড়ির একটা গাড়ির পেছনে গেল আবার তারপরে সে ডান দিকে মুভ করবে না সে সোজাসুজি চলে যাবে। তারপরে কিন্তু সে সোজাসুজি যাচ্ছে এবং আপনি যদি দেখেন যে সে একটা লেভেলে যেয়ে তার যে যাওয়ার জায়গাটা এবং সামনে দুই দিক থেকে কিন্তু দুই পাশে গাড়ি আছে এবং সেই দুই পাশের গাড়িকে সে কিন্তু ঠিকমতো দেখে তারপরে দেখেন একজন ভদ্রমহিলা উনি কিন্তু রাস্তা পার হচ্ছেন। সে কিন্তু দেখেছে দেখার পরে কিন্তু তারপর সামনে একটা স্ট্রলার একজন মহিলা একজন বাচ্চাকে নিয়ে যাচ্ছে। তার মানে হচ্ছে কি সে কিন্তু এগুলো সবকিছু মার্ক করছে। মার্ক করে কিন্তু সে ডান দিকে সে টার্ন করবে। এখন আপনি যদি ডান দিকে টার্নটা দেখেন সে ফুল ডান দিকে টার্ন। টার্নের পরে আমরা যদি দেখি একটু সামনে গেলে ওখানে কিন্তু একটা গাড়ি কিন্তু পার্কিং করছে। সেটাও কিন্তু সে ওর কাছে কিন্তু দেখাচ্ছে যে গাড়িটা কিভাবে পার্কিং হচ্ছে এবং সামনে আরেকটা গাড়ি আসছে। সবকিছু মিলিয়ে কিন্তু সে তার ডেস্টিনেশনে পৌঁছে গেছে। এই এইভাবে কিন্তু সে একটা লেভেল থেকে আরেকটা লেভেলে যাচ্ছে। সেকেন্ড ডেস্টিনেশন সে ফাইন আর্ট প্যালেস যেটা এটা খুব চমৎকার জায়গা। সে ফাইন আর্ট প্যালেসে সে যাচ্ছে। তো এই যে একটা সেলফ ড্রাইভিং কার যে সিদ্ধান্ত নিচ্ছে এবং লেন চেঞ্জ করছে। আপনি দেখেন যে এখানে কিন্তু কিছু কিছু লেন আছে এবং সামনে দেখেন একটা স্ট্রলারে কিন্তু একজন যাচ্ছে। এখানে কিন্তু কোন ধরনের লাইট পোস্ট বা কোন ধরনের রেড সিগন্যাল নেই। কিন্তু সে কিন্তু ওয়েট করেছে এবং সে কিন্তু আস্তে আস্তে ডান দিকে গেল। ডান দিকে যাওয়ার পর একজন মহিলা কিন্তু রাস্তায় নেমে গেছে। সে কিন্তু ওয়েট করলো। তার মানে হচ্ছে কি এই মহিলা উনি কিন্তু ওয়েট মহিলার জন্য কিন্তু সে গাড়িটা ওয়েট করলো। ওয়েট করার পর কিন্তু যাচ্ছে। তার মানে হচ্ছে কি শুধুমাত্র এই দেখেন এপাশে একটা গাড়ি চলে এলো। কিন্তু সে কিন্তু লেন চেঞ্জ করে কিন্তু গাড়িটা পিছনে এলো ইউপিএস এর গাড়িতে। তারপরে আবার ডান দিকে এবং পরে বাঁ দিক দিয়ে হয়ে কিন্তু সে লেন্সকে চেঞ্জ করে কিন্তু গেল। মানে পুরো জিনিসটাই কিন্তু সে খুব সাফল্যের সাথে আমি করলো। আমি বলতে পারছি যে সে কিন্তু এই টার্নেই কিন্তু সে এখানে একটা অ্যাক্সিডেন্ট হতে পারতো। বাট সেটা কিন্তু সে ঠিকমতো সে হ্যান্ডেল করতে পেরেছে। এখন সামনে রেড লাইট সে ডান দিকে যাবে এবং সেইভাবে কিন্তু সে কিন্তু সামনের গাড়িগুলো কিন্তু সে দেখছে। কিন্তু সে কখন সে টার্ন করবে তার বাঁয়ের থেকে কি কি গাড়ি যাবে সেটার সাথেও কিন্তু তার একটা ম্যানেজমেন্টের ব্যাপার আছে যে সে অনেকগুলো গাড়ি যাচ্ছে। এখন সে কখন টার্ন করবে সেটাও কিন্তু এখানে সে দেখছে যে সে ডান দিকে টার্ন করবে। এখন দেখুন যে সে কখন সিদ্ধান্ত নেয় ডান দিকে টার্ন করার জন্য। কারণ এখন কোন গাড়ি নেই। আপনি দেখেন রেড সিগন্যাল কিন্তু এখন কোন গাড়ি নেই। সে কিন্তু ডান দিকে টার্ন নিল এবং এই যে পুরো জিনিসটা এই ফুল জিনিসটাই কিন্তু এফএসডি মোড এবং এখানে কোন জিরো টেকওভার মানে কোন ধরনের টেকওভার নেই এবং দেখেন সে কিন্তু রেডে স্টপ হয়ে গেল এবং রেডে স্টপ হয়ে যাওয়ার পর কিন্তু সে কিন্তু আশেপাশের গাড়িগুলো কিন্তু সে দেখতে পাচ্ছে এবং তার পাশের গাড়িটার কাছে সে খুব কাছাকাছি আছে। সো আমরা এটাই বলছি যে যেকোনো একটা ডেমোনস্ট্রেশন আমরা বলছি এই গাড়িতে অনেকগুলো ডিপ লার্নিং মডেল ব্যবহার করা হচ্ছে। তার মধ্যে ইমেজ প্রসেসিং এর ব্যাপার আছে। তার মানে হচ্ছে কি এখানে কিন্তু একটা বিশাল পার্ট হচ্ছে ইমেজ। এই দেখেন এই মুহূর্তে কিন্তু সে লেন চেঞ্জ করলো। কারণ সামনে একটা গাড়ি ছিল। সে কিন্তু লেন চেঞ্জ করে গেল এবং লেন চেঞ্জ করতে কিন্তু তার বাঁয়ে আরেকটা গাড়ি ছিল। কিন্তু সে কিন্তু ইট ওয়েটেড এন্ড দেন ইট মুভড অন। তার মানে হচ্ছে সে কিন্তু বুঝে লেন চেঞ্জ করতে পারছে এবং তার আশেপাশে গাড়ি দেখে কিন্তু সে লেন চেঞ্জ করছে। আর সবচেয়ে বড় জিনিস হচ্ছে যে সামনে গাড়ি স্টপ হচ্ছে সে পিছনে যে স্টপ হচ্ছে সব ইমেজ প্রসেসিং এর খেলা। মানে আমরা যে ডিপ লার্নিং বা নিউরাল নেটওয়ার্কের যে কথা বলি এখানে কিন্তু সবকিছু সে কিন্তু বুঝতে পারছে এবং তার অন্যান্য জায়গা থেকে কিন্তু সে ফিডব্যাক পাচ্ছে। আর সবচেয়ে বড় যে জিনিসটা হচ্ছে যে সে যখন লেন চেঞ্জ করছে সে কিন্তু আশেপাশে অন্যান্য জায়গাগুলো দেখে কিন্তু সে লেন চেঞ্জ করছে এবং আপনি যদি দেখেন যে এখন সে লেন চেঞ্জ করছে। তার মানে হচ্ছে কি তাকে ডানে যাওয়ার জন্য সে কিন্তু লেন চেঞ্জ করলো। অন্য গাড়িগুলো কিন্তু লেন চেঞ্জ করেনি। বাট ও চেঞ্জ করলো কারণ ও দেখছে যে সামনে এটার এই লেনটাতে কোন গাড়ি নাই। সুতরাং সে কিন্তু আগে থেকে কিন্তু সে বুঝে কিন্তু এই লেনে আসলো যেখানে সামনে কোন গাড়ি নাই। সামনে দেখেন একটা গাড়ি একটা বাস দাঁড়িয়ে আছে। সে কিন্তু দেখেন বাঁয়ের লেনে চলে গেল। সামনে পিছনের গাড়ি ছিল কিন্তু সে ঢুকে গেছিল। তার মানে হচ্ছে কি সে কিন্তু যখন সামনে একটা গাড়ি দেখলো সে কিন্তু লেন চেঞ্জ করে কিন্তু বাঁয়ে গেল যেভাবে হিউম্যান ড্রাইভাররা আসলে চালায়। সে কিন্তু অটোমেটিকলি কিন্তু ফাইন আর্টস প্যালেস অফ ফাইন আর্টসের সামনে চলে এলো। মানে এই জায়গাটাতে আমি প্রচুরবার গিয়েছি। এইজন্য আমি বলছি যে সে কিন্তু তার ডেস্টিনেশনের কাছে পৌঁছে গেছে। বাট আমার কথা হচ্ছে যে এই যে আমরা যেটা শিখছি এই ডিপ লার্নিং বা নিউরাল নেটওয়ার্ক বা ইমেজ প্রসেসিং হচ্ছে কি আমাদের শিখতে হবে এবং সেলফ ড্রাইভিং কার হচ্ছে কি দা ফাইনাল পজিশন যেটা আসলে আমরা দেখতে পারি।

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

গল্পে গল্পে কৃত্রিম বুদ্ধিমত্তা, ৫ - এর শুরু কোথায় Understanding Artificial Intelligence in Bangla.mp3

এটা ঠিক যে কৃত্রিম বুদ্ধিমত্তার ডেফিনেশন নিয়ে অনেক ধরনের তর্ক-বিতর্ক আছে। তবে আমরা এইটুকু বলতে পারি যে কৃত্রিম বুদ্ধিমত্তা আমরা যেটাকে বলছি যে একটা সাইন অফ লাইফ। এটা কি হতে পারে যে একটা জিনিস চলছে বা একটা জিনিস যেটা আসলে আমরা যে কোন প্রাণী থেকে পেতে পারি একটা সাইন অফ লাইফ। সেটা কি আমরা যন্ত্রের মাধ্যমে পেলেই কি হবে? আমার মনে হয় না। মানে এটাই বলছি যে আসলে কৃত্রিম বুদ্ধিমত্তা এটা আমরা বুঝবো কিভাবে বা এটার ডেফিনেশনটা কিভাবে আসবে। তো আমি আসলে আমার এই বইটাতে কৃত্রিম বুদ্ধিমত্তা কিভাবে কাজ করে বা কৃত্রিম বুদ্ধিমত্তার সাইন কিভাবে পাবো সেটা নিয়ে কিছু আলাপ আছে। তবে আমার কাছে মনে হচ্ছে যে কৃত্রিম বুদ্ধিমত্তা আমি যদি বলি যে আমাদের আশেপাশে যে ডেটাগুলো আছে, ধরা যাক আমরা আমাদের ছোটবেলায় আমরা কি করি কি মানে কি করেছি? ছোটবেলায় আমরা দেখেছি যে যখন পিঁপড়ারা একটা সারি বেঁধে যখন এক জায়গা থেকে আরেক জায়গায় যেত বা পিঁপড়া এক জায়গা থেকে আরেক জায়গায় যাচ্ছে তখন যদি তার সামনে আমি একটা অবস্টাকল রাখতাম তখন কিন্তু সেই জীবন্ত প্রাণীটা কি করতো সেই অবস্টাকল অবস্টাকলটাকে এভয়েড করে যেত। মানে সেই পিঁপড়ার সামনে আমরা যদি কিছু রাখতাম সে কিন্তু সেটাকে দেখে সেখান থেকে ইনপুট নিয়ে তারপর সেই অবস্টাকলটাকে এভয়েড করে সে নতুন রাস্তা খুঁজে চলে যেত। তার মানে হচ্ছে গিয়ে এটা একটা কাইন্ড অফ সাইন অফ লাইফ আমি বুঝতে পারছি যে আমরা একটা পিঁপড়ার সামনে একটা অবস্টাকল রাখলাম এবং অবস্টাকলটাকে সে দেখে সে নতুন করে রি-রাউট করে সে আবার নতুন তার ডেস্টিনেশনে গেল। তো এটা কিন্তু আমরা বলছি যে এটা একটা কৃত্রিম বুদ্ধিমত্তার একটা সাইন। তো আমরা যদি এই একই আইডিয়া যদি আমরা একটা যন্ত্রের মধ্যে দিয়ে দেই যে একটা অবস্টাকল এভয়েডেন্স রোবট। মানে আমরা বলছি যে একটা রোবটের সামনে আমি একটা অবস্টাকল রাখলাম এবং সেই অবস্টাকলটা সে দেখে তারপর সে তার রি-রাউট মানে তার রাস্তাটাকে পরিবর্তন করে কিন্তু সে নতুন রাস্তায় আবার সে চলে গেল। এখন এটাকে কি আমরা বুদ্ধিমত্তা বলতে পারি? এটাও একটা প্রশ্ন। তো আমরা বলছি যে আসলে আমরা যদি যে কোন জিনিস, ধরা যাক আমাদের যে বুদ্ধিমত্তা আছে সেটা যদি আমরা যন্ত্রকে দিতে চাই, ধরা যাক আমরা এখন বলছি কি যে যে কোন জিনিস রিপিটেটিভ মানে আমরা অফিসে যে কাজগুলো করছি, যে কোন জিনিস রিপিটেটিভ সেগুলো কিন্তু আমরা অটোমেশনে ফেলতে যাচ্ছি। তার মানে এটাও কিন্তু একটা কৃত্রিম বুদ্ধিমত্তা যে আমি নিজেই আমার অফিসে যেগুলো জিনিস এতদিন ধরে রিপিটেটিভ হিসেবে কাজ করছে বা যেগুলো জিনিস বারবার আমাদের হিউম্যান মানে আমরা মানুষ আমাদেরকে রিপিট করে রিপিটেটিভ কাজ করতে হচ্ছে সেগুলোকে আমরা কিছু লজিক দিয়ে সেটাকে আমরা ছেড়ে দিচ্ছি আমাদের কিছু অটোমেশন সিস্টেমে। এখন এটাকে আমরা বলতে পারি যে কিছুটা এক্সপ্লিসিট প্রোগ্রামিং করে ছেড়ে দেওয়া যে এটা হলে এটা হবে, এটা হলে এটা হবে না বা এটা হলে এটার পরে এটা হবে। মানে ইফ এলস স্টেটমেন্ট বা এলিফ শেষে কি হবে মানে একটা এক্সিট কোড দিলে কি হবে। এটা একটা সাধারণ প্রোগ্রামিং। কিন্তু আমরা যদি কোন ধরনের কোন কিছু এক্সপ্লিসিট প্রোগ্রামিং না করে যদি আমরা একটা যন্ত্রকে বলে দিতে পারি যে তোমার ডেটা হচ্ছে গিয়ে এখানে তুমি ডেটা থেকে নিজেই ফিগার আউট করো যে তোমার পরবর্তী কি সিদ্ধান্ত হবে। এই জায়গাটায় কিন্তু আমাদের যে ব্যাপারটা গ্যাপ যে আমরা যদি অবস্টাকল এভিডেন্স যে রোবটটা আছে সেখানে কিন্তু আমরা বলছি যে ওকে তোমার সামনে এটা পড়লে এটা করবা, এটা পড়লে এটা করবা বা এটার জন্য এটা হবে। মানে আমি কিন্তু এক্সপ্লিসিটলি বলছি। কিন্তু আমি যদি এরকম বলতাম যে না তুমি তোমার সামনে আমি ডাটা দিচ্ছি সেই ডাটা থেকে তুমি নিজে লার্ন করে হয়তোবা প্রথমবার, দ্বিতীয়বার, তৃতীয়বার বা 100 বার ওই একই জিনিস সে ইনপুট নেওয়ার পরে সে যখন নিজের থেকে সিদ্ধান্ত নিয়ে যখন রি-রাউট করবে তখন এটা আরো ভালো হবে। তার মানে হচ্ছে প্রথম দিকে কিন্তু ওই অবস্টাকল এভিডেন্স রোবটটা বাড়ি খাবে, পড়ে যাবে, রি-রাউট ঠিকমতো হবে না। বাট তার যে ডাটাটা আছে সেই ডাটাটা দেখে কিন্তু সে শিখবে। মানে সে যখন নিজের একটা অভিজ্ঞতার ভিতরে যাবে তখন শিখবে। এটা অনেকে আবার বলবেন যে না এটাও তো কৃত্রিম বুদ্ধিমত্তা না। তবে আমরা যেটা বলতে পারি যে এই ধরা ধরা যাক সেলফ ড্রাইভিং কার। মানে সেলফ ড্রাইভিং কারে আমরা কৃত্রিম বুদ্ধিমত্তা কেন বলছি যে সেলফ ড্রাইভিং কারে কিন্তু আমরা এই ব্যাপারটাও বলেছি যে এটা এরকম যে আমরা সেলফ ড্রাইভিং কারে কিন্তু তার ডেটা, তার ডেটা হচ্ছে রাস্তা। তার মানে হচ্ছে গিয়ে রাস্তা থেকে সেই ইনপুট নিয়ে সেই ইনপুটের উপর ভিত্তি করে কিন্তু সে তার রি-রাউটিং এবং অন্যান্য সব কাজ করছে। এটাই হচ্ছে আমাদের একটা ধারণা যে আমরা যখন কৃত্রিম বুদ্ধিমত্তার কথা বলব বা কৃত্রিম বুদ্ধিমত্তার একটা ডেফিনেশন নিতে চাইবো তখন কিন্তু যন্ত্রের উপলব্ধি বের করা বা যন্ত্রকে রাইটলি সিদ্ধান্ত নিতে পারছে কিনা এই সবকিছু কিন্তু চলে আসে। মানে এটা কিন্তু আমাদের হিউম্যান মানে মানুষের সাথেই কিন্তু আমাদের এটাকে মেলাতে হবে। তো সেই জায়গাতে আমরা বলছি যে আমরা যখন একটা যন্ত্রকে তার ডেটা দিয়ে দিচ্ছি, ধরা যাক আমরা সেই যন্ত্রকে বলছি যে না তোমার সামনে হচ্ছে গিয়ে রেড লাইটে স্টপ। তোমার সামনে যদি গাড়ি পড়ে, সামনে যদি তোমার ঠিক দুই মিনিটের মধ্যে কোন গাড়ি পড়ে তাহলে তুমি স্টপ বা তোমার যদি ডানে একটা গাড়ি পড়ে বা গা বামে একটা গাড়ি পড়ে বা পিছনে যদি একটা গাড়ি যদি তার তোমার কাছে যদি আরো এগিয়ে আসে তাহলে তুমি আরেকটু সামনে এগোতে পারো। তার মানে হচ্ছে গিয়ে আমরা এই যে ডেটাটা মানে রাস্তা থেকে যে ডেটাটা পাচ্ছি সেই ডেটাটা দিয়ে আমরা কি হতে পারে আউটকাম? মানে তোমার সামনে গাড়ি পড়লে কি হতে পারে সেই আউটকামটা কিন্তু আমি তাকে শিখিয়ে দিব। মানে বাচ্চাদেরকে আমি যেভাবে শিখাই। বাচ্চারা কিন্তু কিভাবে শেখে? যে প্রথমে একটা আগুন সে খুব চমৎকার লাগলো। আগুন ধরতে চাইবে। তো আগুন না ধরেও কিন্তু কাছাকাছি গেলে যে গরম লাগছে সেটা ফিল করে কিন্তু সে আর আগুনে হাত দিচ্ছে না। তো এটাই বলছি যে তার মানে সে একটা লার্নিং কার্ভের মধ্যে যাচ্ছে। যন্ত্রের কিন্তু একই জিনিস। এইজন্যই আমরা বলছি যে আমরা যখন কৃত্রিম বুদ্ধিমত্তার ডেফিনেশন নিয়ে আলাপ করব, ডেফিনেশনের মধ্যে কিন্তু আমাদের মানুষ যেভাবে শিখে সেই লার্নিং মেকানিজম কিন্তু আমরা যন্ত্রের মধ্যে চালাবো যে যন্ত্রকে আমরা দেখাবো যে দিস ইজ হোয়াট ইউ নিড টু ডু এন্ড দিস ইজ দা আউটকাম। মানে আমরা কি কাজ করব এবং সেটার ফাইনাল আউটকামটা কি হবে এই দুইটাই যখন আমি তাকে দিব তখন কিন্তু ফাইনালি সে এটার একটা রুল সেট বের করবে। মানে আমরা যেমন মানুষ রুল সেট বের করি কিভাবে যে রাস্তা দিয়ে যখন আমি রাস্তায় নামি তখন কিন্তু রাস্তায় নেমে কিন্তু আমি প্রথমে ডানে বামে তাকাই। কারণ কি? কারণ আমি দেখেছি যে আমি যখন ছোটবেলায় ছিলাম তখন কিন্তু আমার বাবা-মা আমাকে বলেছে যে এটা করতে অথবা আমি দেখেছি আমার ফ্রেন্ডরা বা বড় যারা আছে তারা কিন্তু দেখছে যে রাস্তায় নামলে ডানে বামে তাকাতে হয় অথবা আমাকে কেউ বলেছে বা অথবা তার মানে হচ্ছে কি আমি একটা লার্নিং মেকানিজমে গিয়েছি। তো আমি যদি সেই একই ধরনের ডেটা যদি আমি গাড়িকে বলি যে তুমি একটা সেলফ ড্রাইভিং কার, তুমি যখন রাস্তায় নামছো তখন কিন্তু দুই পাশ থেকে কিন্তু তোমার ডেটাটা নিতে হবে। ডেটা নেওয়ার পরে তোমার যে ডেস্টিনেশন সেই ডেস্টিনেশনের জন্য তুমি সেইভাবে এপ্রোচ করবা। তো এইজন্য বলছি যে আমরা যেভাবে শিখি মেশিনের শেখার মধ্যে কোন পার্থক্য নাই। এখন ব্যাপারটা হচ্ছে যে কৃত্রিম বুদ্ধিমত্তার আসল ডেফিনেশন কি? সেটা নিয়ে অবশ্যই আমরা আসছি সামনে। থাকছেন তো সামনে?

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা মোনালিসা মাথা নাড়িয়ে কথা বলছে কবে.mp3

বাচ্চাদের জুরাজুরিতে সাথী আমাদেরকে নিয়ে গেছিল স্পাইডারম্যান ফার ফ্রম হোম দেখানোর জন্য। দেখা গেল যে পুরো মুভি জুড়েই কিন্তু ভিএফএক্স প্রোডাকশন। বাচ্চারা পছন্দ করেছে কারণ অর্ধেক মুভি হচ্ছে কম্পিউটার গ্রাফিক্স সিজিআই। ভালো কথা এখন যদি মোনালিসা বা অন্যান্য যেকোনো একটা পেইন্টিং ক্যারেক্টার তারা যদি মুভিতে আসে তাহলে কেমন হয়? মুভিতে মানে আমি বলতে চাচ্ছি তারা মাথা নাড়িয়ে চোখ পাকিয়ে নায়কের সাথে ঝগড়া করছে অথবা বৈজ্ঞানিক আইনস্টাইন উনি উনার ট্রেনিং ভিডিওতে আমাকে বকাবকি করছেন কেন আমি থিওরি অফ রিলেটিভিটি ঠিকমতো বুঝতে পারছি না। এরকম হতে পারে যে মেরিলিন মনরো উনি 2020র একটা মুভিতে মানে একটা ফুল ফিচারড মুভিতে চলে এসেছেন। নাথিং আনলাইকলি হতেই পারে। আগে এই ব্যাপারগুলো করা যেত ডিপ ফেক বলে একটা প্রযুক্তির মাধ্যমে যার পেছনে ছিল মেশিন লার্নিং আর ডিপ লার্নিং। তবে সেটার জন্য হাজারখানি ছবি লাগতো একটা ক্যারেক্টারের সিকুয়েন্সিয়ালি বিল্ড আপ করার জন্য। এটার একটা মজার আউটকাম আছে যেমন আমরা যদি চিন্তা করতাম যে আপনাকে অপ্রা উইনফ্রেশ হতে পাঠাবো তাহলে দেখা যেত যে আপনি অপ্রা উইনফ্রেশ হতে অপ্রার সাথে আলাপ করছেন সেই ডিপ ফেকের মাধ্যমে। গত কয়েক বছর ধরে দেখছিলাম যে কয়েকটা মুভিতে যেখানে নায়ক বা নায়িকা মারা গেছেন বা উনারা নেই আর সেই মুভিটা ক্লোজ করার জন্য এই এ ধরনের ডিপ লার্নিং বা মেশিন লার্নিং মডেল ব্যবহার করেছে তাকে নতুনভাবে দেখানোর জন্য। যেকোনো প্রযুক্তির ভালো বা খারাপ দিক আছে তাই বলে সেই প্রযুক্তিটা আমরা ধারণা করছি বন্ধ হয়ে যাবে সেরকম কিন্তু না। একটা আগুনকে ঠিকমতো ব্যবহার না করা হলে সেটার জন্য যে ডেস্ট্রাকশন হয় তাহলে তো আর আমরা কখনোই আগুন ব্যবহার করতাম না। আমি যেহেতু পাশাপাশি রিসার্চ করছি মানে পিএইচডি করছি আর সেই কারণে কিন্তু আমাকে অন্যান্য একই ফিল্ডের রিসার্চ লিটারেচার পড়তে হয়। এতে আমার আগের রিসার্চের বেইস থেকে আমার সামনে এগোনোর একটা সুযোগ থাকে। ইদানিং আমি একটা রিসার্চ পেপার পড়লাম যেটা বের করেছে Samsung ইঞ্জিনিয়াররা তাদের মস্কো ল্যাবে। তারা যেটা বলছেন যে তারা একটা ছবি থেকে টকিং হেড মানে একটা ছবি সেটা রিয়ালিস্টিকলি ভাবে কথা বলবে সেরকম একটা প্রোডাক্ট ডেভেলপ করছেন ওখানে। কেমন হয় যখন Samsung তাদের নতুন ফোন মানে একটা নতুন অ্যাপ নিয়ে আসলেন যার কাজ হচ্ছে একটা সিঙ্গেল ফটোগ্রাফ থেকে একটা ছোটখাটো ক্লিপ বানানো যাবে যে মাথা নাড়িয়ে চোখ পাকিয়ে কথা বলছে। আগের একটা ডিপ ফেক মডেল তৈরি করতে প্রায় হাজার হাজার ছবি লাগতো সেখানে একটা স্মল ফুটপ্রিন্টে ছোট একটা কম্পিউটার জেনারেটেড ভিডিও তৈরি করার কোন সমস্যাই দেখছি না। রিসার্চ পেপারে উনারা যেটা বলছেন যে এটার প্র্যাক্টিক্যাল অ্যাপ্লিকেশন টেলিপ্রেজেন্সে হতে পারে বা ভিডিও কনফারেন্সিং বা মাল্টিপ্লেয়ার গেমিং যেটা আসলে স্পেশাল ইফেক্ট ইন্ডাস্ট্রি যেভাবে কাজ করছে সেটার কিছু একটা আউটকাম এখানে দেখানো হচ্ছে। এখানে একটা জিনিস দেখলাম পাবলিকলি এভেলেবেল যে ডেটাবেসটা আছে যেটাকে আমরা বলছি ভক্সসেলে প্রায় 7000 ইমেজ আছে ওই ডেটাবেজে যা ট্রেনিং এর জন্য ব্যবহার করা হয়েছে এখানে। আমরা যারা ডিপ লার্নিং বা মেশিন লার্নিং নিয়ে কাজ করছি তারা তো বুঝতে পারছি যে এটার পেছনে একটা নিউরাল নেটওয়ার্ক কাজ করছে যাকে আমরা ট্রেন করছি বিভিন্ন ডেটা সেট থেকে। এর ফলে এর পেছনে যে কনভলিউশনাল নিউরাল নেটওয়ার্ক আছে সেটা কিন্তু শিখছে ওই অন্যান্য ডেটাবেস থেকে যেটা আসলে ধার করছে অন্যান্য ইমেজ প্রসেসিং যে অ্যাট্রিবিউটগুলো আছে সেগুলো থেকে। আমি আপনাকে অনুরোধ করব এই রিসার্চ পেপারটিকে পুরোটাই পড়ার জন্য। এটাই কিন্তু খুলে দিবে আমাদের ডিপ লার্নিং বা মেশিন লার্নিং বোঝার একটা ভালো ধারণা। থাকছেন তো সামনে?

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

শেখার সাথে জীবনের প্রেডিকশন এভাবে শিখবো যাতে ভবিষ্যৎ দেখা যায় How to learn predicting the Future.mp3

কৃত্রিম বুদ্ধিমত্তা নিয়ে কাজ করতে গিয়ে একটা জিনিস বুঝলাম যে কৃত্রিম বুদ্ধিমত্তার সাথে আমাদের শিক্ষা বা আমাদের এডুকেশন সিস্টেমের একটা ভালো সম্পর্ক আছে আর সে কারণেই কৃত্রিম বুদ্ধিমত্তা নিয়ে কাজ করতে গিয়ে একটা পর্যায়ে আমি বুঝলাম যে কৃত্রিম বুদ্ধিমত্তা বা আমাদের মেশিন লার্নিং বা আমরা মেশিনকে যেই আমাদের প্রজ্ঞা বা আমাদের জ্ঞানকে আমি যদি মেশিনকে শেখাতে যাই আমরা হিউম্যান মানে আমরা মানুষ যেভাবে শিখি সেটাকে যদি আমরা ঠিকমত কমপ্রিহেন্ড করতে পারি যে মানুষ কিভাবে শেখে সেটাকে আমরা যদি যন্ত্রকে ট্রান্সফার করতে পারি অনলি দেন উইল বি এবল টু মেক এ গুড প্রেডিকশন এন্ড অলসো গুড মডেল সো এখানে একটা জিনিস আমরা প্রায় শুনি যে ইটস নট এবাউট কৃত্রিম বুদ্ধিমত্তা কৃত্রিম বুদ্ধিমত্তা বাট হিউম্যান এজ এ হিউম্যান আমাদেরকে যে জিনিসটা প্রায় বলা হয় যে ট্রাই টু লার্ন এজ মাচ এজ এজ পসিবল মানে আমরা যেটা আবার বলি যে ট্রাই টু লার্ন এজ মাচ এজ পসিবল দ্যাট এলাউস আস টু প্রেডিক্ট দা ফিউচার অর মেক দা ফিউচার অনেকে যেটা বলেন যে ইট ইজ রাদার বেটার টু মেক দা ফিউচার দেন দ্যাট অফ প্রেডিক্ট দা ফিউচার হুইচ ইজ ট্রু হুইচ ইজ ট্রু দ্যাট আমরা আসলে প্রেডিক্ট দা ফিউচার ইজ কাইন্ড অফ লাইক মেকিং দা ফিউচার বিকজ আই নো এন্ড এভরিবডি নোজ যে আসলে আমরা ফিউচারে কি পেতে চাচ্ছি বা আমরা ফিউচারে কি কাজটা করতে চাচ্ছি সেটা যদি আমরা প্রপারলি আগে থেকে আমরা জানি যে আমাদের প্রেডিকশনটা ঠিকমত যাবে কিনা দেন উইল টেক দা নেসেসারি স্টেপ সো দ্যাট আমরা এটাকে কিভাবে আমাদের যেটা আমরা চাচ্ছি সেটাতে আমি পৌঁছাতে পারছি কিনা আর সেজন্যই আমরা যেটাকে বলি যে আমরা মেকিং দা ফিউচার ইজ কাইন্ড অফ লাইক প্রেডিক্টিং দা ফিউচার উইথ লেস এরর মানে আমরা আসলে উই শুড লার্ন উই শুড লার্ন হাউ টু মেক দা ফিউচার মেক দা প্রেডিকশন বেটার বিকজ আমরা যত বেশি ডেটা নিয়ে কাজ করব তত বেশি কিন্তু আমরা দেখছি যে আমাদের এলএলএম আজকে লার্জ ল্যাঙ্গুয়েজ মডেল বলি বা আমরা যদি আজকে চ্যাট জিপিটি বা বার্ডের কথা বলি যে দা মোর ডেটা ইউ গিভ অফকোর্স দা বেটার দা আউটকাম বিকামস বিকজ এন্ড অফ দা ডে আমাদের কিন্তু প্রেডিকশন যত বেশি ট্রেনিং ডেটা দিচ্ছি তত বেশি কিন্তু আমাদের প্রেডিকশন রেটটা ভালো আসছে আমাদের লস কম হচ্ছে আমাদের এরর কম হচ্ছে তো সেইম থিং ইজ উইথ দা হিউম্যান লার্নিং দা মোর ইউ লার্ন দা মোর ইউ গেট টু দা আন্ডারস্ট্যান্ডিং যে আসলে আমি কি চাই দেন আওয়ার প্রেডিকশন উড বি ইভেন ফেয়ার ইভেন বেটার সো দ্যাট আমাদের যে প্রেডিকশন বা আমরা যে জিনিসটা চাচ্ছি যে আমাদের এডুকেশন সিস্টেম হোক আর আমাদের হিউম্যান লার্নিং এ আমরা যে প্রেডিকশনটা চাচ্ছি যে এটা আমরা আরো একিউরেট হতে বা আরো একিউরেসি মডেলটা আরো ভালো হতে সেখানে কিন্তু আমরা একটা জিনিস বুঝতে পারছি যে যখনই আমরা বেশি শিখবো যখনই আমরা বেশি জানবো যখনই আমরা এটা নিয়ে বেশি ওয়ার্ক আউট করব তখন কিন্তু আমার এরর কম হবে আমার এরর কম হওয়ার পেছনে হচ্ছে গিয়ে ডেটা বেশি এজন্য এরর কম হওয়ার চান্স বেশি আমার রিলেভেন্সি থাকার একটা সম্পর্ক আছে বিকজ দা মোর আই উইল লার্ন দা মোর ইউ লার্ন দা মোর এভরিবডি লার্নস এটার মধ্যে কিন্তু আমাদের নয়েজটা কমে আসবে আমাদের এরর কমে আসবে আমাদের প্রবলেম কমে আসবে আমাদের লস কমে আসবে সো এই জিনিসটা আমরা যেটা বলছি যে অফকোর্স বিং ক্রিয়েটিভ একটা আন্ডারস্ট্যান্ডিং আছে যে হাউ ডু ইউ হাউ ডু ইউ ক্রিয়েট ইউর ফিউচার বিকজ এন্ড অফ দা ডে আমরা কিন্তু আমাদের লুপ আমাদের যে লার্নিং লুপটা আছে সেই লার্নিং লুপটার মধ্যে যদি আমাদের জানা আমাদের রাইট জানাটা যদি ঠিকমত থাকে অনলি দেন আমাদের যে ফিডব্যাক লুপটা আছে সেই ফিডব্যাক লুপে লুপের মধ্যে কিন্তু কম এরর থাকবে আর সেজন্য বলছি যে এডুকেশনের একটাই ব্যাপার আমরা দেখছি যে বর্তমান এডুকেশনের মধ্যে যেটা আমরা দেখছি যে আসলে এখানে অনেক ধরনের প্রবলেম আছে এইভাবে বলব যে আমরা কি চাইছি মানে আমাদের ফাইনালি আমাদের আউটকামটা কি সেটা আমরা অনেক সময় বুঝতে পারছি না আর সে কারণে কিন্তু আমরা দেখছি যে আজকে চ্যাট জিপিটি বা বার্ডের মত অনেক মেশিন লার্নিং মডেল হিউম্যান যেসব পরীক্ষা হিউম্যান সবসময় পরীক্ষা দিত মেডিকেল এক্সাম বা অন্যান্য সব এক্সাম যেই হিউম্যান দিত সেটা কিন্তু এই বার্ড বা চ্যাট জিপিটি কিন্তু সহজেই পাশ করে যাচ্ছে বা এবং ডিস্টিংশন নিয়ে মার্ক নিয়ে পাশ করছে তার মানে হচ্ছে গিয়ে আমাদের যেই নলেজ সেই নলেজটা কিছুটা কাইন্ড অফ লাইক স্ট্যাটিক নলেজ সো আসলে যদি আজকে চ্যাট জিপিটি বা বার্ড তাদের স্ট্যাটিক নলেজ বিকজ এলএলএম এ কিছু স্ট্যাটিক স্ট্যাটিক লার্নিং সো এই স্ট্যাটিক লার্নিং নিয়ে যদি সে পাশ করতে পারে অনলি দেন আমাদের ফিউচার লার্নিংও কিন্তু স্ট্যাটিকের মধ্যে থাকতে চাইবে না বিকজ দিনশেষে স্ট্যাটিক লার্নিং ইজ নট গুড উই ওয়ান্ট টু হ্যাভ ডাইনামিক লার্নিং সো দ্যাট যেভাবে মেশিন লার্নিং আননোন ডেটার উপর কাজ করে এবং দে ক্যান ডু বেটার আমরাও হিউম্যান উইল বি এবল টু ডিল বেটার উইথ দা আননোন সিচুয়েশন অর সিচুয়েশন হুইচ উই হ্যাভ নট প্রেডিক্টেড সিচুয়েশন হুইচ উই হ্যাভ নট ইভেন সিন সো সেইজন্য বলছি যে উই হ্যাভ টু লার্ন উই হ্যাভ টু লার্ন এজ মাচ এজ বিকজ এটাই আমরা বলছি যে ট্রাই টু লার্ন এজ মাচ এজ পসিবল দ্যাট এলাউস আস টু প্রেডিক্ট দ্যাট এলাউস আস টু প্রেডিক্ট দা ফিউচার অর মেক অর মেক দা ফিউচার এন্ড আরেকটা জিনিসটা হচ্ছে গিয়ে দা বেস্ট ওয়ে টু প্রেডিক্ট দা ফিউচার ইজ টু মেক ইট এন্ড হাউ ডু ইউ মেক ইট ইফ উই লার্ন বেটার ইফ উই লার্ন ইভেন ফাস্টার ইফ উই লার্ন হোয়াট টু লার্ন এই জায়গাটা যদি আমরা ঠিকমত কানেক্ট করতে পারি অনলি দেন উইল বি এবল টু ইভেন গেট টু দা বেটার পার্ট অফ দা এডুকেশন বিকজ দিনশেষে এডুকেশন কিন্তু হচ্ছে গিয়ে আমাদের সবকিছু পেছনে আছে আজকে আমাদের ইনোভেশন হোক আর সবকিছুর মধ্যে কিন্তু এডুকেশন ইজ দা ইজ দা কি সো আমরা যদি আজকে এডুকেশন নিয়ে যদি কথা বলতে চাই এখানে উই হ্যাভ টু লার্ন কাইন্ড অফ লাইক আমি বলব যে যত বেশি আমি শিখতে চাইবো তত বেশি কিন্তু আমার এডুকেশন হবে এবং যত বেশি আমি দেখব যত বেশি আমার লার্নিং আসবে তত বেশি কিন্তু আমার আমার কাজটা ভালো হবে তো সেজন্য বলছি যে আমাদের এডুকেশনটাও কিন্তু আমাদেরকে দেখতে হবে যে কিভাবে আমাদের বর্তমান এডুকেশনকে আমরা সামনে আমরা আরো ভালোভাবে প্রেডিক্ট করাতে পারি আজকে এই পর্যন্তই থাকছেন তো সামনে

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

Chat-GPT এবং স্কিল আপগ্রেড, আমাদেরকে শিখতে হবে অনেক বেশি Basic learning will not get us jobs GPT.mp3

চ্যাট জিপিটি নিয়ে যে আলাপগুলো হচ্ছে তো আমরা আসলে চ্যাট জিপিটি আজকে না হয় পৃথিবীকে অনেক অনেক একটা অন্য লেভেলে নিয়ে যাচ্ছে কিন্তু আমরা আসলে কি কখনো বুঝতে পেরেছি যে এই চ্যাট জিপিটি আসলে শুরু হলো কিভাবে বা তাদের ধ্যান ধারণাটা আসলো কিভাবে এবং সবচেয়ে বড় জিনিসটা হচ্ছে যে আজকে আমরা এই জিপিটি থ্রি এটা নিয়ে আলাপ করছি বাট এটার শুরুটা কোথায় হলো আপনার মনে আছে যে আমি আসলে একটা বই লিখেছিলাম হাতে কলমে ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং এ বাংলা ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং এই হাতে কলমে বাংলা ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিংটা আমি লিখেছিলাম কিন্তু অনেক আগে তো তখন আমি মনে করি যে প্রায় 2017 সালের কথা 2017 সালে জেনারেটিভ কিছু মডেল এসছিল যেটাকে আমরা বলছি যে প্রিট্রেইন জেনারেটিভ মডেল যেটাকে অনেকে বলতো যে ট্রান্সফর্মার এবং আসলে এখানেও কিন্তু এই বইটাতে আমি কিন্তু একটা বড় পার্ট লিখেছি যে রিকারেন্ট নিউরাল নেটওয়ার্ক থেকে ট্রান্সফর্মার সো এখন ট্রান্সফর্মার কিভাবে কাজ করে ট্রান্সফর্মার কি সেটা নিয়ে কিন্তু আমরা একটা বড় অংশ এখানে লিখেছি সবচেয়ে বড় ব্যাপার হচ্ছে যে আজকে চ্যাট জিপিটি নিয়ে আলাপ হচ্ছে আজকে জিপিটি থ্রি নিয়ে আলাপ হচ্ছে সামনে জিপিটি ফোর আসছে তার মানে হচ্ছে গিয়ে এই যে মেশিনের যে দক্ষতাটা সেই মেশিনের দক্ষতাটা আমরা কিন্তু এখন দেখতে পাচ্ছি তো মেশিনের দক্ষতা তো আর হঠাৎ করে আসেনি তো তার মানে হচ্ছে গিয়ে 2017 সালের দিকে যখন আমরা দেখতাম যে ট্রান্সফর্ম মডেল গুলো সেই ট্রান্সফর্ম মডেলগুলো কিন্তু আস্তে আস্তে 2017 সাল তারপর হচ্ছে 18 সাল তখন মাইক্রোসফটের একটা প্রোডাক্ট বের হলো যেটাকে আমরা বলছিলাম যে টুরিং ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং এর একটা যেখানে প্রায় 17 বিলিয়ন প্যারামিটারের একটা ডেটা সেট এবং ইট ওয়াজ ইট ওয়াজ রিয়েলি এ দ্যাট কাইন্ড অফ ম্যাসিভ ডেটা সেট মানে মাইক্রোসফটের পক্ষেই আসলে এটা সম্ভব তো আমরা আসলে তখন দেখছিলাম যে কিভাবে এই জিপিটি আসলে একটা লেভেলে পৌঁছে যাচ্ছে এবং জিপিটি কিভাবে আমাদের দেশ আমাদের কাইন্ড অফ গ্লোবাল পারসপেক্টিভ পাল্টাচ্ছে সেখানে চ্যাট জিপিটি যেভাবে কাজ করছে সেখানে আপনারা বুঝতে পারছেন যে ভবিষ্যতে আসলে আমাদের কোন দিকে যেতে হবে তো দিনশেষে জিপিটি থ্রি বা যেই বিলিয়ন বিলিয়ন প্যারামিটার নিয়ে কাজ করছে সেখানে আমরা বুঝতে পারছি যে সামনে আমাদের অনেকে কথা বলছে যে তাহলে তো প্রোগ্রামিংটা সবকিছুই তারা নিয়ে নেবে বা সবকিছুই তারা করে ফেলবে চ্যাট জিপিটি যে ধরনের পারফরমেন্স দেখাচ্ছে সেই পারফরমেন্সের জায়গায় কিন্তু অন্যান্য অনেক কিছুই আসলে চলে আসবে তো মোদ্দা কথা হচ্ছে যে আমাদের আর বেসিক জায়গায় ফেরত যাওয়া যাবে না এটা হচ্ছে প্রথম কথা মানে চ্যাট জিপিটি আসছে সবকিছুই আসছে এটা আমাদের বেসিক জিনিসপত্র কাজগুলো সে সমাধান করে দেবে তার মানে হচ্ছে গিয়ে আমাদের শুধুমাত্র বেসিক প্রোগ্রামিং জানলে হবে না আমাদেরকে একটা মিড লেভেল বা এডভান্স লেভেলের জায়গায় যেতে হবে মানে দিনশেষে আমরা যেভাবে চিন্তা করি যে আমরা একটা মিডিওক্রেসি মিডিওক্রিটি আমি বলছি মিডিওক্রিটি আমরা আসলে মিডিওক্রিটি মানে কিভাবে আমরা যে আমরা যেভাবে যেভাবে কাজ করছি বা আমরা এখন বর্তমানে যেভাবে আমাদের এফিশিয়েন্সি লেভেল বা দক্ষতা লেভেল নিয়ে আমরা কাজ করছি ইভেন বিভিন্ন কোম্পানিতে বা ইভেন বিভিন্ন জায়গায় আমাদের যে লেভেলে কাজ করছি সেই লেভেলে আর কাজ করা যাবে না মানে তার মানে হচ্ছে গিয়ে চ্যাট জিপিটি নামে ইভেন অন্যান্য এনিথিং আমি যে জিনিসটা বারবার বলি যে এনিথিং রিপিটেটিভ হ্যাজ টু গো টু অটোমেশন এনিথিং রিপিটেটিভ হ্যাজ টু গো টু অটোমেশন তার মানে হচ্ছে গিয়ে প্রচুর জিনিস অটোমেশনে চলে যাচ্ছে প্রচুর জিনিস আমরা অটোমেশন করতে না চাইলেও এমন টুল আসছে যেটা দেশের বাইরে থেকে সেই টুলগুলো আমাদের অটোমেশন করে দিবে তো আমার কথা হচ্ছে যে হোয়াই ডোন্ট উই ডু আওয়ার পার্ট অফ দা অটোমেশন সেইজন্য বলছি যে আমাদের বেসিক লেভেলে থাকা যাবে না মিডিওক্রিটিতে থাকা যাবে না আমরা মনে করছি যে আমরা ছোট আর একটা বেসিক একটা কাজ করলে হয়ে যাবে বা আমাদের ইউনিভার্সিটি লেভেলের প্রোগ্রামিং জানলেই হয়ে যাবে দ্যাটস নট ট্রু উই হ্যাভ টু বি স্মার্টার সো সেইজন্য বলছি যে জিপিটি থ্রি বা চ্যাট জিপিটির মত জিনিস কিন্তু অনেক কিছুই বেসিক লেভেলের প্রোগ্রামিং কিন্তু ও করে ফেলবে তার মানে উই হ্যাভ টু লার্ন ইভেন বেটার প্রোগ্রামিং এডভান্স প্রোগ্রামিং বিকজ উই উইল বি ওয়ান অফ দা কি এলিমেন্ট ফর সলভিং দা প্রবলেম সো আমাদের আসলে প্রোগ্রামিং এর একটা বড় পার্ট হচ্ছে হাউ টু হাউ ডু উই সলভ প্রবলেম উই হ্যাভ টু লার্ন উই হ্যাভ টু লার্ন বেটার হাউ টু সলভ প্রবলেম নট অনলি দা কোডিং জাস্ট বেসিক কোডিং কিন্তু দিয়ে হবে না বিকজ আমরা বেসিক কোডিং নিয়ে অনেক কাজ করেছি আমাদের বেসিক কোডিং নিয়ে আসলে কোথাও যাওয়া যায় না সো আমাদের যেটা করতে হবে সেটা হচ্ছে যে আমাদের বেসিক থেকে আরও একটু উপরে উঠতে হবে যেখানে আমাদেরকে প্রবলেম সলভিং নিয়ে কাজ করতে হবে যেখানে উই হ্যাভ টু আন্ডারস্ট্যান্ড হোয়াট ইজ ক্রিটিক্যাল থিংকিং হোয়াট হাউ ডু উই থিংক অর টেক থিংস ক্রিটিক্যালি তো সেইজন্য বলছি যে আমাদের চ্যাট জিপিটি হয়তোবা আমাদের অনেকের কাজ নিয়ে নেবে বাট উই হ্যাভ টু ইভেন গো বিয়ন্ড হোয়াট উই আর ডুইং রাইট নাউ সো উই হ্যাভ টু গো বিয়ন্ড হোয়াট উই আর ট্রাইং টু সলভ রাইট নাউ সো উই হ্যাভ টু বি এ প্রবলেম সলভার ইটস নট লাইক আমাদেরকে কোডিং এর সব সিনট্যাক্স জানতে হবে বাট অলসো উই নিড টু আন্ডারস্ট্যান্ড এই যে বেসিক জিনিসের উপরে যেতে হবে বেসিক জিনিসের থেকে আসলে আমাদের উই ক্যান সলভ এনিথিং বিকজ বেসিক জিনিসগুলো কিন্তু অলরেডি সলভ করে দিচ্ছে আমাদের বেসিক কাজগুলো কিন্তু চ্যাট জিপিটির মত অনেক প্রোডাক্ট আসবে যেগুলো আমাদেরকে সলভ করে দিবে সো উই হ্যাভ টু ইভেন গো বিয়ন্ড দ্যাট মিডিওক্রিটিতে আর হবে না উই হ্যাভ টু গো ইভেন টু দ্যাট লেভেল যেখানে হিউম্যান যেখানে এক্সপার্ট হিউম্যান এক্সপার্ট ইন প্রবলেম সলভিং হিউম্যান এক্সপার্ট ইন ক্রিটিক্যাল থিংকিং সো ওই জায়গাটাতে আমাদের কাজ করতে হবে তো সেইজন্য বলছি যে চ্যাট জিপিটি ইজ অলসো পুটিং আস আন্ডার প্রেসার যে আমাদের বেসিক মিডিয়াম ক্যাটাগরি একদম শুরুর বেসিক জিনিসপত্র জানলে হবে না আমাদেরকে আরো উপরে জানতে হবে সো সেটাই বলছি যে আমরা এই যে ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং এ যেখানে আসলে ট্রান্সফর্মার নিয়ে আমি কাজ করেছি ট্রান্সফর্মার নিয়ে কথা বলেছি ট্রান্সফর্মার কিভাবে আমাদের লাইফ পাল্টে দিবে সেটা সেটা নিয়ে আমরা কথা বলেছি পয়েন্ট বিং আমাদের এখন আর বেসিক লেভেলে থাকা যাবে না তো সেইজন্য বলছি যে আমরা আসলে জানতে চাইবো যে কিভাবে আমরা আসলে এগুলো নিয়ে কাজ করি সো এখানে একটা জিনিস আমরা দেখি যে বিশেষ করে এনএলপি প্লাটফর্মে কি কি কাজ হয় সেখানে যন্ত্রের চিন্তাভাবনা যন্ত্র কিভাবে চিন্তাভাবনা করে সেটা আমাদেরকে দেখতে হবে যে যন্ত্র আসলে কিভাবে চিন্তাভাবনা করে সেটা আমরা আসলে কিভাবে ওদেরকে বলতে বলবো বা এখানে উইনোগ্র্যাড উইনোগ্র্যাড কমনসেন্স স্কিমা চ্যালেঞ্জটা কি এবং সেখানে মানুষ এবং ভাষাগত সিকুয়েন্সে বেশ কিছু ধারণা বা এ ধরনের দেয়ার আর মেনি মেনি থিংস দ্যাট আই হ্যাভ ডিসকাস এই বইটা কিনতে হবে না দিস বুক ইজ টোটালি এভেলেবল অনলাইন সো ব্যাপারটা হচ্ছে যে উই হ্যাভ টু গো বিয়ন্ড হোয়াট উই আর থিংকিং রাইট নাউ আমাদের ওই বেসিক জিনিস থেকে বের হয়ে আসতে হবে আমি বারবার বলছি এবং আমাদেরকে আরো এডভান্স লেভেলে চিন্তাভাবনা করতে হবে আমাদেরকে ক্রিটিক্যাল থিংকিং ক্রিটিক্যাল রিজনিং নিয়ে কথা বলতে হবে আমাদের যেই প্রবলেম সলভিং এর যে ধরনের লেভেলগুলো আছে সেই লেভেলগুলো নিয়ে আমাদের কাজ করতে হবে আজকে এ পর্যন্তই থাকছি কিন্তু সামনে

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

লো-কোডনো-কোড ধারনায় কোডিং আলাপ বিজনেস ঘরানার মানুষের অ্যাপ্লিকেশন তৈরি - সিটিজেন ডেভেলপার.mp3

যেকোনো বিজনেসের এনহান্সমেন্ট অথবা আমরা স্কেল আপের কথা যদি বলি তাহলে একটা পর্যায়ে আমরা যেভাবে সনাতন পদ্ধতিতে একটা বিজনেস চালাই তার একটা প্রসেসে আমরা অটোমেশন আনতে চাই বা আমরা বলি যে সফটওয়্যার অটোমেশন অথবা এমআইএস অথবা আমরা মনে করি যে কিছু সলিউশন যেটার ব্যাপারে আসলে মানুষ কিছুটা নিউট্রাল থাকে কারণ আমরা হয়তোবা একজন আরেকজনকে যতটুকু ট্রাস্ট করি বা একজন আরেকজনকে যতটুকু শুনি একটা কাজে বা তার থেকে আমরা সিস্টেমের কথা শুনতে পছন্দ করি কারণ সিস্টেম ইজ নন বায়াসড এবং সিস্টেম আসলে একচুয়াল প্রসেসটা বলে। এজন্য আমরা দেখছি যে যেকোনো জায়গায় আমাদের বিজনেসে সলিউশন দরকার এবং সলিউশনের জন্যই কিন্তু আসলে আজকে আমরা যেকোনো সলিউশনে আমরা এমআইএস ব্যবহার করছি আর এ কারণে দেখবেন যে সার্ভিস ইন্ডাস্ট্রি বিশেষ করে আজকে যদি বলি পাঠাও বা বিকাশের কথা বলি বা আমরা দারাজের কথা বলি বা ফুড পান্ডার কথা বলি মানে দিস আর সফটওয়্যার কোম্পানি। মানে ইন এ ওয়ে দে আর সফটওয়্যার কোম্পানি। আজকে উবারের কথা বলেন দে আর সফটওয়্যার কোম্পানি। আজকে যদি আমরা এয়ারবিএনবির কথা বলি দে আর সফটওয়্যার কোম্পানি বিকজ এন্ড অফ দা ডে দা প্রসেস হ্যাজ টু বি কোডিফাইড দা প্রসেস হ্যাজ টু বি কোডিফাইড ইন এ সিস্টেম সো দ্যাট উই হিউম্যান ক্যান একচুয়ালি লিসেন টু ইট বিকজ আমরা যদি চিন্তা করি যে না দারাজ সারাদিন বসে আমাদের কাস্টমারের অর্ডার নিবে দ্যাট দ্যাট ক্যান নট বি। ইট হ্যাজ টু বি এ সিস্টেম যাতে যেকোনো সাবস্ক্রাইবার যেকোনো সময় যাতে ইন্টারেক্ট করতে পারে একটা সিস্টেমের সাথে যেটা হিউম্যানলি অফকোর্স সামটাইমস নট পসিবল। আমি যদি একটা দোকান খুলে বসি দোকানে যদি সারাদিন বেচা কেনা করতে থাকি সেখানে একটা যদি সিস্টেম দাঁড়া করে দেই যেটা আমাজন করেছে এন্ড দ্যাটস হাউ দা বিজনেস হ্যাজ রিচ টু এ ভলিউম। তো আমি আজকে কালকের ভিডিওটা নিয়ে একটু আলাপ করতে চাচ্ছি যে আমি যেটা বলেছিলাম যে নো কোড লো কোড এনভারমেন্ট। এতদিন ধরে বিজনেস কি করতো? বিজনেস ইনহাউস ডেভেলপার রাখতেন। ইনহাউস ডেভেলপারের পাশাপাশি অনেক সময় কিছু কিছু সলিউশন যেটা অফ দা সেলফ মানে আমার কাছে মনে হচ্ছে যে এই সলিউশনটা আজকে দরকার আমার এটার ডেভেলপমেন্ট সময় লাগবে হয়তোবা এক বছর বা দেড় বছর সো টাইম টু দা মার্কেট উড বি ভেরি ক্রিটিক্যাল সো হয়তোবা আমি অফ দা সেলফ সলিউশনটা কিনে নিয়ে আসি এবং অফ দা সেলফ সলিউশনটা যখন আমি নিয়ে আসি তখন হয়তোবা সেটাকে কিছুটা কাস্টম ফিট বা সেটাকে টেইলর করে নিয়ে আসা সেখানে একটু হয়তোবা আমাদের কাজে লাগে যে আমাদের কিছু ইনহাউস ডেভেলপমেন্ট। বাট এই যে দুই ধরনের প্রসেস মানে একটা হচ্ছে গিয়ে ফুল ইনহাউস ডেভেলপমেন্ট দিয়ে বা ডেভেলপার দিয়ে একটা ডেভেলপমেন্ট করা যেটাকে অনেক সময় লাগে এটার অনেকটাই টাইট ফিট হয় মানে আমি বাজার থেকে একটা শার্ট কিনে নিলাম শার্টটা টেইলার দিয়ে বানাতাম তার জন্য আমার সময় ট্রায়াল টাইম ফিট করা তাকে মাপ দেওয়া তার সাথে কথা বলা দোকানে যাওয়া ইভেন ডেলিভারি নেওয়া এ সবকিছু মিলিয়ে কিন্তু একটা বিশাল বিশাল একটা প্রবলেম। কিন্তু আমি যদি বাজার থেকে একটা শার্ট কিনে নিয়ে আসি রেডিমেড সেটা কিন্তু কাইন্ড অফ অনেক সময় প্রপারলি ফিট না হলেও কিন্তু চলে যায় কাজ। সো এই একই জিনিস আমরা যখন অফ দা সেলফ একটা সলিউশন কিনে নিয়ে আসবো সেটাকে কিছুটা কাস্টম মেড করতে হয় বাট দ্যাট ইজ ডুয়েবল। বাট এটার পাশাপাশি আরেকটা জিনিস ইদানিং দেখছি মানে ইদানিং মানে গত 10 বছর ধরে দেখছি আমি বিভিন্ন দেশে বাট আমাদের দেশে এটা আসলে শুরু হচ্ছে হয়তোবা। এটা হচ্ছে লো কোড নো কোড এনভারমেন্ট। আমরা জানি যে বিজনেস হাউসগুলো কিভাবে এক্সেলের উপরে পুরোপুরি নির্ভরশীল মানে এক্সেল কিন্তু একটা কাইন্ড অফ লো কোড নো কোড একটা এনভারমেন্ট। মানে আমি বলছি যে এক্সেলের মধ্যে যত ধরনের মানে আমরা প্রোগ্রামিং এর মতো করি বা অনেক ধরনের কিছু জিনিস ব্যবহার করি সেটা কিন্তু কাইন্ড অফ লাইক আমাদের বিজনেস ইউজার্স। আমাদের বিজনেস ইউজার্সরা ব্যবহার করছেন। তো এখন প্রচুর কোম্পানি বিশেষ করে প্যান্ডেমিকের সময় যেহেতু অটোমেশন সিস্টেমসের মধ্যে সবাই কানেক্টেড এবং সবাই খুব ফাস্ট ডেলিভারি চাচ্ছেন তাদের সলিউশন তখন দেখা গেল যে কি বেশ কিছু কোম্পানি এলো যারা হচ্ছে গিয়ে লো কোড নো কোড মানে লো কোড মানে আমাকে অল্প কোড করলেই হবে অথবা নো কোড আমার কোনো কোড সম্বন্ধে ধারণা নেই আমি সেখান থেকে সরাসরি একটা সলিউশন মানে আমার বিজনেসের একটা প্রবলেমকে আমি সলভ করছি মানে আমি আই এজ এ বিজনেস পারসন আই এজ এ বিজনেস পারসন আই এম সলভিং এ বিজনেস প্রবলেম উইদাউট নোইং এনি কোডিং। এটাই হচ্ছে আসলে এখন প্রচুর প্ল্যাটফর্ম এসছে যেই প্ল্যাটফর্মগুলো আমাদেরকে সেই ধরনের সলিউশন তৈরি করে দিচ্ছে যেই সলিউশনগুলো আমাদের বিজনেস ইউজার যারা হচ্ছে গিয়ে সেভাবে কোডিং জানেন না বাট দে নো দা প্রসেস। তারা যেহেতু প্রসেসটা জানেন এবং ওয়ার্কফ্লোটা ঠিকমতো বুঝতে পারেন। এজ এ বিজনেস ইউজার উনি যেহেতু নিজের প্রসেসটা এবং ওয়ার্কফ্লোটা ঠিকমতো বুঝতে পারেন তাহলে আর বাকি কিছু লাগছে না। বাকিটা কিন্তু এই লো কোড বা নো কোড এনভারমেন্টটা তাদের প্রপার গাইডেন্সে কিন্তু কাজগুলো করে ফেলছে। আর এ কারণে আমি নিজেও কিন্তু এই ধরনের লো কোড বা নো কোড এনভারমেন্ট প্রমোট করার জন্য খুবই আন্তরিক কারণ আমি দেখছি যে জাস্ট গত কয়েক বছর ধরে আরপিএ রোবোটিক প্রসেস অটোমেশন বিজনেসকে অন্য লেভেলে নিয়ে গেছে। একটা বিজনেস ইউজার সে কিন্তু রোবোটিক প্রসেস অটোমেশন চালিয়ে কিন্তু একটা বিজনেসের অনেক প্রবলেম সলভ করছে। সো মাই নেক্সট কাপল অফ ভিডিওস উড বি অন লো কোড নো কোড যেখানে আমাদের এনভারমেন্ট আমি বলছি যে আমাদের এনভারমেন্ট যে ধরনের বিজনেস এনভারমেন্ট আছে সেই বিজনেস এনভারমেন্ট তাদের এক্সট্রা ডেভেলপার ছাড়াও তারা একটা বিজনেস অ্যাপ্লিকেশন ডেভেলপ করতে পারবেন। আজকে এ পর্যন্তই থাকছেন তো সামনে?

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

ইন্টেলিজেন্ট সিস্টেমের সন্ধানে [নন-টেকনিক্য়াল সেশন] কতদুরে আমরা ০১.mp3

ছোটবেলায় একটা মুভি ভয়ঙ্করভাবে দাগ টেনেছিল মনে। এর রেশ এখনো টেনে বেড়াচ্ছি। মুভিটার প্রোটোগনিস্ট ছিল হ্যাল, একটা সেন্টিমেন্ট কম্পিউটার। ঠিক ধরেছেন, মুভিটার নাম হচ্ছে 2001: A Space Odyssey। মানুষ এবং চিন্তা করতে পারা যন্ত্রের মধ্যে সম্পর্কে টানাপোড়েন দেখেছি আমরা সেই মুভিতে। সত্যি কথা বলতে শত বছর ধরেই ইন্টেলিজেন্ট মেশিনের খোঁজে মানুষের ইচ্ছার বহিঃপ্রকাশ হিসেবে আমরা দেখেছি অনেক কিছুই। আমরা দেখেছি হাজারো মুভি, হাজারো গল্প এসেছে এই ইন্টেলিজেন্ট মেশিনের খোঁজে। আয়রন ম্যানের জার্ভিস, টার্মিনেটর, নাইট রাইডারের কিট পার্সোনালিটি গুলোর প্রতি আমাদের ব্যাকুলতা অথবা উৎসুক ভাব, এটা একটা পাওয়ারফুল আইডিয়া। আসল কথা হচ্ছে যন্ত্র মানুষের মত চিন্তা করতে পারছে কি পারছে না অথবা চিন্তা করতে পারার মত যন্ত্র তৈরি হচ্ছে কি হচ্ছে না, সেটা থেকে বড় ব্যাপার হচ্ছে মানুষ হাল ছাড়ছে না এই আইডিয়া থেকে। জ্ঞানের দিক থেকে মানুষ জেনারেলিস্ট। তবে মানুষ চাচ্ছে স্পেশালাইজড যন্ত্র তৈরি করতে যা স্পেশাল স্পেশাল কাজ করে দিবে মানুষের জন্য। সামনে বড় বড় সমস্যার সমাধানে যেমন রোগ নিরাময়ে, ডিএনএ সিকুয়েন্সিং এ, প্রাকৃতিক বিপর্যয়ে, গ্যালাক্সি জয়ে আমাদের পাশে দরকার এই ইন্টেলিজেন্ট সিস্টেমগুলোকে। ধরা যাক মানুষ যাবে চাঁদে। পৃথিবী থেকে চাঁদ পর্যন্ত এই রাস্তাটা গাড়ি চালানোর মত করে মানুষ চালাবে না বরং পুরো কাজটা দিয়ে দিবে একটা ইন্টেলিজেন্ট সিস্টেমের উপরে যার গাইডেন্সে চলে যাবে পুরো পৃথিবী থেকে চাঁদ পর্যন্ত। মানুষ চাইবে পয়েন্ট এ থেকে পয়েন্ট বি তে যেতে। এখন এই পয়েন্ট এ থেকে পয়েন্ট বি পর্যন্ত যাবার জন্য যে নেভিগেশন সেটা করবে আমাদের এই ইন্টেলিজেন্ট সিস্টেম। মানুষের দরকার এই ইন্টেলিজেন্ট সিস্টেম নিজের প্রয়োজনে যাতে এই ছোটখাটো কাজগুলো ছেড়ে দিতে পারে এই যন্ত্রের উপরে। দুবাই বা হিথ্রো এয়ারপোর্টের প্রতিটা ফ্লাইটের সাথে তার গেট ম্যানেজমেন্ট, কখন কোন বোর্ডিং গেট চালু হবে আর কখন বোর্ডিং গেট বন্ধ হবে, এর পাশাপাশি কোন ফ্লাইটটা বোর্ডিং গেট বন্ধ হবার পর টারমাকে যাবে, ট্যাক্সিং এর জন্য রেডি হবে আর সেই একই রানওয়েতে নামার জন্য আকাশে আর কয়টা বিমান লাইন দিয়ে আছে, এইসব হিসেব মানুষের জন্য ওভারওয়েলমিং হলেও যন্ত্রের জন্য এটা খুবই সোজা বিশেষ করে ইন্টেলিজেন্ট সিস্টেমের ক্ষেত্রে। আমি বরং বলব মানুষের কাজ এই এয়ারপোর্ট ম্যানেজমেন্ট না। মানুষের কাজ অন্য। মানুষের কাজের সাথে সম্পর্ক ক্রিয়েটিভিটির। সেটা নিয়ে আমি আসবো সামনের এপিসোডে। চিন্তা করুন পুরো পৃথিবীর বিজনেস ট্রানজেকশন চলছে বেশিরভাগই প্লাস্টিকের উপরে মানে ক্রেডিট কার্ডের উপরে। গত বছর আল এক্সপ্রেসের 1111 ফেস্টিভালে প্রথম 68 সেকেন্ডে বিক্রি হয়েছে 1 বিলিয়ন ডলার। এরপরের হিসেব হচ্ছে ইতিহাস। এর মানে হচ্ছে এত ক্রেডিট কার্ড ডেটা প্রসেসিং করে ফ্রড ডিটেকশন সম্ভব নয় এই হাজারো মানুষের পক্ষে। এর জন্য সাহায্য নিতে হবে ইন্টেলিজেন্ট সিস্টেমের। আর সেই ইন্টেলিজেন্ট সিস্টেম থেকে আমরা কত দূরে আর সেটা নিয়েই আমি আসছি সামনের এপিসোডে। থাকছি তো সামনে।

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

অটোনোমাস কার, “ফুল সেলফ ড্রাইভিং” মোড কবে.mp3

যেভাবে বিলিয়ন ডলার ইনভেস্টমেন্ট যাচ্ছে আমাদের সেলফ ড্রাইভিং মানে অটোনোমাস ইন্ডাস্ট্রিতে, সেখানে কিন্তু ফুললি অটোমেটেড মানে লেভেল ফোর অথবা লেভেল ফাইভ মোডের ড্রাইভিং কিন্তু চলে আসছে সামনের বছরে। কয়েকদিন আগে এলন মাস্ক তার ইনভেস্টর ফোরামে যা বলেছেন, সেখানে ফুল মোডের সেলফ ড্রাইভিং কিন্তু নিয়ে আসতে যাচ্ছেন এই বছরেই। অনেকে এটাকে এক্সট্রিম একটা টাইমলাইন বলতে পারেন ফুল সেলফ ড্রাইভিং মোডের জন্য। তবে আমি বিশ্বাস করি যে এই ফুল সেলফ ড্রাইভিং মোড কিন্তু তিন থেকে পাঁচ বছরে আসবেই। আপনি যদি আমাকে প্রশ্ন করেন তাহলে আমি বলব সিনারিওটা এরকম হতে পারে। সকালবেলা স্কুলে নামিয়ে দিয়ে এলো আমাদের এই সেলফ ড্রাইভিং কার বাচ্চাদের। এরপর গাড়িটা আমাকে এবং আমার স্ত্রীকে নামিয়ে এলো অফিসে। এখানে আমরা কখনোই কিন্তু ড্রাইভিং সিটে বসছি না। স্বভাবতই কাজ শেষে গাড়িটা ফিরে এলো বাসায় আর চার্জ করে নিল এক ঘণ্টা নিজে নিজে। যেহেতু এটা একটা ইলেকট্রিক ভেহিকেল আর এ কারণে কিন্তু এটার মেইনটেনেন্স সমস্যা কম। আর সে কারণে কিন্তু এই গাড়িটাকে রিপারপাস করা মানে ভাড়ায় খাটানো কিন্তু কোন সমস্যাই না। যেহেতু গাড়িটা ইন্টারনেট দিয়ে উবার বা টেসলার নেটওয়ার্কে কানেক্টেড, সে কারণে কিন্তু একটা নির্দিষ্ট সময় পরে কিন্তু সবাই এই গাড়িটাকে পাবে রেন্টাল মোডে এই উবার বা টেসলা নেটওয়ার্কে। এলন মাস্কের ভাষায় এটাকে আমরা বলছি রোবট্যাক্সি যেটা আসলে উনি নামাতে যাচ্ছেন সামনের বছরে। যেটা বোঝা যাচ্ছে যে এই শেয়ারিং ইকোনমিতে কোন কিছু ফেলে রাখার আসলে কোন মানেই হয় না। আমার এক পাইলট বন্ধু বলেছিলেন, এয়ারক্রাফট ইজ এক্সপেন্সিভ হোয়েন ইট ইজ গ্রাউন্ডেড। মানে এয়ারক্রাফট তৈরি হয়েছে কিন্তু ফ্লাই করার জন্য একটা নির্দিষ্ট টাইম ধরে। সেখানে সে ফ্লাই না করে গ্রাউন্ডেড থাকলে কিন্তু সেই কোম্পানির লস। দেখা যাচ্ছে যে এই রোবট্যাক্সি অথবা আপনার গাড়িকে বা আপনার গাড়িকে ভাড়া খাটানোর জন্য কিন্তু একটা চমৎকার ডিমান্ড ডিস্ট্রিবিউশন দেখিয়েছেন এলন মাস্ক। গাড়ির খরচ কত, গাড়ি আসলে সপ্তাহে কতক্ষণ চলতে পারে, পাশাপাশি কতটুকু খরচ হতে পারে, প্রতি মাইলে আপনার রেন্টাল বিল কত আসতে পারে, সবকিছুরই কিন্তু একটা বিজনেস মডেল দেখিয়েছেন এলন মাস্ক। যেহেতু আমি নিজে মেশিন লার্নিং নিয়ে কাজ করি আর সে কারণে কিন্তু বুঝতে পারি একটা ফুল এফএসডি এর মানে হচ্ছে ফুল সেলফ ড্রাইভিং মোডে কিন্তু একটা প্রসেসিং হতে হবে অন্য লেভেলের। এর আগেও বলেছি এই গাড়িটাতে আটটা ক্যামেরা, বারোটা আলট্রাসনিক সেন্সর আর ফ্রন্ট ফেসিং রেডার। এতগুলো জিনিসকে একসাথে প্রসেস করতে হলে আসলে অন্য লেভেলের জিনিসপত্র লাগবে। এই মুহূর্তে তারা এনভিডিয়ার চিপসেট ফেলে দিয়ে তারা Samsung ফ্যাব্রিকেটেড নিউরাল নেটওয়ার্ক এক্সেলারেটর ব্যবহার করছে শুনলাম। এখানে একটা ফুল সেলফ ড্রাইভিং কম্পিউটারের স্পেসিফিকেশন শীট দেখে কিন্তু আমার চক্ষু চড়কগাছ। এখানে দেখছি একটা 72 এফএসডি সিস্টেম 144 ট্রিলিয়ন ম্যাথ ক্যালকুলেশন করতে পারছে প্রতি সেকেন্ডে। সেখানে আমরা কিন্তু জানি যে এনভিডিয়া এআই ফোকাসড জেভিয়ার জিপিইউ কিন্তু সেটা করতে পারে 21 ট্রিলিয়ন প্রতি সেকেন্ডে। আমি বর্তমান জেনারেশনের এফএসডি চিপসেটে দেখছি দুটো ইন্ডিপেন্ডেন্ট ম্যাথ প্রসেসর আছে কিন্তু অনবোর্ড। তবে যে যাই বলুক আমি আসলে দেখি টেকনোলজিক্যাল সমস্যা থেকে মানুষের পারসেপশন নিয়ে কিন্তু সামনে বেশি ঝামেলা পোহাতে হবে। এর পাশাপাশি তো থাকবেই রেগুলেটরি অ্যাপ্রুভাল নিয়ে চ্যালেঞ্জ। আমার কথা হচ্ছে একটাই হিউম্যান ড্রাইভার থেকে কিন্তু অনেক দুর্ঘটনা কমে আসবে এই অটোনোমাস ড্রাইভিংয়ে। থাকছেন তো সামনে?

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

ইন্টেলিজেন্ট সিস্টেমের সন্ধানে ছোটখাটো সিদ্ধান্ত যন্ত্রের ওপর ছেড়ে দেয়া ০২.mp3

আমরা অবশ্যই ইন্টেলিজেন্ট মেশিন নিয়ে কথা বলব তবে এই ইন্টেলিজেন্ট মেশিন নিয়ে কথা বলার আগে এই মুহূর্তে আমরা কিভাবে একটা কাজ করি বিশেষ করে রুল বেসড কাজ যেমন এটা হলে ওটা হবে মানে আমি একটা কাজ করতে যাচ্ছি তবে সেটার প্রি কন্ডিশন হিসেবে আরেকটা কাজ হলেই তবে সেই কাজটা করা যেতে পারে মানুষ হিসেবে আমরা প্রতিদিন প্রচুর কাজ করি তবে যেই সমস্যাটা হয় সবসময় বিশেষ করে একটা রিপিটেটিভ কাজ আমাদেরকে যখন করতে হয় তখন আমরা সেই সিদ্ধান্তটা প্রতিদিন অনেক সময় নিতে চাই না যেমন প্রতিদিন আমার সকালবেলা উঠে আমাকে কোন ড্রেসটা পড়তে হবে সেটার যদি সিদ্ধান্ত নিতে হয় তাহলে আমার প্রোডাক্টিভিটিতেও কিন্তু সেটা নিয়ে টানা পোড়ন হবে আর সে কারণে আমরা দেখছি যারা খুবই হাইলি প্রোডাক্টিভ জোনে কাজ করেন তারা এই ধরনের সিদ্ধান্ত একটা ড্রেসের উপরে চাপিয়ে দেন মানে তারা সারাজীবন সে এক ধরনের ড্রেস দিয়েই চালিয়ে দেন আমাদের দৈনন্দিন জীবনে আমরা প্রচুর সফটওয়্যার নিয়ে কাজ করি আর এক একটা সফটওয়্যার যে আরেকটা সফটওয়্যারের সাথে কানেক্টেড সেটা বলা যাচ্ছে না কেমন হয় একটা অ্যাপ্লিকেশন বা একটা অ্যাপের একটা কাজ শেষ হয়ে যাওয়ার পরে ওটা আরেকটা অ্যাপের আরেকটা কাজকে ট্রিগার করবে অনেকেই আমরা একটা অ্যাপ ব্যবহার করি যেটাকে আমরা বলি আইএফটিটিটি যার মানে হচ্ছে ইফ দিস দেন দ্যাট মানে একটা প্রি কন্ডিশন যদি এটা ঘটে তাহলে স্বয়ংক্রিয়ভাবে সে আরেকটা জিনিসকে ঘটাবে এর অর্থ হচ্ছে সেই সিদ্ধান্তের জন্য আমাদেরকে বা আমাদের মত মানুষের কাছে সে আর ফিরবে না যদি আমরা একটা প্রি কন্ডিশন নিয়ে আলাপ করি যেমন সূর্য ডুবে গেছে সূর্য যদি ডুবে যায় তার মানে হচ্ছে এই প্রি কন্ডিশনটা ফুলফিল হলেই সে আরেকটা কাজ করবে যেমন পোর্চের লাইট জ্বালিয়ে দেবে অথবা বাগানের স্প্রিংকলার বন্ধ করে দেবে অথবা জানালার ব্লাইন্ড নামিয়ে দেবে আপনারা অবশ্যই বুঝতে পারছেন আমরা কিন্তু ইন্টেলিজেন্ট সিস্টেম নিয়ে কথা বলছি না বরং ইন্টেলিজেন্ট সিস্টেমের রাস্তায় হাঁটছি আমার অফিসে ফোনের রিংগার বন্ধ রাখার একটা চল রয়েছে আমি যখনই আমার ফোন নিয়ে একটা এলাকায় এলাম এবং একটা সময়ে ওই এলাকায় এলাম এই দুটো কন্ডিশন যখন ফুলফিল করবে তখন আমার রিংগার অটোমেটিকলি কমিয়ে দিবে বা অফ করে দিবে আমার ফোনের যত স্ক্রিনশট নিব সব পাঠিয়ে দিবে ওয়ান নোটে বা এভারনোটে আমরা যখন আইএফটিটিটি নিয়ে আলাপ করছিলাম সেখানে একটা অ্যাপ্লিকেশনের প্রি কন্ডিশন কোন কিছু ফুলফিল হয়েছে সেটাকে আমরা অন্য একটা অ্যাপ্লিকেশনের মধ্যে পাঠিয়ে দেয়া যায় কিনা সেটা নিয়ে কিন্তু কথা বলছিলাম আমরা যেটা দেখছিলাম যে এই আইএফটিটিটি দুটো অ্যাপ্লিকেশনের মাঝখানে অথবা চার থেকে পাঁচটা অ্যাপ্লিকেশনের মাঝখানে যোগসূত্র হিসেবে কাজ করতে পারছে কিনা ধরুন আমার ফিডলি আরএসএস ফিডারে আমি একটা অ্যাপ্লিকেশন পড়ছি এবং সেটাকে আমি সেভ করতে চাই আমি সেভ করলাম তবে আমি চাচ্ছি এটাকে পকেটেও সেভ করতে তখন এই ফিডলি কথা বলবে পকেটের সাথে আইএফটিটিটির মাধ্যমে এর পাশাপাশি আমি একটা গান ইউটিউবে কয়েকবার দেখেছি সেটাও চলে যাবে আপনা আপনি স্পটিফাইতে আলাদা করে এর নতুন লিস্টে আমি যখনই নতুন একটা কন্টাক্ট সেভ করবো আমার ফোনে সেটা অটোমেটিকলি চলে যাবে গুগল স্প্রেডশিটে অথবা দোকানের মত যত ধরনের রিসিপ্ট আমি ছবি তুলবো সেটা অটোমেটিকলি চলে যাবে এভারনোটে যেমন ধরুন ফেসবুকে যেকোনো ছবিতে আমার বন্ধু আমাকে ট্যাগ করলো তাহলে সেটার একটা কপি চলে আসবে আমার ফটো অ্যালবামে এমনও তো হতে পারে রাতের বেলা আমার বাসার উপর দিয়ে যখন আইএসএস ইন্টারন্যাশনাল স্পেস স্টেশনটা চলে যাবে তখন সেটার নোটিফিকেশন আমাকে পাঠাবে আমার ফোনে এটাও তো হতে পারে আমার ফোনের ওয়ালপেপার পাল্টে যাবে নাসার ইমেজ অফ দা ডে দিয়ে এর পাশাপাশি অ্যালেক্সাকে দিয়ে আমার বিভিন্ন ফোনে কল করানোর তো কোন সমস্যাই না আজকে আমাদের আলাপের বড় একটা অংশ হচ্ছে কিভাবে আমরা সিদ্ধান্তকে অটোমেট করতে পারি আমাদের ইন্টেলিজেন্ট সিস্টেম তৈরির ব্যাপারে আর সে কারণে আমরা আলাপ করব সামনের এপিসোডে ডিএসএস ডিসিশন সাপোর্ট সিস্টেম নিয়ে থাকছেন তো সামনে

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

কেন আমি 'এআই' ডেভেলপমেন্ট 'বন্ধ' 'স্লো-ডাউন' করার বিপক্ষে The Risk of Slowing Down AI Progress.mp3

চ্যাট জিপিটির উত্থানে আমরা অনেক কিছু শুনেছিলাম যে আসলে আমাদের এআই যখন এত ভালো পারফর্ম করছে অনেকে কিন্তু আমরা ভয় পেয়েছিলাম যে এই এআই যে রেটে এআই স্পিড বা যেই স্পিডে এআই এগুচ্ছে সেটা ব্যাপারে কি আমরা মানে হিউম্যান আমরা কি সেটাকে তাল দিতে পারবো কিনা এজন্য কিন্তু মাঝখান দিয়ে অনেকে কথা বলেছিলেন এবং গডফাদার অফ এআই আমরা যাকে বলি যে জিওফ্রি হিন্টন এবং অনেকেই ইলন মাস্ক এবং অনেকেই কিন্তু বলছিলেন যে এআই যেই রেটে বাড়ছে সেটাকে আসলে রেগুলেটেড করা উচিত বা এটাকে এটার স্পিডটাকে কমানো উচিত অথবা এটার পজ দেওয়া উচিত মানে এই এআই ডেভেলপমেন্টটাকে একটা পজ টানা উচিত আসলে অফকোর্স এটা একটা ভয়ের বিষয় কারণ জিওফ্রি হিন্টন উনি বলেছেন যে এই এআই উইল কিল হিউম্যান এআই উইল কিল হিউম্যান এই এই ব্যাপারটা যখন আসে তখন অফকোর্স এটা একটা জিনিস যেটা আসলে মানুষকে ভাবাতে অবশ্যই চেষ্টা করবে কিন্তু এখানে আমার মতটা একটু ভিন্ন মানে আমি আসলে এখানে এই মুহূর্তে এআই যেই স্পিডে এগুচ্ছে বা এআই যে গতিটা পেয়েছে সেই গতিটা যদি আমরা এখন পজ করি বা আমরা যদি এটাকে অফ করে দেই বা আমরা এই স্পিডটাকে যদি আমরা রেগুলেটেড করি বা আমরা এটাকে যদি ঠিকমত এটা নিয়ে কাজ না করি তাহলে আমি মনে করি যে এটাতে আরো বিপদ বাড়বে আর এইজন্যই যারা বলেছেন যে জিওফ্রি হিন্টন এবং গডফাদার অফ এআই তারপর এলন মাস্ক এবং আরো অনেকে বলেছেন যে এআই যে ডেভেলপমেন্টটা সেটার উপর একটা পজ টানা উচিত অথবা এটাকে আমরা এভাবে বলি যে এটার ডেভেলপমেন্টটাকে আরো স্লো করা উচিত বিকজ উই ডোন্ট নো হোয়াট হোয়াট ইজ গোইং টু গেট আউট অফ ইট তো আমি যেহেতু আমার ভিন্ন মতটা হচ্ছে এরকম যে আসলে রেগুলেটেড ইন্ডাস্ট্রিতে আমি কাজ করেছি এবং বিং কমপ্লায়েন্স এবং নন কমপ্লায়েন্স এই ব্যাপারটা কিন্তু আমি একটা লম্বা সময় আমি কাজ করেছি মানে কমপ্লায়েন্স এবং নন কমপ্লায়েন্স মার্কেটে আসলে চলার ব্যাপারটা হচ্ছে যে যারা গুড অ্যাক্টর ধরা যাক যারা এআই নিয়ে কাজ করছে যারা গুড অ্যাক্টর বা যারা হচ্ছে কমপ্লায়েন্স কোম্পানি তারা কিন্তু এই এআই নিয়ে কাজ করতে গিয়ে দে উইল পজ দে উইল পজ ইন সেন্স যে তারা আসলে এই ডেভেলপমেন্টটাকে স্লো করিয়ে দিবে কিন্তু যারা ব্যাড অ্যাক্টর ব্যাড অ্যাক্টর মানে হচ্ছে যারা এআই কে বিভিন্নভাবে ব্যবহার করছে এবং এআই কে এমন একটা লেভেল পর্যন্ত তারা চিন্তা করছে যে যেটা আসলে আমরা চিন্তা করছি না যারা ইভেন এটাকে একটা লেভেলে নিচ্ছে যেটা আসলে আমরা জানিনা কারণ এআই ইজ এ কাইন্ড অফ লাইক কমন টুল এখন যে কেউ এআই ব্যবহার করতে পারে যদি তার তাকে যদি প্রপার কিছু টুল থাকে তো আমি এটাতে এইজন্যই মানি না একটাই কারণে যে আমরা যারা কমপ্লায়েন্স আছি বা আমরা যারা কমপ্লাই করছি বা যে কোম্পানিগুলো কমপ্লাই করছে তারা এটাকে স্লো করে দিবে কিন্তু মিনহোয়াইল যারা ব্যাড অ্যাক্টর যারা কমপ্লাই করছে না বা যারা এটা নিয়ে অন্যভাবে কাজ করছে এবং অনেক দেশ এগুলো নিয়ে কাজ করছে যদি এই কমপ্লায়েন্স অংশটা যেখানে আমরা বলছি যে এই কমপ্লায়েন্স অংশটা আসলে যারা কমপ্লাই করছে তারা কিন্তু এটা নিয়ে অত স্পিড দিবে না বা অত ভালোভাবে কাজ করবে না কিন্তু যারা নন কমপ্লায়েন্ট যারা এটাকে মানছেন না তারা তো ভেতরে ভেতরে কিন্তু এটার নিয়ে অনেক অন্য ধরনের কাজ করে ফেলবেন যেটা আসলে আমরা ভয় পাই যে না এটা আসলে আমরা চাই না যেটার জন্য আমরা বলছি যে দিস শুড বি পজ যেটার জন্য আমরা ভাবছি যে না এটাকে একটা লেভেলে নিয়ে আসা উচিত যেখান থেকে আমরা নেক্সট স্টেপে যাব কিন্তু যারা ব্যাড অ্যাক্টর বা যারা এটা নিয়ে কাজ করছেন অন্য আলটেরিয়ার মোটিভ নিয়ে অন্য আলটেরিয়ার মোটিভ নিয়ে তারা কিন্তু এখান থেকে সরে আসবে না তার মানে দিনশেষে কিন্তু আমরা যারা কমপ্লাই কমপ্লায়েন্সের মধ্যে আছি যারা এটা নিয়ে কাজ করছি যারা এটাকে নিয়ে একটা পজিটিভ আউটকামে নিচ্ছি এবং আপনারা দেখতে পাচ্ছেন যে আমরা এখানে বিশেষ করে আমি খান একাডেমীর কথা যদি বলি যে খান একাডেমীতে উনারা এআই নিয়ে যেভাবে কাজ করছে বা হেলথ কেয়ারে এআই নিয়ে যেভাবে কাজ হচ্ছে এগুলো কিন্তু পজিটিভ আউটকাম অফকোর্স এভরিথিং হ্যাজ সাম গার্ড রেল যেটা সালমান খান প্রায় বলেন যে আমরা এআই ব্যবহার করব কিন্তু এআই ব্যবহার পাশাপাশি আমাদের কিছু গার্ড রেল ব্যবহার করতে হবে যাতে এআইটা ছিটকে অন্য কোথাও না যায় না পড়ে মানে জাস্ট লাইক এআই ইজ এ বেবি বুন মানে আমরা ছোটবেলায় বাচ্চাদেরকে যেভাবে আমরা মানুষ করি আমরা বাবা-মা যখন বাচ্চাদেরকে মানুষ করি তখন কিন্তু আমরা একটা গার্ড রেল আমরা একটা সেফটি মার্জিনে কিন্তু এটাকে নিয়ে কাজ করি সো আমার কথা হচ্ছে যে আমরা সেফটি মার্জিন নিয়ে কাজ করব সেফটি মার্জিন নিয়ে কথা বলব যাতে এই এআইটা অন্য দিকে না টার্ন করে বাট আমরা যদি এআই ডেভেলপমেন্টটা যদি পজ করি বা এটা নিয়ে যদি না কাজ করি তাহলে কিন্তু যারা নন কমপ্লায়েন্ট আছেন তারা কিন্তু এটা নিয়ে অন্য লেভেলে চলে যাবে এবং এটা দিনশেষে এটা আরো খারাপ হবে সো আমরা মনে করি যে এটা আসলে আরো চলা উচিত সো এটাই পারসপেক্টিভ যে এআই নিয়ে কাজটা স্টপ হওয়া উচিত না বরং এটা আরো দ্বিগুণ গতিতে চলা উচিত কারণ আমরা যদি গতি স্লো করি যারা কমপ্লায়েন্ট না যারা এটা নিয়ে কমপ্লাই করতে চান না তারা এর থেকে আরো দ্বিগুণ স্পিডে যাবেন এই দ্বিগুণ স্পিডটাই কিন্তু আমাদের জন্য ভয়ের কারণ এজন্যই আমরা এআই এর যে গতিটা সেটাকে আমরা স্লো করবো না পজ করবো না বা এটা এটা নিয়ে আমাদের কাজটা থামিয়ে দিব না সো এখানে এই মতগুলো নিয়ে কিন্তু অনেক ধরনের আলাপ আছে বাট আমার মনে হয় যে এটা নিয়ে আমরা ওপেন ফোরামে আলাপ করছি এবং এটা নিয়ে আমরা বিভিন্ন জায়গায় দেখছি যেটা নিয়ে আসলে কি করা যায় তবে ডেভেলপমেন্ট এআই এর যে পজিটিভ যে জায়গাটা এআই যতটুকু আমাদেরকে এখন সুযোগ সুবিধা দিয়েছে সেখান থেকে আমরা আসলে পিছনে ফিরতে চাচ্ছি না আজকে এই পর্যন্তই থাকছেন তো সামনে

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

গল্পে গল্পে কৃত্রিম বুদ্ধিমত্তা, ৪ - কিভাবে এলাম Understanding Artificial Intelligence in Bangla.mp3

আমাকে অনেকেই প্রশ্ন করেন যে আমি কিভাবে কৃত্রিম বুদ্ধিমত্তায় এলাম। আসলে আমি এই বইটাতে কৃত্রিম বুদ্ধিমত্তায় মানবিক রাষ্ট্র এটাতে আমি লিখেছি যে আমার কৃত্রিম বুদ্ধিমত্তার পেছনে বা তার পেছনে আমার আসলে একটা বড় হিস্টরি আছে। আমি যখন আদমজিতে পড়তাম তখন আদমজির যে লাইব্রেরি ছিল সেটা আসলে তখন অত বড় ছিল না। কিন্তু আমি যখন 1983 সালে ক্যারেট কলেজে গেলাম ওখানে যেয়ে দেখলাম যে ক্যারেট কলেজ লাইব্রেরিটাতে ম্যাকগ্রোহিলস তারপর আরো অন্যান্য অনেক বড় বড় পাবলিশারের প্রচুর বই আছে। ইংরেজি বই পড়া শুরু করলাম কারণ দেখলাম যে ইংরেজি বইয়ের যে কালেকশন সে কালেকশনটা কিন্তু বেশি। তো সে কারণে আমার যেই জিনিসটা আমাকে সবচেয়ে বেশি কেড়েছে তখনই সেই 1983 84 85 সালের দিকে একটা সিরিজের বই ম্যান মেশিন মানে আমি এই বইটাতে সেটা লিখেছি যে ম্যান মেশিনের একটা সিরিজ বই ছিল যেটা আসলে তিনটা বইয়ের সিরিজ ম্যান মেশিন। সেটা তখনই মানে প্রায় 1963 সালের বা 64 সালের বই ম্যান মেশিন মানে এই বইটার একটা ধারণা ছিল যে কিভাবে মানুষ যন্ত্রের সাথে ইন্টারফেসিং করবে। সেই যন্ত্রের সাথে ইন্টারফেসিং ব্যাপারটা নিয়েই কিন্তু তখন আমাকে একটা ভালো সাড়া দেয় যে মানুষ কিভাবে যন্ত্রের সাথে ইন্টারফেসিং করবে। তখন আসলে মানুষ যন্ত্রের সাথে যে ইন্টারফেসিং করত সে ইন্টারফেসিং এর জন্য যে কিবোর্ড বা কিবোর্ডের পাশাপাশি পাঞ্চিং যে বোর্ডগুলো ছিল যে আমরা যদি এভাবে দেখি যে ব্রেইল ব্রেইলে আমরা যেভাবে দেখি সেরকম মানে একটা মেশিন কিভাবে যন্ত্র মানে একটা মেশিন কিভাবে মানুষকে বুঝবে বা মানুষ কিভাবে যন্ত্রের সাথে যোগাযোগ করবে সেগুলোর ইনিশিয়াল ইন্টারফেসিং নিয়ে তখন ওই বইটা ছিল। আর সে কারণে এই বইটাতে আমি এআই এআই শুরুর যে ধারণা এআই শুরুর ধারণাটা কিন্তু আমি বলেছি আমার এখানে টোটাল চারটার মত গল্প আমি দিয়েছি যে সেই চারটা গল্পে আমি বলেছি যে কিভাবে কৃত্রিম বুদ্ধিমত্তা বা সেই লেভেলে আমি আসলে গেলাম। তো সেটাই আসলে আমাদের বড় পারসপেক্টিভ যে ম্যান মেশিন যে বইটা ছিল আমি এখনো বইটা খুঁজছি। এজন্য আমি ভিডিওটা বানাচ্ছি যে ম্যান মেশিনের যে তিনটা সিরিজের বই আমি এটা এখনো খুঁজছি। মানে সেই ছোটবেলার যে একটা বুদ্ধিভিত্তিক স্ন্যাপশট মানে কৃত্রিম বুদ্ধিমত্তা আমি বলছি না বাট মানুষ কিভাবে যন্ত্রের সাথে ইন্টারফেস করবে বা মানুষ যন্ত্রের সাথে কিভাবে যোগাযোগ করবে বা যন্ত্র কিভাবে মানুষ থেকে ইনপুট নিবে সেটা নিয়েই কিন্তু এই ম্যান মেশিনের বইটার উত্থান। তো আমার জন্য আসলে সেই ম্যান মেশিন বইটা মানে আমি এখন 53 বছর বয়সে আমি কৃত্রিম বুদ্ধিমত্তায় হাঁটছি বাট তার আগে সেই 1964 65 সালের দিকে যে বইটা ম্যান মেশিন সেটাই কিন্তু আমাকে কেড়েছে বেশি আর সেই কারণেই কিন্তু আজকে আপনি যে বইটা দেখছেন যে কৃত্রিম বুদ্ধিমত্তায় মানবিক রাষ্ট্র। আসলে এই বইটাতে মানবিক রাষ্ট্র বা বাংলাদেশকে ঘিরে যতটুকু লেখা হয়েছে তার মধ্যে একটা বড় চ্যাপ্টার হয়েছে যে কৃত্রিম বুদ্ধিমত্তা কি? মানে কৃত্রিম বুদ্ধিমত্তা জিনিসটা কি সেটা নিয়ে কিন্তু বিশাল চ্যাপ্টার আছে। তো সেটাই বলছি যে আমাদের সামনে কৃত্রিম বুদ্ধিমত্তা আমাদেরকে যেভাবে ঘিরে ফেলছে সেভাবে আমরা যদি কৃত্রিম বুদ্ধিমত্তা না বুঝি তাহলে আমাদের সামনের দিন একটু সমস্যা কুল হতে পারে। সেজন্য বলছি যে আমি এখনো সেই তিনটা বই খুঁজছি ম্যান মেশিন মানে সেই সিরিজ সেই সিরিজের বইটা খুঁজছি। যদি আপনাদের কারো কাছে থাকে বা কোথাও যদি পাওয়া যায় আমাকে জানাবেন। আজকে এই পর্যন্তই থাকছেন তো সামনে?

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

ডাটা অ্যানালাইটিক্স দিয়ে এআই শুরু করবো কোথায় AI will not replace you. A person using AI will.mp3

একটা প্রশ্ন প্রায় আসছে যে এআই উইল নট রিপ্লেস ইউ সামওয়ান ইউজিং এআই উইল। মানে ব্যাপারটা এভাবে যদি বলা যায় এআই উইল নট রিপ্লেস ইউ কারণ অনেকে ভাবছে যে আমরা চ্যাট জিপিটির যুগে আমাদের জব কি রিপ্লেস করে ফেলবে মানে আমরা আসলে উইল গেট এলিমিনেটেড। সো আসলে ব্যাপারটা যদি আমরা এভাবে বলি যে এআই উইল নট রিপ্লেস ইউ বাট সামবডি ইউজিং এআই উইল রিপ্লেস মি। সো ব্যাপারটা হচ্ছে যে আমরা একদম বেসিক আমরা যেভাবে যদি বলি যে এআই আসলে আমাদেরকে এলিমিনেট করবে না বা এআই আমাদের জব কেড়ে নিবে না। বাট রাদার যিনি এআই ব্যবহার করছেন উনি হয়তোবা আমার জবগুলো কেড়ে নিবেন। সো এইজন্য আমরা বলছি যে আজকে আমরা এআই নিয়ে কথা বলছি বাট এটার পেছনে যদি আমরা যাই এটার পেছন সব কিছু হচ্ছে গিয়ে ডেটা। সবকিছুই ডেটা ড্রিভেন। সো আমরা যদি এই ব্যাপারটাকে এভাবে দেখি যে আজকে এআই ব্যবহার করে আমরা যদি স্টে রিলেভেন্ট থাকি মানে মার্কেটের সাথে আমরা যদি রিলেভেন্ট থাকি তাহলে কিন্তু আমাদেরকে রিপ্লেস করতে পারবে না। কিন্তু আমরা যদি আজকে এআই ব্যবহার না করি, আমরা ডেটা অ্যানালিটিক্স ব্যবহার না করি, আমরা ডেটা সাইন্টিস্ট না হই বা আমরা ডেটা নিয়ে যদি না কাজ করি তাহলে অফকোর্স আমরা আজকে আস্তে আস্তে মার্কেট থেকে এলিমিনেট হতে পারি। সো আসলে ব্যাপারটা হচ্ছে গিয়ে আজকে মার্কেটিং বলুন, ফিনান্স বলুন, আজকে আমরা যদি একটা সামান্য রিটেল শপে কাজ করি মানে সব জায়গায় কিন্তু ডেটার ব্যবহার হচ্ছে। আমি নিজে যেহেতু আইএসপি ইন্ডাস্ট্রিতে আছি, আমিও কিন্তু প্রচুর ডেটা ব্যবহার করছি। কারণ প্রতিদিন আমাদের নেটওয়ার্ক বা প্রতিদিন আমাদের টিকিট সিস্টেম বা আমাদের যেগুলো ডেটা যে ডেটাগুলোকে সে তৈরি করছে সেই ডেটাগুলোকে যখন আমরা দেখি তখন উই গেট লট অফ ইনসাইট যেটা আসলে আমরা কখনোই পাইনি। বা আমরা সবসময় এমন কিছু সিদ্ধান্ত নিতাম যেটা হচ্ছে গিয়ে আমাদের পাস্ট এক্সপেরিয়েন্স থেকে যে এটা হলে এটা হবে। কিন্তু ডেটা যখন আমরা দেখছি ডেটার ভেতরে যখন ঢুকছি তখন দেখছি যে আসলে ব্যাপারটা অন্যরকম। ডেটা ইজ একচুয়ালি ওপেনিং আওয়ার ওপেনিং আপ আওয়ার মাইন্ড। সো এইজন্যই আমরা আসলে বলছি যে এআই উইল নট রিপ্লেস মি। বাট এ পারসন হু ইজ ইউজিং এআই উইল। মানে আমরা যদি এআই ব্যবহার না করি তাহলে কিন্তু আমরা আস্তে আস্তে মার্কেট থেকে রিলেভেন্সি হারিয়ে ফেলবো এবং আস্তে আস্তে আমাদের কাজগুলো কিন্তু অন্য আরেকজন নিয়ে নিবেন যিনি এআই ব্যবহার করেন। ইটস লাইক টেকিং দা অ্যাডভান্টেজ অফ দা নিউ সিস্টেম। মানে আপনি যদি চ্যাট জিবিটিতে যান চ্যাট জিবিটিতে ইউ ক্যান আস্ক এনি কোয়েশ্চেন ওয়েদার ইট ইজ ডেটা রিলেটেড ওয়েদার ইট ইজ নট ডেটা রিলেটেড ওয়েদার ইট ইজ টেকনিক্যাল ওয়েদার ইট ইজ নন টেকনিক্যাল ইউ গেট অল দা ইনসাইট ফ্রম চ্যাট জিপিটি। হুইচ মিনস দ্যাট এআই বা আমাদেরকে এই জিনিসটা সব জায়গায় ব্যবহার হচ্ছে। আজকে এআই সব জায়গায় ব্যবহার হচ্ছে। আমরা যদি ডেটা অ্যানালিটিক্সের কথা বলি যে আজকে আমরা যদি এআই ব্যবহার করতে চাই এআই এর একদম রুট আমাকে যদি বলা হয় যে আমি এআই নিয়ে কাজ শুরু করতে চাই তাহলে একদম রুট কি হতে পারে? আমাকে কোথা থেকে শুরু হতে পারে? আমি বলব যে সবকিছু আজকে ডেটা সাইন্টিস্টের কথা বলি, আজকে ডেটা অ্যানালিটিক্সের কথা বলি, আজকে আমরা এআই এর কথা বলি, আমরা প্রোগ্রামিং এর কথা বলি সবকিছু সবকিছুর পেছনে কিন্তু এখন ডেটা। আর এই ডেটাকে বুঝতে সবচেয়ে প্রথমে প্রয়োজন হচ্ছে গিয়ে ডেটা অ্যানালিটিক্স। কারণ আমরা জানি যে ডেটাকে এনালাইসিস করার জন্য যেই টুল বা যে ডেটাকে এনালাইসিস করার জন্য বা এনালাইসিস থেকে জিনিসগুলোকে বোঝার জন্য যেই সাইন্স সেটাকে আমরা বলছি ডেটা অ্যানালিটিক্স। সো এই যে ডেটা এনালাইসিস থেকে ডেটা অ্যানালিটিক্স এবং সেটার পেছনে যে কিভাবে এই ডেটাকে ব্যবহার করতে হয়, ডেটা থেকে কিভাবে ইনসাইট পেতে হয়, ডেটাকে কিভাবে ম্যানিপুলেট করতে হয়, ডেটাটাকে কিভাবে আমাকে ধারণা দিতে পারে বা ডেটা আমাকে কি বলতে চাইছে, ডেটার স্টোরি টেলিং কি, ডেটা আমাকে এমন কি বলছে যেটা আমি আসলে সাধারণভাবে দেখতে পাচ্ছি না সেটাই হচ্ছে আমাদের আসল মূল মন্ত্র। যে আমাদেরকে শুরু করতে হবে ডেটা এনালাইসিস থেকে মানে ডেটাকে এনালাইসিস করার সক্ষমতা থেকে। আর সেইজন্য আমরা বলছি যে এআই উইল নট রিপ্লেস ইউ। রাদার এ পারসন হু ইজ ইউজিং এআই উইল রিপ্লেস ইউ। সো এইজন্য আমরা বলছি যে আমাদের একদম শুরুতে এআইতে হয়তোবা ঢোকার জন্য একটু ডিফিকাল্ট হতে পারে তবে আমরা বলছি যে এআই বলেন, ডেটা সাইন্টিস্ট বলেন, ডেটা অ্যানালিটিক্স বলেন, ডেটা অ্যানালিস্ট বলেন মানে যেই রোলেই আমি যাই না কেন সব রোলের শুরুতে হচ্ছে গিয়ে ডেটা অ্যানালিটিক্স এবং সেইজন্যই আমি বারবার বলি যে আমাদের যেকোনো জিনিস শেখার শুরুতে ডেটা কি বলতে চাইছে, ডেটাকে কিভাবে পড়তে হবে, ডেটা আমাদেরকে কি ইনসাইট দিচ্ছে সেই ব্যবচ্ছেদটা সেই ব্যবচ্ছেদটা আমাদেরকে জানার জন্য শুরুতেই দরকার হচ্ছে ডেটা অ্যানালিটিক্স। তো আমি যদি এভাবে বলি ব্যাপারটা যে ডেটা অ্যানালিটিক্স হচ্ছে গিয়ে সবকিছুর শুরুতে। আমি আজকে ফিন্যান্সে কাজ করি, আমি আজকে ধরা যাক মার্কেটিং এ কাজ করি, আমি ধরা যাক আজকে সেলসে কাজ করছি, আমি ধরা যাক লিগালে কাজ করছি, আমি ধরা যাক অ্যাডমিনিস্ট্রেশনে কাজ করছি। আমি যেখানেই কাজ করি না কেন সব জায়গায় এখন ডেটা অ্যানালিটিক্স ব্যবহার হচ্ছে। আমরা যদি ডেটা অ্যানালিটিক্সের এই রাইড মানে এই গেমিং গেমটাকে যদি আমরা রাইড করতে না পারি মানে ব্যাপারটা হচ্ছে যে আমার কাছে টুল আছে বাট আমি এটাকে ব্যবহার করছি না। আর সে কারণে আমরা বলব যে ডেটা থেকে শেখার জন্য, ডেটা বোঝার জন্য আমাদেরকে শুরু করতে হবে ডেটা অ্যানালিটিক্স। আর এ কারণে আমার একটা অনলাইন বই আছে ডেটা অ্যানালিটিক্স এর উপরে। এর পাশাপাশি এবার আমি চেষ্টা করব বইটাকে নিয়ে আসার জন্য যে ডেটা অ্যানালিটিক্স এবং ডেটা ভিজুয়ালাইজেশন। বিকজ ডেটাকে যদি আমরা প্রপারলি ভিজুয়ালাইজ করতে পারি তাহলে কিন্তু উই ক্যান টেক দা ডিসিশন। বিকজ ইটস অল এবাউট টেকিং দা ডিসিশন, টেকিং দা ইনফর্ম ডিসিশন। হাউ ডু ইউ টেক ইনফর্ম ডিসিশন বেসড অন ডেটা এন্ড হাউ ডু ইউ রিড দা ডেটা ইউজিং ডেটা অ্যানালিটিক্স এন্ড হাউ এন্ড হোয়াট আর দা টুলস ইউ আর ইউজিং ইটস অলমোস্ট ফ্রি। আমাদের কাছে যেসব টুল আমরা ডেটা অ্যানালিটিক্স এর জন্য ব্যবহার করি দিস আর ফ্রি। এর পাশাপাশি কর্পোরেটে দে হ্যাভ গট মিলিয়নস এন্ড বিলিয়নস অফ ডেটা ফর দ্যাট দে মাইট হ্যাভ সাম পাওয়ার বিআই অর ট্যবলো যেগুলো কমার্শিয়াল অ্যাপ্লিকেশন। উই ক্যান ইউজ দ্যাট। ইভেন উই ক্যান ইউজ পাওয়ার বিআই এন্ড কমার্শিয়াল অ্যাপ্লিকেশন লাইক ট্যবলো ফর লার্নিং উই ক্যান ইউজ ইট ফ্রি। আর আমরা যদি শিখতে চাই শেখার জন্য কিন্তু পাওয়ার বিআই বলেন, ট্যবলো বলেন দিস আর ফ্রি। সো এইজন্য বলছি যে আজকে আমরা যেখানেই থাকি না কেন উই হ্যাভ টু স্টার্ট লার্নিং ডেটা। এন্ড হাউ ডু আই স্টার্ট লার্নিং ডেটা? ইট ইজ নোইং হোয়াট ডেটা, হোয়াট ডেটা ক্যান প্রোভাইড আস এন্ড হোয়াট ডেটা ইজ ট্রাইং টু টেল আস, হোয়াট ডেটা ইজ ট্রাইং টু গিভ আস এন্ড ইট ইজ এ স্টোরি। সো আমরা অনেক সময় বলি যে ডেটা থেকে আমি কি স্টোরি পাচ্ছি কিনা, ডেটা আমাকে তার প্রপার স্টোরি লাইনটা বলতে পারছে কিনা। বিকজ দিনশেষে ডেটা আমাকে যেটা বলছে সেটা আমার কর্পোরেট স্টোরি অথবা ডেটা আমাকে যেটা বলছে সেটা আমার এডুকেশনে যদি ডেটা নিয়ে কাজ করি সেটা হচ্ছে আমার যে ডেটার যে জার্নিটা সেই জার্নিটা হচ্ছে আমার স্টোরি। সেইজন্য বলছি যে ডেটা থেকে স্টোরি টেলিংটাও কিন্তু বোঝার জন্য আমার ডেটা অ্যানালিটিক্স বুঝতে হবে। আর সেইজন্যই আমরা এই ডেটা অ্যানালিটিক্স নিয়ে সবসময় কথা বলি যে শুরুতেই ডেটা অ্যানালিটিক্স। শুরুতেই ডেটা কি বলতে চাইছে সেটাকে আমাদেরকে ভেঙ্গে বুঝতে পারতে হবে। আর সেইজন্যই কিন্তু আমরা বারবার বলছি যে লেটস স্টার্ট, লেটস স্টার্ট উইথ দিস এআই জার্নি। এটা এমন ডিফিকাল্ট কিছু না। আমরা এআই জার্নিতে শুরুতে আমাদের ডেটা অ্যানালিটিক্স নিয়ে কাজ যদি শুরু করি তাহলে আমাদের জন্য ব্যাপারটা আমাদের ফেভারে আসবে। আজকে এই পর্যন্তই থাকছেন তো সামনে?

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

ফসলের রোগ বের করতে মেশিন লার্নিং, মোবাইলে পুরো নিউরাল নেটওয়ার্ক.mp3

চাকরির সুবাদে আমাকে আফ্রিকার বেশ কয়েকটা দেশে একটু লম্বা সময় ধরে থাকার সৌভাগ্য হয়েছিল। আমি দেখেছি আফ্রিকার ফ্রুট বাস্কেট হিসেবে অনেক দেশ ফসল উৎপাদন করলেও তাদের এই ফসল নিয়ে কিন্তু অনেকটা চ্যালেঞ্জ আছে। আমাদের যেমন স্ট্যাপল ফুড হচ্ছে ভাত, সেভাবে আফ্রিকাতে যদি কখন ফসল না হয় তাহলে কিন্তু সবাই কাসাভার উপর ডিপেন্ডেন্ট। এটা ঠিক যে কাসাভা একটা দরকারি ফসল কারণ প্রায় 50 কোটি আফ্রিকান কেন্দ্রিক এই কাসাভা খেয়েই কিন্তু বেঁচে আছেন। এটা দেখতে কিছুটা মূলার মতো তবে খেতে বেশ ভালো আর এটাই কিন্তু সবাই খান যখন অন্যান্য ফসল আসলে হয় না। আমাদের ফসলে যেভাবে রোগ ধরে সেভাবে কাসাভাতে যখন রোগ ধরে সেটা আর খাওয়া যায় না। আমরা একটা জিনিস দেখেছি যে এই কাসাভার কিন্তু অনেকগুলো রোগ আছে আর এই রোগগুলোর আর্লি ডিটেকশন কিন্তু খুবই ইম্পর্টেন্ট কারণ প্রতিটা রোগের ম্যানেজমেন্ট কিন্তু এক এক ধরনের। এতক্ষণ কাসাভা নিয়ে কেনই বা আলাপ করছি? অবশ্যই এই কাসাভার আর্লি ডিটেকশন মানে এই রোগের আর্লি ডিটেকশনের জন্য আমরা ব্যবহার করব টেন্সর ফ্লো মানে মেশিন লার্নিং। অন্যান্য অনেক গাছের মতো এই গাছেরও কিন্তু পাতা দেখে তার রোগ আইডেন্টিফাই করা যায়। সমস্যা হচ্ছে সেই পাতার রোগ আইডেন্টিফাই করা খালি চোখে এটা কিন্তু একটু বেশ সমস্যাই বটে। অনেক ধরনের রোগ আর এক একটা রোগের প্যাটার্নই আলাদা আর এই প্যাটার্ন তো আর সবাই বুঝতে পারছেন না। কোন রোগের প্যাটার্ন কি আর সেই প্যাটার্নটা যদি আমরা সবাইকে শিখাতে চাই সেটার জন্য কিন্তু আসলে অনেক সময় নেবে। আমাদের পয়েন্ট হচ্ছে রোগ হবার আগে তার আর্লি সিমটম মানে আর্লি সিমটম ডিটেকশন করেই কিন্তু আমরা সেটার বা সেই রোগের একটা ম্যানেজমেন্ট করতে চাইতে পারি। আপনার মনে আছে আমরা কিছু অ্যান্ড্রয়েড অ্যাপ দেখেছিলাম টেন্সর ফ্লো বেইজড যেখানে বেশ কিছু অবজেক্ট ডিটেকশন বা অবজেক্ট ক্লাসিফিকেশন করা যায় এই টেন্সর ফ্লোর ডিপ লার্নিং মডেল দিয়ে। আপনি ভাবতে পারেন এটাই সেটার একটা এক্সটেন্ডেড অংশ যেখানে এই পাতার সব ধরনের সমস্যাগুলো কিন্তু একটা ডিপ লার্নিং মডেলে প্রি-ট্রেইন মডেল হিসেবে এই একটা মোবাইল ফোনেই দেয়া আছে। আমরা যেটা দেখলাম যে প্ল্যান্ট ভিলেজের অনেক রিসার্চার মিলে কিন্তু এই অ্যাপ মানে যারা আসলে পেন স্টেট ইউনিভার্সিটির সাথে কাজ করছেন তারা এই অ্যাপটা তৈরি করে দিচ্ছেন যার নাম হচ্ছে নুরু। ওরা যেটা বলেছে যে এই নুরু শব্দটা এসেছে সোয়াহিলি থেকে বাট আমার ধারণা এটা আসলে আরবি থেকে এসেছে নূর থেকে যার অর্থ হচ্ছে আলো। এটার পেছনে যে দর্শনটা কাজ করছে সেটা হচ্ছে যে কৃষকদের যে সমস্যাটা আছে সেটাই মেটানোর জন্য কিন্তু এসছে এই নুরু বা এই লাইট এই আলোটা। মজার কথা হচ্ছে যে এই ফোনে টেন্সর ফ্লো একটা পুরো প্রি-ট্রেইন মডেল ঢুকিয়ে দেয়া আছে যেখানে আসলে দরকার নেই কোন ধরনের ইন্টারনেট। একজন কৃষক যিনি আসলে প্রত্যন্ত এলাকায় থাকেন উনি শুধুমাত্র তার ফোনটাকে একটা পাতার উপর ধরবেন আর তখনই কিন্তু উনি বুঝতে পারবেন যে ওই পাতাতে ওই গাছটার রোগের কোন সিমটম আছে কিনা। ওই গাছে যদি কোন সিমটম মানে রোগের যদি কোন সিমটম ডিটেক্ট করতে পারে তাহলে কিন্তু একটা পপ আপ আসবে বলবে যে আসলে কি ধরনের রোগ হতে পারে আর এটার জন্য ম্যানেজমেন্ট মানে এই রোগটাকে কন্টেইন করার জন্য কি করতে হতে পারে সেটার একটা ধারণা দিয়ে দিবে এই অ্যাপ। এই কাজটা শুরু হয় যখন রিসার্চাররা প্রায় 5000 রোগের হাই কোয়ালিটি ইমেজ কিন্তু তারা লেবেলিং করে নিয়ে আসেন আর সেভাবেই কিন্তু আসলে এই মডেলটাকে ট্রেইন করা হয়। আমরা যেটা বলতে চাচ্ছি যে 5000 হাই কোয়ালিটি ইমেজ থেকে কিন্তু তারা বিভিন্ন রোগের অ্যানোটেশন বা লেবেলিং তারা শুরুতে করে দেন এই প্রি-ট্রেইন মডেলে। বুঝতেই পারছেন আমরা যেভাবে কাজ করি সেই মোবাইল নেট আর্কিটেকচারের মধ্যেই কিন্তু এই প্রেডিকশনটা কিন্তু করা যাবে এক সেকেন্ডের কম সময়ে। এর সবচেয়ে ভালো দিক হচ্ছে এতগুলো নিউরাল নেটওয়ার্ক তারা কিন্তু ঠিক কি শ্রিঙ্ক করে এনেছেন এই মোবাইল ডিভাইসে ফিট করানোর জন্য। আজকে আমরা এই আলাপটা করতে চাইলাম কারণ আমরা শুধুমাত্র কাসাভা নয় এর পাশাপাশি অন্যান্য সব ধরনের রোগকে আইডেন্টিফাই করতে পারলে আমাদের জন্য কাজগুলো বেশ সহজ হয়ে যাবে। আজকে এই পর্যন্ত থাকছেন তো সামনে?

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

কৃত্রিম বুদ্ধিমত্তাকে শিখতে হবে 'ইংরেজি'র মতো করে Taking advantage of Artificial Intelligence, AI.mp3

আপনারা ঠিক ধরেছেন সিঙ্গুলারিটি ইজ নিয়ার। মানে আমরা বলছি যে কৃত্রিম বুদ্ধিমত্তা এখন এমন একটা লেভেলে পৌঁছে গেছে যেখানে সিঙ্গুলারিটি ইজ নিয়ারার। কারণ আমরা আগে ভাবতাম কি যে কৃত্রিম বুদ্ধিমত্তা হয়তোবা মানুষকে সারপ্রাস করতে পারবে না। এরকম একটা ধারণা ছিল। তবে এখন আমরা দেখছি যে কৃত্রিম বুদ্ধিমত্তা মানুষের কাছাকাছি চলে এসেছে। আর সেটার আমরা কিছু ধারণা পাচ্ছি এবং আমরা এখন দেখছি যে চ্যাট জিপিটি যেভাবে কাজ করতে পারছে আমাদের সাথে আমাদেরকে আমাদের সাথে যেভাবে হিউম্যানলি ইন্টারেক্ট করতে পারছে। মানে সবচেয়ে বড় ব্যাপার হচ্ছে যে আমরা কখনো চিন্তাই করতে পারিনি যে হিউম্যান হিউম্যানকে সারপ্রাস করতে পারবে সুপার ইন্টেলিজেন্স। আসলে মানুষই ইন্টেলিজেন্স তৈরি করছে কিন্তু মানুষ এটাকে আরো এমপ্লিফাই করছে। ব্যাপারটাকে আমি যদি এভাবে বলি যে আমরা মানুষ কিন্তু একটা পাঁচ টনের একটা কন্টেইনার তুলতে পারবো না। সো মানুষ কি করলো? একটা পাঁচ টনের কন্টেইনারকে তোলার জন্য ক্রেন তৈরি করলো। সো ক্রেন হ্যাজ লাইক মানুষের শক্তিটাকে এমপ্লিফাই করলো ক্রেন এবং সেটাতেই কিন্তু আজকে কয়েক টনের বা কয়েকশো টনের কন্টেইনার তুলতে পারছে ক্রেনগুলো। তো সেভাবে মানুষের যে ইন্টেলিজেন্স সেই মানুষের ইন্টেলিজেন্সকে আমরা যেটাকে বলছি সুপার ইন্টেলিজেন্স। মানুষের ইন্টেলিজেন্সটাকে এমপ্লিফাই করা হচ্ছে এবং আমরা যখন এটাকে এমপ্লিফাই করছি সেই এমপ্লিফাই করার জন্য কিন্তু আমাদের মানে মানুষের যে ইন্টেলিজেন্স লেভেলটা আছে সেটাকে সুপার ইন্টেলিজেন্স লেভেলে আমরা নিচ্ছি এবং সেখানে আমরা দেখছি যে ওখানে আমরা যখন বিভিন্ন লেভেলে যেমন আমাদের এখন মেডিসিনে মেডিসিনে বিশেষ করে আমরা এই কোভিডের সময় দেখলাম যে আমরা যদি ডিপ লার্নিং মডেলগুলো না ব্যবহার করতাম তাহলে হয়তোবা সেটা আসলে সেই লেভেলে এত সহজে এবং এত তাড়াতাড়ি এতগুলো ভ্যাক্সিনেশন ভ্যারিয়েন্ট আসতে পারতো না। জাস্ট বিকজ উই হ্যাভ ইউজড সুপার লার্নিং। উই হ্যাভ ইউজড লাইক সুপার ইন্টেলিজেন্স। আমাদের যে ইন্টেলিজেন্স আছে তার পাশাপাশি আমরা উই ইউজড সুপার ইন্টেলিজেন্স সো দ্যাট ইট ইউজ লাইক ইট সলভস দা প্রবলেম। আমরা যেটা দেখছি যে পৃথিবীতে এখন এমন কিছু কিছু প্রবলেম আসছে যে প্রবলেমগুলো হিউম্যান ইন্টেলিজেন্স লেভেলে সলভ করা সম্ভব না। আর সে কারণে আমরা বলছি যে যেহেতু এটা হিউম্যান ইন্টেলিজেন্স লেভেলে সলভ করা সম্ভব না দেন উই হ্যাভ টু গো আপ। আর আমরা জানি যে আইনস্টাইন অনেক আগে বলেছেন যে ইফ সাম অফ দা প্রবলেমস আর ক্রিয়েটেড ইন এ লেভেল দেন উই ক্যান নট সলভ দা প্রবলেম স্টেইং ইন দা সেইম লেভেল। সো আমাদের যে সমস্যাটা যেই লেভেলে তৈরি হয়েছে সেই সমস্যাটার সমাধান করার জন্য সেই লেভেলের উপরে যেতে হবে। আর সে কারণে কিন্তু আমরা এখন সুপার ইন্টেলিজেন্সের কথা বলছি একটাই কারণে যে পৃথিবীতে যত কমপ্লেক্স প্রবলেম আসছে এখন ইভেন থিংক অফ দা আর্থকোয়েক। সো এই আর্থকোয়েকের প্রেডিকশন আর্থকোয়েকের এই ব্যাপারগুলো নিয়ে কিন্তু আমরা কাজ করছি যে আসলে সুপার ইন্টেলিজেন্স লেভেল লাগবে এই আর্থকোয়েক আর্লি প্রেডিকশন করার জন্য কোথায় কি হবে না হবে। সো ব্যাপারটা হচ্ছে এরকম যে আমরা অফকোর্স আমরা এখনো ন্যাচারের কাছে বা প্রকৃতির কাছে আমরা কিন্তু আটকে আছি। বাট আমাদের সেই ধরনের ইন্টেলিজেন্স লেভেল বের করতে হবে যেটা আসলে আমাদের প্রকৃতির অনেক কিছুকে আমরা আসলে আমরা বলবো যে এটাকে আমরা এখনই করতে পারছি। আমরা এখনই কিন্তু সুনামি বা অন্যান্য অনেক কিছুই কিন্তু আমরা দেখতে পাচ্ছি যে কিভাবে কি হচ্ছে না হচ্ছে। আমরা আগে থেকে আর্লি ওয়ার্নিং করতে পারছি, প্রেডিকশন করতে পারছি। আমরা এখন মেঘ থেকে কৃত্রিম মেঘ থেকে বৃষ্টি নামাতে পারছি। আমরা অনেক কিছুই করতে পারছি। আমরা উই ক্যান রিক্লেইম দা ল্যান্ড। লাইক সিঙ্গাপুর দে হ্যাভ রিক্লেইমড লট অফ ল্যান্ড ফ্রম দা সি। দে হ্যাভ মানে সিঙ্গাপুরকে আরো বড় করেছে তারা। তারা দে হ্যাভ রিক্লেইমড দা ল্যান্ড ফ্রম দা সি এন্ড দে হ্যাভ এক্সপান্ডেড দে হ্যাভ এক্সপান্ডেড লাইক সিঙ্গাপুর, দুবাই দে হ্যাভ এক্সপান্ডেড দা ল্যান্ড। সো আমরা বলছি যে সুপার ইন্টেলিজেন্স লেভেলে যেখানে আমরা কাজ করছি সেখানে প্রথম কথা হচ্ছে যে উই হ্যাভ দা কম্পিটিশনাল পাওয়ার। আগে আমরা যেভাবে ভাবতাম যে কম্পিটিশনাল পাওয়ার মনে হয় সম্ভব না। 1950, 60, 70, 80 তে কিন্তু আমরা কম্পিটিশনাল পাওয়ার নিয়ে কিন্তু খুব চিন্তা ছিলাম। বাট মুরস ল ব্রেক করে যখন আমাদের এই কম্পিটিশনাল পাওয়ার বাড়লো এর খরচ কমলো এর প্রসেসিং পাওয়ার শুধু বাড়ছে না। প্রসেসিং পাওয়ার পাশাপাশি র‍্যামের দাম কমছে, স্টোরেজের দাম কমছে। এখন স্টোরেজ আমরা কেউ স্টোরেজ কিন্তু আমাদের পিসিতে রাখি না। ইটস অল ইন ক্লাউড। সো ইফ ইউ হ্যাভ এ ক্লাউড এন্ড ইফ ইউ হ্যাভ ইনরমাস প্রসেসিং পাওয়ার ইন দা ক্লাউড এন্ড ইফ ইউ হ্যাভ ইনরমাস র‍্যাম এন্ড এভরিথিং এন্ড স্টোরেজ এন্ড এভরিথিং ইউ ক্যান ডু ইট। ইউ ক্যান ডু সুপার হিউম্যান থিং। ইউ ক্যান কাম আপ উইথ সুপার ইন্টেলিজেন্স। সেটার কিছু কিছু ধারণা আমরা দেখছি চ্যাট জিপিটি, বার্ড অল দিস থিং। এন্ড ইট ইজ গোইং টু গ্রো। আজকে আমরা যেভাবে ভাবছি থিংস আর গোইং টু চেঞ্জ। আর সে কারণে আমরা যারা হিউম্যান উই হ্যাভ টু কিপ আপ। উই হ্যাভ টু কিপ আপ উইথ উইথ দা আন্ডারস্ট্যান্ডিং। উই হ্যাভ টু ইউজ দোস টেকনোলজি। মানে দিস টেকনোলজিস উড বি অলওয়েজ কমপ্লিমেন্টারি। বিকজ দে আর নট গোইং টু রিপ্লেস আস। বাট দেন অফকোর্স হোয়াট উই হ্যাভ টু ডু ইজ লাইক উই হ্যাভ টু বি এবল টু ইউজ দিস টেকনোলজি। আমাদের আমাদেরকে এই টেকনোলজিগুলোকে ব্যবহার করতে পারতে হবে। আমরা যদি এই টেকনোলজিগুলো প্রপারলি ব্যবহার করতে পারি দেন উই উইল বি সুপার ইন্টেলিজেন্স। অফকোর্স তারা আমাদের কমপ্লিমেন্ট করবে। আমাদেরকে সহজেই করবে। আমরা কখনোই মেশিনকে আমরা যেভাবে মুভিতে দেখি আমরা মেশিনকে কখনোই প্রতিপক্ষ ভাববো না। দে আর নট আওয়ার কম্পিটিশন। দে আর আওয়ার কমপ্লিমেন্টারি কাইন্ড অফ আইটেম। উই মেক দেম। উই মেক দেম। উই বিল্ড দেম। উই একচুয়ালি ইউজ দেম ফর আওয়ার ওন গুড ফর আওয়ার বেটারমেন্ট। সো আমরা সেটাই বলছি যে আমরা আসলে চেষ্টা করবো এই এআই বা এগুলো নিয়ে কাজ করার জন্য সো দ্যাট উই ক্যান কমপ্লিমেন্ট আওয়ার জব। আমি বারবার বলি যে উই হ্যাভ টু লার্ন অটোমেশন। উই হ্যাভ টু লার্ন এআই। উই হ্যাভ টু লার্ন দিস বিকজ উই নিড টু হার্নেস দা পাওয়ার অফ এআই। উই হ্যাভ টু হার্নেস দা পাওয়ার অফ এআই। আদারওয়াইজ আদারওয়াইজ অনেকে অনেকের জব নিয়ে প্রবলেম হবে। সো উই হ্যাভ টু হার্নেস দা পাওয়ার হুইচ উইল এলিমিনেট মাই জব। সো যেই স্কিলগুলো আমার জবকে এলিমিনেট করবে সো আই হ্যাভ টু রাইড অন দ্যাট স্কিল এন্ড আই হ্যাভ টু লার্ন দা স্কিল সো দ্যাট আই ডোন্ট গেট এলিমিনেটেড। সো আই হ্যাভ টু স্টে রিলেভেন্ট। মানে হিউম্যান হিউম্যান স্কিল হ্যাজ টু স্টে রিলেভেন্ট। আমাদেরকে উই হ্যাভ টু স্টে ইন দা গেম। হোয়াইল উই আর স্টেইং ইন দা গেম উই হ্যাভ টু স্টে রিলেভেন্ট। উই হ্যাভ টু নো দা নিউ স্কিল। উই হ্যাভ টু লার্ন নিউ স্কিল সো দ্যাট উই ক্যান হার্নেস এআই। আর সেজন্যই আমি এই বইটা পড়ছিলাম। এই বইটা দা অবস্টাকল ইজ দা ওয়ে। দা অবস্টাকল ইজ দা ওয়ে বিকজ দা মোর অবস্টাকল উই গেট দা বেটার উই বিকাম। সো আমি মনে করি যে ইয়েস উই হ্যাভ প্রবলেমস বাট অলসো উই হ্যাভ সলিউশন। সো আই উড সে আমরা কিভাবে এই প্রবলেমগুলোকে সলভ করবো সেটাই আসলে আমাদেরকে বের করতে হবে। এন্ড দা ফার্স্ট এন্ড ফরমোস্ট ইজ টু লার্ন টেকনোলজি। উই হ্যাভ টু স্টে রিলেভেন্ট এন্ড দা এগুলো যেহেতু আমাদেরকে থ্রেট করছে যে আমাদেরকে বেসিক কোডিং আমাদের থেকে আমরা আমাদের থেকে বের হয়ে আসতে হবে। সো উই হ্যাভ টু আপস্কিল দা গেম। উই হ্যাভ টু নো হোয়াট ইজ হ্যাপেনিং। সো ব্যাপারটা ওই লেভেলে আমরা পৌঁছে যাব যে যেখানে আমরা বলছি যে আসলে আমাদেরকে এআই ব্যাপারটা জানতে হবে, বুঝতে হবে, এটা শিখতে হবে। এন্ড ফার্স্ট এন্ড ফরমোস্ট আমি যেটাকে বারবার বলি যে ফার্স্ট প্রিন্সিপাল থিংকিং। উই হ্যাভ টু লার্ন দা বেসিক ক্লিয়ারলি। ইফ ইউ ডোন্ট লার্ন দা বেসিক ইউ ওন্ট বি এবল টু ক্র্যাক ইট। সো আমরা প্রবলেমকে সলভ করবো এন্ড হোয়াইল উই আর সলভিং দা প্রবলেম উই হ্যাভ টু লার্ন দা বেসিকস। উই হ্যাভ টু লার্ন হোয়াট ইজ দা কম্পোনেন্ট অফ দা হোল হোল থিং। সো এজন্য ফার্স্ট প্রিন্সিপাল থিং। আজকে এলন মাস্ক বলেন, এরিস্টটল বলেন এভরিবডি ইউজড দিস ফার্স্ট প্রিন্সিপাল থিংকিং সো দ্যাট দে ক্যান সলভ দা প্রবলেম। দা ফিউচার ইজ অল অ্যাবাউট সলভিং দা প্রবলেম। সো আমি এজন্য বলছি যে আমাদের এআই শিখতে হবে, আমাদের মেশিন লার্নিং শিখতে হবে, আমাদের ডিপ লার্নিং শিখতে হবে সো দ্যাট উই ক্যান স্টে ইন দা গেম। আমরা কখনোই ভাববো না এই এআই, মেশিন লার্নিং দিস আর কাইন্ড অফ লাইক স্পেশালাইজড ফিল্ড। নো। দিস ইজ জাস্ট লাইক লার্নিং ইংলিশ। দিস ইজ জাস্ট লাইক লার্নিং হাউ টু ইউজ কম্পিউটার। দিস ইজ জাস্ট লাইক লার্নিং এনি আদার স্কিল। সো উই হ্যাভ টু লার্ন এআই। উই হ্যাভ টু লার্ন মেশিন লার্নিং। উই হ্যাভ টু লার্ন ডেটা অ্যানালিটিক্স। ইভেন ইফ আই এম ওয়ার্কিং ইন স্বপ্ন, ইভেন ইফ আই এম ওয়ার্কিং ইন রিটেল, ইভেন ইফ আই এম ওয়ার্কিং ইন মার্কেটিং, ইভেন ইফ আই এম ওয়ার্কিং ইন সেলস। সো এভরিহোয়্যার এই জিনিসটা লাগবে। আজকে এআই সবকিছু বলছি বাট উই হ্যাভ টু হার্নেস দা পাওয়ার অফ এআই। এন্ড ইফ উই ক্যান হার্নেস দা পাওয়ার অফ এআই উই আর গোইং টু বি ইন দা গেম। উই হ্যাভ টু স্টে রিলেভেন্ট। আজকে এই পর্যন্তই। অবস্টাকল ইজ দা ওয়ে। ইয়েস দা মোর অবস্টাকল উই গেট দা মোর রেজিলিয়েন্ট উই বিকাম। সো উই হ্যাভ টু লার্ন মেনি থিংস ইন দা ফিউচার। আজকে এই পর্যন্তই। থাকছেন তো সামনে?

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

গল্পে গল্পে কৃত্রিম বুদ্ধিমত্তা, ৭ -- অটোনমাস কার, Understanding Artificial Intelligence in Bangla.mp3

আমরা এর আগে ইন্টেলিজেন্স সিস্টেমের সন্ধানের কথা বলছিলাম যে ইন্টেলিজেন্স সিস্টেমটা কিভাবে হতে পারে বা ইন্টেলিজেন্স সিস্টেমটা কিভাবে বিল্ড করা যেতে পারে সে ব্যাপারে কিন্তু আমরা কয়েকটা বই লিখেছি তো এখানে যেই জিনিসটা আমরা বলছি যে ইন্টেলিজেন্স সিস্টেম মানে ধরা যাক আমরা এখন বলছি যে সেলফ ড্রাইভিং কার সেলফ ড্রাইভিং কার কেন দরকার মানে আমরা হিউম্যান ড্রাইভার যত আমরা এক্সিডেন্ট করি সেলফ ড্রাইভিং কার কিন্তু ভবিষ্যতে সেরকম এক্সিডেন্ট করবে না এবং তাদের রেটটা আরো অনেক কমে আসবে আর সে কারণে আজকে আমরা যাচ্ছি ফস্টার সিটি মানে সান ফ্রান্সিসকো বলেন বা ক্যালিফোর্নিয়ার সবচেয়ে বড় মানে আমি যেহেতু সান ফ্রান্সিসকো এবং ক্যালিফোর্নিয়াতে প্রচুর গিয়েছি এবং আসলে এখানে সিলিকন ভ্যালিতে যাওয়ার একটা বড় ইয়ে হচ্ছে যে ওদের যে বিভিন্ন কোম্পানিগুলো আছে যে স্টার্টআপগুলো আছে তাদের ইকোসিস্টেমগুলো আমি বেশ জায়গায় দেখেছি তবে আমার কাছে মনে হচ্ছে যে একটা সেলফ ড্রাইভিং কার সে যখন গাড়িতে নামছে বা সে যখন রাস্তায় নামছে তার কিছু ধারণা আমরা পাচ্ছি এটা হচ্ছে হোল মার্স ক্যাটালগ থেকে আমি এই ভিডিওটা নিয়েছি এবং যে ফস্টার সিটি যেটা আছে সেটা একটা চমৎকার সিটি আপনি দেখছেন এবং সেখানে আমাদের গাড়িটা রওনা দিল এবং এটা পুরোপুরি সেলফ ড্রাইভিং মোডে আছে তো আপনারা দেখছেন যে সেলফ ড্রাইভিং মোডে যখন একটা গাড়ি যাচ্ছে তখন কিন্তু আমরা এটা ভালো বুঝতে পারছি যে ফাঁকা রাস্তা বাট তবুও আমরা বুঝছি যে গাড়ির সিদ্ধান্ত যেমন এখন দেখুন যে গাড়িটা কিন্তু সিদ্ধান্ত মানে স্টপ রোল মানে ও কিন্তু ফুল স্টপ করেনি কিন্তু সামনের গাড়িটার জন্য কিন্তু সে ওয়েট করেছিল ওয়েট করে কিন্তু তারপরে সে ডানে টার্ন নিল তার মানে হচ্ছে কি এই যে আমরা বলছি যে সেলফ ড্রাইভিং কার কিভাবে সিদ্ধান্ত নিচ্ছে সেখানে বড় যে পারসপেক্টিভটা আমরা বলি যে মেশিন লার্নিং বা ডিপ লার্নিং এ একটা কথা আছে আমরা যেটা বলছি ডিসিশন ট্রি মানে কিভাবে সে সিদ্ধান্তগুলো নিচ্ছে প্রতিটা পদে পদে যেমন আমরা এখন স্টপ স্টপে কিন্তু সে এসে দাঁড়ালো এবং সে কিন্তু দাঁড়াচ্ছে কি জন্য বিকজ সে জানে যে সামনের যে গাড়িটা আছে সেটা কতক্ষণ স্টপ ছিল তো এই যে সিদ্ধান্ত নেবার মানে মানুষের মত করে সিদ্ধান্ত নেবার ক্ষমতা যদি এ ধরনের একটা রোবটের মধ্যে থাকে তাহলে আমাদের পাসপোর্ট রিনিউয়াল বলেন আমাদের এনআইডি বলেন বা আমাদের যে পাসপোর্ট ইস্যুয়েন্স বলেন পুলিশ ভেরিফিকেশন বলেন সেগুলো কেন আমরা মেশিনের হাতে ছাড়তে পারছি না তো আমরা সেটাই বলছি যে একটা যন্ত্র যদি এভাবে গাড়ি চালিয়ে যেতে পারে এবং সেটা ফুল সেলফ ড্রাইভিং মোডে আপনি দেখছেন যে স্টপ সাইনে কিন্তু সে যে রোলিং স্টপ রোলিং তারপরে দেখে সে কিন্তু সামনে যেয়ে ডানে টার্ন নিল তার মানে হচ্ছে কি এটা কিন্তু একটা বড় একটা সিদ্ধান্ত মানে সে কিন্তু অনেকগুলো প্যারামিটার দেখে কিন্তু সিদ্ধান্তটা নিয়েছে এরকম না যে ফাঁকা রাস্তা তাই বলে সে নিজের মত করে টানছে না সে কিন্তু বিভিন্ন জায়গায় যেয়ে যেয়ে কিন্তু সে সিদ্ধান্তগুলো নিচ্ছে এবং তার প্রচুর প্যারামিটার সে ক্যালকুলেট করতেছে তো আমরা হিউম্যান আমরাও কিন্তু প্রচুর প্যারামিটার ক্যালকুলেট করি বাট আমরা বলছি যে আমরা যখন সরকারি যে জায়গাগুলোতে কাজ করি সেখানে কিন্তু আমরা 20 টা বা 30 টা প্যারামিটার নিয়ে কাজ করি ধরা যাক পাসপোর্ট ভেরিফিকেশন বা ধরা যাক একটা ট্রেড লাইসেন্স দেওয়া বা ধরা যাক একটা অ্যাপ্লিকেশন বা একটা নো অবজেকশন সার্টিফিকেট বা একটা এনওসি মানে সেটার জন্য হিউম্যান কি কি লুপে রাখার দরকার আছে কিনা বা হিউম্যান কি ফাইনাল স্টেজে তারা লুপে আসতে পারেন কিনা বা সব জায়গায় কোন লেভেল পর্যন্ত বা আমাদের একটা জাজমেন্ট কি আসলে যন্ত্রের উপর ছাড়া যায় কিনা মানে এই যে ব্যাপারগুলো মানে ইনিশিয়াল জাজমেন্ট গুলোকে যন্ত্রের উপর ছাড়া যায় কিনা এটা নিয়েও কিন্তু আমরা আলাপ করতে পারি যে যেই রুলস সেটগুলো আছে সেই রুলস সেটগুলো আসলে কিভাবে আমরা এখানে ডিসিশন ট্রি মধ্যে ফেলতে পারি কারণ আমরা এখানে বিলিয়ন বিলিয়ন প্যারামিটার নিয়ে যখন জিপিটি থ্রি কাজ করছে যেখানে আমরা ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং এ আমরা দেখছি যে ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং এ জিপিটি থ্রি 175 বিলিয়ন প্যারামিটার নিয়ে কিন্তু সে সিদ্ধান্ত নিতে পারছে তো আমার কথা হচ্ছে সেটাই যে আমরা একটা সেলফ ড্রাইভিং কার যদি এই লেভেল পর্যন্ত কাজ করতে পারে সেখানে আমরা হিউম্যান মানে কেন যন্ত্রের উপর সেই সিদ্ধান্তগুলো আমরা ছাড়তে পারছি না আজকে এ পর্যন্তই থাকছেন তো সামনে

রকিবের সাথে কৃত্রিম বুদ্ধিমত্তা: সামনের ৫ বছর

গল্পে গল্পে কৃত্রিম বুদ্ধিমত্তা, ৬ - কেন ছুটছি আমরা Understanding Artificial Intelligence in Bangla.mp3

মানুষ কেন কৃত্রিম বুদ্ধিমত্তা নিয়ে এত আগ্রহ প্রকাশ করছে এর ভেতরে যদি আমরা ঢুকতে চাই সেটার ব্যাপারে আমি বেশ কিছু আলাপ করেছি এবং বেশ কয়েকটা গল্প দিয়েছি যে কেন মানুষ কৃত্রিম বুদ্ধিমত্তাকে চাচ্ছে এবং এই কৃত্রিম বুদ্ধিমত্তা নিয়ে কেন এত হইচই শুরু হলো তো সেখানে আমি বলছি যে আমার বেশ পছন্দের একটা বই যেটাকে আমি লিখেছিলাম প্রায় তিন বছর আগে এই বইটাতে আমি সেই কিছু আলাপ দিয়েছিলাম যে কেন মানুষ কৃত্রিম বুদ্ধিমত্তাকে চাচ্ছে তো এর মধ্যে একটা আলাপ আছে এরকম যে এটা কিছুটা ফ্যান্টাসি মানে ফ্যান্টাসি এরকম হতে পারে যে আমি বলতে পারি যে আমরা যে কৃত্রিম বুদ্ধিমত্তা চাচ্ছি যে মানুষ যন্ত্রকে চাচ্ছে তার পাশে দাঁড়াতে কেন সেটা নিয়ে যদি আমি এই বইটা থেকে সরাসরি পড়ি দেখা যাবে যে মানে এখানে আমরা আমি লিখেছিলাম শত বছর ধরে ইন্টেলিজেন্ট মেশিনের খোঁজে মানুষের ইচ্ছার বহিঃপ্রকাশের হিসাব আমরা দেখেছি অনেক কিছু আয়রন ম্যানের জার্ভিস মানে আয়রন ম্যানের জার্ভিস টার্মিনেটর নাইট রাইডারের কিট পার্সোনালিটি গুলোর প্রতি আমাদের ব্যাকুলতা অথবা উৎসুক ভাব একটা পাওয়ারফুল আইডিয়া যন্ত্র মানুষের মত চিন্তা করতে পারছে কি পারছে না অথবা চিন্তা করতে পারার মত যন্ত্র তৈরি হচ্ছে কি হচ্ছে না সেটা থেকে সবচেয়ে বড় ব্যাপার হচ্ছে মানুষ হাল ছাড়ছে না এই আইডিয়া থেকে তার মানে হচ্ছে গিয়ে আমরা যদি সেটাকে এভাবে চিন্তা করি যে আমরা কৃত্রিম বুদ্ধিমত্তা বা যন্ত্রকে ধরা যাক আপনি যদি খুব এক্সাইটেড হন যখন আপনার একটা রোবট আপনি একটা রোবটকে একটা কথা বলছেন সে আপনার কথামত কাজ করছে এটা তো অবশ্যই একটা ফ্যান্টাসি যেমন আমরা যদি সেই ট্রেনের টিকিট কাটার ব্যাপারে যদি বলি যে ট্রেনের টিকিট কাটার ব্যাপারে আমরা সেই কমলাপুর রেল স্টেশনে যাচ্ছি সেখানে লাইন দিচ্ছি তারপর টিকিট কিনছি তো সেখানে আমি কেন এত কষ্ট করব আমার যদি একটা রোবট থাকতো আমি রোবটকে বলতাম যে তুমি কমলাপুর রেল স্টেশনে 24 ঘন্টা বা যেই সময়টা লাগুক না কেন সেই সময়টা তুমি ওখানে লাইনে দাঁড়িয়ে থেকে আমার জন্য টিকিট কেটে নিয়ে আসো এটা একটা পাওয়ারফুল আইডিয়া মানে ব্যাপারটা হচ্ছে এরকম যে আমরা বলছি আমরা অনেক কিছুই বলছি বাট এই কৃত্রিম বুদ্ধিমত্তা দিয়ে আমরা অনেক কিছুই করব যেমন আমরা এখানে আগে বলেছি যে ডিএনএ সিকোয়েন্সিং কৃত্রিম বুদ্ধিমত্তা দিয়ে আমরা প্রাকৃতিক বিপর্যয় হবার আগেই আমরা আগে থেকে বুঝতে পারব বা আমরা যখন গ্যালাক্সি জয় করব বা আপনি দেখুন যে আয়রন ম্যান যে আয়রন ম্যানের যে সুটটা আছে সেটার পেছনে কিন্তু কৃত্রিম বুদ্ধিমত্তা ব্যবহার করা হয়েছে যে আয়রন ম্যান নিজে যতটুকু সে চিন্তা করতে পারছে বাট তার সাথে কৃত্রিম বুদ্ধিমত্তা তাকে সাহায্য করছে যে সে কিভাবে তার পুরো সিস্টেমটাকে ঠিকমত চালাতে পারে তো ব্যাপারটা এরকমই যে কৃত্রিম বুদ্ধিমত্তার ব্যাপারে যে আমাদের যে ফ্যান্টাসিটা চলছে সেটা কিন্তু শেষ হবার নয় মানে এখানে যে জিনিসটা আমি বারবার বলি যে যন্ত্র মানুষের মত চিন্তা করতে পারছে কি পারছে না অথবা চিন্তা করতে পারার মত যন্ত্র তৈরি হচ্ছে কি হচ্ছে না সেটা থেকে সবচেয়ে বড় ব্যাপার হচ্ছে মানুষ হাল ছাড়ছে না এই আইডিয়া থেকে মানে আমার একটা যন্ত্র লাগবে যেটা হচ্ছে গিয়ে বুদ্ধিমান এই বুদ্ধিমান যন্ত্রকে দিয়ে আমি কি করব বা আমি ভবিষ্যতে কি প্ল্যান আছে সেটা নিয়ে আমি পরে আলাপ করছি বাট আমি মনে করছি যে কৃত্রিম বুদ্ধিমত্তাটা কিন্তু এখন আমাদের ডেইলি লাইফে চলে এসেছে এমন যেমন আমার সামনে যে ফোনটা আছে আমার একটা Samsung A22 ফোন যেটাতে আমি রেকর্ড করছি এ ধরনের অনেক ফোনে কিন্তু বলা আছে এআই ক্যামেরা মানে হচ্ছে গিয়ে আমি যখন ক্যামেরাটাতে তুলছি তখন আমার জন্য যে হোয়াইট ব্যালেন্স বা আমার জন্য যে ফোকাস বা আমার জন্য যে তার আমার চেহারা বা আমার স্কিন টোন আমার স্কিন টোন মিলিয়ে সে কিন্তু তার জন্য কালার জেনারেট করবে বা তার জন্য ফিল্টার তৈরি করবে তার মানে হচ্ছে গিয়ে তার মধ্যে বেশ কিছু মডেল ডেটা দেওয়া আছে যে এই মানুষ হলে এটা হবে বা এত দূরে হলে এত হবে বা অটোফোকাসটা কিভাবে হবে এটা যদি আমি ম্যানুয়ালি সেট করতে চাইতাম তাহলে কিন্তু আমার এই পাশে বসে আর রেকর্ড করতে হতো না ওখানে কিন্তু আরেকজনকে আমার লাগতো তো এই এআই ক্যামেরার একটা বড় কাজ হচ্ছে গিয়ে আমাদেরকে সাহায্য করা যে আমি যদি ওই পাশে থাকতাম এবং ওই পাশে থেকে একটা ভিডিও করার জন্য আমার যতটুকু এডজাস্টমেন্ট লাগতো সেই এডজাস্টমেন্টটা কিন্তু এই এআই ক্যামেরা মানে আমি বলতে চাচ্ছি যে এই পেছনের এআই সে তার মেশিন লার্নিং মডেল থেকে তার ডাটা সেট থেকে বিভিন্ন আগের ডাটা সেট থেকে বুঝে তারপর সে বিভিন্ন ধরনের এডজাস্টমেন্ট যে রুমে কতটুকু লাইট আছে আমার স্কিন টোন কেমন তারপর হচ্ছে গিয়ে আমার আমি কত দূরে আমার জন্য তার ফোকাসটা কি করতে হবে এটাই কি এটাকেই তারা বলছে এআই ক্যামেরা অনেকটা বাজওয়ার্ড মানে আমি বলতে পারি যে এটা অনেকটাই বাজওয়ার্ড যে আমরা সব জায়গায় এআই ব্যবহার করছি বাট আই ডোন্ট মাইন্ড কারণ উই হ্যাভ টু স্টার্ট সাম হয়ার আমরা আমাদের আসল কৃত্রিম বুদ্ধিমত্তা কোথায় আসবে সেটা নিয়ে আমরা অবশ্যই আলাপ করব তবে শুরুতে আমরা যদি এই ধরনের এআই যে ক্যামেরার যে এআইটা বা এই যে ফোকাসটা এই এআইটা নিয়েও যদি আমরা কাজ করি তাহলে কিন্তু ভবিষ্যতে আমাদের অনেক কাজ করার স্কোপ আছে আগে একটা ইন্ডাস্ট্রিয়ালিজেশন যুগ ছিল যেখানে আমাদেরকে হেভি মেশিনারি নিয়ে কাজ করতে হতো এখন আমি দেখছি যেহেতু আমি সরকারের প্রায় 31 বছর ছিলাম এবং বিভিন্ন বড় বড় ফ্রেমে কাজ করেছি আমরা দেখেছি যে আসলে এখন হার্ডওয়ারের দাম খুব মিনিমাল সবচেয়ে বেশি যেটা আমরা বলছি ইন্টেলেকচুয়াল প্রপার্টি মানে ইন্টেলেকচুয়াল প্রপার্টি যেটাকে আমরা বলছি আইপি মানে সফটওয়্যার মানে আমরা যেকোনো ডেলের সার্ভার কিনতে পারি আমরা বলতে পারি যে আমরা এইচপি সার্ভার কিনতে পারি যেগুলোর দাম খুব বেশি না এবং এগুলো এখন স্ট্যান্ডার্ড হয়ে গেছে কিন্তু যেটা স্ট্যান্ডার্ড হয়নি বা যেটা নিয়ে এখন আমরা সবচেয়ে বেশি কাজ করছি এবং সবচেয়ে ভালো লাগছে সেটা হচ্ছে গিয়ে আমাদের সফটওয়্যার আর এই সফটওয়্যার কাজ করতে আপনার বিদেশ যেতে হবে না আপনি বাংলাদেশে বসেই কিন্তু এই ধরনের এআই রিলেটেড সফটওয়্যার তৈরি করতে পারবেন আর সেই কারণেই কিন্তু এত বই আমি এতগুলো বই লিখেছি একটাই কারণে যে আমাদের যারা নতুন প্রজন্ম আছে তারা যাতে ভবিষ্যতে এটলিস্ট না বলতে পারেন যে আমরা চেষ্টা করিনি আমরা নতুন প্রজন্মদের জন্য চেষ্টা করিনি যে তারা কোন পথে হাঁটবে আর সে কারণে বাংলায় এই ছয়টা বই লেখার পেছনে একটাই কারণ যে আমরা যখন এ ধরনের বইগুলো লিখি আমি জানি যে এ ধরনের বই ইংরেজিতে আরো ভালো আছে বা আছে কিন্তু আমরা ভাবছি যে ইংরেজিতে একটা জিনিস বোঝার জন্য যেরকম আপনার ধারণা দরকার তার থেকে আমি একটু বেশি হেঁটেছি মানে আমি যেহেতু নিজে বাঙালি আমি নিজে বাংলাদেশী সুতরাং আমি জানি যে আমাদের বাংলাদেশী স্টুডেন্টরা তাদের জন্য আসলে কি এক্সট্রা নলেজ দরকার বা কি দরকার যেটা ইংরেজিতে বইতে তারা ভেবে নেয় যে ওই ধরনের বেসিক আইডিয়াটা একজনের আছে তো সেই জন্যই মানে এ ধরনের বইগুলো যখন আমি লিখি তখন এটার মধ্যে আমার অনেক বাস্তব অভিজ্ঞতা আমি লিখি একটাই কারণে যে আমি ভাবছি যে আমি যেভাবে শেখার সময় যেরকম একটা বাংলা বই হলে আমার জন্য ভালো হতো আমি সেরকম একটা বই যদি এখন পেতাম তাহলে কেমন হতো আমি সেভাবেই এই ধরনের বইগুলো লেখার চেষ্টা করি আর এই বইগুলোর আমি মনে করি যে এমনভাবে আমি লিখছি যেগুলো যেকোনো স্কুলের ক্লাসে ব্যবহার করা যাবে ইভেন এই ধরনের ভিডিও আমি যে ভিডিওগুলো করছি এই ভিডিওগুলো কিন্তু যেকোনো ক্লাসে ব্যবহার করা যাবে আজকে এই পর্যন্তই থাকছেন তো সামনে

নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ

বেসিক ডাটা ভিজ্যুয়ালাইজেশন গুগল শিটএক্সেল.mp3

ডেটা অ্যানালিটিক্সের পেছনে সবচেয়ে বড় যে জিনিসটা কাজ করে যে সেই ডেটা থেকে আমরা ঠিকমত সিদ্ধান্ত নিতে পারছি কিনা বা বিজনেস ডিসিশনটা আমরা পাচ্ছি কিনা। যদিও আমরা আজকে টাইটানিক ডেটা সেট নিয়ে কিছু কথা বলব তবুও আমি বলব যে প্রতিটা বিজনেস প্রবলেমের পেছনে সেই ডেটা আমাদের কাছে যে ডেটাটা আছে সেই ডেটা থেকে আসলে আমরা ঠিকমত ইনসাইট পাচ্ছি কিনা বা সেটার পেছনে ডাটা ভিজুয়ালাইজেশনটা ঠিকমত আমরা করতে পারছি কিনা। তো এই ইনপুট আমরা তখনই পাবো আমরা যখন এই ডেটাটাকে ঠিকমত বুঝতে পারব। আর এই ডেটা থেকে বোঝার পরে আমরা যখন এটা নিয়ে কাজ করব তখন এই ডেটা ভিজুয়ালাইজেশন নিয়ে একটা বড় ইস্যু থাকে। কেন আমরা ডেটা ভিজুয়ালাইজেশনের কথা বলছি কারণ আমরা যার হয়ে কাজ করছি বা আমরা যেই কোম্পানি হয়ে কাজ করছি বা আমি যখন একটা প্রবলেম সলভ করছি আমাদের একটা বড় ইস্যু হচ্ছে আমরা বিজনেস যে ডিসিশন নিব সেই বিজনেস ডিসিশনের পেছনে যে ডেটাটা আছে সেই ডেটা থেকে আমরা ঠিকমত ইনসাইটটা নিতে পারছি কিনা বা সেই ডেটা থেকে আমরা আমাদের তথ্য পাচ্ছি কিনা। ধরা যাক আমাদের এখানে যে সারভাইভ যে ব্যাপারটা আছে সেখান থেকে আসলে আমরা বুঝতে পারছিলাম না যে আসলে আমাদের এখানে কারা কত পারসেন্ট বা কারা কারা সারভাইভড মানে কারা কারা বেঁচে গিয়েছেন বা কারা কারা মারা গিয়েছিলেন। ফিমেল বা মেল কারা কারা এখানে যাচ্ছিলেন তাদের একটা পার্সেন্টেজ আমাদেরকে জানা। তার মানে হচ্ছে কি একটা সাধারণ ডেটা থেকে একটা ডেটা ভিজুয়ালাইজেশন তৈরি করাও কিন্তু একটা বড় ইস্যু। যেহেতু আমরা আমাদেরকে ম্যানেজমেন্ট আমাদের ম্যানেজমেন্ট বা আমাদের যারা সিনিয়র আছেন তাদেরকে আমাদের ডেটাটা ঠিকমত বোঝাতে হবে। এখানে যে জিনিসটা আমরা সবসময় বলি যে আমরা কেন বিজনেস ডিসিশন বা আমরা কেন টাইটানিক ডেটা সেট দিয়ে শুরু করি কারণ টাইটানিক ডেটা সেট থেকে শুরু করলে আমাদের কাছে একটা ছোট ডেটা সেট আমরা বলছি ধরা যাক আমাদের এই train.csv ফাইলটা। এটা খুবই একটা ছোট ডেটা সেট। মাত্র 50 কিলোবাইটের একটা ফাইল আসলে কতটুকু আমাদেরকে ইনসাইট দেয় সেটা একটা চমৎকার বিষয় যে আমরা আসলে এখানে কিভাবে এই ডেটা থেকে আমরা ইনসাইটটা পাবো। তো আজকে আমরা যদি কথা বলি আমরা আসলে এই train.csv আমি একটু ঠিক করে নিচ্ছি যে আমাদের যে train.csv ফাইলটা আছে সেই train.csv ফাইলটাকে আমরা আসলে একটু ছোট করে নেই। সো এখানে আমরা যদি ফিরে আসি আমাদের কাজে আমাদের এখানে train.csv ফাইলটা আছে এই ফাইলটাকে আমরা ডাউনলোড করব এবং এই ডাউনলোড করার উপায় হচ্ছে কি আমরা এখান থেকে ডাউনলোড করে নেব এবং এর পেছনে আমরা কিন্তু এখানে কিন্তু বেশ কিছু ইনসাইট পাই এখান থেকেই। তো সেই জন্য আমরা আমাদের যেখানে 891 টা রো আছে সেটার ব্যাপারে আমরা একটা ধারণা নেব। তো এটা সবচেয়ে সহজ উপায় কি আমরা যদি সহজ উপায়ে ফিরে যাই তাহলে আমরা মনে করি যে আমাদের যে কাজটা আছে বা আমরা আসলে আমি যে কাজটা করেছি এর আগে সেটা হচ্ছে যে আমাদের যে train.csv ফাইলটা আছে এই train.csv ফাইলটাকে আমরা আসলে google sheet এ খুলেছি। আমরা এটাকে ক্লোজ করে দেই এবং আমরা এই train.csv ফাইলটাকে আমরা আসলে ওপেন করি। এখান থেকে আমরা ওপেন উইথ google sheet এবং এখান থেকে আমরা train.csv ফাইলটাকে আসলে খুলছি। আমি কেন excel বা google sheet এ ফেরত আসছি কারণ এটা দিয়ে কিন্তু প্রচুর কাজ করা যায় যেটার জন্য আসলে আমরা আমাদের অত স্কিল সেট জানার দরকার নেই। আমাদের সাধারণ সবকিছু দিয়ে কিন্তু excel বা google sheet নিয়ে আমরা কাজ করি। তো আমরা যদি ফিরে আসি আমাদের যে train.csv ফাইলটা আমরা এখানে দেখছি এটা কিন্তু আমরা এখানে ওপেন করেছি এবং সেখানে কিন্তু আমরা বেশ কিছু ডেটা দিচ্ছি যে প্যাসেঞ্জার আইডি সারভাইভ মানে কারা কারা বেঁচে গিয়েছিলেন প্যাসেঞ্জার ক্লাস নাম সেক্স মানে হচ্ছে জেন্ডার বয়স। তো আমার মনে হচ্ছে আজকে আমরা এখানে এই পর্যন্ত এই ডেটাটা যদি আমরা রাখি তাহলে কিন্তু আমার কাছে মনে হচ্ছে যে এই ডেটা নিয়ে আজকে কিছু ইনসাইট বের করা যাবে বা ডেটা ভিজুয়ালাইজেশন করা যাবে। আমরা এই মুহূর্তে আমরা এই ডেটাটাকে আমরা হাইড করছি। তো তার জন্য আমার এখানে কি করতে হবে আমাকে এই মুহূর্তে যদি এই ডেটাকে যদি হাইড করতে হয় তাহলে আমরা আমরা কি করব এটাকে সিলেক্ট করব প্রথমে। সিলেক্ট করে আমরা এখান থেকে রাইট অ্যারো কি করে আমরা সবকিছুকে আমরা হাইড করব। এটাকে রাইট ক্লিক করে করলাম। আমরা এখান থেকে হাইড কলাম করে দিলাম। এখন আমার সবচেয়ে সহজ একটা যদি ডেটা ভিজুয়ালাইজেশন করতে চাই সারভাইভ মানে এখানে কত পারসেন্ট বা কতজন বেঁচে গিয়েছিলেন বা কতজন মারা গিয়েছিলেন। আমরা যদি এখানে দেখি আমাদের এখানে রেকর্ড সংখ্যা কত এর আগে কিন্তু আমরা দেখিয়েছিলাম যে রেকর্ড সংখ্যা এখানে কিন্তু আমরা বুঝতে পারছি যে 891। সো এখানে আমরা যদি যেকোনো রেকর্ড সংখ্যা আমি আপনাকে দেখাবো যে কিভাবে রেকর্ড সংখ্যা নিয়ে কাজ করতে হয় বাট তবুও আমি আগে যদি একটু দেখি যে আমরা এখানে বলছি যে সারভাইভ মানে আমরা আসলে সারভাইভ কতজন কতজন আসলে এখানে বেঁচে গিয়েছিলেন বা কারা মারা গিয়েছিলেন। আমরা এখানে পেরিস্ট সারভাইভড এবং পেরিস্ট আমরা দুটো একটা সেটিং করলাম এবং এটাকে আমরা বললাম যে আমরা এখানে কতজন সারভাইভড। ধরা যাক আমরা এখানে বলছি সারভাইভড। সারভাইভড বললাম এবং তার পেছনে আমরা বললাম পেরিস্ট মানে যারা আসলে মারা গিয়েছেন। এখন এই জিনিসটা আমরা যখনই দেখাবো যে সারভাইভড এবং পেরিস্ট যখন এটা নিয়ে কাজ করব তখন আমাদের এখান থেকে ডেটাটা একটা ইনসাইট পেতে হবে। তা আমরা এই এটা এবং এই সবকিছুকে আমরা বোল্ড করে ফেলছি যাতে আমাদের এটা বুঝতে সুবিধা হয়। এখন আমাকে সারভাইভ বের করতে হবে। তো আমার এখানে একটা ছোটখাটো আমাকে ফর্মুলা ব্যবহার করতে হবে। এখানে google sheet বা excel এর ফর্মুলাগুলো খুব সোজা। আমরা যেকোনো জিনিস আমরা হচ্ছে ইকুয়ালস টু। আমরা যখনই ইকুয়ালস টু দিবো তখনই কিন্তু আমার একটা নতুন ফর্মুলা শুরু হয়ে যাবে। সুতরাং আমার এখানে কি করতে হবে কাউন্ট করতে হবে। কি কাউন্ট করতে হবে? আমার এখান থেকে সারভাইভ যে কলামটা আছে এখানে আমার জিরো মানে হচ্ছে যারা মারা গিয়েছেন আর ওয়ান হচ্ছে যারা বেঁচে গিয়েছেন তাদেরকে আসলে আমরা কাউন্ট করব। এখন কাউন্ট করার জন্য আমার সহজ উপায় হচ্ছে কি আমরা কাউন্ট লিখবো। কাউন্ট লেখার সঙ্গে সঙ্গে কিন্তু আমাকে কাউন্ট ইফ যে ব্যাপারটা এখানে কিন্তু আমাকে বলবে যে একটা কন্ডিশনাল স্টেটমেন্ট এবং সেখানে কিন্তু কাউন্ট এক্রস রেঞ্জ মানে আমার যে রেঞ্জটা আমরা সিলেক্ট করব যে এখানে আমরা যে এই পুরো রেঞ্জ থেকে আমরা নিব। এখানে কাউন্টে আমাকে বলছি যে এই মুহূর্তে আমাকে রেঞ্জ সিলেক্ট করতে হবে। সুতরাং আমি কি করছি আমি সারভাইভে চলে গেলাম। এখান থেকে আমি যদি শিফট বাটন দিয়ে আমি ডাউন অ্যারো কি দেই তাহলে এটা আসলে নামতে থাকবে। আমি যদি কন্ট্রোল ডাউন অ্যারো কি দেই তাহলে কিন্তু আমার এখানে সর্বোচ্চ যেটা হচ্ছে 891 আমার 891 টা রেকর্ড আছে। এখানে 892 হচ্ছে এই কারণে যে আমার এখানে উপরে একটা কলাম হেডার ছিল। এটা আমার 891 এর মধ্যে আমি এখানে বলছি যে আমাকে বের করতে হবে যে ধরা যাক আমার এখানে সারভাইভ যেটা ছিল তার মানে হচ্ছে ওয়ান। আমাকে এখানে সিলেক্ট করতে হবে ওয়ান। মানে আমি এখানে কতজন মানে এর মধ্যে ওয়ান কতগুলো ওয়ান আছে সেটা আমাকে বের করতে হবে। সুতরাং আমি এখানে ওয়ান দিলাম। দেওয়ার পর আমি কলোন ক্লোজ করতে পারি অথবা আমি এভাবে আমি ক্লোজ করে দিতে পারি। আমাকে কিন্তু সঙ্গে সঙ্গে সে আমাকে দেখাচ্ছে যে 342 মানে হচ্ছে গিয়ে আমার এখানে 342 হচ্ছে গিয়ে আমার এখানে বেঁচে গিয়েছেন সারভাইভ 342। এখন যদি আমরা পেরিস্ট অংশে আসি এবং সেখানে যদি আমরা একইভাবে ক্যালকুলেট করি যে আমাদের এখানে সারভাইভ যে কলামটা আছে সে কলামের মধ্যে জিরো মানে যারা হচ্ছে মারা গিয়েছেন তাদের সংখ্যাটা কত সেটা যদি আমরা এখান থেকে বের করি তাহলে আমাদের কিন্তু একই জিনিস অথবা আমরা এর আগেও কিন্তু আমাদের যে আগের ফর্মুলাটা ছিল সেটাকেও কপি করতে পারতাম। তবে সেটার জন্য আমাদের কিছু রেফারেন্সিং দরকার ছিল বাট আমরা এটা নিজে থেকেই শুরু করি। আমরা ইকুয়ালস টু দিলাম এবং আমরা এখান থেকে বলছি কাউন্ট ইফ। সুতরাং আমাদের এখান থেকে কাউন্ট ইফ আমরা চুজ করলাম এবং আমরা একইভাবে আমাদের রেঞ্জ সিলেক্ট করতে যাচ্ছি। আমাদের একই রেঞ্জ সুতরাং আমরা এখান থেকে বললাম এবং এটার মধ্যে আমি শিফট কন্ট্রোল ডাউন অ্যারো কি। আমার কিন্তু পুরোটা চুজ হয়ে গেল। এখন আমার অপশন হচ্ছে কি আমি আসলে এখানে কাউন্ট কি করব? কোনটা কাউন্ট করব? আমার এখানে কাউন্ট করার পয়েন্ট হচ্ছে জিরো। কারণ এর আগে আমরা ওয়ান করলাম এখানে আমরা জিরো করছি। আমরা যখন জিরো কাউন্ট করলাম আমাকে কিন্তু সে 549 এর একটা অপশন সে আমাকে দিচ্ছে। আমি এটাকে ক্লোজ করতে পারি বা আমি এখান থেকে এন্টার চাপ দিয়ে দিতে পারি। তার মানে হচ্ছে কি আমার এখান থেকে কিন্তু বলা যাচ্ছে যে সারভাইভড 342 এবং পেরিস্ট হচ্ছে গিয়ে আমাদের হচ্ছে 549। এখন আমরা এটাকে একটা অন্যভাবেও কাজ করতে পারি। বাট আমি এই দুটোকে আমি অপশন করে নিলাম। নেওয়ার পর আমি এখান থেকে আমার বর্ডার সবচেয়ে নিচের বর্ডারটা আমরা সিলেক্ট করলাম যাতে দেখতে ভালো লাগে এবং এখানে আমি বললাম টোটাল। ধরা যাক আমি এখানে বলছি টোটাল। আমার আসলে আমার যে টোটাল সংখ্যা আছে তার সাথে এটা মেলে কিনা। আমরা যদি এখান থেকে দেখি টোটাল আমরা যদি বের করতে চাই এখানেও কিন্তু আমরা এখানে সাম করতে পারি যেমন আমরা যদি এখানে বলি ইকুয়ালস টু। ইকুয়ালস টু পরে কিন্তু আমি এখান থেকে সাম বলতে পারি যে আমরা যদি সরাসরি যদি আমরা সাম করতে চাই সাম করে কিন্তু আমরা সরাসরি বলতে পারি যে আমাদের রেঞ্জ কত। এখানে ভ্যালু মানে আমার এখানে ভ্যালু রেঞ্জটা কত। আমি এখানে বলছি যে এটা এইটা এবং নিচেরটা মানে আমার দুইটা। সুতরাং আমার এখান থেকে শিফট চাপ দিয়ে আমি এটা চাপ দিলাম। চাপ দিয়ে আমি কিন্তু এটাকে ক্লোজ করে দিতে পারি। আমি এটাকে এন্টার দিলেই কিন্তু আমার এখানে সাম চলে আসলো। তার মানে হচ্ছে কি আমাদের টোটাল 891। মানে আমার এখানে কিন্তু এই কাজটা হয়ে গেল। এভাবে কিন্তু আমরা আসলে অন্যান্য জিনিসও দেখাতে পারি। যেমন আমরা একটু আগে আলাপ করছিলাম যে এটার একটা ডেটা ভিজুয়ালাইজেশনটা আমরা করতে চাই। সুতরাং আমরা এখান থেকে আমরা বলছি যে আমাদের যে ডেটাটা আছে সেটাকে আমরা এখান থেকে আমরা দেখাতে যাচ্ছি। আমরা এটাকে সিলেক্ট করলাম করার পর আমরা বলছি যে ইনসার্ট। ইনসার্টে যেয়ে আমরা চার্টে চলে গেলাম এবং সেখান থেকে কিন্তু আমার একটা চার্ট সে জেনারেট করবে এবং সেখানে কিন্তু সে আমাকে দেখাচ্ছে যে সারভাইভড আসলে কম এবং কত পারসেন্ট এবং পেরিস্ট কত পারসেন্ট সেটা একটা সে ধারণা আমাদেরকে দিচ্ছে। আমি এটাকে কাস্টমাইজ করতে পারি এবং এই পাই চার্টের জন্য আমার এখানে বর্ডার কালার আমি এখান থেকে বর্ডার কালার সাদা দিতে পারি। সো এই যে ব্যাপারটা যে আমরা আসলে আমাদের যেকোনো জিনিস আমরা খুব সহজেই এই জিনিসগুলো করতে পারি এবং সবচেয়ে বড় জিনিসটা হচ্ছে যে এই জিনিসগুলো আসলে আমাদের বিভিন্ন ব্যাপারগুলো নিয়ে আমরা কিন্তু এখানে কাজ করতে পারি। তার মানে হচ্ছে কি আমাদের একটা চুজ করলাম। আমাদের একটা ডেটা চুজ করলাম এবং সেখান থেকে কিন্তু এখান থেকে পেলাম। এভাবে কিন্তু আমরা আমাদের সবকিছুই কিন্তু আসলে আস্তে আস্তে করতে পারি। এখন ধরা যাক আমাদের একটা সহজ একটা উপায় আমরা কি করতে পারি যে আমাদের বয়স মানে এখানে যে বয়সটা আছে আমি আপনাকে যদি একটু এভাবে দেখাই যে আমাদের যে বয়সটা আছে সেই বয়সটার মধ্যে আসলে আমাদের এখানে আমাদের যে বয়সের রেঞ্জটা আছে সেটা যদি আমরা এখান থেকে দেখি আমাদের এই বয়সের রেঞ্জের মধ্যে দেখা যাচ্ছে যে 22 বছরের লোক আছে 38 বছর 26 54 দুই বছর 58 বছর 55 বছর। তার মানে হচ্ছে কি বিভিন্ন বয়সের রেঞ্জে মানুষ কিন্তু এখানে আসছেন। তা আমরা যদি এটাকে যদি এভাবে দেখি যে না আমরা আসলে এই জিনিসটাকে আমরা সাধারণভাবে দেখি। এখন যে জিনিসটা আমরা এখানে দেখতে পারি যে আসলে আমরা এখানে যে জিনিসটা আমরা দেখেছি যে আমাদের যে বয়সের রেঞ্জটা আছে সেটাকে যদি আমরা সিলেক্ট করি। ধরা যাক আমরা বয়সের রেঞ্জটাকে আমরা সিলেক্ট করলাম এবং সেখান থেকে আমরা বললাম ইনসার্ট। এখন আমরা যদি এভাবে বের করতে চাই যে না আমাদের এখানে কোন বছরের বা কোন বয়সের লোক সবচেয়ে বেশি ওই টাইটানিকে ট্রাভেল করছিলেন সেটা যদি আমরা এখানে বের করতে চাই তাহলে আমরা এখান থেকে সরাসরি চার্টে চলে যাচ্ছি এবং সেখান থেকে কিন্তু আমাকে একটা ধারণা দেবে। তো এখানে কিন্তু একটা জিনিস হচ্ছে যে ও কিন্তু সবকিছু আলাদা আলাদা করে দিচ্ছে কিন্তু আমরা চাচ্ছি না আমরা একটা ধরা যাক পাঁচ থেকে 10 বছর বা 10 থেকে 15 বছর 15 থেকে 20 বছর এরকম একটা রেঞ্জে যদি আমরা দেখতে চাই হিস্টোগ্রাম করতে চাই সেখান থেকে আমরা এখান থেকে আসি আমাদের হিস্টোগ্রামে। যেখানে যেমন বয়সের একটা হিস্টোগ্রামের আমাদেরকে দেখাচ্ছে। তো এখানে যদি আমরা দেখি যে হিস্টোগ্রাম আছে কিনা সেখানে কিন্তু আমরা দেখছি যে এখানে হিস্টোগ্রাম চার্টটা কিন্তু আছে। সুতরাং আমরা এখানে হিস্টোগ্রাম চার্টে চলে গেলাম। এখানে দেখাচ্ছে যে শূন্য থেকে তিন বছর বয়সী বা তিন থেকে ছয় মানে আমাদের এখানে দেখাচ্ছে যে একেকটা বিনের সাইজ হচ্ছে গিয়ে তিন বছর করে। আমরা যদি এটাকে যদি আমাদের মত করে যদি এটাকে কমিয়ে নিয়ে আসি। ধরা যাক আমরা এখান থেকে কমিয়ে নিয়ে আসলাম। সেখানে হিস্টোগ্রামে আমরা যাচ্ছি এবং সেখানে আমাদের যে বাকেট সাইজ সেটা অটোতে দেওয়া ছিল। আমরা এখানে পাঁচ বছর করে দিচ্ছি। তার মানে হচ্ছে কি আমরা যদি এটাকে এটাকে একটু এভাবে দেখি আমরা এটাকে একটু নিচে নিয়ে আসি আপনাদেরকে দেখানোর জন্য যে আসলে আমরা যদি এখানে একটু অন্যভাবে দেখি যে আমাদের যে ডেটাটা আছে ধরা যাক এই ডেটাটা আমরা এখানে দেখছি সেই ডেটাটার মধ্যে থেকে আমরা আমরা একটা জিনিস একটু বুঝতে চাচ্ছি যে আমরা এখানে যে ডেটাটা পাচ্ছি সেখানে বিন মানে হচ্ছে গিয়ে শূন্য মানে এই শূন্য বছর থেকে পাঁচ বছরের একটা বিন। মানে হচ্ছে গিয়ে এটা পাঁচ বছর। এটা পাঁচ থেকে 10 বছর। এটা 10 থেকে 15 বছর। এটা হচ্ছে গিয়ে 15 থেকে 20 বছর। তার মানে এটা যদি ধরা যাক আমরা যদি এটা হয় 20 থেকে 25। তার মানে আমাদের সবচেয়ে বেশি মানুষ গিয়েছে 20 থেকে 25 বছরের মানুষ সবচেয়ে বেশি গিয়েছে। মানে আমরা যদি এখানে বয়সের সাথে যদি তুলনা করি যে আমাদের এখানে বয়সটা এখানে দেখাচ্ছে সেই বয়সের সাথে আমরা এখানে দেখছি যে এখানে আসলে মানুষের সংখ্যা যদি আমরা বলি মানুষের সংখ্যা সেই হিসেবে কিন্তু আমরা দেখছি যে এই 20 থেকে 25 বছরের মানুষ সবচেয়ে বেশি ট্রাভেল করেছে। তো এটা একটা আমাদের ইনসাইট যে আসলে যারা যাচ্ছিলেন তারা আসলে সবচেয়ে বেশি ট্রাভেল করছেন 20 থেকে 25 বছরে। আমরা আজকে এই পর্যন্ত রাখছি। থাকছেন তো সামনে?

নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ

রোড টু হাইটেক ইন্ডাস্ট্রি SQL is the lifeline for data science ডাটা নিয়ে শুরু করবো কোথায়.mp3

এদিকে সবাই চাকরি খুঁজে বেড়াচ্ছে আর আমি অনেক সময় কিন্তু স্কিলড মানুষটা পাচ্ছি না। আসলে স্কিল মানে এখন কিন্তু সবকিছুই কিন্তু এখানে মানে আমরা চাকরি খুঁজি অথবা আমরা যদি আমাদের স্টেপ আপ করতে চাই এভরিথিং ইজ হিয়ার মানে উই হ্যাভ টু বি স্কিলড। ডিগ্রির প্রয়োজন না স্কিল প্রয়োজন এটা নিয়ে প্রচুর বিতর্ক আছে এবং প্রচুর বিতর্ক হচ্ছে কিন্তু আমরা যদি দেশের বাইরে একটু যাই তাহলে কিন্তু বুঝতে পারবো যে কিভাবে স্কিলড মানে কিভাবে সবাই আপস্কিল করছে। ইটস নট এবাউট গেটিং এ ডিগ্রি অর গেটিং এ স্কিল বাট ইটস অল এবাউট গেটিং টু দ্যা লেভেল অফ যেখানে আমাদের মার্কেটে একটা ভ্যালুয়েশন আনতে পারবো এন্ড দ্যাট ইজ হোয়াট উই টক এবাউট স্কিল আপগ্রেডিং। আর সেজন্যই কিন্তু আমি ডেটা সাইন্সের রোডম্যাপ নিয়ে কিন্তু অনেক কথা বলেছি। ডেটা সাইন্সের রোডম্যাপ ছাড়া আসলে কিছুই আমরা বুঝতে পারছি না। সো অফকোর্স উই অল টক এবাউট ইন্টেলিজেন্স সিস্টেম বিকজ এখন এখন আমরা যদি আগের মত করে স্টাইলে আগের স্টাইলে যদি কাজ করতে যাই তাহলে কিন্তু আসলে হচ্ছে না। উই হ্যাভ টু বিল্ড ইন্টেলিজেন্স সিস্টেম এন্ড ইন্টেলিজেন্স সিস্টেম মানে হচ্ছে কি আমাদের সাথে ইন্টেলিজেন্স সিস্টেমকে কাজ করতে হবে আর সেটাই সেই জন্যই কিন্তু আমরা আসলে বারবার বলছি যে আমরা মানে মানুষ এখন সবাই ব্যস্ত। আপনি যদি দেখেন যে সবাই ব্যস্ত এবং আস্তে আস্তে কিন্তু জব কাটিং থেকে শুরু করে সবাই কিন্তু দেখা যাচ্ছে যে একই মানুষ দুই তিনটা করে কাজ করছে। আগে হয়তোবা একই মানুষ একটা কাজ করতো কিন্তু একই এখন একই মানুষ হয়তোবা আরো দুই তিনটা করে কাজ করছে এবং কোভিডের পরে কিন্তু এই ব্যাপারটা আরো বেড়েছে। সো স্কিল ইটস অল এবাউট স্কিল। গেটিং টু দ্যা লেভেল এখন আমরা যে জিনিসটা বারবার বলতেছি বলতে চাচ্ছি যে আসলে এখন স্কিল লেভেলটা যদি আমি আপস্কিল না করি তাহলে কিন্তু একসাথে এতগুলো কাজ করতে পারবো না। সো এতগুলো কাজ করার জন্য যদি আমাকে আমি এজ এ হিউম্যান আমি যদি কাজ করতে যাই তাহলে কিন্তু সম্ভব না। এইজন্যই কিন্তু আমরা বারবার বলছি যে উই হ্যাভ টু হ্যাভ ইন্টেলিজেন্স সিস্টেম যেটা আমাকে সাহায্য করবে। এই ইন্টেলিজেন্স সিস্টেম আমার বাকি কাজগুলো করে দিবে। মানে আমি যতটুকু কাজ করব আমি ধরা যাক আমি ওয়ান এক্স কাজ করতে পারছি। সো আমার কোম্পানি আমার কাছে চাচ্ছে থ্রি এক্স কাজ। সো আমি ওয়ান এক্স কাজ করব আর বাকি টু এক্স কাজ করবে ইন্টেলিজেন্স সিস্টেম। আর সেজন্যই কিন্তু আমরা ইন্টেলিজেন্স সিস্টেম তৈরি করার চেষ্টা করছি এবং ইন্টেলিজেন্স সিস্টেম তৈরি করতে গেলে কিন্তু উই হ্যাভ টু গেট ডেটা। উই হ্যাভ টু আন্ডারস্ট্যান্ড দ্যা ডেটা এন্ড এখানে কিন্তু আসলে ডেটা সাইন্স বা ডেটা এনালাইসিসের রোডম্যাপ নিয়ে আলাপ আমি করেছি এবং এটা নিয়ে কিন্তু আমি অনেকগুলো বই লিখেছি যে এই রোডম্যাপের ব্যাপারে। এই রোডম্যাপ নিয়ে কিন্তু আমি অনেকগুলো কথা বলেছি এবং এই রোডম্যাপ নিয়ে কিন্তু ডেটা সাইন্স কোথায় যাচ্ছে এবং কোথায় কিভাবে আমরা এগুচ্ছি সেটাও কিন্তু আমরা এখানে কিছু জিনিস আমরা কাভার করছি। সো রোডম্যাপ অফকোর্স রোডম্যাপ ইজ সামথিং দ্যাট উই হ্যাভ টু ডিল উইথ। বাট দেন আমি যে জিনিসটা বারবার বলতে চাই যে রোডম্যাপ ঠিক আছে। বাট রোডম্যাপের পাশাপাশি আমি যদি ডেটাকে ঠিকমতো বুঝতে না পারি, আমি যদি ডেটাকে ঠিকমতো ধরতে না পারি, আমি ডেটাকে ঠিকমতো মিংলিং না করতে পারি, আমি ডেটাকে যদি ঠিকমতো ওয়ার্কআউট না করতে পারি যে তাহলে কিন্তু আমি আসলে কাজ করতে পারবো না। সো হাউ ডু আই নো ডেটার মধ্যে কি আছে? হাউ ডু আই নো ডেটা আসলে কিভাবে স্টোর করছি? হাউ ডু আই নো আমার ডেটা নিয়ে ম্যানিপুলেশন কিভাবে সম্ভব? আর সেজন্যই কিন্তু আমরা সবসময় যেটা বলি যে ওকে লেটস স্টার্ট উইথ সামথিং সিকুয়েল স্ট্রাকচারড কোয়েরি ল্যাঙ্গুয়েজ। স্ট্রাকচারড কোয়েরি ল্যাঙ্গুয়েজ হচ্ছে কি আমি যেকোনো একটা ডেটা যেমন এখানে বলা হচ্ছে যে আমাদের একটা রিলেশনাল ডেটাবেজে যদি ডেটা থাকে সেই ডেটাগুলোকে কিভাবে আমি কোয়েরি করব, সেই ডেটাগুলোকে কিভাবে আমি রাখবো, সেই ডেটাগুলোকে কিভাবে আমি পড়বো, সেই ডেটাগুলোকে কিভাবে আমি ম্যানিপুলেট করব। সো দিস ইজ অল দেয়ার। সো উই হ্যাভ টু লার্ন সিকুয়েল দ্যা ফার্স্ট থিং। ওকে আমি এখন সিকুয়েল শিখলাম বা আমি সিকুয়েল শিখতে চাচ্ছি। সো সিকুয়েল শিখতে চাইলে আমাকে উই হ্যাভ টু গেট ইনটু দ্যা আন্ডারস্ট্যান্ডিং যে আসলে এই জিনিসটা কিভাবে কাজ করে। সো আমি যেহেতু এটা নিয়ে বই লিখেছি কয়েকটা তো এর পাশাপাশি যারা সিকুয়েল নিয়ে পড়তে চান তাদের জন্য আমি মনে করি যে কোর্সেরা ইজ ওয়ান অফ দ্যা টপ নচ ডেস্টিনেশন। সো আমরা যদি কোর্সেরাতে যদি আমি সিকুয়েল দিয়ে যদি সার্চ করি দেন উই উইল গেট মেনি মেনি থিংস লাইক প্রায় 1000 এর মতো আমি রেজাল্ট পাচ্ছি। সো 1000 রেজাল্ট নিয়ে কিন্তু আমি কি করব? দিনশেষে আমাকে এত রেজাল্ট তো দিয়ে লাভ নেই। সো উই হ্যাভ টু আন্ডারস্ট্যান্ড যে হোয়াট আই নিড এন্ড হোয়াট আই ওয়ান্ট। সো আই উড সাজেস্ট আমি সবসময় বলবো যে সিকুয়েল ফর ডেটা সাইন্স দিস ইজ হোয়াট আই ওয়ান্ট দিস ইজ হোয়াট আই ওয়ান্ট। সিকুয়েল ফর ডেটা সাইন্স এবং সেটার জন্য কিন্তু আমরা আসলে দেখছি যে ইউসি ডেভিসের সিকুয়েল ফর ডেটা সাইন্স এবং আমি এটা খুবই পছন্দ করি একটাই কারণে যে এটা খুবই খুবই চমৎকারভাবে বোঝানো হয়েছে এবং সবচেয়ে বড় ব্যাপার হচ্ছে যে যেটা ওরা বলে যে লার্ন সিকুয়েল বেসিকস ফর ডেটা সাইন্স স্পেশালাইজেশন তার মধ্যে কিন্তু এই সিকুয়েল ফর ডেটা সাইন্স ইজ পার্ট অফ ইট। সো আমরা আসলে এই এটা এটা পড়তে পারি এবং এটা দেখতে পারি। সো ইফ ইউ ক্যান সি দিস ইজ লাইক ডেটাকে কিভাবে বিভিন্ন কলামে বা বিভিন্ন জায়গায় আসলে কিভাবে লিখতে হয়, কিভাবে সেখান থেকে এক্সট্রাক্ট করতে হয়, কিভাবে ফিল্টার করতে হয়, কিভাবে সর্ট করতে হয়, কিভাবে সামারাইজ করতে হয় ডেটা বিকজ দিনশেষে ইজ অল এবাউট গেটিং দা আন্ডারস্ট্যান্ডিং হোয়াট দ্যা ডেটা ইজ ট্রাইং টু টেল আস, হোয়াট দ্যা ডেটা ইজ সেইং এন্ড দেন হাউ ডু আই সামারাইজ দিস। সো এখানে যে জিনিসটা আমরা সবসময় বলি যে ম্যানিপুলেটিং স্ট্রিংস, ডেটস এন্ড নিউমেরিক ডেটা ইউজিং ফাংশনস টু ইন্টিগ্রেট ডেটা ফ্রম ডিফারেন্ট সোর্সেস ইনটু ফিল্ডস উইথ দা কারেক্ট ফরম্যাটস ফর এনালাইসিস। সো এটা আসলে আমার মনে হয় এটা চমৎকার একটা একটা কোর্স এবং এখানে গেটিং স্টার্টেড উইথ সিলেক্টিং এন্ড রিট্রিভিং ডেটা উইথ সিকুয়েল। অফকোর্স আমরা কিভাবে ডেটা সিলেক্ট করতে পারবো, কিভাবে ডেটাকে রিট্রাইভ করতে পারবো, কিভাবে এই জিনিসটাকে বুঝতে হবে সেটাই কিন্তু আমাদের এখানে বোঝার চেষ্টা করছি। কিভাবে ফিল্টার বিকজ আই ডোন্ট নিড দা হোল ডেটা। আই ডোন্ট নিড দা হোল ডেটা। হোয়াট আই নিড আই নিড দা ডেটা হুইচ ইজ অপটিমাইজ ফর মি। আমার কাছে কি দরকার এবং সেখানে কিন্তু ফিল্টারিং, সর্টিং ক্যালকুলেটিং ডেটা উইথ সিকুয়েল এটা কিন্তু একটা চমৎকার জায়গা এবং সেটা কিন্তু নয়টা ভিডিওতে তারা এখানে বলেছে। তারপরে হচ্ছে গিয়ে সাব কোয়েরিজ জয়েনিং বিকজ অনেক সময় আর কি যে একই টেবিলে কিন্তু আমি অনেক কিছু পাই না। সুতরাং আমাকে কিন্তু কয়েকটা টেবিলকে জয়েন করতে হবে। জয়েন করার পর তারপর সেটাতে একটা সাব কোয়েরি চালাতে হবে। সো উই হ্যাভ টু আন্ডারস্ট্যান্ড হাউ টু জয়েন একচুয়ালি ডিফারেন্ট টেবিলস এন্ড দেন গেট টু দ্যাট আন্ডারস্ট্যান্ডিং যে কিভাবে আমি আবার ওটার সাব কোয়েরি করতে পারি এবং সেই জায়গায় কিন্তু আসলে ওই অনেক ধরনের জয়েন আছে। সেই জয়েনগুলো ইনার জয়েন, রাইট জয়েন সো এরকম অনেক কিছুই আসলে আমরা কাজ করি এবং দিনশেষে দ্যা ফাইনাল পার্ট অফকোর্স মডিফাইং মডিফাইং এন্ড এনালাইজিং ডেটা। সো উই হ্যাভ টু মডিফাই দ্যা ডেটা উই হ্যাভ টু এনালাইজ দ্যা ডেটা হোয়াট উই নিড আউট অফ ইট। সো এই জায়গাটাতে আমাদের আসলে বুঝতে হবে যে হোয়াট আই হোয়াট আই রিয়েলি আন্ডারস্ট্যান্ড দিস পার্ট। বাট দিনশেষে অফকোর্স আমরা যদি এই রোডম্যাপটা বোঝার চেষ্টা করি যে রোডম্যাপে আসলে আমি কি চাই এবং কিভাবে আমরা কাজ করব সেখানে কিন্তু আমরা আসলে বলেছি যে পাইথন দিয়ে যদি আমি কোন কাজ করতে চাই তাহলে পাইথনের মধ্যে আমি আসলে অন্যান্য জিনিসগুলো কিভাবে কাজ করাবো এবং সেখানে সিকুয়েল সিকুয়েল জিনিসটা কিন্তু আসলেই আসলেই দরকার। আর সেজন্যই কিন্তু ডেটা সাইন্স রোডম্যাপ আমরা যে বলছি ডেটা সাইন্স রোডম্যাপ দিনশেষে ডেটা সাইন্স রোডম্যাপের মধ্যে কিন্তু সিকুয়েল ইজ ওয়ান অফ দা গ্রেট পার্ট যেটা আসলে আমরা চাইবো এটা নিয়ে কাজ করতে। বাট দিনশেষে সিকুয়েল ইজ দা কাইন্ড অফ লাইক আমি মনে করি যে রোডম্যাপের ইজ ওয়ান অফ দা কি ফিচার বিকজ দিনশেষে আমরা যদি ডেটাবেস কোয়েরি করার জন্য সিকুয়েলের বিভিন্ন স্টেটমেন্ট এবং বিভিন্ন জিনিস যদি আমরা না জানি দেন আমরা আসলে ডেটার ভেতর থেকে কিছু জানবো না, কিছু বুঝবো না। সো উই হ্যাভ টু আন্ডারস্ট্যান্ড হোয়াট ইজ দেয়ার ইন দা ডেটা এন্ড উই হ্যাভ টু আন্ডারস্ট্যান্ড হাউ ডু আই রিট্রাইভ এন্ড হোয়াট আই ওয়ান্ট ফ্রম দা ডেটা এবং সেই সেই জন্যই কিন্তু আমরা আসলে এই জিনিসগুলো নিয়ে আমরা কথাবার্তা বলি। বাট দিনশেষে অফকোর্স টুডে ফর টুডে উই ওয়ান্ট টু লার্ন সিকুয়েল এন্ড ইফ ইউ ওয়ান্ট টু রিয়েলি লার্ন সিকুয়েল দিস ইজ হোয়াট ইট ইজ এন্ড অলসো ইউ কুড একচুয়ালি গেট টু দা পয়েন্ট যে আমার যে বইটা আছে সে বইটাতে কিন্তু আমি আসলে সিকুয়েল নিয়ে একটা ভালো একটা কাভার করেছি। সো আমি মনে করি যে আপনারা জানেন যে আমার যে বইটা সিকুয়েল নিয়ে আমি লিখেছিলাম সেইটা হচ্ছে গিয়ে হাতে কলমে ডেটা অ্যানালিটিক্স এন্ড ভিজুয়ালাইজেশন। হাতে কলমে ডেটা অ্যানালিটিক্স এবং ভিজুয়ালাইজেশন। আপনারা এই বইটা ট্রাই করতে পারেন। পুরোপুরি অনলাইনে আছে কিনতে হবে না। আজকে এই পর্যন্তই থাক।

নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ

ডাটা নিয়ে হাত নোংরা করা ডাটা থেকে অ্যাকশনেবল ইনসাইট Analyze data for actionable insights.mp3

আমরা ডেটা নিয়ে কেন কাজ করতে চাই? আসলে ডেটা আর মানুষের অভিজ্ঞতা এই দুটো জিনিস কিন্তু একই। আমরা অনেক সময় বলি যে অভিজ্ঞতা কাজে দেয়। মানে হচ্ছে কি মানুষ যত বয়স বেশি হয় তত কিন্তু অভিজ্ঞতা বাড়ে। এবং এই অভিজ্ঞতা মানুষের জন্য অভিজ্ঞতা হচ্ছে কি মানুষের ডেটা। মানে আমাদের ব্রেইনে বা আমাদের মাথায় যত নিউরন আছে সেই নিউরনগুলো আসলে একটা লম্বা সময় একটা অভিজ্ঞতা অর্জন করতে থাকে। সেটা হচ্ছে গিয়ে তার জন্য ডেটা। আর মেশিনের জন্য কিন্তু ডেটাটাই হচ্ছে গিয়ে তার জন্য অভিজ্ঞতা। আর সে কারণে আমরা যেকোনো মেশিন লার্নিং মডেল যত বেশি ডেটা দেওয়া যায় তত বেশি কিন্তু তার জন্য ওইটা কাজ আরো ভালো হয়। তবে আমার একটা কথা হচ্ছে গিয়ে আমরা ডেটা নিয়ে কেন কাজ করব? মানে আমাদের পারসপেক্টিভ হচ্ছে গিয়ে আমি কেন এক এক্সট্রা এই এফোর্টটা দিব ডেটা নিয়ে কাজ করার জন্য? তার একটা সবচেয়ে বড় পারসপেক্টিভ হচ্ছে গিয়ে আমরা আসলে অভিজ্ঞতা যেটা হচ্ছে গিয়ে আমরা যেটা জানি সেটা যন্ত্র ঠিকমতো জানতে পারছে কিনা। আর সবচেয়ে বড় হচ্ছে যে আমরা মেশিন লার্নিং এর মডেল জেনারেট করার আগে আমাদের দরকার হচ্ছে গিয়ে ডেটাকে ঠিকমতো এনালাইসিস করতে পারা। কারণ আমরা যদি ঠিকমতো ডেটাকে এনালাইসিস না করতে পারি এবং ডেটা থেকে আমরা প্রপার ভিজুয়ালাইজেশন যদি না পাই কারণ ডেটা থেকে যেই ভিজুয়ালাইজেশনটা আসছে মানে ডেটা যেই ভিজুয়ালাইজেশনটা দিচ্ছে আমাকে সেখানে ভিজুয়ালাইজেশন মানে হচ্ছে কি ডেটা আমাকে প্রপারলি কমিউনিকেট করতে পারছে। তার মানে হচ্ছে কি আমরা যখন ডেটাকে প্লট করি মানে আমরা যখন ডেটাকে একটা সোর্স থেকে নিয়ে আসি, ডেটাকে কালেক্ট করি, কালেক্ট করার পর ডেটাকে কিছুটা প্রি-প্রসেস করি এবং তারপরে সেটাকে হয়তোবা ভিজুয়ালাইজ করি তখন কিন্তু ডেটা থেকে আসল ইনসাইটটা আসে। আর সেজন্যই আমরা বারবার বলি যে আমরা শুরুতেই মানে ডেটা নিয়ে কাজ করার পেছনের যে ফিলোসফি বা পেছনের যে দর্শনটা সেটা আসলে জানলে আমার জন্য এটা সুবিধা হয়। কারণ সবচেয়ে বড় ব্যাপার হচ্ছে যে ডেটা ঠিকমতো আমরা এনালাইসিস করতে পারতে হবে। আর সেজন্যই আসলে আমরা যেটা সবসময় বলি যে ডেটাকে এনালাইসিস করতে পারতে আমরা কি সেই ধরনের টুল বা সেই ধরনের এনালাইসিস আইডিয়া বা সেই ধরনের জিনিসটা কি আমরা বুঝতে পারছি কিনা। কারণ দিনশেষে আমরা যেকোনো ডেটা এনালাইসিসে আমরা একটা ভিজুয়ালাইজেশন যখন করি। ধরা যাক আমরা একটা ডেটাতে আমরা কিছু ভিজুয়ালাইজেশন করছি। ভিজুয়ালাইজেশন ইজ নাথিং বাট দা নাম্বারস। বাট দেন আমাদের ব্রেইন ব্রেইন যতটুকু ডেটাকে আন্ডারস্ট্যান্ড করতে পারে তার থেকে এই ধরনের ভিজুয়ালাইজেশন কিন্তু তাকে আরো ভালো মাইলেজ দেয়। কারণ আমাদের ব্রেইন কিন্তু ইট ইজ ওয়ান অফ দা স্মার্টেস্ট ডিভাইস যে সে একটা ডেটা থেকে বা সে একটা ভিজুয়ালাইজেশন থেকে তার অ্যাকশন আইটেমটা ঠিকমতো বের করতে পারে। সো আমরা যখন ডেটাকে প্রপারলি এনালাইসিস করতে পারব এবং সেটাকে প্লট করতে পারব এবং সেটাকে প্রপারলি ভিজুয়ালাইজ করার জন্য আমরা ঠিকমতো ফেলতে পারব অনলি দেন উই শুড বি এবেল টু ইউজ ডেটা। আদারওয়াইজ আই ডোন্ট থিংক উই শুড বি ইউজিং ডেটা অ্যাট অল। বাট ডেটা হচ্ছে গিয়ে আমাদের এনালাইসিস করার জন্য, আমাদের বোঝার জন্য এবং আমরা কি ডেটা থেকে জ্ঞান নিচ্ছি। বিকজ দিনশেষে আমরা ডেটা নিয়ে বুঝলাম বাট দেন আমরা কাজটা করলাম না, অ্যাকশন আইটেম নিলাম না তাহলে তো হলো না। ডেটা ইজ ফর অ্যাকশনেবল ইনসাইট। মানে আমরা বারবার বলি যে ডেটা ইজ ফর অ্যাকশনেবল ইনসাইট। মানে হচ্ছে কি ডেটা থেকে আমরা এমন একটা ইনসাইট নেব যেই ইনসাইটটাকে অ্যাকশন ইট হ্যাজ টু বি কনভার্টেড টু অ্যাকশন। মানে আমি ডেটা থেকে একটা ধারণা পেলাম। ধারণা পাওয়ার পর কিন্তু আমি এটা কাজ করলাম এবং কাজ করার পর সেটাকে আমরা ফাইনালি সেখান থেকে একটা অ্যাকশন নিলাম। সেখান থেকে কয়েকটা অ্যাকশন আইটেম নিলাম এবং সেটাকে আমরা কাজ করলাম এবং কাজ করার পরেই কিন্তু আমাদের ফাইনাল আউটকাম আসবে। বিকজ ইট ইজ অল অ্যাবাউট আউটকাম ড্রিভেন। সেখানেই আমরা বলছি যে আমরা এ কারণে কিন্তু ডেটা এনালাইসিস শিখবো। মানে ডেটা এনালাইটিক্স হচ্ছে গিয়ে সেই যেই ডেটাটাকে আমরা এনালাইসিস করে এবং সেখান থেকে অ্যাকশনেবল ইনসাইট নিয়ে আমরা একটা কাজ করে দেব। ধরা যাক এখানে অনেকগুলো গ্রাফ আছে। সেই গ্রাফ থেকে আমাকে কি ধারণা নিতে হবে সেটা যদি আমরা ঠিকমতো বুঝতে পারি তাহলে কিন্তু আমরা বুঝতে পারব যে না এখানে আমাদের একটা কাজ আছে যে কাজটা আসলে আমাদের মিসিং। সো এখানে যেমন একটা আমাদের বইয়ের মধ্যে একটা চার্ট আছে যে টাইমলাইনের ভিত্তিতে জনবলের হিসেব। মানে হচ্ছে কি একটা কোম্পানিতে বছরের শুরু থেকে শেষ পর্যন্ত টাইমলাইন দিয়ে আমরা দেখতে পারব যে কতজন লোক প্রতি মাসে গিয়েছে, কত লোকজন মানে কত লোক কতজনকে হায়ারিং করা হয়েছে। যেটা হচ্ছে যোগ। তারপর হচ্ছে কত মানুষকে ট্রান্সফারে ট্রান্সফার হয়ে এসেছে এবং কত মানুষ বিভিন্ন ব্রাঞ্চে ট্রান্সফার হয়ে গিয়েছে এবং কত লোক কোম্পানি থেকে বিদায় নিয়েছে এবং কত লোক আসলে বছরের শেষে আমরা ফাইনাল ইন আউট এবং ট্রান্সফারে সবকিছু মিলিয়ে আমরা টাইমলাইনের ভিত্তিতে ডেটাকে আমরা প্লট করে দেখতে পাচ্ছি যে আসলে আমরা আমাদের যত জনবল এসছে যেই যত জনবল যত জনবল ইন হয়েছে তার থেকে হয়তোবা বেশি জনবল আউট হয়েছে বা বেশি জনবল ট্রান্সফার হয়েছে। এই যে একটা ভিজুয়ালাইজেশন একটা এইচআর ম্যানেজারের কাছে কিন্তু এই ভিজুয়ালাইজেশনটা খুবই ইম্পর্টেন্ট। কারণ দিনশেষে আমরা ওখান থেকে বুঝতে পারব যে সামনে কি আমাদের আরো হায়ারিং এ যেতে হবে নাকি আমাদের আরো অন্য কাজ করতে হবে। এই যে একটা অ্যাকশনেবল ইনসাইট এই অ্যাকশনেবল ইনসাইটটা কিন্তু আমাদের এই ডেটা এনালাইসিস এবং ডেটা ভিজুয়ালাইজেশন দিচ্ছে। আজকে এ পর্যন্তই থাকছেন তো সামনে?

নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ

টেকনোলজি এবং সার্ভিস ইন্ডাস্ট্রি রুট কজ অ্যানালাইসিস, সমস্যার ভেতরে ঢোকা Root Cause Analysis RCA.mp3

টেকনোলজি এবং সার্ভিস ইন্ডাস্ট্রিতে একটা কথা আছে রুট কজ এনালাইসিস। মানে আসলে কেন একটা প্রবলেম হলো এবং সেই প্রবলেমটা যাতে আবার না ঘটে সে কারণে কিন্তু আমরা রুট কজ এনালাইসিস করতে চাই। আর সেজন্য আজকে আমি এলাম যে রুট কজ এনালাইসিসটা আসলে আমরা কেন করতে চাই এবং এটাকে কিভাবে আমাকে সমাধান করতে হবে সেটার জন্য আমরা সেভেন স্টেপ মানে আমরা যেটাকে দেখছি যে আইবিএম টেকনোলজিস আসলে অনেক আগে ওরা বলেছিল যে একটা রুট কজ এনালাইসিস কিভাবে প্রবলেম সলভিং এ লাগে এবং সেটাকে ভবিষ্যতে যাতে ওই ঘটনাটা আবার না ঘটে সেটার জন্য তাদের সাতটা স্টেপের একটা ঘটনা আমি আজকে বলতে চাই। সো রুট কজ এনালাইসিসে আসলে যদি আমরা ডেফিনেশন বলতে চাই একটা একটা কাস্টমার ইম্প্যাক্টিং ইভেন্ট। মানে কাস্টমার ইম্প্যাক্ট হয়েছে একটা কানেকশন প্রবলেম হতে পারে, একটা সার্ভার ডাউন হতে পারে, একটা মানে এমন একটা ঘটনা যেটার জন্য কাস্টমার ইম্প্যাক্ট। সেটা জিমেইল হোক, সেটা একটা ইন্টারনেট কানেকশন হোক, সেটা একটা সার্ভিস ইন্ডাস্ট্রিতে কল সেন্টারের প্রবলেম হোক। সো সবকিছুরই কিন্তু একটা রুট কজ এনালাইসিস। তো সেটা যদি আমি সাতটা স্টেপ নিয়ে আলাপ করতে চাই তাহলে প্রথম কথা হচ্ছে যে আমরা আসলে রুট কজ এনালাইসিস করতে চাই একটাই কারণে যে এইটা যাতে আবার না ঘটে। একই ঘটনা যদি বারবার ঘটে তার মানে হচ্ছে ইটস এ চয়েস। তার মানে হচ্ছে কি আমি সজ্ঞানে এটাকে হতে দিচ্ছি। সো সেখানে যদি আমরা সাতটা স্টেপের প্রথম স্টেপে বলি সো আইডেন্টিফাইং দা প্রবলেম। মানে আমি যদি এভাবে দেখাই যে এই আইডেন্টিফাইং হোয়াট ওয়েন্ট রং। মানে কেন আসলে এই প্রবলেমটা হলো। মানে শুরুতেই আমি বুঝতে চাই যে কেন এই প্রবলেমটা হলো এবং আইডেন্টিফাইং হোয়াট ওয়েন্ট রং সেখানে আমরা যদি এভাবে বলি যে হোয়াট ওয়াজ দা ডেফিনেশন যে কেন এই প্রবলেমটা হলো এবং প্রবলেমকে যদি আমি ডিফাইন করতে চাই সেটার সাথে আরেকটা জিনিস আসলে আমরা ভাবি যে ওটাই মানে ডেফিনেশন বা ওটাই মনে হয় প্রবলেমটাকে ডিফাইন করা যায়। বাট একচুয়ালি যেটা হয় যে অনেক সময় আমরা সিমটমকে আমরা ডিফাইন করতে চাই। একচুয়ালি সিমটম ক্যান নট বি এ ডেফিনেশন অফ এ প্রবলেম। প্রবলেম ইট হ্যাজ ইটস ওন ইনহেরেন্ট ট্রেডস যেটা আসলে সিমটম দিয়ে বোঝা যাবে না। আমরা আসলে সিমটম দিয়ে অনেক সময় গেস করতে চাই যে দিস ইজ দা প্রবলেম। একচুয়ালি ইট ইজ নট। সো আমরা যদি ফার্স্ট স্টেপে বলি যে আইডেন্টিফাইং হোয়াট ওয়েন্ট রং যেখানে আমরা বলছি না এখানে গেস ওয়ার্ক করা যাবে না। এখানে প্রবলেমটিকে ডিফাইন করতে হবে এবং সেটাকে সেখানে কোন ধরনের আমরা এমন কিছু করবো না যেটাকে সিমটম থেকে আমরা আসলে একটা প্রবলেম আইডেন্টিফিকেশন করবো। দ্যাটস নট গোইং টু হ্যাপেন। সেকেন্ড হচ্ছে গিয়ে ওই প্রবলেমটা যখন ঘটছে সেই প্রবলেমটা ঘটার পেছনে সেটার ডেটাকে কালেক্ট করতে হবে। সো আমরা এভাবে বলি যে কালেক্ট ডেটা অন হোয়াট ওয়েন্ট রং। হুইচ ইজ ভেরি ভেরি রিকোয়ার্ড আইটেম যে আমাদের যে প্রবলেমটা ঘটলো সেই প্রবলেমটা ঘটার পেছনে ওটার ডেটাটা কালেক্ট করতে হবে যাতে আমরা ওই প্রবলেমটাকে নেইল ডাউন করতে পারি। সো আই নিড টু বি এবল টু কালেক্ট ডেটা যে কেন ঘটনাটা ঘটেছে এবং তার পাশাপাশি আমরা একটা যে জিনিসটা বলছি যে বেসড অন ডেটা আসলে আমরা বুঝতে পারবো যে আসলে কেন ঘটনাটা ঘটেছিল এবং সেখান থেকে কিভাবে তার রিমেডি পাওয়া যায়। ইট ইজ ইট ক্যান নট বি এ গেস ওয়ার্ক। আমরা অনেক সময় ভুল করি যে আমরা অনুমান করি। আমরা একই ঘটনা হয়তোবা এর আগে ঘটেছে। আমি সেই ঘটনার অনুমান ভিত্তিতে কিন্তু আমি সেটাকে আইডেন্টিফাই করতে চাই বা ডিফাইন করতে চাই এন্ড দ্যাট ইজ হোয়ার উই গো রং। সো সেকেন্ড স্টেপ হচ্ছে গিয়ে কালেক্ট ডেটা এন্ড টু আন্ডারস্ট্যান্ড হোয়াট ওয়েন্ট রং। তারপর হচ্ছে গিয়ে থার্ড স্টেপ যেটা আমরা ডেটা এনালাইসিসে ব্যবহার করি আস্কিং হোয়াই। মানে কেন ঘটনাটা ঘটলো এবং সেখানে একটা জিনিস আমরা দেখলাম যে এই যে ঘটনাটা ঘটলো এবং ঘটনার মধ্যে যে যেই কয়েকটা ঘটনা পাশাপাশি মানে এটা এরকম মাঝে মাঝে হয় যে একই জিনিস কিন্তু কয়েকটা জিনিসের সাথে লেগে যায়। যেটাকে আমরা কজাল কানেকশন বলি। মানে এটার জন্য এটা হবে, এটার জন্য এটা নাও হতে পারে। মানে আমি ধারণা করছি এটার জন্য এটা হচ্ছে কিন্তু আসলে এটা নাও হতে পারে। সো এই যে কজাল কানেকশনগুলো এটাকে বুঝতে হবে। আরেকটা জিনিস হচ্ছে যে এটাকে আমরা অনেক সময় বলি যে ক্যাসকেডিং প্রবলেম। মানে একটা প্রবলেম যদি শুরু হলো বাট দ্যাট একটা প্রবলেম অলসো ইনিশিয়েটিং আদার প্রবলেমস। সো ওইখানে যে ক্যাসকেডিং যে প্রবলেমটা সেটাকে আমরা কিভাবে আইডেন্টিফাই করতে পারি সেটাও আসলে আমাদেরকে বুঝতে হবে। সো আস্কিং হোয়াই যে কেন ঘটনাটা ঘটলো এখানে আমরা অনুমান করা যাবে না এবং এই ঘটনাটা যাতে আবার না ঘটে সেটাও কিন্তু আমাদেরকে বুঝতে হবে যে এই জিনিসটা আমাদেরকে একবারে এটাকে শেষ করতে হবে এবং সেখানে আরেকটা জিনিস হচ্ছে যে সমস্যাগুলো যতগুলো সমস্যা আমি আইডেন্টিফাই করেছি সমস্যাগুলোর মধ্যে কানেকশনগুলো কি সেটাকে আমার আসলে বের করতে হবে। এবং তার পাশাপাশি চার নাম্বার স্টেপ হচ্ছে গিয়ে আইডেন্টিফাই দা ডিফেক্টস। মানে কি কি ঘটনার ঘটা ফলে কি কি প্রবলেম হইছে সেই প্রবলেমগুলোকে আমাকে আইডেন্টিফাই করতে হবে যে আইডেন্টিফাই হোয়াট ওয়েন্ট রং এন্ড হোয়াট আর দা ডিফেক্টস। মানে ফাইনালি ডিফেক্টটা কি হলো মানে কি সমস্যাটাতে আমি পড়লাম। সেখানে তার সাথে কারেকশনটা আসবে যে আমি আসলে এই যে প্রবলেমটা হলো এই প্রবলেমের সাথে তার কারেকশনটা কি হতে হবে সেটাও কিন্তু আমাকে তখনই কিন্তু বুঝতে হবে যে এইটা আমার কারেকশন আসতে পারে এবং তার পাশাপাশি ওই কারেকশনটা বের করার জন্য কি কি অন্যান্য প্রবলেমগুলোকে সলভ করে আসতে হবে, কোথায় কোন কোন ডিপেন্ডেন্সি আছে সেইটাকে আমাকে যদি ঠিকমতো বের করতে পারি তাহলে কিন্তু আমার জন্য এটা আরো সহজ হবে। তার মানে হচ্ছে গিয়ে ওই ক্যাসকেডিং প্রবলেমের আরেকটা দিক হচ্ছে গিয়ে আমরা সেই প্রবলেমগুলোর মধ্যে কানেকশনগুলো খুঁজে পেয়ে তারপর সেটাকে আমরা সেই প্রবলেমের আইডেন্টিফিকেশন বা সেই ডিফেক্টগুলো আমরা বের করব। তারপরে যেটা আমরা দেখছি যে মনিটর এবং লগিং মানে যেটা আসলে খুবই ইম্পরট্যান্ট যে আমি যে এই যে কালেক্টিং ডেটা ডেটাকে আসলে কালেক্ট করার জন্য অনেক সময় অনেক প্রবলেম হবে যেটা আমার কোন ডেটা পাচ্ছি না। তার মানে হচ্ছে কি আমাদের এই মনিটরিং, ট্র্যাকিং মানে যেকোনো জিনিসের মনিটরিং, ট্র্যাকিং, লগিং ইজ ভেরি ইম্পরট্যান্ট। এটা যদি না থাকে আমাকে এখনই ইমপ্লিমেন্ট করতে হবে যে যে আমার এই মনিটরিংটাকে এনেবল করতে হবে, আমাকে লগিং এনেবল করতে হবে, আমাকে ট্র্যাকিং এনেবল করতে হবে যাতে ভবিষ্যতে এই প্রবলেমটা না হয়। এখানে আরেকটা জিনিস আমি বলতে চাচ্ছি যে অনেক সময় যেই প্রবলেম যেই ম্যানেজমেন্ট সিস্টেমটা আমি এখন ব্যবহার করছি সেই ম্যানেজমেন্ট সিস্টেমটাকে সেই জিনিসটাকে ঠিকমতো দেখভাল করতে পারছি কিনা, সেটাকে ঠিকমতো ট্র্যাক করতে পারছি কিনা। সেজন্য না হয় তাহলে দেন উই হ্যাভ টু চেঞ্জ দা ম্যানেজমেন্ট সিস্টেম যেটা আমি এতদিন ধরে ব্যবহার করছিলাম। এবং এর পাশাপাশি যেটা হচ্ছে যে আমরা ছয় নাম্বার স্টেপ হচ্ছে গিয়ে ইমপ্লিমেন্টিং দা কারেকশনস। যে কারেকশনগুলো আমরা এর আগে আইডেন্টিফাই করলাম যে দিস আর দা কারেকশনস, দিস আর দা ডিফেক্টস, দিস আর দা প্রবলেমস উই হ্যাভ আইডেন্টিফাইড। দেন নাউ উই হ্যাভ টু ইমপ্লিমেন্ট দ্যাট পার্ট আন্ডারস্ট্যান্ডিং যে ওইখানে কি কি ডিফেক্ট ছিল সেই ডিফেক্টের কারেকশন কি আসতে পারে এবং সেই কারেকশনগুলো আসলে আমরা কিভাবে মেথডোলজিক্যালি আমরা আসলে বসাতে পারি। তার মানে হচ্ছে কি এখানে যে ছয় নাম্বার স্টেপে আমি যদি বলছি যে ইমপ্লিমেন্টিং দা কারেকশনস হোয়াট উই ফিগারড আউট অ্যাজ এ ডিফেক্ট। তো তখন আমরা যখন বের করছি তখন সেখানে আমরা সমস্যাগুলোকে শুধুমাত্র ইমপ্লিমেন্ট করা না বা সমস্যাগুলোকে আলাদাভাবে ইমপ্লিমেন্ট করা। মানে সমস্যাগুলোকে সমাধান গুলো আমরা যেটা পেলাম সেই সমাধানগুলোকে আমরা আলাদা আলাদাভাবে ইমপ্লিমেন্ট করতে হবে। কারণ আমরা আলাদা আলাদাভাবে ইমপ্লিমেন্ট করলে বোঝা যাবে যে কোনটার জন্য কোনটার আবার আরেকটা প্রবলেম ক্যাসকেডিং প্রবলেম না হয়। এজন্য একসাথে আমরা যে সমস্যার সমাধান করা যাবে না। ওয়ান বিট অ্যাট এ টাইম এবং আমরা আলাদা আলাদাভাবে আমাদের কারেকশন দিব। এবং ফাইনাল পিস হচ্ছে গিয়ে মানে সেভেনথ স্টেপ ফাইনাল পিস হচ্ছে গিয়ে দা হার্ডেস্ট পার্ট ইজ সেলফ রিফ্লেকশন যে আমার কাস্টমারকে ফেস করা, কাস্টমারকে বোঝানো যে দিস ইজ হোয়ার আই ওয়েন্ট রং। মানে এটা হচ্ছে গিয়ে একটা আত্মোপলব্ধি যে আমার ভুল হয়েছে। আমার স্টেকহোল্ডার যারা আছেন, আমার যারা সলিউশন যারা আমাদের কাছ থেকে নিচ্ছেন তাদের কাছ থেকে তাদের কাছে আমাদের সত্যি কথাটা বলতে পারা এবং আমাদেরকে তাদেরকে ঠিকমতো বলতে পারা যে দিস ইজ হোয়ার উই ওয়েন্ট রং এন্ড দিস ইজ হোয়ার উই হ্যাভ টেকেন দা কারেক্টিভ মেজারস এন্ড দিস ইজ নট গোইং টু হ্যাপেন ওয়ান্স এগেইন। সো এই যে আমরা মেনে নেওয়াটা যে না এখানে আমাদের ভুল হতে পারে। সেই ভুলটাকে এটাকে আমাদেরকে মেনে নেওয়া এবং সেটাকে প্রপারলি আইডেন্টিফাই করে কাস্টমারকে জানানো দিস ইজ হোয়ার উই ওয়েন্ট রং এন্ড দিস ইজ হোয়ার উই হ্যাভ টেকেন দা কারেকশন মেজারস এন্ড দিস ইজ হোয়ার ইট উইল নেভার হ্যাপেন ওয়ান্স এগেইন অর ইট উইল ইট উইল নট হ্যাপেন ওয়ান্স এগেইন। সো এই ব্যাপারগুলো আমরা কাস্টমারকে ঠিকমতো আমরা দিতে চাই এবং এটা দেওয়ার পেছনে সবচেয়ে বড় হচ্ছে যে স্টেকহোল্ডার স্টেকহোল্ডারদের সাথে আমাদের ট্রাস্ট ম্যানেজমেন্ট ইস্যু যে আমাদের স্টেকহোল্ডারদের সাথে আমাদের সাথে সেই ট্রাস্টটা বিল্ড করতে পারে এবং সেই সেটা আমাদের প্রপারলি আমরা তাদেরকে জানাতে পারি। আজকে এই পর্যন্তই। থাকছেন তো সামনে?

নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ

ডাটা অ্যানালাইটিক্স ডাটাবেজের সাথে যোগাযোগ Why learning Structured query language (SQL).mp3

ডাটা অ্যানালিটিক্স একটা বড় অংশ হচ্ছে গিয়ে ডাটাবেজে ঠিকমত এক্সেস করতে পারা। আসলে ডেটাবেজে আমরা যখন ঠিকমত এক্সেস করতে পারছি তখন কিন্তু আমাদের একটা বড় অংশ হচ্ছে গিয়ে ডেটাকে বোঝা বিশেষ করে ডেটাকে ডেটা থেকে আমরা ঠিকমত ডেটার ভিতরে যে আন্ডারস্ট্যান্ডিং আছে সেটাকে আমরা ঠিকমত নিতে পারছি কিনা। আমরা ডেটা অ্যানালিটিক্স নিয়ে আমি যে বইটি লিখেছিলাম আপনার মনে আছে যে ডেটা অ্যানালিটিক্স নিয়ে যে বইটা হাতে কলমে ডেটা অ্যানালিটিক্স এবং ভিজুয়ালাইজেশন মানে আমাদের দিনশেষে ডেটাকে এনালাইসিস করতে পারতে হবে এবং সেই ডেটাকে এনালাইসিস করতে পারতে আমাদের প্রথম শর্ত হচ্ছে গিয়ে ডেটাবেজের ভিতরে ঢুকতে পারা এবং ডেটাবেজের ভিতরে ঢুকে সেখান থেকে আমাদের পছন্দমত ডেটাকে এক্সট্রাক্ট করে নিয়ে আসা। সো এজন্যে আমরা সিকুয়েল নিয়ে কথা বলছি সিকুয়েল বা এসকিউএল আমরা যেটাই বলি না কেন সিকুয়েল বা এসকিউএল ইট ইজ অল এবাউট স্ট্রাকচার্ড কোয়েরি ল্যাঙ্গুয়েজ। যদিও স্ট্রাকচার করে কোয়েরি করা যদিও বলা আছে বাট একচুয়ালি এই সিকুয়েল দিয়ে আমরা কিন্তু টেবিল তৈরি করতে পারি আমরা ডেটা ম্যানিপুলেট করতে পারি ইটস নট অনলি এবাউট কোয়েরি রাদার উই ক্যান ডু লট অফ ম্যানিপুলেশন। সো আজকে আমি ম্যানিপুলেশনের কথা বলছি না বা আমি এটা টেবিল তৈরি করা বা টেবিলের মধ্যে অন্যান্য ডেটা ঢোকানো ডেটাকে আপডেট করা আমি সেটা নিয়ে আলাপ করছি না। বাট যে জিনিসটা আমি বলতে চাচ্ছি যে আমরা স্ট্রাকচার্ড কোয়েরি ল্যাঙ্গুয়েজ যদি একটা স্কিল থাকে আমরা যদি এখন ডেটা নিয়ে কাজ করার জন্য যদি একটা সর্ট আফটার স্কিল যদি আপনারা আমাকে জিজ্ঞেস করেন দা ওয়ান ভেরি মাচ সর্টার সর্ট আফটার স্কিল ইজ এসকিউএল বা সিকুয়েল এবং সেই সিকুয়েল বা এসকিউএল নিয়ে আমরা কিন্তু এর আগেও অনেক কথা বলেছি যে কিভাবে একটা ডেটাবেজে আমরা এক্সেস করতে পারি কিভাবে একটা ডেটাবেজে আমরা আসলে কমিউনিকেট করতে পারি এবং কিভাবে একটা ডেটাবেজে আমরা আসলে ফাইনালি আমরা সেখান থেকে আমাদের পছন্দমত ডেটাকে আমরা নিয়ে আসতে পারি কিনা। আর সেজন্যই এই বইটাতে আমি যখন সিকুয়েলের ব্যাপারে কথা বলেছি সেখানে কিন্তু একটা জিনিস বারবার আমি বলার চেষ্টা করেছি যে ইভেন আমরা যখন সিকুয়েলে আমরা কথা বলব যেটা এখানে আমি দেখাচ্ছি যে বিশেষ করে আমাদের স্ট্রাকচার্ড কোয়েরি ল্যাঙ্গুয়েজের যে অংশটা আসলে এখানে আমরা দেখাচ্ছি যে স্ট্রাকচার কোয়েরি ল্যাঙ্গুয়েজটা আসলে কিভাবে এখানে আসছে এবং সেখানে আসলে তার ব্যাপারটা কি এখানে আছে। সো স্ট্রাকচার্ড কোয়েরি ল্যাঙ্গুয়েজের একটা বড় অংশ হচ্ছে গিয়ে ডেটার ভেতরে কি আছে বা একটা পুরো ডেটাবেজ যেটাকে রিলেশনাল ডেটাবেজ আমরা বলতে পারি যে আরডিবিএমএস আরডিবিএমএস এর মধ্যে আসলে কি আছে সেটা স্ট্রাকচার্ড কোয়েরি ল্যাঙ্গুয়েজ ছাড়া বোঝা ডিফিকাল্ট এবং এটার ভেতরে কিন্তু আসলে আমরা দেখতে চাই যে আসলে ডেটা আমাদেরকে কি আন্ডারস্ট্যান্ডিং দিতে চাচ্ছে এবং সেখানেই আমি আসলে এই বইটাতে একটা বড় অংশ আমি কাভার করেছি বিশেষ করে এখানে যদি আমরা ডেটাবেজ আসলে কিভাবে কাজ করবে এবং সেখানে ডেটা অ্যানালিটিক্সের ডেটাবেজে কি ধারণা এবং তার পাশাপাশি রিলেশনাল ডেটাবেসটা কি এবং সেটাতে আমাদের মনের কথা বলবে স্ট্রাকচার্ড কোয়েরি ল্যাঙ্গুয়েজ মানে আসলে আমাদের মন কি চাইছে সেটার একটা উত্তর। লং টার্ম এসকিউএল বা সিকুয়েল শেখার রোডম্যাপ এবং এখনো যদি আপনাকে কোন কিছু ইন্সটল করতে হবে না কিছুই করতে হবে না আমাকে মাই সিকুয়েল ইন্সটল করতে হবে না বা মাইক্রোসফট সিকুয়েল সার্ভার বা এসকিউএল সার্ভার ইন্সটল করতে হবে না। আপনি যদি এখনই গুগল এর স্যান্ডবক্স বিগ কোয়েরি স্যান্ডবক্সে যান গুগল এর যে ক্লাউডে গুগল ক্লাউডে বিগ কোয়েরি স্যান্ডবক্স আছে সেখানে কিন্তু আপনি এই ডেটা সেট নিয়ে কাজ করতে পারেন বিকজ নামেই বলছি এটা স্যান্ডবক্স। সো স্যান্ডবক্সে আসলে আমরা দেখতে চাইবো যে আসলে এটা কিভাবে কাজ করে। সো আসলে সবকিছুর টেস্ট পেতে আমাকে একদম সবকিছুই ইন্সটল করতে হবে না। রাদার আমি মনে করি যে আমাদের ক্লাউড বেসড অনেক কিছুই আছে যেটাকে আসলে আমরা টেস্ট করতে পারি এবং টেস্ট করে সেখান থেকে আমরা কাজগুলো বুঝতে পারি এবং সেখানে একটা বড় অংশ আমি দেখছি যে ইভেন গুগল ডেটা স্টুডিও যেহেতু গুগল বিগ কোয়েরিতে আপনি কাজ করতে পারছেন গুগল এর বিগ কোয়েরিতে কাজ করে সেটাকে আপনি কিন্তু আবার গুগল এর যে ডেটা স্টুডিও আছে গুগল এর ডেটা স্টুডিওতে কিন্তু আপনি সেটাকে এক্সপোর্ট করতে পারেন এবং এক্সপোর্ট করে কিন্তু সেখান থেকে আপনার কাজটা দেখতে পারেন। বিকজ দিনশেষে গুগল ডেটা স্টুডিওতে যখন আমরা সিকুয়েল দিয়ে বা আমরা যখনই আমাদের যেই ডেটাবেসটাকে আমরা আপলোড করলাম হচ্ছে গিয়ে বিগ কোয়েরিতে গুগল এর যে ডেটাবেস স্যান্ডবক্স আছে সেখানে যখন আমরা আপলোড করলাম তখন সেখান থেকে কিন্তু আমরা অনেক কিছু করতে পারি। সো দিনশেষে দিস ক্যান বি ইউর কাইন্ড অফ গাইড ফর ডেটা অ্যানালিটিক্স এন্ড অলসো কাইন্ড অফ লাইক সিকুয়েল বা আমরা যে এসকিউএল বা সিকুয়েল যেটাই বলি না কেন। আমার কাছে মনে হয় যে এটা একটা ভালো লার্নিং রোডম্যাপ হতে পারে। এর পাশাপাশি আমার বই যেহেতু সবকিছুই অনলাইনে আছে সেখান থেকে আমরা যদি দেখি যে আমার বইগুলো একচুয়ালি এআই উইথ আর মানে হচ্ছে আমার নাম এআই উইথ আর ডট গিটহাব ডট আইও সো দিস ইজ দা সাইট এবং সেখানে আসলে আমরা ইন্টেলিজেন্স সিস্টেমের সন্ধানে ব্যাপারটা নিয়ে আমরা আসলে সবসময় কথা বলি যে ইন্টেলিজেন্স সিস্টেমের সন্ধানে বিকজ দিনশেষে আসলে আমি নিজে খুব একজন অলস মানুষ সো অলস মানুষের কাজ হচ্ছে গিয়ে সবকিছুই সিস্টেমকে দিয়ে বা ডেটাকে দিয়ে বা একটা হার্ডওয়্যার বা একটা যন্ত্রকে দিয়ে কাজ করানো। সো আমার একটা বড় কাজ হচ্ছে গিয়ে কিভাবে একটা কাজ যন্ত্রকে দিয়ে করা যায় দেন আই উইল বি এবল টু একচুয়ালি মেক মাই টাইম। সো সেইজন্য বলছি যে এই ইন্টেলিজেন্স সিস্টেমের সন্ধানে বিকজ দিনশেষে উই ওয়ান্ট টু মেক ইন্টেলিজেন্স সিস্টেমস উই ওয়ান্ট টু মেক ইন্টেলিজেন্স সিস্টেম সো দ্যাট ইট গেটস টু দা পয়েন্ট যে আসলে আমাদের কাজ করতে হবে না। সেখানে উই হ্যাভ রোডম্যাপ এন্ড অলসো উই হ্যাভ রিসোর্সেস এন্ড দেন উই নিড টু আন্ডারস্ট্যান্ড যে ইন্টেলিজেন্স সিস্টেম তৈরি করার জন্য কি কি রিসোর্স কতগুলো বই আছে এবং তার পাশাপাশি আসলে আমরা মেশিন লার্নিং যদি শিখতে চাই তার জন্য হোয়াট ইজ দা সিকুয়েন্স এন্ড অলসো এনএলপি আজকে জেনারেটিভ এআই এর কথা বলছি জেনারেটিভ এআই চ্যাটজিপিটি হাউ ডু ইউ ইভেন স্টার্ট হাউ ডু ইউ ইভেন স্টার্ট সো হাতে কলমে বাংলা ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং এন্ড দেন সবগুলো অনলাইন বই এখান থেকে সবগুলো অনলাইন বই আমরা দেখতে পারি যে আসলে প্রিন্ট বইয়ের লিংক এবং অনলাইন বই কিভাবে আমরা দেখতে পারি। যেকোনো একটা অনলাইন বই আমরা এখান থেকে দেখতে পারি যে এই অনলাইন বইটা আমরা এখান থেকে আমরা দেখতে পারি। সো সেইম আমাদের যদি এখন হাতে কলমে ডেটা অ্যানালিটিক্স এবং ডেটা ভিজুয়ালাইজেশন যদি দেখতে চাই সেটা অনলাইন বইটাও কিন্তু আমরা এখান থেকে দেখতে পারি। বিকজ দিনশেষে আসলে আমি বইগুলো অনলাইনে রাখি একটাই কারণে যে যাতে আমাদের এই জিনিসগুলো আমরা বুঝতে পারি যে আসলে কিভাবে কাজগুলো হয়। আর দিনশেষে আমরা যেটাই করি না কেন সবকিছুতেই কিন্তু আসলে আমরা চাইবো যে কিভাবে ডেটাকে আমরা প্রপারলি কমিউনিকেট করতে পারি। বিকজ দিনশেষে ডেটা নিয়ে আমরা কাজ করলাম কিন্তু ডেটাকে ডেটাকে আমরা প্রপারলি কমিউনিকেট করতে পারলাম না সেটাও কিন্তু আমাদের একটা বড় ইস্যু হয়। তো এখানে আমি আসলে এজন্যেই এই ডেটা নিয়ে আসলে এতই এতই কাজ করা যে ডেটা থেকে যদি আমি ইনসাইটটা না বুঝি এবং তার পাশাপাশি সেটাকে আমি যদি প্রপারলি যদি ইনসাইট বুঝে যদি প্রপারলি যদি কমিউনিকেট না করতে পারি আমার ম্যানেজমেন্টের কাছে আমার ক্লায়েন্টের কাছে আমার স্টেকহোল্ডারের কাছে আমি যদি ঠিকমত এটাকে ঠিকমত কমিউনিকেট না করতে পারি তাহলে তো আসলে আমার এটা কোন কাজে লাগছে না। সো উই হ্যাভ টু নো হাউ টু ইভেন কমিউনিকেট। সো আসলে আমি যদি ফিরে আসি অফকোর্স উই আর টকিং এবাউট সিকুয়েল বাট এট দা সেইম টাইম এই সিকুয়েল নিয়ে কিভাবে আমরা আরো ভেতরে ঢুকবো সেটা নিয়ে আমরা সামনে আসবো। আজকে এই পর্যন্তই থাকছেন তো সামনে?

নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ

নন-প্রোগ্রামারদের জন্য মেন্টরশীপ ২৯ পাওয়ার বিআই থেকে টাইটানিক ডেটাসেট এর কী সেগমেন্টেশন.mp3

আমরা গতকাল পাওয়ার বিআই দিয়ে টাইটানিক ডেটা সেটে কি ইনফ্লুয়েন্সারটা দেখিয়েছিলাম যে কিভাবে এক একটা ফিচার বিশেষ করে আমরা চাচ্ছিলাম যে সারভাইভ মানে কারা কারা বেঁচে গিয়েছিলেন এবং এই বেঁচে যাওয়ার ব্যাপারটা কিভাবে ডিপেন্ড করছে বিভিন্ন ফিচারগুলো এখানে জেন্ডার পি ক্লাস এমবার্গড এইজ এর অর্থ হচ্ছে আমাদের ফাইনাল আউটকাম বিজনেস কোশ্চেনের অ্যানসার হচ্ছে গিয়ে কে কে বেঁচে গিয়েছিলেন এবং কে কে মারা গিয়েছিলেন এবং সেই জিনিসটা ডিপেন্ড করছে আমাদের এখানে জেন্ডার পি ক্লাস এমবার্গড এইজ প্যারেন্টস চিলড্রেন ফেয়ার মানে এই যে ফিচার গুলো আছে এই ফিচার গুলো কতটুকু ইনফ্লুয়েন্স করছে সেটাই কিন্তু আমরা এখানে দেখিয়েছিলাম এবং এখানে যে জিনিসটা আমরা বারবার বলছিলাম যে আমরা আজকে পাওয়ার বিআই ব্যবহার করছি কালকে ট্যাবলু ইউজ করবো এরপরে আমরা মাইক্রোসফট এক্সেল ইউজ করবো বাট যে জিনিসটা আমি বারবার বলছি যে আমরা কখনোই টুল ডিপেন্ডেন্ট হবো না মানে আমি শুধুমাত্র পাওয়ার বিআই পারি বা শুধুমাত্র ট্যাবলু পারি হ্যাঁ এরকম হতে পারে যে আমাদের বিজনেস হাউস বা আমাদের কোম্পানি শুধুমাত্র একটা প্রোডাক্ট নিয়ে কাজ করে তবে আমার কথা হচ্ছে যে যেকোনো বিজনেস অ্যানালিটিক্স টুল এর পেছনের আন্ডারলাইং আন্ডারস্ট্যান্ডিং যদি ঠিকমত থাকে তাহলে আমাদের এই জিনিসগুলো বোঝা সহজ হয় আর এইজন্যই কিন্তু আমরা বারবার বলি যে আমরা সরাসরি এই পাওয়ার বিআই বা ট্যাবলু বা এক্সেল সরাসরি ওই প্যাকেজটা শিখবো না বরং ডেটা অ্যানালিটিক্স করার জন্য আমাদের এর পেছনের যে আন্ডারলাইং আন্ডারলাইং যে আন্ডারস্ট্যান্ডিং যে কেন আমরা বিজনেস অ্যানালিটিক্স করছি বা আমাদের বিজনেস কোশ্চেন কি বা বিজনেস কোশ্চেনের পাশাপাশি আসলে আমাদের কি উত্তর চাচ্ছি সেই উত্তরটার উপর ডিপেন্ড করে কিন্তু আমাদের সবকিছু সাজাতে হচ্ছে আজকে আমরা যদি ফিরে আসি আমাদের কি ইনফ্লুয়েন্স থেকে টপ সেগমেন্ট আমি বলছি আমরা ফিরে আসছি টপ সেগমেন্টে সেখানে তারা কিন্তু আমি বলছি যে পাওয়ার বিআই এর এআই ইন্টেলিজেন্ট মডিউল তারা কিন্তু এখানে একটা সেগমেন্টেড করে ফেলেছে মানে আমরা বলছি যে যদি সারভাইবিলিটি যদি ট্রু হয় এবং তার সাথে পপুলেশন কাউন্ট যে সারভাইবিলিটি ট্রু হলে 98% কোন সেগমেন্টে আসলে বেঁচে গিয়েছিল এবং তার মধ্যে পপুলেশনটা কতটুকু ছিল ধরা যাক এখানে 55 পপুলেশন সেগমেন্ট টুতে হচ্ছে গিয়ে 95% হচ্ছে গিয়ে সারভাইবিলিটি তারা বেঁচে গিয়েছিল এবং তার সাথে তার যে পপুলেশন মানে এখানে শুধুমাত্র 67 পপুলেশন আসলে এখানে ব্যবহার করা হয়েছে আমরা বলছি যে 89% এখানে পপুলেশন 48 এভাবে কিন্তু আমাদের বিভিন্ন সেগমেন্টেশন হয়েছে এখন আমরা যদি এই সেগমেন্টেশনটার ভেতরে ড্রিল ডাউন করতে চাই তাহলে আমরা বুঝতে পারছি যে আমরা এখানে যেটা বলছি যে এমবার্গড ইজ নট ফ্রম সাউথহ্যাম্পটন তার মানে হচ্ছে গিয়ে এই সেগমেন্ট ওয়ানে এমবার্গড যদি সাউথহ্যাম্পটন থেকে না উঠেন মানে ওই প্যাসেঞ্জার যদি সাউথহ্যাম্পটন থেকে না উঠেন এর পাশাপাশি প্যাসেঞ্জার ক্লাস যদি থার্ড ক্লাস যদি না হন এবং সেই প্যাসেঞ্জার যদি মহিলা হন তাহলে এই সেগমেন্টটা কিন্তু আমি বলব যে এই সেগমেন্টে 98% সারভাইবিলিটি হবে তবে এটা 60% পয়েন্ট মানে যেটা আমরা দেখছি 38% এর মধ্যে থেকে সেখানে আমরা দেখছি যে এই সেগমেন্টটা কতটুকু এই সেগমেন্টটা হচ্ছে গিয়ে 6.2 6.2% ডেটার মধ্যে এই সেগমেন্টটা তার মানে এই ডেটা পয়েন্টটা এফেক্ট করছে কতটুকু মাত্র 55 ডেটা পয়েন্ট এভাবে আমরা যদি 95% এ যাই সেখানে তারা বলছে সাউথহ্যাম্পটন থেকে যদি এমবার্গড হয় পি ক্লাস যদি থার্ড ক্লাস না হয় ফিমেল প্যাসেঞ্জার হলে এবং সিবলিং স্পাউস যদি জিরো এন্ড গ্রেটার দেন টু যদি হয় তাহলে তাদের সেগমেন্ট পয়েন্ট হচ্ছে 7.5 এবং এই 7.5 মধ্যে তারা 95.5% হচ্ছে গিয়ে তাদের সারভাইবিলিটিটা বোঝা যাচ্ছে এভাবে আমরা 89% এ আমরা আসতে পারি এভাবে আমরা এখানে দেখতে পারি যে এমবার্গড হচ্ছে গিয়ে সাউথহ্যাম্পটন পি ক্লাস থার্ড ক্লাস হওয়া যাবে না সেক্স ইজ ফিমেল এবং সিবলিং স্পাউস আমরা এখানে দেখাচ্ছি একই জিনিস তার মানে হচ্ছে এইটার সেগমেন্টেশন হচ্ছে গিয়ে 89% এটা 5.4% অফ দা টোটাল পপুলেশন এবং এখানে সেগমেন্টেশনটা হচ্ছে 48 ডেটা পয়েন্টের আসলে এখানে ইনফ্লুয়েন্স করছে এভাবে আমরা 69% দেখতে পাচ্ছি এবং একই জিনিস যে এখানে এমবার্গড হচ্ছে গিয়ে সাউথহ্যাম্পটন প্যাসেঞ্জার ক্লাস হচ্ছে থ্রি এবং সেক্স হচ্ছে গিয়ে ফিমেল সেই হিসেবে কিন্তু আমাদের এই সেগমেন্টেশনটা 69% এবং এটা খুব একটা ভালো রেজাল্ট দেয়নি আমাদের কথা হচ্ছে যে আমরা এই জিনিসগুলো দেখছি ড্রিল ডাউন করছি এটা আমাদেরকে সিস্টেম থেকে একটু আমাদেরকে দেখিয়ে দিচ্ছে বাট আমার কাছে বলবো আমি সবসময় যেটা বলবো যে আমাদেরকে নিজে থেকেও কিন্তু কিছু ড্রিল ডাউন করতে হবে এবং আমরা নিজেরাও এটা হাতে কলমে দেখবো যে আসলে এই জিনিসটা কিভাবে কাজ করে আজকে এই পর্যন্তই থাকছি কিন্তু সামনে

নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ

নন-প্রোগ্রামারদের জন্য মেন্টরশীপ ২৩ ট্যাবলিউ, টাইটানিক ডেটাসেট, ডাইমেনশন এবং মেজার.mp3

আমরা যারা ডেটা অ্যানালিটিক্স করতে চাইবো তাদের জন্য আমার সবচেয়ে বড় টিপস হচ্ছে মার্কেটে যতগুলো এখন এই মুহূর্তে যেমন এখানে আছে টাবলো ডেস্কটপ বা আমরা পাওয়ার বিয়ার কথা বলছি বা মাইক্রোসফট এক্সেল আমরা যেটা নিয়ে কাজ করি না কেন আমাদের এই সফটওয়্যার গুলো এখন এতই ইন্টেলিজেন্ট হয়ে গেছে যে আমরা আসলে এখানে বুঝতে পারি যে এই সফটওয়্যার গুলো আমাদের জন্য ডেটা ভিজুয়ালাইজেশনের জন্য এর ব্যাক এন্ডে বেশ কিছু অ্যালগরিদম কাজ করছে আর সেই কারণে আমি আপনাদেরকে অনুরোধ করব যে আমাদের সাথে যে ধরনের টাবলো সফটওয়্যার গুলো নিয়ে আমরা যেভাবে কাজ করছি সেখানে আমার সাথে সাথে আপনারাও এটা নিয়ে কিছু কাজ করুন যাতে আপনারাও এই ব্যাপারটা নিয়ে কাজ করে বুঝতে পারবেন যে আসলে এই জিনিসগুলো কিভাবে কাজ করে তবে আমি একটা কথা বলব যে আমরা এখানে যেভাবে কাজ করার চেষ্টা করছি সেখানে এর পাশাপাশি আমরা এখানে বিশেষ করে আমরা ট্যাবলেটে যে ডেটাগুলো দেখছি সেখানে এই ধরনের যে ডেটাগুলো আছে সেই ডেটাগুলো আসলে আমরা কোথা থেকে পাচ্ছি অবশ্যই আমরা টাইটানিক ডেটা সেট থেকে পাচ্ছি আর সে কারণে আমরা যখন টাইটানিক ডেটা সেট নিয়ে আমরা কথা বলছি ধরা যাক আমি এখন টাইটানিক ডেটা সেটে যদি যাই এখানে আমাদের টাইটানিকের আমরা যদি এটা বলি যে টাইটানিকের যে ডেটাগুলো আছে সেই ডেটাতে আমরা ডেটাতে চলে গেলাম এবং সেখানে কিন্তু আমরা দেখছি যে আমাদের এখানে টেস্ট সিএসভি ট্রেন সিএসভি কারণ আমাদের এখানে সবচেয়ে বড় কাজ হচ্ছে ট্রেন সিএসভি নিয়ে কাজ করা আমরা যখন ট্রেন সিএসভিটা ডাউনলোড করতে চাইবো যে আমরা এখানে দেখতে চাইবো যে ট্রেন সিএসভিতে কি আছে সেখানে প্যাসেঞ্জার আইডি সারভাইভড পি ক্লাস নেম এভাবে কিন্তু ডেটাগুলো আছে আমরা যদি এটাকে ডাউনলোড করি তাহলে এখন কিন্তু আমাদের এখানে ক্যাগল থেকে এই পুরো জিনিসটা ডাউনলোড হয়ে গেল এখন এই ট্রেন ডট সিএসভি ফাইলটাকে আমরা যদি দেখতে চাই এক্সেলে তখন কি হবে যে এই জিনিসটার ভেতরে কিন্তু আমরা জানতে পারছি যে এখানে ডেটা ডিকশনারি যদিও বলা আছে আমরা যদি আমাদের ডেটা ডিকশনারিতে যাই তাহলে কিন্তু এখানে ডেটা ডিকশনারিতে আছে আমি তবুও ডেটা ডিকশনারিতে ফিরে যাই এখানে আমাদের যে ডেটাটা আছে সেই ডেটাতে কিন্তু বলা আছে যে ভেরিয়েবল গুলো কি হবে ডেফিনেশন কি হবে এবং তার জন্য কি কিওয়ার্ড আছে সবকিছু এখানে বলা আছে বিশেষ করে আমরা যদি এখানে এটা বলতে চাই যে এই যে সারভাইভিলিটি এবং এটার সাথে কি কি বলা আছে যে জিরো এন্ড ওয়ান মানে যে যিনি বেঁচে গিয়েছেন উনি ওয়ান এবং যিনি মারা গিয়েছেন উনি জিরো মানে এর অর্থ হচ্ছে সারভাইভ পি ক্লাস প্যাসেঞ্জার ক্লাস সেক্স এই ব্যাপারগুলো এগুলো কিন্তু ডাইমেনশন মানে আমরা বলতে পারছি যে এগুলো কিন্তু এক একটা ক্যাটাগরিক্যাল ভেরিয়েবল এবং ক্যাটাগরিক্যাল ভেরিয়েবল হওয়ার কারণে কিন্তু এগুলো ডাইমেনশন এবং পাওয়ার বিআই বলেন আর আমরা এই টাবলোর কথা বলি সেখানে কিন্তু এগুলো ডাইমেনশন হিসেবে যাবে আবার আমরা যদি বয়সের কথা বলি বয়স সিবিএসপি মানে সিবলিং স্পাউস মানে সংখ্যা প্যারেন্টস চিলড্রেন সংখ্যা আবার এগুলো কিন্তু আমি বলব যে এগুলো কিন্তু মেজার হিসেবে কাজ করছে কারণ এগুলো কন্টিনিউয়াস মানে এগুলো হচ্ছে গিয়ে নাম্বার সো বয়স যদি এটা নাম্বার হয় সিবিএসপি নাম্বার হয় এই নাম্বার গুলোর জন্য কিন্তু এটা একটা মেজার আমরা যদি এখন ফিরে যাই আমাদের টাবলোতে বা আমি যদি ফিরে টাবলোতে যাওয়ার আগে যদি আমি মাইক্রোসফট এক্সেলে যদি আমাদের কাজটা দেখাই তাহলে কিন্তু এখানে দেখা যাবে যে মাইক্রোসফট এক্সেলে যে জিনিসটা আমরা দেখছি সেখানে কিন্তু আমাদের এই প্যাসেঞ্জার আইডি সারভাইভ পি ক্লাস এই এখানে কিন্তু সবকিছু কিন্তু বলা আছে এখন আমাদের টোটাল এখানে সংখ্যা যেটা আছে সেই সংখ্যাটা হচ্ছে গিয়ে আমাদের এখানে ভ্যালু হিসেবে আমরা দেখতে পাচ্ছি যে আমাদের টোটাল সংখ্যা কত এখানে আমরা যদি দেখি যে টোটাল আমাদের আছে হচ্ছে গিয়ে 891 টা রো এখন এই ডেটাটাকে যখন আমরা টেনে নিয়ে আসবো আমাদের টাবলো ডেস্কটপে ধরা যাক আমি এখন এটাকে টাবলো ডেস্কটপে নিয়ে দিতে চাচ্ছি সো আমি কি করব আমাদের হচ্ছে গিয়ে ডেটা কানেক্টরে যাব এবং সেখান থেকে আমি কানেক্ট কানেক্টে সেই ডেটাগুলো কিন্তু এখানে এ বি সি অর্থ হচ্ছে গিয়ে স্ট্রিং এখানে এইজ হচ্ছে গিয়ে নাম্বার এবং সেই হিসেবে কিন্তু এখানে এই ডেটাগুলো এসছে তো আমরা যদি এই ডেটাকে যদি নিয়ে আসি আমাদের টাবলোতে টাবলো থেকে যদি আমরা কানেক্ট করে যদি নিয়ে আসি ধরে যাক আমরা এখানে টাবলোতে কানেক্ট করলাম কানেক্ট করার পর আমরা একে নিয়ে আসছি আমাদের টাবলোতে এখন টাবলোতে যদি কানেক্ট করে নিয়ে আসলাম এখন আমরা একটা নতুন শীটে আমরা নতুন শীটে কাজ করি ধরা যাক আমাদের শীটটা হচ্ছে গিয়ে নতুন আমরা একটা কাজ করতে চাই যেখানে আপনারা দেখতে পাচ্ছেন যে এই সবকিছু মানে এই যে একটা চিকন লাইন এই চিকন লাইনের নিচে আমি যদি আপনাকে একটু দেখাই যে আমাদের এখানে যে চিকন একটা লাইন আছে এই লাইনটার নিচে এটার নিচে হচ্ছে মেজার যেটাকে বলছি কন্টিনিউয়াস বা যেটাকে ডিসক্রিট ভ্যালু মানে আমি ডিসক্রিট ভ্যালু বলছি না যেটা যে ভ্যালুটা হচ্ছে কন্টিনিউয়াস তার মানে বয়স একটা কন্টিনিউয়াস ফেয়ার একটা কন্টিনিউয়াস প্যারেন্টস চিলড্রেন পি ক্লাস এখন এই যে পি ক্লাস এটার ব্যাপারে একটা আছে যে পি ক্লাসটা নরমালি এখানে হওয়ার কথা না তো সেজন্য বলছি যে এখানে কিছু কিছু জিনিস আমাদের এখানে কাজ হবে ঠিকই কিন্তু আমরা সেটাকে আবার পালটা পাল্টে নিতে পারব ধরা যাক আমাদের এই প্যাসেঞ্জার ক্লাস এটাকে কিন্তু আমরা চেঞ্জ করে কনভার্ট টু ডিসক্রিট ডাইমেনশন আমরা কিন্তু এটা করে নিতে পারি তো আমরা সেটা বলছি যে এই মুহূর্তে সফটওয়্যার আমাদেরকে বলছে ব্লু এই যে ব্লু এখানে যে ব্লু কালার গুলো আছে ব্লু কালার মিন্স দিস আর ডাইমেনশন দিস আর ব্লু কালারস এন্ড দিস আর গ্রীন কালারস মিন্স কন্টিনিউয়াস এখন এগুলোকে আমরা বলছি মেজারস সো আমরা যদি ধরা যাক এখানে যদি আমরা একটা কাজ করতে চাই যে এই ব্লু তারপর হচ্ছে গিয়ে এখানে এখানে ব্লু এখানে গ্রীন আমরা যখন এখানে এই জায়গাতে টান দেব তখন কিন্তু আমরা বুঝতে পারব যে আসলে এই জিনিসটা কিভাবে কাজ করে তবে একটা জিনিস আমি আপনাদের বলব যে আপনাদের মত করে আপনার ইচ্ছামত মানে আমি যে বলছি যে আপনার ইচ্ছামত এই জিনিসগুলো নিয়ে কাজ করা শুরু করুন আমরা যদি এখানে একটা কাজ করি ধরা যাক আমাদের বয়স এই বয়সটা আমরা দেখছিলাম যে আমাদের এখানে বয়সটা কতটুকু হতে পারে সেটা একটু আমরা টেনে নিয়ে দেখি আমরা ধরা যাক এই বয়সটাকে আমরা যেহেতু আমাদের বয়স মানে হচ্ছে মেজার আমরা এটাকে কলামে ছেড়ে দিলাম তার মানে হচ্ছে কি আমাদের এখানে বয়সটা টোটাল একটা এগ্রিগেটেড একটা বয়সের কথা বলছে তবে আমি এটুকু বলতে পারি যে আমরা এই বয়সটা যেহেতু এনালাইসিসে আমাদের এগ্রিগেট মেজারস আছে সেটা আমরা তুলে দেই সো আমরা আসলে এখানে বয়সটা এগ্রিগেট মেজারস হচ্ছে না এই মুহূর্তে এই বয়সের পাশাপাশি আমরা যদি বলি যে না একটা মানুষের সাথে একটা মানুষের বয়সের সম্পর্ক আছে তো মানুষের সাথে আমরা কিভাবে সম্পর্কটা তৈরি করব যদি প্রতিটা মানুষের নামের সাথে একটা বয়স আছে তো সেখানে যদি আমরা এখানে নেম যেটা অলরেডি একটা ডাইমেনশন হিসেবে আছে সেখানে আমি যদি সেটাকে রোতে নিয়ে আসি আমি বলছি এটা রোতে নিয়ে আসি যদিও এখানে দেখা যাচ্ছে ব্লু আমরা এখানে রোতে নিয়ে আসলাম তো রোতে যখন আমরা নিয়ে আসতেছি তখন কিন্তু আমরা এখানে দেখছি যে প্রতিটা মানুষের নাম এবং তার সাথে তার বয়স মানে উনি আসলে কত বছর বয়স ছিল সেটাকে আমি যদি এখানে বার চার্টে নিয়ে যাই তাহলে কিন্তু আমি দেখতে পাচ্ছি যে প্রতিটা মানুষ এই টাইটানিকের এবং এখানে দেখা যাচ্ছে যে মাত্র পয়েন্ট 92 এইজ মানে বয়স ছিল এক বছরের কম আর এখানে আমরা দেখছি হচ্ছে গিয়ে শূন্য থেকে 80 বছর পর্যন্ত এখানে আমাদের হিসাবটা দেখছি তার মানে হচ্ছে কি আমাদের এখানে টোটাল যে 1200 জনের নাম আছে সেই 1200 জনের আমরা কিন্তু এখানে পাচ্ছি এবং সফটওয়্যার যদি ইন্টেলিজেন্ট সেও কিন্তু আমাকে বলে দিচ্ছে যে এখানে বয়সের 177 টা 177 টা বয়স সংখ্যা মানে 177 টা বয়স ডেটা কিন্তু এখানে মিসিং তার মানে এখানে 177 নাল ডেটা আমাদেরকে এটা বুঝতে হবে যে আমরা যখন বিভিন্ন ডেটা নিয়ে কাজ করব এবং সেই ডেটা নিয়ে আমরা যখন আপনাদেরকে দেখাবো তখন কিন্তু এখানে এই জিনিসটা আমরা এক নজরে দেখতে পাচ্ছি যে প্রতিটা মানুষের নাম এগুলো যেমন এখানে বয়স নেই এবং তার পাশাপাশি উনি কত উনার বয়স কত ছিল মানে উনি যখন ট্রাভেল করছিলেন উনার বয়সটা কত ছিল আমরা কিন্তু এটা খুব সুন্দরভাবে দেখতে দেখতে পেলাম যে বয়সের পাশাপাশি নেম দিয়ে আমরা পাচ্ছি এখন আমরা একটু স্মার্ট ওয়েতে আমরা কাজ করি যে আমরা আসলে এই বয়সটাকে একটু চেঞ্জ করে নিয়ে যাই কারণ আমাদের এই বয়সটা এখানে যে মেজারসটা আছে সেই মেজারসটাকে আমরা এখানে কাউন্ট করে নিয়ে আসি এখন আমাদের যে এই বয়সটা আছে সেই বয়সটার পাশাপাশি আমরা দেখছি যে এখানে বয়সের পাশাপাশি এখানে যে নেম মানে নেমের যে কাউন্ট আছে কাউন্টের পাশাপাশি আমরা এখানে দেখছি 177 নাল ভ্যালু আছে তো আমরা এটাকে 177 নাল ভ্যালুকে আমরা ফিল্টার করতে পারি ফিল্টার কিভাবে করব আমরা এখান থেকে বয়স এইজটাকে আমরা ফিল্টারে নিয়ে আসবো ফিল্টারে যখন আমরা নিয়ে আসবো তখন কিন্তু আমরা এখানে বিভিন্ন রেঞ্জ বলতে পারি যে যেমন পয়েন্ট ফোর টু হচ্ছে লাস্ট মানে সবচেয়ে হচ্ছে গিয়ে আমার মনে হচ্ছে যে ছয় মাসেরও কম একটা বাচ্চা ছিল ওই ওই জার্নিতে এবং হাইয়েস্ট হচ্ছে 80 বছর লোক ছিলেন ওই টাইটানিক ভয়েজে তো আমরা এখান থেকে স্পেশালি যেয়ে আমরা বলছি যে ফিল্টার করে দেওয়া হচ্ছে গিয়ে নন নাল ভ্যালু এবং সেই হিসেবে আমরা যদি এটাকে ওকে করি তাহলে আমাদের এখান থেকে নাল ভ্যালুটা চলে গেল এখন আমরা এই ব্যাপারটাকে একটু সুন্দরভাবে দেখতে চাই তো এখানে আমরা যদি দেখি ধরা যাক আমাদের এখানে স্ট্যান্ডার্ড ফিট না করে আমরা এন্টার ভিউতে যাই এবং সেখানে কিন্তু আমরা দেখছি যে এখানে ডেটাটা কিভাবে আছে সেখানে আমরা একটু যদি কালারফুল করতে চাই ধরা যাক আমরা এখানে একটা নতুন একটা ডেটা জানতে চাই যে এখানে আসলে মেল ফিমেল কিভাবে ছিল এই ডেটার ভেতরেই আমরা যদি এখানে যদি জেন্ডার বা সেক্সকে যদি আমরা বলি যে এটাকে আমরা নিয়ে আসলাম কালারে আমরা যদি এই যে সেক্সটাকে আমরা নিয়ে কালারে নিয়ে নিয়ে এলাম এবং কালারে নিয়ে এসে আমরা ছেড়ে দিলাম তখন কি হচ্ছে আমাদের কিন্তু এখানে সেক্সের পাশাপাশি কিন্তু এখানে আমাদের একটা লিজেন্ড তৈরি হলো যে এইখানে এই ডেটাগুলো এসছে তবে আমার কাছে মনে হয় যে এটাকে আরেকটু সুন্দরভাবে দেখা যায় যদি আমি একটু সাইজটাকে কমিয়ে নিয়ে আসি এবং সেখানে আমরা কিন্তু তখন বুঝতে পারব যে এটা আসলে ডিসক্রিট ভ্যালুটা কিভাবে কাজ করে সো এই যে আমরা যেখানে একটা কাজ করলাম কাজটা হচ্ছে খুব সিম্পল একটা জিনিস যে আমরা যখন একটা ইন্টেলিজেন্ট সিস্টেম নিয়ে কাজ করব আমরা এখান থেকে যার মনে হয় যেটা আমরা সেই ডেটাগুলোকে এখানে টেনে এখানে ড্রপ করে দেব এবং এটা থেকে কিন্তু আমরা অনেক ধরনের ইনসাইট পাওয়া যায় এবং সেই ইনসাইটটা আমরা দেখলাম যে আসলে এখানে শূন্য থেকে 80 বছর বয়স পর্যন্ত আমাদের যে ডেটা তার মধ্যে মহিলা এবং পুরুষ এবং মহিলা এবং পুরুষের মধ্যে আমাদের এখানে দেখছি যে এখানে মেলের সংখ্যা অনেক বেশি ফিমেলের সংখ্যা এখানে দেখা যাচ্ছে এখন আমরা যদি এর মধ্যে আমি আপনাদেরকে বলব যে এই যে টাবলো ডেস্কটপের যে জিনিসটা নিয়ে আমরা কাজ করলাম সেটা আমি এখানে গ্যালারিতে আমি সেভ করে রাখছি যাতে আপনারা এটাকে ডাউনলোড করে আপনারা নিজেরাও এখানে কাজ করতে পারেন সেই হিসেবে আমি যেটা করছি যে আমি এটাকে সেভ করছি ধরা যাক এটা সেভ টু টাবলো পাবলিক আমি এই জিনিসটাকে সেভ করতে চাচ্ছি এবং সেটা এখনই কিন্তু আমাকে দেখাবে যে এই জিনিসটা আমার সাইটে এটার সাথে কিভাবে সেভ হচ্ছে এবং সেই সাইটে আপনারা যদি যান সেখানে কিন্তু দেখাচ্ছে যে এই পুরো জিনিসটাকে কিন্তু সে টাবলো পাবলিকে সেভ হচ্ছে এবং একটা পর্যায়ে কিন্তু আপনাকে একটা ওয়েব ব্রাউজারে আপনাকে দেখাবে যে কিভাবে এই জিনিসটা সেভ হচ্ছে এবং আপনার কাজ হচ্ছে গিয়ে সেই পুরো জিনিসটাকে আপনি ডাউনলোড করবেন আপনার পিসিতে এবং আপনি এখনই দেখতে পাবেন যে এটা যখন ওয়েব ব্রাউজারে যাবে এবং দেখেন এখন কিন্তু এটা ওয়েব ব্রাউজারে চলে যাচ্ছে এবং ওয়েব ব্রাউজারে আমি যেটা করব আমি আপনাকে এই লিংকটা শেয়ার করব এই লিংকটা শেয়ার করলে আপনারা এখান থেকে কিন্তু আপনি বুঝতে পারবেন যে এইখানে যে জিনিসগুলো আছে ধরা যাক এখানে যে ডেটাটা আছে সেই ডেটাটার মধ্যে এখানে সবগুলো শিট কিন্তু এখানে চলে এসছে এবং তার পাশাপাশি আমরা যেটা সেভ করলাম সেটাও কিন্তু এখানে চলে এসছে সুতরাং এখানে কিন্তু আমরা সরাসরি আমরা আপনাকে যেটা বলব যে আপনি এখান থেকে এটাকে ডাউনলোড করে নিবেন এটাকে ডাউনলোড করে নিলে আপনার ডেস্কটপে আপনার যে টাবলো ডেস্কটপ আছে সেখানে সেভ করলে এবং সেখান থেকে কিন্তু আপনি এটাকে পুরোপুরি আবার মডিফাই করতে পারবেন আজকে এ পর্যন্তই থাকছেন তো সামনে

নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ

নন-প্রোগ্রামারদের জন্য ডেটা-অ্যানালাইটিক্স ৪৩ সুপারস্টোর সাব-ক্যাটেগরিতে ৪ বছরের 'গ্রোথ' কেমন.mp3

আমরা ধরে নিচ্ছি আপনাকে হায়ার করা হয়েছে একটা বিজনেস হাউজে। বিশেষ করে তাদের বিভিন্ন পণ্য আছে সেই পণ্যগুলোকে যে সাবক্যাটাগরিতে আছে তাদের চার বছরের গ্রোথের ব্যাপারে তারা আলাপ করতে চাইছে আপনার কাছে। আর সে কারণে আমরা একটা ইউজ কেস নিয়ে এসছি এবং আমাদের এই পুরো জিনিসটা আমরা আজকে করব ট্যাবলুতে। আমি বারবার আপনাদেরকে একটা বলতে একটা কথা বলতে চাই সেটা হচ্ছে যে আমাদের যে প্রবলেম যে বিজনেস কোশ্চেন সে বিজনেস কোশ্চেনের পেছনের দর্শনটা বুঝতে হবে যে আসলে আমাদের এই প্রশ্নের উত্তরে আমরা আসলে কি কি ডেটা জানতে চাইবো। আর সে কারণে আমরা চলে যাচ্ছি আমাদের গ্লোবাল সুপার স্টোর ডেটাসেট এবং এই গ্লোবাল সুপার স্টোর ডেটা সেট নিয়ে আমরা এর আগেও কাজ করেছি। আর সে কারণে আমি যখন ট্যাবলুতে ফিরে যাচ্ছি তখন আমরা সরাসরি চলে যাচ্ছি মাইক্রোসফট এক্সেলে। কারণ এই গ্লোবাল সুপার স্টোর ডেটা সেটটা কিন্তু মাইক্রোসফট এক্সেলে। আমরা এক্সেল চালু করলাম এবং সেখান থেকে আমরা গ্লোবাল সুপারস্টোর ডট এক্সেলএস এটা আমরা ডাউনলোড করে নিলাম। এটা আসলে আপনি যদি গ্লোবাল সুপারস্টোর ডেটাসেট হিসেবে যদি আপনারা Google এ সার্চ করেন এটা প্রায় সব জায়গায় পাওয়া যাবে। আমরা চলে যাচ্ছি আমাদের গ্লোবাল সুপারস্টোর ডেটা সেটে এবং গ্লোবাল সুপারস্টোর ডেটা সেটে যখনই আমরা কানেক্ট করব আমাদেরকে দেখব যে আমাদের আসলে এখানে যদি আমরা এক্সেলে যদি চালু করতাম তাহলে দেখতাম যে এখানে তিনটা টেবিল আছে যেমন এখানে আমরা বলছি অর্ডার টেবিল, পিপল টেবিল, রিটার্নস টেবিল। এখন এই মুহূর্তে আমরা যদি অর্ডার টেবিলটা যদি নিয়ে আসি এবং সেখানে যদি আমরা ড্র্যাগ করে দেই তাহলে আমরা এই অর্ডার টেবিল থেকে আমরা দেখতে পাচ্ছি যে আমাদের বেশ কিছু ডেটা আসছে। আর সেখানে আমাদের যে বিজনেস কোশ্চেন সেই বিজনেস কোশ্চেনে যদি আমরা দেখি যে পণ্যের বিভিন্ন সাবক্যাটাগরিতে চার বছরের গ্রোথ কেমন হতে পারে সেটাই আমরা জানতে চাইবো আমাদের ট্যাবলুতে। আর এই ট্যাবলুতে যখন আমরা যাইবো যাব তখন আমরা দেখব যে আমাদের এই ডেটাগুলো আছে সেই ডেটাগুলোতে বিভিন্ন আমাদের সাবক্যাটাগরি ফিল্ড আছে এবং সেখানে সাবক্যাটাগরি ফিল্ডে আমরা দেখছি আমাদের ক্যাটাগরি ফিল্ড আছে, আমাদের সেলস ফিল্ড আছে, আমাদের আরো অন্যান্য অনেক ডেটা আছে। যেমন আমাদের এখানে আমি দেখছি যেহেতু চার বছরের কথা বলা হয়েছে চার বছর মানে হচ্ছে কি এখানে আমাদের একটা ডেট ফিল্ড লাগবে। আমাদের অর্ডার ডেট এখানে আছে। সুতরাং এই ব্যাপারগুলো কিন্তু আমাদের জন্য কাজে দেবে। আমাদের বিজনেস কোশ্চেন নিয়ে বারবার যে কথাটা আমরা বলি যে বিজনেস কোশ্চেনটাকে ঠিকমতো বুঝতে পেরে মানে বুঝতে যদি আমরা ঠিকমতো পারি তাহলে কিন্তু আমরা সেই ডাটাগুলো নিয়েই আমাদের কাজ করব। আমাদের বিজনেস কোশ্চেন হচ্ছে গিয়ে সাবক্যাটাগরি। এখন আমাদের যদি ট্যাবলুতে আমরা ফিরে যাই আমরা ট্যাবলুতে আমাদের ওয়ার্কশিটে চলে যাই। কারণ আমাদের এখন পুরো জিনিসটা আমরা ওয়ার্কশিটে কাজ করতে চাই। এখন এই জিনিসটা নিয়ে আমরা এর আগে কাজ করেছি। আপনাদের জন্য আমি নতুন করে দেখাতে যাচ্ছি যে একটা ওয়ার্কশিট খুললাম। এখন চলুন আমাদের বিজনেস কোশ্চেন কি? প্রথম কথা হচ্ছে যে এই বিজনেস কোশ্চেনে ওনারা বলছেন যে বিভিন্ন সাবক্যাটাগরি। তার মানে হচ্ছে কি আমাদের প্রথমেই সাবক্যাটাগরি টানতে হবে। আমরা ফিরে যাই সাবক্যাটাগরি। আর এখানে আমি যদি আরেকটা কথা বলি যদি আপনাদেরকে যদি আমি বলি যে সাবক্যাটাগরি তার মানে হচ্ছে গিয়ে এটা আমাদের প্রথম তথ্য যে আমরা এই সাবক্যাটাগরি আমরা জানতে চাইবো। এরপরে মানে এটা হচ্ছে কি আমাদের এক নাম্বার আমাদের ডেটা। আমাদের দুই নাম্বার ডেটা কি হতে পারে? আমরা বলছি গ্রোথ। এখন গ্রোথটা কিসের উপরে? অফকোর্স সেলস ফিগারের উপরে। তার মানে হচ্ছে কি আমাদের দুই নাম্বার হতে পারে আমাদের সেলস ফিগার। তো এখন আমি ওটাই বলছি যে সাবক্যাটাগরি এবং সেলস ফিগার। আমরা যদি এখন ট্যাবলুতে ফিরে যাই আমরা এখান থেকে সরাসরি নিচ্ছি আমাদের সাবক্যাটাগরি। সাবক্যাটাগরি কোথায় পাবো? অবশ্যই আমাদের সাবক্যাটাগরি এখানে আছে। আমরা এটাকে ডাবল ক্লিক করলাম। সাবক্যাটাগরি চলে গেল। এখন আমাদের সাবক্যাটাগরি যে ডকুমেন্টটা আছে সেখান থেকে আমরা আসলে আমাদের ডেটাটা আমরা দেখতে পাচ্ছি না। তো এখন আমাদেরকে কি করতে হবে? অফকোর্স আমাদের সেলস ফিগার। কারণ আমাদের আমরা গ্রোথ চাচ্ছি। তো আমরা সেলস ফিগার ডাবল ক্লিক করলাম। এখন আমাদের সাবক্যাটাগরি ওয়াইজ আমাদের সেলস ফিগার এলো। আর ট্যাবলু অটোমেটিকলি এটা এটাকে এগ্রিগেট করে এবং আমরা একটা এগ্রিগেট ডেটা পাচ্ছি এবং সেই এগ্রিগেট ডেটা যদি আমরা দেখি এখানে কিন্তু সবসময় এগ্রিগেট মেজারস। মানে ও সবসময় আপনার জন্য এগ্রিগেট করবে। বাই ডিফল্ট এগ্রিগেট মেজারস করবে। আর এটাকে আমরা বাই ডিফল্ট হিসেবে ধরে নিচ্ছি। আর এই মুহূর্তে আমরা যদি বিজনেস কোশ্চেনে যদি ফিরে যাই সেখানে আমাদের সেকেন্ড প্রশ্নটা কি হতে পারে যে এক নাম্বার হচ্ছে সাবক্যাটাগরি আর দুই নাম্বার হচ্ছে গিয়ে গ্রোথ মানে সেলস ফিগার। তিন নাম্বার কি ডেটা হতে পারে? তিন নাম্বার ডেটা হতে পারে আমাদের চার বছরের। চার বছরের আমাদের ডেটা। তার মানে হচ্ছে কি একটা ইয়ার। একটা ইয়ার অন ইয়ার। মানে আমরা বলছি যে চার বছরের ডেটা। তার মানে হচ্ছে কি এটা আমাদের তিন নাম্বার ডেটা। এই তিন নাম্বার ডেটা আমরা এখানে এখন দেখব। তার মানে হচ্ছে কি আমাদের সাবক্যাটাগরি এক নাম্বার ডেটা, আমাদের গ্রোথ দুই নাম্বার ডেটা যেটার সাথে আমাদের সেলস ফিগারটাকে কানেক্ট করছি। আর চার বছর আমরা বলছি অর্ডার ডেট। আমরা সেখান থেকে অর্ডার ডেটটা দেখতে পারি। তো আমাদের এখানে অর্ডার ডেট যদি দেখি এখানে আমাদের দিচ্ছি অর্ডার ডেট। আমরা এখন অর্ডার ডেটটাকে ডাবল ক্লিক করলাম। সরাসরি আমাদের এখানে কিন্তু সব ডেটা চলে এলো। এখন যে জিনিসটা হচ্ছে যে আমরা কিন্তু এখানে আরো ভেতরে ঢুকতে পারি। যেহেতু আমাদের অর্ডার ডেটে কিন্তু বেশ কিছু ডেটা আমরা দেখি যে এখানে বেশ কিছু ডেটা আছে। এখানে যদি আমরা চলে যাই আমাদের অর্ডার ডেটের আমরা দেখছি যে বিভিন্ন কোয়ার্টারের ব্যাপারটা আছে। আমরা আসলে সেটা আমাদের জানার দরকার নেই। কারণ আমাদের এখানে যেটা দরকার সেটা হচ্ছে এই সাবক্যাটাগরিতে বিভিন্ন জিনিসগুলো আমরা কাজ করছি। এখন এই মুহূর্তে আমরা যদি এই জিনিসটা ঠিকমতো ক্যালকুলেট করতে পারি। কারণ আমাদের কাছে অলরেডি কিন্তু ডেটা চলে এসছে আমাদের শীটে। এখন আমরা এটাকে একটি ইনসাইটফুল আন্ডারস্ট্যান্ডিং নেবার চেষ্টা করব। ইনসাইটফুল আন্ডারস্ট্যান্ডিংটা কি হতে পারে? ধরা যাক আমাদের এই সাম অফ সেলস মানে আমাদের সেলসটা আমরা যখন দেখছি এটা অফকোর্স এটা সামারাইজ হিসেবে আসছে। আমরা এখান থেকে চলে যাব কুইক টেবিল ক্যালকুলেশন। মানে আমরা এইজন্যই বলছি যে কেন আমরা ট্যাবলু বা পাওয়ার বিআই মানে কেন এক্সেল ব্যবহার করছি না? কেন আমরা আরো উন্নততর টুল ব্যবহার করছি? এর কারণ হচ্ছে এর মধ্যে অনেক কিছু প্রিডিফাইন করা আছে যেখানে আমাকে এক্সেলে বা আমরা যদি পাইথন ব্যবহার করতাম তাহলে আমাকে অন্যান্য অনেক লাইব্রেরি ব্যবহার করতে হতো। যেখানে এই ধরনের বিজনেস অ্যানালিটিক্স টুলসের মধ্যে বিল্ট ইন মানে অলরেডি তৈরি করা আছে। এখন আমাকে যদি বলা হয় গ্রোথ আমি এখানে আপনি বলুন আমাকে এখন যদি গ্রোথ বের করতে হয় যেহেতু আমার এখানে 2011 সাল বলা আছে 2011 সাল, 2012 সাল, 2013 সাল এবং 2014 সাল। মানে এতগুলো আমার ইয়ার দেওয়া আছে। এখন আমার ইয়ার আমাকে গ্রোথ বের করতে হবে। আমরা যদি এখানে আবার বলি যে পণ্যের বিভিন্ন সাবক্যাটাগরিতে চার বছরের গ্রোথ কেমন? এখন আমরা সাবক্যাটাগরি নিয়েছি, আমরা গ্রোথ নিয়েছি, গ্রোথ মানে সেলস নিয়েছি এবং তার সাথে আমাদের চার বছরের ডেটাটা নিয়েছি। এগুলোকে আমাকে প্লট করতে হচ্ছে। এখন আমরা যখন একটা টেবিলে এলাম টেবিল থেকে কিন্তু আমরা ধারণা পাচ্ছি যে 2011 সালে এক্সেসরিজ এবং অ্যাপ্লায়েন্স, আর্টস বিভিন্ন ডেটা কিন্তু আমরা পাচ্ছি। সেখানে কিন্তু এখানে যে ডেটা পাচ্ছি তার থেকে কিন্তু ইয়ার টুতে বেড়েছে এবং ইয়ার টুতে ইয়ার 12 2012 থেকে 2013 এ বেড়েছে এবং তারপরে কিন্তু আরো বেড়েছে। তার মানে হচ্ছে এটা একটা কন্টিনিউয়াস গ্রোথ হয়েছে এবং এটাই কি সবসময় হচ্ছে? আমার মনে হয় না। কারণ এটা বেশ কিছু জায়গায় আমরা ঠিকমতো ডেটাটা বুঝতে পারছি না। আর সে কারণে আমরা যদি এখানে সরাসরি কুইক ক্যালকুলেশন টেবিলে যাই এবং সেখান থেকে আমাদের ডিফারেন্স মানে আমরা ডিফারেন্স বের করতে পারতাম যে আমাদের 2021 থেকে 2022 2012 ডিফারেন্স কি হতে পারে? পার্সেন্টেজ ডিফারেন্স কি হতে পারে? পার্সেন্টেজ অফ টোটাল কি হতে পারে? কিন্তু আমাদের কাছে মনে হচ্ছে যে এর জন্য সবচেয়ে ভালো হয় যদি আমরা ইয়ার ওভার ইয়ার গ্রোথ দেখি। আমরা যদি এটা সরাসরি চলে যাই তাহলে কিন্তু চমৎকারভাবে কিন্তু সে একটা ডেটা আমাদেরকে দেখালো। তার মানে হচ্ছে কি আমাদের 2020 2011 এর ডেটা এখানে যেহেতু নেই কারণ এটা হচ্ছে কি আমাদের স্ট্যান্ডার্ড ইয়ার স্টিক। মানে এটা হচ্ছে রেফারেন্স। সুতরাং এই রেফারেন্সের ভিত্তিতে কিন্তু সে পার্সেন্টেজ ওয়াইজ কিন্তু এগিয়েছে এবং সেখানে কিন্তু বিভিন্ন ডেটাতে যে আমাদের যে ব্যাপারটা আমরা দেখছি সেখানে কিন্তু সাপ্লাইজে মাইনাস 9 মাইনাস 9% মানে হচ্ছে এখানে যে ডেটাটা ছিল তার থেকে এখানে কিন্তু মাইনাস ফিগার। মানে আমাদের কথা হচ্ছে যে এই ডেটাটা কিন্তু কম আছে। তো এইজন্য আমরা বলছি যে আমাদের যে যেকোনো ডেটা আমরা যখন এই ডেটাগুলো নিয়ে কাজ করব তখন কিন্তু এটার একটা ভালো ধারণা পাবো। এখন এটার একটা সিম্পল ভিজুয়ালাইজেশন যদি বলি ধরা যাক আমরা এখানে একটা কুইক ক্যালকুলেশন টেবিলে আমরা বলছি হাইলাইট টেবিল। মানে তুমি আমাকে হাইলাইট টেবিলে দেখাও। আমাদের বোঝার সুবিধার জন্য আমরা এটাকে একটু বড় করে নিতে পারি যাতে এই জিনিসটা কিভাবে এই জিনিসটা বোঝা যায়। এখন সবচেয়ে বড় জিনিসটা আমরা বুঝতে চাচ্ছি যে আমরা যে ভিজুয়ালি যে ডেটাটা আমরা নিব ধরা যাক আমাদের এখানে যে ডেটাটা এসছে সেখানে আমাদের যে ডিফারেন্সেস ইন সাম সেখানে আমরা দেখছি যে সবচেয়ে ভালো মানে 52% 52% হচ্ছে সবচেয়ে বেশি আমাদের এখানে সেলস মানে আমরা যেখানে বলছি গ্রোথ। এই যে গ্রোথ মানে 52% আমরা গ্রোথ পাচ্ছি এবং সবচেয়ে কম আমরা পেয়েছি মাইনাস 9%। তার মানে হচ্ছে কি আমাদের এখানে যত বেশি নীল তত বেশি গ্রোথ হয়েছে এবং যত কম নীল মানে ফাইনালি একটা আমরা অন্য কালার পাচ্ছি। এটাকে আমরা গোল্ড কালার বলতে পারি। এই গোল্ড কালারটা কিন্তু আমাদের এখানে সবচেয়ে কম। মানে গ্রাডিয়েন্ট আকারে এটা আসলে সবচেয়ে বেশি নীল এবং সবচেয়ে কম গ্রোথ হচ্ছে গিয়ে আমাদের গোল্ড কালারটা। আমরা এখানে অবশ্যই আমাদের কালারটা চেঞ্জ করে নিতে পারি। এখানে আমরা যদি দেখি এডিট কালার এডিট কালার থেকে আমরা কিন্তু এখানে অন্যান্য যে ডেটাগুলো আছে সেই ডেটা থেকেও আমরা কিন্তু করতে পারি এবং সেই হিসেবে আমরা কিন্তু এখানে দেখতে পারি যে সবচেয়ে বেশি গ্রিন সবচেয়ে বেশি যেটা গ্রিন সেটা হচ্ছে সবচেয়ে বেশি গ্রোথ। আর এই কালারটা যেটা এই কালারটা আমি আসলে ঠিক বুঝতে পারছি না। এই কালারটা হচ্ছে সবচেয়ে কম। তার মানে হচ্ছে কি এই পুরো ভিজুয়ালাইজেশন কিন্তু আমরা এখানে বুঝতে পারছি যে এখানে আসলে আমাদের কি হতে পারে। আমরা এটা একটা নাম দিতে পারি এবং সেই নাম হিসেবে আমরা এখানে শীটের নাম দিতে পারি যে আসলে কি হতে পারে ডেটাটা। আমরা যেহেতু এটা এইচটিএমএল টাইপ ডেটা সাপোর্ট করে আমরা এখানে আমাদের ডেটাটা আমরা বলতে পারি যে আমাদের এই ডেটাটা কি হিসেবে থাকবে। তো আমরা এটাকে সেট করলাম এবং সবচেয়ে বড় যে জিনিসটা আমরা দেখছি যে আমাদের এই গ্লোবাল সুপারস্টোর এর জন্য যে ডেটাটা আছে সেই ডেটাটা আমরা এখানে দেখছি। আমরা এই পুরো গ্রোথটাও কিন্তু আমরা আসলে অন্য কোন ভিজুয়ালাইজেশনে দেখতে পারি। সেখানে আমরা শো মি তে চলে গেলাম। যাওয়ার পর আমার মনে হচ্ছে যে এই জিনিসটা আমরা এভাবে দেখতে পারি বার চার্ট দিয়ে এবং সেখানে কিন্তু আমরা দেখতে পাচ্ছি যে সব জায়গায় কোথায় এবং সেখানে আমরা দেখছি যে এই এটা জিরো আর এটা হচ্ছে নেগেটিভ। তার মানে হচ্ছে কি এই জিরোর পরে নেগেটিভেও কিন্তু আমরা দেখছি যে এখানে এই ডেটাটা আমরা আলাদাভাবে পাচ্ছি। সেইম ভাবে কিন্তু আমরা আসলে অন্যান্য ডেটাও দেখতে পারি। সো জিনিসটা হচ্ছে যে আমাদের এখানে যে মাইনাস ফিগারটা সেটাও কিন্তু আমরা এখানে দেখতে পাচ্ছি এবং তার পাশাপাশি আমাদের এই যে ডেটাটা আছে বিশেষ করে আমাদের যে আমরা দেখছি সেলস এবং তার পাশে সাবক্যাটাগরি। আমরা যদি সাবক্যাটাগরিটা যদি একটু আমরা যদি অন্যভাবে দেখি যে আমাদের যে সাবক্যাটাগরিটা আছে সে সাবক্যাটাগরিটাকে আমরা কালার দিয়ে যদি অন্যভাবে দেখতে চাই তাহলে আমরা কিন্তু এখানে সবকিছু নিয়ে আমরা একটু ডিফারেন্ট কালার দেখব এবং সেখানে কিন্তু আমাদের মাইনাস এবং এখানেও আমরা দেখছি। তো এই জিনিসগুলো কিন্তু আমাদের জন্য বোঝা সহজ। তার মানে হচ্ছে কি এটা ছোট ভিজুয়ালাইজেশন ইয়ার অন ইয়ার গ্রোথটা সেটা কিন্তু আমরা এখান থেকে সরাসরি দেখতে পাচ্ছি এবং এটাই হচ্ছে কি আমাদের জন্য একটা বড় পয়েন্ট যে আমাদের একটা ডেটা আমাদেরকে একটা ভালো ধারণা দেবে যে কিভাবে আমাদের গ্রোথটা হচ্ছে এবং সেই গ্রোথ নিয়েই কিন্তু আমরা এর আগে আলাপ করেছি। আজকে এ পর্যন্তই থাকছেন তো সামনে?

নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ

মেন্টরশীপ ৩৭ সুপারস্টোর ডেটাসেট, বিভিন্ন ডাইমেনশনে রুট কজ অ্যানালাইসিস আসলে ভেতরে কী হয়েছিল.mp3

ডেটা অ্যানালাইসিসের সবচেয়ে বড় পার্ট হচ্ছে ডেটাকে ঠিকমতো ভিজুয়ালাইজ করতে পারা। যেমন আমরা এখানে দেখছি যে একটা ডেটাকে আমরা কিভাবে ডিকম্পোজিশন ট্রি এর মাধ্যমে ভিজুয়াল আমরা করছি। তবে যে জিনিসটা আমরা বার বার বলি যে আমরা যেকোনো ডেটা যখন ভিজুয়ালাইজ করব তার আগে আসলে সেটাকে আমরা জানতে চাইবো যে আমরা সেই ডেটাকে মাল্টিপল ডাইমেনশনে ভিজুয়ালাইজ করতে পারছি কিনা এবং সবচেয়ে বড় যে জিনিসটা হচ্ছে কি এই জিনিসগুলো কিভাবে মানে বর্তমান যে টুলগুলো আছে সেই টুলগুলো কিভাবে এই ডেটাগুলোকে এগ্রিগেট করবে কারণ এগ্রিগেট করার একটা বড় পার্ট হচ্ছে গিয়ে এই ডেটাগুলোকে আসলে কোন ডাইমেনশনে এবং আমার মতো অর্ডারে এটাকে ঠিকমতো আসলে ভিজুয়ালাইজ করতে পারবে কিনা। আর সবচেয়ে বড় যে জিনিসটা হচ্ছে যে আমাদের যে ডেটাগুলো আছে সেই ডেটাগুলোর পরবর্তী ডাইমেনশন মানে পরবর্তী ডাইমেনশনটা আসলে কি হবে সেটাও কিন্তু আমাদের একটু জানা উচিত। আর এটার জন্য কি ধরনের ক্রাইটেরিয়া আছে সেটা আমরা যদি ঠিকমতো জানতে পারি তাহলে আমাদের জন্য কাজটা সহজ হবে। তবে আমি এইটুকু বলতে পারি যে এক লেভেল থেকে আমি আরেক লেভেলে যখন গেলাম সেটার ড্রিল ডাউনটা মানে সেই ড্রিল ডাউনটার যে কি ক্রাইটেরিয়া সেই ক্রাইটেরিয়াটা কিন্তু আমরা শুধুমাত্র আমাদের জ্ঞানের উপর ছাড়লেও হবে না। আমরা আসলে চাই যে ডেটা যাতে আমাকে একটা গাইডেন্স দেয় যে ডেটা আমাকে বলবে যে আমাদের নেক্সট লেভেলটা কি হতে পারে। আর সে কারণে কিন্তু এই ধরনের টুলগুলো খুব অসাধারণ এডহক এক্সপ্লোরেশন টুল এবং আমি বলতে পারি যে এইগুলো কাজ আসলে বিশেষ করে রুট কজ এনালাইসিস করার জন্য অসাধারণভাবে কাজ করে। মেশিন লার্নিং শেখার সময় আমরা কিন্তু তখন হাতে কলমে ডিসিশন ট্রিটা আমরা দেখিয়েছিলাম এবং এই ডিসিশন ট্রি এর মাধ্যমে কিন্তু আমরা একটা জিনিস বলছি যে এই জিনিসগুলো যখন আমরা কাজ করেছিলাম যেটা আমি বলেছিলাম যে শূন্য থেকে পাইথন মেশিন লার্নিং বিশেষ করে হাতে কলমে সার্কিট লার্ন বইটাতে সেখানে কিন্তু আমরা যে জিনিসটা বার বার বলছি যে আমাদের ডিসিশন ট্রিটা যেটাকে আমরা আইরিস ডেটা সেটের মধ্যে করেছিলাম সেখানে আসলে কিভাবে একটা ডিসিশন প্রেডিক্ট করছে এবং সেই ডিসিশনটা কিভাবে নিচ্ছে এবং সেটার জন্যই কিন্তু আমরা এখানে দেখিয়েছিলাম ছবি ছবিতে বিশেষ করে ছবিতে দেখিয়েছিলাম যে এই ডিসিশন ট্রিটা আসলে কিভাবে সিদ্ধান্ত নিচ্ছে আমাদের নেক্সট ক্লাসটাকে প্রেডিকশন করার জন্য। পেছনের আন্ডারলাইং আন্ডারস্ট্যান্ডিং একটু ডিফারেন্ট হলেও এই একই জিনিসটা কিন্তু আমাদের এখানে খাটে। আমরা যখন এই একই জিনিস কাজ করেছি বিশেষ করে আমরা এখানে দেখিয়েছি আমাদের ডেটা সেটটা এবং সেই ডেটা সেটে কিন্তু আমরা বিভিন্ন অর্ডার এবং সেই অর্ডারের রিটার্ন এবং সবকিছু কিন্তু আমরা এখানে দেখতে চেয়েছি যে একটা অর্ডার সেই অর্ডার ডেট এবং তার পাশাপাশি অর্ডার কোয়ান্টিটি ডিসকাউন্ট কাস্টমার নেম কোন প্রভিন্সে গিয়েছে রিজিয়ন কি হতে পারে কাস্টমার সেগমেন্ট কি প্রোডাক্ট ক্যাটাগরি প্রোডাক্ট সাবক্যাটাগরি প্রোডাক্ট নেম প্রোডাক্ট কন্টেইনার শিপিং ডেট মানে এই ব্যাপারগুলো কিন্তু এখানে আছে এবং সবচেয়ে বড় যে জিনিসটা হচ্ছে আমরা যখন বিভিন্ন ডেটা নিয়ে কাজ করি তখন আমরাও জানতে চাই যে প্রোডাক্টটা রিটার্ন হয়েছে কিনা। তার মানে আমার একটা রুট কজ এনালাইসিস করতেও কিন্তু এই জিনিসগুলো আমার কাছে লাগে। আর সে কারণে কিন্তু আমাদের যে ডেটাগুলো আছে সেই ডেটাগুলোর মধ্যে রিলেশনশিপটাও আমাদের একটা বুঝতে হয় এবং আমি এটুকু বলব যে আমাদের যে ভিজুয়ালাইজেশনটা সেটা আমরা নতুন করে আপনাদেরকে দেখার জন্য আমি আপনাদেরকে নতুন করে তৈরি করে দেব। আমরা যেহেতু একটা সেলসের রুট কজ এনালাইসিস করতে চাইছি আর সে কারণে আমাদের এই পুরো সেলস জেনারেট করার জন্য আমি অবশ্যই আপনাদেরকে বলব আমরা আবার ডেটা সেটটা দেখার জন্য মানে আমরা আবার ফিরে যাচ্ছি ডেটা সেটটা ঠিকমতো দেখার জন্য। আমাদের সেলস ফিগারটা মানে এইটা জেনারেট করার জন্য একটা সুপার স্টোরের কাজ কি সেলস জেনারেট করা। এই সেলসটাকে জেনারেট করার জন্য আসলে অন্যান্য যে ডেটাগুলো আছে সেটার একটা রুট কজ এনালাইসিস মানে আমি এটাকে কিভাবে এই মাল্টিপল ডাইমেনশনে এটাকে দেখার চেষ্টা করব। সেখানে আমরা কাস্টমার সেগমেন্টের ব্যাপারে বলতে পারি প্রোডাক্ট ক্যাটাগরির কথা বলতে পারি প্রোডাক্ট সাবক্যাটাগরির কথা বলতে পারি প্রোডাক্ট নেমের কথা বলতে পারি এবং তার পাশাপাশি আমরা প্রোডাক্ট কোয়ান্টিটির কথা বলতে পারি যে এই অর্ডার কোয়ান্টিটি অর্ডার কোয়ান্টিটিগুলো কত ছিল। এখন আমরা যদি ফিরে যাই আমাদের ভিজুয়ালাইজেশনে এবং আমরা এই পুরো জিনিসটাকে নতুন করে করব। সেই নতুন করে করার জন্য আমি যেটুকু বলতে পারি যে এটাকে আমি ফেলে দিলাম ফেলে দেওয়ার পর আমি নতুন করে জেনারেট করব এবং সেখানে আমরা দেখাবো যে আমরা আসলে শুরুতে মানে আমাদের যে ডেটা আছে সেই ডেটাতে আমরা কি দেখছি। অর্ডারের মধ্যে আমরা দেখছি সেলস টোটাল সেলসটা আমরা কিন্তু অর্ডারের মধ্যে পাচ্ছি। তার মানে আমরা এই সেলসটাকে শুরুতে আমরা কাজ করব। এখন তার আগে আমরা তো জানতে চাইবো যে আমরা ডিকম্পোজিশন ট্রি নিয়ে কাজ করতে চাইবো। এখন ডিকম্পোজিশন ট্রিটা যখন এখানে এলো আমরা সেখানে বলতে পারি যে এখানে এই পুরো জিনিসটা যখন কাজ করব তখন শুরুতে আমরা সেলসটাকে এনালাইজ করব। তার মানে আমি এটাকে এনালাইজ করে নিলাম। সেলসটাকে এনালাইজ করতে চাইবো। এখানে আমাদের টোটাল সেলস ফিগার চলে এলো। এখন আমি এটাকে কিভাবে এক্সপ্লেইন করব মানে আমি অন্যান্য কি ফিচার গুলোকে আমি এখানে ব্যবহার করব। এখানে আমরা বলতে পারি কাস্টমার সেগমেন্টের কথা বলতে পারি কাস্টমার সেগমেন্ট এখানে এক্সপ্লেইন করার ব্যাপারে আছে। তারপরে আমরা বলতে পারি প্রোডাক্ট ক্যাটাগরি মানে এই প্রোডাক্ট ক্যাটাগরির কথা যদি বলি সেটা আমরা এখানে নিয়ে আসতে পারি। তারপর আমরা বলতে পারি যে প্রোডাক্ট সাবক্যাটাগরি। এখন প্রোডাক্ট সাবক্যাটাগরিটা আমরা এখানে নিয়ে আসতে পারি। এরপরে আমরা কি আর কি নিয়ে আসতে পারি। এখানে আমরা রিজিয়নের কথা বলতে পারি যে কোন রিজিয়ন স্পেসিফিক এই প্রোডাক্টটা সেল হয়েছিল। এরপরে আমরা প্রোডাক্ট নেমের কথা বলতে পারি যে প্রোডাক্ট কোন কোন প্রোডাক্টগুলো সেল হয়েছিল। এরপরে আমরা অর্ডার কোয়ান্টিটি মানে এখানে যে অর্ডার কোয়ান্টিটি আছে এই জিনিসগুলো আমরা এখানে ফেলতে পারি। আমি কিন্তু এখানে বেশি জিনিস নিলাম না মানে একটাই কারণ সেটা হচ্ছে যে আপনাকে বোঝানোর জন্য যে আপনারা কখনোই এখানে ভয় পাবেন না। যেহেতু আমরা শিখছি আমরা ইচ্ছেমতো এক একটা ডাইমেনশন আমরা টেনে এখানে বোঝার চেষ্টা করব। আর এই যতক্ষণ পর্যন্ত আমরা নিজে এটা না করে দেখব ততক্ষণ পর্যন্ত কিন্তু আমরা এই ব্যাপারটা বুঝতে চাইবো না। আর সে কারণে আমরা যখন সেলসে এখানে আসবো সেখানে আমরা এখানে যদি হাই ভ্যালু বলি হাই ভ্যালু দিলেও কিন্তু সে অটোমেটিকলি সিলেক্ট করে নিবে যে কোন জিনিসটা এরপরে আসতে পারে। আমরা এখানে যদি ধরা যাক হাই ভ্যালু নিয়ে আমি অবশ্যই কাজ করব বাট আমি আপনাকে দেখাতে চাই যে ধরা যাক আমি কাস্টমার সেগমেন্ট নিয়ে কাজ করতে চাইছি তখন কিন্তু আমাকে কিন্তু সে কাস্টমার সেগমেন্টের ডেটা দিবে যে কাস্টমার সেগমেন্টটা আসলে কিভাবে কাজ করতে পারে। তারপরে আমরা বলতে পারি এখানে আর কি আসতে পারে এই কাস্টমার সেগমেন্টের পরে আমরা বলতে পারি প্রোডাক্ট ক্যাটাগরি। সেখানে আমরা প্রোডাক্ট ক্যাটাগরি সিলেক্ট করতে পারি এবং প্রোডাক্ট ক্যাটাগরির পরে আমরা কি সিলেক্ট করতে পারি এখান থেকে আমি বলতে পারি প্রোডাক্ট সাবক্যাটাগরি। সাবক্যাটাগরি আমরা চুজ করলাম। এরপরে আমরা বলতে পারি প্রোডাক্ট সাবক্যাটাগরির পরে কি হতে পারে। মানে জিনিসগুলো হচ্ছে যে এখানে আমরা যদি হাই ভ্যালু দেখি তাহলে কিন্তু আমাকে কিন্তু বলবে যে আমার এখানে অটোমেটিকলি সিস্টেম কিন্তু সে প্রোডাক্ট ক্যাটাগরির পরে কিন্তু অটোমেটিকলি সিস্টেম রিজিয়ন সিলেক্ট করে নিয়েছে। তার মানে হচ্ছে কি আমি যদি এখানে সরাসরি এই পুরো জিনিসটাকে যদি না নিয়ে আমি যদি এখান থেকে রিজিয়ন নিতে পারতাম অথবা আমি হাই ভ্যালু নিয়ে সে ইন্টেলিজেন্টলি সে সিলেক্ট করতে পারছে যে এর পরের ক্যাটাগরি বা এর পরের ডিসিশন ট্রি এর ব্যাপারটা কিভাবে হতে পারে। এখানে রিজিয়ন প্রেইরি ওয়েস্ট অন্টারিও আটলান্টিক কিউবেক মানে এইভাবে কিন্তু আমাদের বিভিন্ন রিজিয়ন আমরা দেখছি। এরপরেরটা কি হতে পারে আমি হাই ভ্যালু দিলাম। সেখানে কিন্তু হাই ভ্যালুতে সে কিন্তু অর্ডার কোয়ান্টিটি আসছে। অর্ডার কোয়ান্টিটি আমরা এখান থেকে দেখতে পারি যে হ্যাঁ এখানে বেশ কিছু জিনিস অর্ডার কোয়ান্টিটি এসছে। তো আমি এখানে ইন্টেলিজেন্ট সিস্টেমের উপর ডিপেন্ড না করে আমি এখান থেকে সরাসরি বলছি না তুমি আমাকে এক্সাক্টলি বলো কোন প্রোডাক্টগুলো এখানে সেল হয়েছে বেশি। সুতরাং আমি কিন্তু এখান থেকে চুজ করতে পারলাম যে আমার প্রোডাক্টটা কি হতে পারে। এরপরে আমি হাই ভ্যালু দিলে সরাসরি প্রোডাক্ট কোয়ান্টিটি চলে আসবে। মানে যে জিনিসটা হচ্ছে যে আমরা আসলে এই পুরো জিনিসটা এই সেলসটাকে জেনারেট করার জন্য আমরা রুট কজ এনালাইসিস আমরা করতে পারি এবং সেই রুট কজ এনালাইসিসে কিন্তু আমরা বুঝতে পারি যে এই ধরনের একটা জিনিস মানে আমি বলতে চাচ্ছি যে ড্রিল ডাউন করলে বিভিন্ন ডাইমেনশনে আমরা যখন ড্রিল ডাউন করব তখন কিন্তু আমরা জানতে পারব যে আসলে কোথায় কি সমস্যা আছে। এরপরে কিন্তু আমরা রিটার্নের ব্যাপারটা নিয়েও কিন্তু আলাপ করব যে আসলে কেন রিটার্ন হচ্ছে যে আমি একটা প্রোডাক্ট দিচ্ছি সেই প্রোডাক্টের স্ট্যাটাসে আমরা দেখছি রিটার্ন মানে কেন রিটার্ন হচ্ছে বা কেন একটা প্রোডাক্ট লো রেটিং পাচ্ছে এই সবকিছুই কিন্তু আমাদেরকে জানতে হবে এবং সেজন্য কিন্তু ডিকম্পোজিশন ট্রিটা কিন্তু খুবই ইম্পর্টেন্ট। মানে আমরা বলতে চাচ্ছি যে রুট কজ এনালাইসিস যদি আমরা করতে পারি ঠিকমতো তাহলে আমাদের কোম্পানির যেকোনো জিনিস যেকোনো সমস্যা আমরা আগে থেকেই সমাধান করতে পারব। আজকে এ পর্যন্তই থাকছেন তো সামনে?

নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ

ফার্স্ট প্রিন্সিপালস থিঙ্কিং কেন বেসিক জানা এতো এতো প্রয়োজনীয় Data Science, back to basics.mp3

অনেকেই আমাকে জিজ্ঞাসা করেন যে ডেটা নিয়ে কাজ করার বেসিক বেসিক আন্ডারস্ট্যান্ডিংটা কিভাবে পাবো। আসলে ডেটা নিয়ে কাজ করার ব্যাপারে আমরা যেটা দেখছি যে ডেটা সাইন্টিস্ট, ডেটা অ্যানালিটিক্স আমরা যতই ডেটা নিয়ে কাজ করি না কেন গোইং ব্যাক টু দা বেসিক ইজ দা ফরমোস্ট রিকোয়ারমেন্ট। আমরা আসলে দেখছি যে এখন বর্তমানে ডেটা নিয়ে কাজ করার জন্য প্রচুর টুল এসছে এবং এই টুলগুলো আসার ফলে আমরা বিশেষ করে আমরা যারা ডেটা নিয়ে কাজ করছি তারা কিন্তু বেসিকটা নিয়ে আসলে সেভাবে আমরা জানছি না। সো আমি আসলে যেহেতু ডেটা নিয়ে কাজ করছি অনেক বছর ধরে এবং একটা পর্যায়ে আমি দেখলাম যে ডেটা নিয়ে কাজ করার জন্য প্রথম প্রি রিকুইজিট হচ্ছে গিয়ে ডেটার বেসিকটা জানা। মানে ডেটা আসলে কি? ডেটা থেকে আমরা কি পাচ্ছি? ডেটার ক্যারেক্টারিস্টিকস বা আমরা যে বিভিন্ন আমরা সাধারণ ডেটা নিয়ে যখন কাজ করি তখন একটা জিনিস আমরা বুঝতে পারি যে ডেটা নিয়ে কাজ করার সময় ডেটার ক্যারেক্টারিস্টিকস মানে ডেটার বৈশিষ্ট্যগুলো যদি আমরা ঠিকমত জানতে পারি তাহলেই কিন্তু আমরা সামনে ডেটা অ্যানালিটিক্স হোক অথবা ডেটা সাইন্টিস্ট হোক আর সে কারণে আমি এবার ডেটা নিয়ে মানে যদিও আমার ওয়েবসাইটে আপনি দেখবেন যে ডেটা অ্যানালিটিক্স এবং ডেটা সাইন্টিস্টের জন্য রোডম্যাপ মানে আমি আসলে একটা রোডম্যাপ দিয়ে দিয়েছি। যে রোডম্যাপে আসলে বলা হচ্ছে যে আমরা বেসিক অফ ডেটা যেটাকে আমরা যেটাকে অনেকে অন্যভাবে দেখে বাট আমি দেখেছি যে ফার্স্ট প্রিন্সিপাল ফিজিক্সের ফার্স্ট প্রিন্সিপাল বা অন্যান্য বা ইভেন এলন মাস্কও কিন্তু একটা কথা বলেন যে ফার্স্ট প্রিন্সিপাল থিংকিং। ফার্স্ট প্রিন্সিপাল থিংকিং হচ্ছে গিয়ে আমাদের বেইজলাইন আমরা ডেটা নিয়ে কাজ করার সময় আমাদের বেসিক স্ট্যাটিস্টিকস যদি আমরা না জানি বা আমরা যদি ডেটার ক্যারেক্টারিস্টিকস যদি না জানি বা ডেটাকে কিভাবে আমরা দেখলে ডেটা থেকে ইনসাইট নেওয়া যায়। ডেটাকে প্রশ্ন করতে পারা যাবে এবং দিনশেষে সেই ডেটাটাকে আমাকে কি বলছে বা কি বলতে চাইছে সেটা যদি আমি ঠিকমতো বুঝতে পারি তাহলেই কিন্তু আমি ভেতরে ঢুকতে পারব। সো এইজন্য ডেটার বেসিক ধারণা পাওয়ার জন্য আমি আমি আসলে এই বইটা লিখেছিলাম যে ডেটার কিছু বেসিক ধারণা যে আসলে ডেটা কিভাবে কাজ করে, ডেটা কম্পিউটারে কিভাবে স্টোরড হয়, ডেটাকে কিভাবে এক্সেস করতে হয় এবং আমরা কম্পিউটারে যখন এই ডেটা নিয়ে যখন আমরা যাচ্ছি ভিতরে তখন সেই ডেটাটাকে আসলে কিভাবে কম্পিউটার থেকে ডেটাটাকে স্টোর করছে এবং স্টোরের পাশাপাশি কম্পিউটার থেকে কিভাবে ডেটাকে ম্যানিপুলেট করতে পারছে সেটা যদি আমরা ঠিকমতো বুঝতে পারি তাহলে কিন্তু এই ডেটার ধারণাটা পরিষ্কার হবে। মেইনলি যেটা আমি সবসময় বলি যে ডেটা নিয়ে যখন আমরা কাজ করি সবচেয়ে বড় পারসপেক্টিভ হচ্ছে গিয়ে ডেটা আসলে আমাদেরকে যে ধারণা দিচ্ছে সেটা কি ঠিক কিনা? কারণ আপনারা যদি দেখেন যে ডেটা নিয়ে যখন আমরা কাজ করি যে বিশেষ করে এই অংশটা যদি আমরা দেখি যে কম্পিউটারে ডেটা রাখার ধারণা। মানে আমরা যখন কম্পিউটারে ডেটা রাখি সেটা আসলে কিভাবে রাখছি সেটার একটা ধারণা এবং সবচেয়ে বড় ব্যাপার হচ্ছে যে কম্পিউটারে যখন আমরা ডেটা রাখছি সেই ডেটা রাখার একটা পারসপেক্টিভ যে এটা আসলে কোন লেভেলে রাখছি এবং সেটাকে আসলে আমরা যখন এক্সেস করছি সেটাকে ম্যানিপুলেট করার জন্য হোক সেটা থেকে ভিজুয়ালাইজেশন পাওয়ার জন্য হোক সেই আইডিয়াটা বা সেই আইডিয়াটা যখন আমরা আস্তে আস্তে ভেতরে ঢুকবো তখন কিন্তু সেই ডেটার বেইজলাইন সম্বন্ধে আমাদের একটা ভালো ধারণা হবে এবং সবচেয়ে বড় জিনিসটা হচ্ছে গিয়ে ডেটা নিয়ে যখন আমরা কাজ করতে গেলাম তখন আরেকটা বড় ধারণা পেলাম যে ডেটাকে বিভিন্ন ডাইমেনশনে যখন আমরা ফেলছি মানে ডেটাকে অবশ্যই আমাদেরকে বিভিন্ন ডাইমেনশনে ফেলেই তো প্রসেস করতে হবে। তো সেটা আমরা কিভাবে করব এবং সেখানেই আসলে ঝিঝিপোকার যে থার্মোমিটারের যে গল্পটা সেটা আসলে এখানে আমি দেখিয়েছিলাম যে কিভাবে ডেটাকে ঠিকমতো প্লট করা যায়। আর সবচেয়ে বড় যে জিনিসটা আমরা দেখছি যে ডেটাকে যখন আমরা বিভিন্নভাবে প্লট করছি সেটা আসলে কোন কোন ডাইমেনশনে আমরা ফেলতে পারছি এবং সেই ডাইমেনশন থেকে ডেটাকে ঠিকমতো ম্যানিপুলেট করতে পারছি কিনা। দিনশেষে আমরা যখন ডেটা নিয়ে কাজ করব প্রথম কথা হচ্ছে যে ডেটা ডেটার থেকে কোন ধারণাটা আমাকে একটা প্রবলেম সলভ করতে দিবে। মানে দিনশেষে আমি ডেটাকে কেন ব্যবহার করছি সেটা যদি আমি জানি তাহলে আমার জন্য কাজটা সহজ হয়। কারণ আমি ডেটাকে ব্যবহার করছি একটা প্রবলেম সলভ করার জন্য। আদারওয়াইজ আই উড নট হ্যাভ ইভেন ইউজ দা ডেটা। সো ডেটাকে প্রশ্ন করতে পারতে হবে এবং ডেটার কে যে প্রশ্ন করতে পারা সেই প্রশ্ন করতে পারার জন্য কিন্তু আমি প্রচুর ভিডিও বানিয়েছি। তবে একটা জিনিস আমি বলব যে ডেটা নিয়ে সবচেয়ে ভালো ধারণা পাওয়া যাবে হচ্ছে গিয়ে Google ডেটা অ্যানালিটিক্স সার্টিফিকেশন কোর্সে। যেটা আমি সবসময় বলি আমাদের যারা টিমে আছেন বা যারা আমার সাথে কাজ করছেন। আমি বলি যে যদি ডেটা সম্বন্ধে কেউ একটা ভালো ধারণা নিতে চায় তাহলে অফকোর্স উই শুড স্টার্ট উইথ Google ডেটা অ্যানালিটিক্স সার্টিফিকেশন কোর্স। এটা অফকোর্স এটা ফ্রিতে করা যায় যদি আমরা ঠিকমতো এপ্লাই করতে পারি। এটা ঠিকমতো এপ্লাই করা গেলে এটাকে ফ্রিতে করা সম্ভব। আমার ছেলেমেয়ে এটা করেছে তো আমি জানি যে এটা আসলে ননটেক ব্যাকগ্রাউন্ড আমার ছেলেমেয়ে টেকনোলজি তারা খুব একটা পছন্দ করে না। সো আমি জানি যে আসলে যারা ননটেক ব্যাকগ্রাউন্ড থেকে আসছেন তাদের জন্য এই ধরনের সার্টিফিকেশনটা কত কত সহজ। তো আমি বলতে পারি যে ডেটা নিয়ে কাজ করার জন্য উই হ্যাভ টু গো টু দা বেসিকস এবং এটাতে কোন কোন ধরনের এখানে ব্যত্যয় হওয়া যাবে না। কারণ আমরা এখন প্রচুর মানে আমরা দেখছি ইলুশন অফ নলেজ। ইলুশন অফ নলেজ ইজ একচুয়ালি কিলিং আস। ইলুশন অফ নলেজ ইজ কিলিং আস বিকজ আমরা ভাবছি যেটা আমরা বুঝতে পারছি। কিন্তু আমরা এটা ভাবতে আমরা আসলে বুঝতে পারছি না বলেই কিন্তু আমরা নেক্সট লেভেলে যেতে পারছি না। আমরা আসলে প্রচুর বড় বড় টুল নিয়ে কাজ করছি কিন্তু ভেতরে ঢুকতে পারছি না কারণ আমাদের বেসিকসটাই ঠিকমতো নেই। আমি বলব যে আমাদের কাজে আমাদের ডেটা নিয়ে কাজ করার আগে অফকোর্স আমাদের বেসিকটা ঠিকমতো স্ট্রং করতে হবে। আর সেই জন্যই কিন্তু এতগুলো বই লেখা। আজকে এই পর্যন্তই থাকছেন তো সামনে?

নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ

নন-প্রোগ্রামারদের জন্য ডেটা অ্যানালাইসিস (ট্যাবলিউ) ডেটা থেকে ট্রেন্ড এনালাইসিসফোরকাস্টিং.mp3

আমরা কেন একটা ডেটা ড্রিভেন সোসাইটি তৈরি করতে চাইবো? অবশ্যই আমাদের কাছে ডেটা আছে এবং সেই ডেটা থেকে আমাদের সিদ্ধান্ত বিশেষ করে আমরা যেটাকে বলছি ইনফর্ম ডিসিশন। আমরা যেকোনো কাজে ইনফর্ম ডিসিশনের ব্যাপারটা যদি আমরা কথা বলি তাহলে সেই কাজে ভুল হওয়ার সম্ভাবনা একদম কম। আর সবচেয়ে বড় যে জিনিসটা হচ্ছে আমরা যখন ডেটা থেকে সিদ্ধান্ত নেব তখন সেই ডেটা থেকে আমাদের সিদ্ধান্ত নেবার পরে যে সময়টার লস হয় বা আমরা একটা কাজ করতে চাচ্ছি এবং সেই কাজটা করার পেছনে আমরা যে কাজের এফিশিয়েন্সি এবং এর পাশাপাশি আমরা একটা কাজ করার পর সিদ্ধান্ত নেওয়ার পরে আমরা যখন সেটাকে নামিয়ে দিতে চাইবো তখন সেখানে সিদ্ধান্ত যদি ভুল না হয় তাহলে সেখানে টাকা-পয়সা এবং তার পাশাপাশি যে সময় নষ্ট সেটা কম হয়। ধরা যাক আমরা যদি বলি যে সরকারি বা বেসরকারি যেকোনো জায়গায় যখন আমরা সিদ্ধান্ত নিতে চাই তখন আমরা ডেটা থেকে ইনসাইট নিয়ে আমরা সিদ্ধান্ত নেবার চেষ্টা করব। যেমন আমরা যদি একটা ফ্লাইওভার তৈরি করার কথা চিন্তা করি ফ্লাইওভারটা কোত্থেকে উঠবে কোথায় নামবে কতগুলো লেন হবে এবং এর পাশাপাশি কোথায় এটা লেনটা নামলে ভালো সেটা কিন্তু ডেটা থেকে আমাদের সিদ্ধান্ত নিতে হবে। আমরা যদি ডেটা থেকে সিদ্ধান্ত না নেই তাহলে দেখা যাবে যে আমাদের এই ফ্লাইওভারটাকে আমাদের নামাতে হচ্ছে একটা ভুল জায়গায় এবং যেখানে আমাদের গাড়ির চাপ কম মানে আমাদের গত 10 বছরের গাড়ির একটা ট্রাফিক এনালাইসিস থেকে কিন্তু আমাদেরকে এটা চিন্তা করতে হবে। আমরা যেটাকে বলছি যে আমাদের যেকোনো ডেটা ড্রিভেন সিদ্ধান্তে আমরা চাইবো যে ডেটা থেকে সিদ্ধান্ত নিলে তার জন্য ভুল যাতে না হয় আর ভুল হয়ে গেলে যেটা সমস্যা হয় যে তার পেছনে যে সময়টা ধরা যাক একটা ভুল লেন আমরা নামিয়ে দিলাম বা আমরা যে আমাদের প্ল্যানিং ভুল হলো বা আমাদের এই যেই কাজটা করতে গেলাম বিশেষ করে আমাদের ফ্লাইওভার নামাতে গিয়ে যে আমাদের কোথা থেকে উঠলে সবচেয়ে বেশি গাড়িকে সাপোর্ট দেওয়া যেত সেটা যদি ভুল হয় তাহলে দেখা যাবে যে সেখানে আমাদের ওই ফ্লাইওভার তৈরি করার জন্য যে পাঁচ বছর যে সময়টা নষ্ট হলো সেটা কিন্তু নষ্টই হলো এবং তার সাথে টাকা পয়সাও নষ্ট হলো। আমরা যে জিনিসটা বারবার বলতে চাচ্ছি যে ডেটা থেকে যখন আমরা সিদ্ধান্ত নেব সেখানে আমাদের ভুল হওয়ার সম্ভাবনা নেই এবং সম্ভাবনা যেহেতু নেই সেখানে কিন্তু আমাদের টাকা পয়সাও নষ্ট হচ্ছে না। আজকে আমরা যদি আলাপ করি গ্লোবাল সুপার স্টোর ডেটা এনালাইসিস যেটা বললাম যে একটা ফ্লাইওভার তৈরি করার জন্য একটা ট্রেন্ড এনালাইসিস করতে হবে। ট্রেন্ড এনালাইসিসের পাশাপাশি আমরা সেই ফ্লাইওভারটা তৈরি করার সময় একটা ফোরকাস্টিং করতে হবে যাতে এই ফ্লাইওভার আরো 50 বছর বা আরো 100 বছর তাদের ট্রাফিক হ্যান্ডেল করতে পারে। তো এইজন্য আমাদের আজকে গ্লোবাল সুপার স্টোর ডেটা এনালাইসিসে আমরা কিছু ট্রেন্ড দেখাবো যে ট্রেন্ড ইন প্রফিট সেলস ওভার টাইম মানে বছরে মাসিক ভিত্তিতে কোয়ার্টারলি ট্রেন্ড রিজন ভিত্তিক করা যায় কিনা তারপর প্রোডাক্ট সেগমেন্ট দেখা যায় কিনা এর পাশাপাশি ফোরকাস্টিং মানে ফিউচার সেলস গুলো ঠিকমতো ফোরকাস্টিং করা যায় কিনা। আমরা বলছি যে এগুলো সবকিছুই আমাদের আছে এবং সেইখানে আমরা বারবার বলি যে আমাদের ধরা যাক এই ডেটাটা এই ডেটাটা কিন্তু আমাদের অলরেডি ওয়েবসাইটে আছে। আমরা যদি এখান থেকে যদি দেখি যে সেভ ট্যাবলু পাবলিক এখান থেকে যদি আমরা সেভ করতে চাই তখন কিন্তু সরাসরি কিন্তু এটা দেখাবে যেটা আসলে কোন ওয়েবসাইটে আছে এবং কোথায় আছে। এটাই বলছি যে আমরা যখন যেকোনো কাজ করি তখন কিন্তু আমাদের এই জিনিসগুলো যখন ওয়েবসাইটে থাকে তখন আমাদের ওয়েবসাইট থেকে এটা ডাউনলোড করে আমাকে বা আমাদের কাজ করতে সুবিধা হবে। আমরা যেখানে দেখাচ্ছি যে আমাদের এই পুরো কাজটাকে আমাদের ওয়েবসাইটে আমরা সেভ করছি এবং সেভ করলে আমাকে দেখাবে যেটা একচুয়ালি কোথায় গেল এবং কোথায় সেভ হলো এবং এই সেভের পাশাপাশি আমাদের যে জিনিসটা নিয়ে কাজ করতে হবে যেটা আমাদের এখানে দেখাচ্ছে যে আমাদের এটা কিন্তু সরাসরি চলে গেছে ওয়েবসাইটে এবং সেটা আমি এখানে দেখাচ্ছি যে এটা কিন্তু এখানে সেভ হচ্ছে এবং সেভ হওয়ার পরে কিন্তু আমরা এখান থেকে ডাউনলোড করতে পারবো যে আমাদের যে কাজটা আমরা দেখালাম যে এই জিনিসটা এখান থেকে আমরা আমরা এখান থেকে এডিট করতে পারবো আমরা এখান থেকে ডাউনলোড করতে পারবো আমরা সবকিছু করতে পারবো আমরা এখান থেকে ডাউনলোড করে দেখা যাচ্ছে যে এখানে ডাউনলোড যদি আমি করি তাহলে ট্যাবলু ওয়ার্কবুক হিসেবে আমরা ডাউনলোড করতে পারি আর আমরা যদি এখান থেকে এডিট করতে চাই আমরা এখান থেকে এডিট করতে পারি। তার মানে হচ্ছে যে যেকোনো জিনিস আমরা যেকোনো স্পেসিফিক কাজ আমরা ট্যাবলু পাবলিক থেকেও করতে পারি অথবা এটা ওয়েবসাইট থেকে করতে পারি যেমন এখন দেখুন যে এটা পুরো ওয়েবসাইট থেকে কিন্তু এটা এডিট করা যাচ্ছে। তার মানে হচ্ছে কি এই পুরো জিনিসগুলো কিন্তু আমাদের এখানে ওয়েবসাইট ভিত্তিক আছে এবং তার পাশাপাশি আমরা এটাকে ট্যাবলু পাবলিক দিয়েও কিন্তু করতে পারি। এই জিনিসটাই কিন্তু আমাদেরকে দেখতে হবে যে আমাদের এই জিনিসগুলো কিভাবে কাজ করতে হয় এবং সেটার ফোরকাস্টিং এবং তার সাথে প্রেডিকশন কিভাবে কাজ করতে হয় সেই জিনিসগুলো নিয়ে আমরা সামনে দেখব। আমাদের এখানে একচুয়াল সেল পাশাপাশি কিন্তু এস্টিমেটেড সেল দেখাচ্ছে যে এই গ্রীন যে বাটনটা এটা হচ্ছে গিয়ে আমাদের একচুয়ালি এস্টিমেটেড সেল। তার মানে কি আমাদের একচুয়াল যে সেলগুলো আছে সেই সেলগুলোকে আমরা কিন্তু 2011, 2012, 13, 14, 15 এ আমাদের একটা এস্টিমেশন মানে আমাদের ফোরকাস্টিং করছি যে আমাদের আসলে ডেটাটা কিভাবে হবে। তো এটাই বলছি যে আমরা যেটাই করি না কেন সেটা আমাদের ট্যাবলু পাবলিক বা আমাদের যে ওয়েবসাইট আছে ওয়েবসাইটের মাধ্যমে কিন্তু আমরা এই জিনিসটা করতে পারি। আমরা যদি ট্যাবলু পাবলিককে যদি ফিরে যাই তাহলে আমাদেরকে কি করতে হবে? ধরা যাক আমাদের এই ফোরকাস্টিংটা যদি আমি করতে চাই বা এই ট্রেন্ড এনালাইসিসটা যদি করতে চাই তাহলে আমাকে কি করতে হবে? আমার কিন্তু ট্রেন্ড এনালাইসিসটা এখানে করা আছে। আমি যদি আপনাকে একদম শুরু থেকে করে দিতে চাই যে এটা আসলে আমরা কিভাবে করব তাহলে আমরা এভাবে দেখতে পারি যে আমরা এখান থেকে যেটা করব সেটা হচ্ছে যে কানেক্ট টু নিউ ডেটা সেট মানে আমরা এখান থেকে নিউ ডেটা সোর্স আমরা কানেক্ট করব। নিউ ডেটা সোর্স থেকে আমরা কিন্তু এক্সেলে আমরা নেব অথবা সিএসবি কারণ এই ফাইলটা হ্যাঁ এই ফাইলটা হচ্ছে এক্সেলে আছে আমরা এক্সেলে ক্লিক করলাম। এক্সেলে ক্লিক করার পরে আমরা গ্লোবাল সুপার স্টোর আমরা গ্লোবাল সুপার স্টোর ডেটা সেটটাকে আমরা চুজ করলাম। তার মানে হচ্ছে কি আমরা যখনই একটা ডেটা সেট চুজ করব তখন কিন্তু সেই ডেটা সেট থেকে কিন্তু আমরা দেখতে পাবো যে আমরা কি কি কাজ করতে চাইছি। এই একই জিনিসটা কিন্তু আমরা ওয়েব ভার্সনের মাধ্যমে কিন্তু করা সম্ভব। এখানে আমাদের অর্ডার ডেটা সেটটা নিয়ে যেহেতু আমরা কাজ করছি অর্ডার শিটটাকে আমরা নিয়ে এলাম এবং এই অর্ডার শিটটা আনার পরে কিন্তু আমাদেরকে একটা ধারণা দেবে যে এখানে ডেটার স্ট্রাকচারটা কেমন আছে। এই অবস্থায় যদি আমরা নতুন একটা শিটে যাই ধরা যাক আমরা এখানে নতুন একটা শিটে গেলাম এবং নতুন শিটে গেলেই কিন্তু আমাদেরকে যেটা বলবে যে আসলে আমরা কোন জিনিসটাকে কোথায় ফেলবো যেহেতু আমরা এখানে দুটো অর্ডার শিট দেখিয়েছি আগেরটা এবং পরেরটা কিন্তু আপনি যখন করবেন আপনি একদম নতুন একটা উইন্ডোতে করবেন যাতে এই পুরো জিনিসটা আপনি বোঝেন। আমাদের এখানে যে জিনিসটা প্রয়োজন যে আমাদের এই শিট ওয়ানে আমরা দেখিয়েছিলাম যেটা যে আমাদের দরকার হচ্ছে গিয়ে ট্রেন্ড এনালাইসিস। এখন ট্রেন্ড এনালাইসিস আমরা কিভাবে এনালাইসিসটা করব? অফকোর্স আমাদের যে সেলসটা হয়েছে সেটা একটা ডেট ওয়াইজ মানে আমাদের যেহেতু টাইম মানে আমরা বারবার একটা কথা বলছি যে আমাদের ট্রেন্ড ইন প্রফিট সেলস ওভার টাইম মানে আমাদের সময়ের সাথে আমাদেরকে এই ট্রেন্ডটাকে এনালাইসিস করতে হবে। আমরা যদি এখান থেকে শিট সেভেনে চলে যাই অথবা আমরা যদি আগেরটা যদি ক্লোজ করি তাও কিন্তু এটা সম্ভব। তো আমরা যেটা করছি যে আমাদের ট্রেন্ড যেহেতু সময়ের ভিত্তিতে আমরা কি করব আমাদের অর্ডার ডেটটাকে আমরা নিয়ে এলাম হচ্ছে কলামে। এখন একটা জিনিস দেখুন যে এখানে ইয়ার ওয়াইজ ভিত্তিক আছে আমরা এটাকে কোয়ার্টারলি দেখতে পারি আমরা এটাকে মান্থলি দেখতে পারি। সুতরাং আমরা কিন্তু এই জিনিসটা এখানে ভালোভাবে বুঝতে পারছি। ধরা যাক আমরা ইয়ারলি এটা জানার দরকার নেই আমার দরকার হচ্ছে গিয়ে মান্থ ভিত্তিক মানে মাস ভিত্তিক আমরা করতে চাচ্ছি এবং আমরা যেহেতু বলছি যে এটার জন্য আমরা কি করব আমরা হচ্ছে ট্রেন্ড ইন প্রফিট অর সেলস। ধরা যাক আমরা যদি সেলসের ব্যাপারটা যদি আমরা জানতে চাই সেলস নিয়ে আমরা কাজ করতে চাই। আমরা কি করব আমরা সেলসটাকে আমরা নিয়ে এলাম রোতে। তাহলে কিন্তু আমাদের একটা ধারণা এলো যে আমাদের যে এই পুরো জিনিসটা আমরা একটা ট্রেন্ড পেলাম। ট্রেন্ডটা কি? জানুয়ারি ফেব্রুয়ারি মানে এখানে বোঝা যাচ্ছে যে আমাদের জুলাইতে একটা ভালো ডিপ হয় মানে জুলাইতে কিন্তু আমাদের সেলস অনেক কমে যায়। আমরা সেই জন্য বলছি যে আমরা যেকোনো ডেটা যখন এনালাইসিস করব তখন কিন্তু আমরা বুঝতে পারছি যে এখানে ডেটা বলছে জুলাইতে একটা বিশাল ডিপ হয়। সো এই ব্যাপারটা কিন্তু আমাদের একটা জানার ইনভেস্টিগেশন করার ব্যাপার আছে। এটা হচ্ছে গিয়ে এক বছরের। আমরা যদি এটা চাই যে না আমরা এই জিনিসটাকে আমরা ইয়ারলি চাই। তা আমরা যেটা দেখেছি এর আগে ইয়ারলি অর্ডার ডেটের মধ্যে আমাদের ইয়ার আছে অর্ডার ডেটটা দিয়ে আমরা কিন্তু কালারে ফেলে দিতে পারি। তাহলে কিন্তু আমাদের একই জিনিস আমাদের বিভিন্ন ইয়ারে যেমন 2011, 2012, 2013, 2014 তার মানে হচ্ছে কি বিভিন্ন ইয়ারের ভিত্তিতে আমরা দেখছি একটা ট্রেন্ড এনালাইসিস যে সেলসগুলো কিভাবে হচ্ছে চার বছরে। এখন যে জিনিসটা আমরা বলতে পারি যে এই জিনিসটার মধ্যে আমরা জানতে চাইবো আসলে ফিগারটা যেমন আমরা টুল টিপ দেখলে কিন্তু আমরা সেলস কত সেই সেলসটা কিন্তু দেখা যাচ্ছে বাট আমরা চাচ্ছি না এখানে সেলস ফিগারটাও আসুক। তখন আমরা কি করব এই সেলসটাকে আমরা এখানে নিয়ে এলে আমরা এখানে লেভেলে দিয়ে দিলাম। তখন কিন্তু এই সেলসটা আমাদের লেভেলে দেখার জন্য আমরা পাচ্ছি। এখন যে জিনিসটা ঘটতে পারে যে ধরা যাক আমরা যে ফোরকাস্টিং গুলো যদি করি যে আমাদের ট্রেন্ড এনালাইসিস যে দেখা যাচ্ছে এখানে কিন্তু আমরা এই ব্যাপারটা কিন্তু ফোরকাস্টিংও করতে পারি। এখন এই ফোরকাস্টিং যদি আমরা করতে চাই তখন আমরা কি করব? সেই ফোরকাস্টিং এর জন্য আমাদের আসলে এনালাইটিক্সে চলে যেতে হবে। ধরা যাক আমাদের এই অবস্থায় আছে আমরা চলে যাব হচ্ছে এনালাইটিক্সে। তার মানে হচ্ছে কি আমাদের এই ট্রেন্ড এনালাইসিস থেকে আমাদের ফোরকাস্টিং করতে হবে। সুতরাং আমি যদি ফোরকাস্টিং নিয়ে আসি ফোরকাস্টিং নিয়ে এসে যদি আমি এখানে নিয়ে ছেড়ে দেই তাহলে কিন্তু অ্যাড এ ফোরকাস্ট আমি ফোরকাস্টে ছেড়ে দিচ্ছি। তার মানে হচ্ছে কি আমাদের 2014 পর্যন্ত 2014 পর্যন্ত একচুয়াল ছিল আমরা কিন্তু 2015 কিন্তু একটা এস্টিমেশন পাচ্ছি। 2015 টা কিন্তু এখানে এস্টিমেশনটা হচ্ছে গিয়ে এই গ্রীন। গ্রীনটা কিন্তু আমাদের এখানে একটা এস্টিমেশন এসছে। তার মানে হচ্ছে কি আমাদের এই গ্রীন গ্রীন যে জিনিসটা এটা কিন্তু আমাদের একটা ইনিশিয়ালি এস্টিমেশন আসতেছে যে এখানে কিভাবে হবে। এর পাশাপাশি এখানেও কিন্তু আমরা আলাদাভাবে আরেকটা এস্টিমেশন পাচ্ছি 14 এর যেটা একটু মিসিং ছিল। বাট আমি বলব যে এই ডেটাতে আমরা একটা ফোরকাস্টিং মানে ট্রেন্ড এনালাইসিস পাচ্ছি তার পাশাপাশি আমরা একটা ফোরকাস্টও পাচ্ছি মানে আমরা ফোরকাস্টিং পাচ্ছি মানে আমাদের এখানে একটা প্রেডিকশন হচ্ছে যে আমি যেটা বললাম যে আমাদের যে ফ্লাইওভারটা নিয়ে যখন কাজ করব ফ্লাইওভার যখন কোথায় নামাবো কত ফোরকাস্টিং মানে আজকে 2021 সাল 2021 সালের পরে আরো 50 বছর পর কত গাড়ি হতে পারে কত জায়গায় লেন নামতে পারে সেটারও কিন্তু আমাদের ফোরকাস্টিং দরকার। আমরা এইজন্য বলছি যে আমাদের যেকোনো বিজনেস এনালাইটিক্সে ফোরকাস্টিং ট্রেন্ড এনালাইসিস এটা খুব গুরুত্বপূর্ণ বিষয়। সেটাই আমি আসলে আপনাকে দেখাতে চাইলাম। আজকে এই পর্যন্তই থাকছেন তো সামনে?

নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ

নন-প্রোগ্রামারদের জন্য মেন্টরশীপ ২২ ট্যাবলিউ, গ্লোবাল সুপারসেট ডেটাসেট, পিভট টেবিল.mp3

মনে আছে আমরা গত কয়েকদিন ধরে আলাপ করছিলাম যে ট্যাবলুতে যে গ্লোবাল সুপার স্টোর এটা নিয়ে যেই জিনিসটা নিয়ে কাজ করছিলাম সেখানে আমরা করছিলাম যে ট্যাবলুতে যে গ্লোবাল সুপার স্টোর এটা নিয়ে যেই জিনিসটা নিয়ে কাজ করছিলাম সেখানে আমরা দেখিয়েছিলাম যে এই ট্যাবলুর ভেতরে যে গ্লোবাল সুপার স্টোর যে ডেটা সেট আছে সেটাতে আমরা কিন্তু এক্সেল দিয়েও কিন্তু আমরা একই জিনিস কাজ করছিলাম যে ট্যাবলুর ওই জিনিসটা কিভাবে কাজ করে এখন আমরা দেখতে চাচ্ছিলাম যে এই গ্লোবাল সুপার স্টোর যেটা আসলে ট্যাবলু রিপোজিটরি ডেটা সোর্সের মধ্যে আছে মানে আমরা বলছি যে এই গ্লোবাল সুপার স্টোর এটা একটা ভালো ডেটা সেট বিশেষ করে আমাদের ট্রেনিং এর জন্য আমরা যদি এই গ্লোবাল সুপার স্টোর এই ডেটা সেটটা যদি আমরা চালু করি তাহলে আমরা দেখব যে এখানে আসলে আমাদের যে টোটাল অর্ডার মানে আমরা এখানে বারবার বলেছিলাম যে আমাদের এর আগেও কিন্তু আমরা দেখিয়েছিলাম যে আমাদের অর্ডার মানে বিশেষ করে আমি যদি এখানে আপনাদেরকে দেখাই যে আমাদের এই অর্ডারটা প্রায় 51000 অর্ডার আমরা দেখছি এবং এটা দেখছি কিন্তু আমাদের এই অর্ডার টেবিলে আমাদের এখানে টোটাল তিনটা টেবিল আছে অর্ডার রিটার্নস এবং পিপল এখন যেই জিনিসটা আমরা বারবার বলছি যে এই যে আমাদের ডেটা মানে এই ডেটার মধ্যে আমাদের প্রায় 51000 ডেটা আছে এবং সেটা হচ্ছে সব অর্ডারের ডেটা এখন এই অর্ডারের ডেটা যদি আমাদেরকে প্রসেস করতে হয় যেহেতু আমরা এখানে ডেটা অ্যানালাইসিসের কথা বলছি সেজন্য এই অর্ডারের প্রসেসিং এর জন্য আমরা যে জিনিসটা বারবার বলি যে আমাদের এখানে যে ডেটাটা আছে বা আমরা এখানে যে জিনিসটা নিয়ে কাজ করছি সেখানে এই আমাদের রো বা আমাদের যে অর্ডারের কথা বলছি সেখানে আমরা যদি একদম শুরুতে চলে যাই তো দেখা যাচ্ছে যে এখানে আমাদের রো আইডি আছে তারপর অর্ডার আইডি আছে অর্ডার ডেট শিপ ডেট শিপমেন্ট মেথড মানে আসলে কোন মডেলে কাজ করছে বা আমাদের এখানে কাস্টমার কাস্টমারের সাথে যে ব্যাপারগুলো এখানে আছে মানে সেই জিনিসগুলো কিন্তু আমরা এখানে দেখছি মানে আমাদের এই অর্ডার টেবিলে যা আছে সেগুলো কিন্তু এখানে আমরা দেখানোর চেষ্টা করছি এখন যে জিনিসটা হচ্ছে যে আমরা যদি সিনিয়র ম্যানেজমেন্টের কথা বলি বা আমাদের যে পলিসি মেকিং এ যারা আছেন তারা এত ডেটা নিয়ে কি করবেন তারা আসলে কি করতে চাইবেন যে এই ডেটা থেকে একটা ইনসাইটফুল ডেটা যেটা তাদেরকে কাজে দেবে মানে বিশেষ করে আমি বলছি যে তাদের একটা বিজনেস ডিসিশন নেওয়ার জন্য বা তারা একটা সিদ্ধান্ত নেবেন এবং সেই সিদ্ধান্তটা কিভাবে নেবেন এবং সেই সিদ্ধান্তটা আসলে এই ডেটা সেটটা থেকে তো আসলে একজন সিনিয়র ম্যানেজমেন্ট উনারা তো এই জিনিসটা নিয়ে কাজ করবেন না তো সেই জন্য আসলে পৃথিবীব্যাপী একটা ভালো জিনিস আমরা কাজ করি যেটাকে আমরা বলি হচ্ছে গিয়ে পিভট টেবিল এখন এই পিভট টেবিলের একটা বড় ব্যাপারটা আমরা যেটা বলি এটা একটা মানে পিভট টেবিলের কাজ হচ্ছে যারা ম্যানেজমেন্টে কাজ করেন তারা সবাই কিন্তু পিভট টেবিলে কাজ করেন এবং পিভট টেবিলের কাজ হচ্ছে গিয়ে এই আমাদের কাছে যে এই 51000 ডেটা আছে এই 51000 ডেটা থেকে কিন্তু আমাদেরকে একটা ইনসাইটফুল সামারি নিয়ে আসতে হবে যাতে সেটা থেকে আমরা একটা বিজনেস ডিসিশন নিতে পারি এখন এই বিজনেস ডিসিশনের জন্য আমাদের যদি এখানে একটা পিভট টেবিল করতে চাই কারণ এটা এত বিশাল একটা পিভট টেবিল থেকে আমি জানতে চাইবো ধরা যাক আমার সিনিয়র ম্যানেজমেন্ট আমাকে বলবে যে আমাদের কাছে কাস্টমারের যে ডেটা আছে অর্ডারের যে ডেটা আছে অর্ডারের ডেটা থেকে আমি জানতে চাই উনি হয়তোবা বলতে পারেন একটা সিম্পল আমরা একটা খুবই সাধারণ একটা ডেটা নিয়ে যদি কথা বলতে চাই যে সিম্পল ডেটাটা যে ক্যাটাগরি ওয়াইজ আমাদের যে জিনিসপত্রগুলো আছে ক্যাটাগরি ওয়াইজ উনি ডেটাটা দেখতে চাচ্ছেন যে টেকনোলজি অথবা ফার্নিচার নাকি এখানে অফিস সাপ্লাই এই যে বিভিন্ন ক্যাটাগরিতে যে তাদের অর্ডার গুলো আছে সেই ক্যাটাগরি অর্ডার অনুযায়ী তাদের যে টোটাল কস্টিং সেই কস্টিং অনুযায়ী তারা একটা সামারি আমাদেরকে করে দেবে সেটার জন্য যদি আমি একটা পিভট টেবিল করতে চাই সেটার জন্য আমি ইনসার্টে গেলাম ইনসার্টে যাওয়ার পর কিন্তু এই পিভট টেবিল আমরা এখানে একটা খুব সিম্পলিস্টিক পিভট টেবিল দেখাবো যেটা আসলে আমি বলব যে এত বড় ডেটা সেটের জন্য এটা আসলে টয় টাইপ মনে হবে তবুও আমি বলব যে এই সিম্পলিস্টিকটা আপনাদেরকে দেখানোর একটাই উদ্দেশ্য যাতে আমরা এই যে এক্সেলে যে জিনিসগুলো নিয়ে কাজ করছি সেই জিনিসগুলো যাতে আমরা যখন ট্যাবলুতে যাব তখন ওটা আসলে কত ইজিভাবে করা যায় তো আমরা এই এক্সেলে যখন আমরা পিভট টেবিল নিয়ে কাজ করছি সেখানে আমরা একটা সিলেক্ট অফ টেবিল এখন টেবিলটা কি আমি বলব যে অবশ্যই আমরা অর্ডার টেবিলটা নিয়ে আমরা আসলে কাজ করব এবং এটাকে আমি নতুন করে যদি আমি যদি এটাকে যদি এখানে এই একই ওয়ার্কশিটে করতে চাই তাহলে আসলে এটা একটা কমপ্লেক্স একটা ইস্যু হবে কারণ এই টেবিলটা আসলে অনেক বড় তো আমরা কি করব আমরা এখানে একটা নিউ ওয়ার্কশিটে আমরা আসলে এই পিভট টেবিলটা তৈরি করব আমরা সিলেক্ট করলাম ফলে যেটা হচ্ছে যে আমাদের কিন্তু একটা নতুন একটা ওয়ার্কশিটে চলে আসলো আপনি দেখেন এখানে অর্ডার আছে এখানে রিটার্ন আছে এখানে পিপল আছে তার সাথে শিট ওয়ান এখানে চলে এলো এখন এই পিভট টেবিলটা কিন্তু আগে থেকে অনেক স্মার্ট হয়ে গেছে কারণ আমরা যদি এই পিভট টেবিলের পুরো জিনিসটা নিয়ে কাজ করি মানে এখানে আপনি যদি দেখেন যে এখানে রো আইডি অর্ডার আইডি অর্ডার ডেট শিপ ডেট শিপ মোড এই জিনিসগুলো কিন্তু আমরা পাচ্ছি হচ্ছে গিয়ে অর্ডার থেকে আপনি দেখেন এখানে রো আইডি রো অর্ডার আইডি অর্ডার ডেট শিপ ডেট এই যে ব্যাপারগুলো এখানে আছে এইটা কিন্তু আমরা অলরেডি কিন্তু এখানে শিপ যে অংশটা সেখানে পিভট টেবিলে কিন্তু আমরা পাচ্ছি এবং সেখানে যদি আমরা দেখি যে ধরা যাক আমরা এখানে বলছি যে আমরা ক্যাটাগরি অনুযায়ী টোটাল সেলস জানতে চাইবো মানে আমাদের সিনিয়র ম্যানেজমেন্ট জানতে চাচ্ছে যে ঠিক আছে ভালো কথা আমরা একটা চমৎকার একটা অর্ডার একটা সামারি পাচ্ছি বা অর্ডারের একটা টেবিল পাচ্ছি এন্ড অর্ডার থেকে আমি একটা কিছু দেখতে চাই যে টোটাল সেলস আমি যদি সেলসটা চেক করি আমি এই সেলসটাকে সরাসরি আমি ড্র্যাগ করে আমি ভ্যালুতে নিয়ে আসতে পারি কারণ সেলস তো আসলে কিছু না এটা একটা টোটাল ভ্যালু মানে আমার একটা সামেশন অফ দা টোটাল সেলস আমি সেটাই চাই কিন্তু আমি যদি এটাকে শুধুমাত্র টিক করি অটোমেটিকালি জাস্ট এক্সেল ইজ সো স্মার্ট সে কিন্তু অটোমেটিকলি সে সাম অফ সেলসের মধ্যে কিন্তু সে নিয়ে গেছে আমাকে কিন্তু এখান থেকে ড্র্যাগ এন্ড ড্রপ করতে হয় না আমি এখান থেকে ড্র্যাগ এন্ড ড্রপ করতে পারতাম কিন্তু আমাকে এটা করতে হয়নি সেলস গেল এখন সেলসটা কিসের উপর নির্ভর করবে আমরা এর আগেও বলেছি যে সেলসটা নির্ভর করবে আমাদের এই ক্যাটাগরির উপর মানে এই ক্যাটাগরিতে কি টোটাল মানে এই ক্যাটাগরিতে কি কি আইটেম টোটাল আমরা যে সেলস ফিগার আছে সেই সেলস ফিগারটাকে আমরা বিভিন্ন ক্যাটাগরিতে ভাগ করে দেখতে চাইবো তো আমরা যদি সেই শিট ওয়ানে চলে যাই এবং সেখান থেকে আমি যদি ক্যাটাগরি ভাগ করে দিই ক্যাটাগরিকে আমি সিলেক্ট করলে কিন্তু সরাসরি এই ক্যাটাগরি আপনার সামনে চলে আসবে এই রোতে বিকজ আমরা কিন্তু সেই রোতেই কিন্তু দেখতে চাইছি যেহেতু আমার এখানে আমি যখন সেলস সিলেক্ট করলাম সেখানে কিন্তু সেলস এখানে এসছে তার মানে হচ্ছে কি এখানে আমার কিন্তু পরবর্তীগুলো বিভিন্ন ক্যাটাগরি কিন্তু এখানে রোতে আসবে এখন আমি যদি এই ক্যাটাগরি সিলেক্ট করি সে আপনা আপনি এটা রোতে চলে আসবে আমি ধরা যাক ক্যাটাগরি সিলেক্ট করলাম সে কিন্তু ক্যাটাগরি অটোমেটিকলি রোতে চলে আসলো এবং রোতে চলে আসার ফলে ফলে যেটা হচ্ছে যে আমার এখানে সাম অফ সেলসের আন্ডারে কিন্তু ক্যাটাগরি ফার্নিচার অফিস সাপ্লাই টেকনোলজি এবং শেষে গ্র্যান্ড টোটাল আমার এখানে দেখা যাচ্ছে যে ফার্নিচার হচ্ছে 4 মিলিয়ন মানে 4.1 মিলিয়ন অফিস সাপ্লাই 3.7 মিলিয়ন টেকনোলজি হচ্ছে গিয়ে 4.7 মিলিয়ন এবং গ্র্যান্ড টোটাল 12 মিলিয়ন তার মানে হচ্ছে কি এটা একটা কিন্তু একটা ভালো একটা জিনিস আমরা দেখতে পাচ্ছি যে এইখানে যে সাম অফ সেলসটা আছে এখানে সবকিছু মিলিয়ে কিন্তু আমরা এখানে একটা পিভট টেবিল মানে আমাদের যে ম্যানেজমেন্ট সিনিয়র ম্যানেজমেন্ট তারা কিন্তু সুন্দরভাবে বুঝতে পারছেন যে এখানে একটা চমৎকার কাজ হয়ে গেছে মানে আমাদের এই সেলস টোটাল আমাদের যে ফিগারটা সেটা কিন্তু এখানে আমি পেয়ে গেছি মানে উনারা একবারে এক ধাক্কায় উনারা একটা সামারি পেয়ে গেলেন এবং সামারিটা পাওয়ার ফলে যেটা হচ্ছে যে এই সামারিটা পাওয়ার ফলে যেটা হচ্ছে যে উনি কিন্তু এখান থেকে বুঝতে পারছেন যে আসলে এত বড় টেবিলের মধ্যে এত গল্প এই গল্পটা কিন্তু একটা সামারিতে চলে এলো এখন এটাকে যদি আমি ভিজুয়ালি দেখতে চাই বিকজ ডেটা এনালাইসিস ইজ অল এবাউট গেটিং ইনসাইট এবং এই ইনসাইটটা আমরা যখন পাবো তখন আমরা এই ইনসাইটটা পাওয়ার জন্য আমরা কি করব অফকোর্স আমরা এটা একটা ভিজুয়ালাইজেশন করতে পারি কারণ আমার সিনিয়র ম্যানেজমেন্টকে আমি ফিগার দেখালাম কিন্তু আমি যদি ভিজুয়ালি দেখাতে পারি তাহলে কিন্তু উনারা আরো এটা আরো খুব ভালোভাবে উনারা পছন্দ করবেন আমরা যদি এখান থেকে যদি সরাসরি চলে যাই যে আমরা ইনসার্ট কলাম বা যেকোনো জিনিস আমরা এখানে চাপ দিই আমরা একটা সিম্পল আমি এখানে কোন এক্সট্রা অর্ডিনারি কিছু করতে চাচ্ছি না আপনার সিম্পল একটা টুডি কলাম করতে চাচ্ছি টুডি কলাম দেখলেই আমি বুঝতে পারছি যে এখানে আমাদের সাম অফ সেলসের উপরে কিন্তু ফার্নিচার অফিস সাপ্লাই টেকনোলজি এটা কিন্তু চলে এসছে তার মানে আমাদের এই যে অর্ডার এই অর্ডারের মধ্যে এই অর্ডার টেবিলের মধ্যে হাজারো হাজারো ডেটা বাট এটাকে একটা সামারি করে নিয়ে আসা ডেটা এনালাইসিসের জন্য একটা একটা সামারি এই সামারিতে কিন্তু এই যে আপনার একটা ডেটা প্রসেসিং করলাম সেই প্রসেসিংটা কিন্তু আমরা এখানে পাচ্ছি পিভট টেবিল থেকে এবং পিভট টেবিল থেকে আমরা এখানে একটা জিনিস পেলাম পিভট চার্ট এই পিভট চার্টটাও কিন্তু এখানে সুন্দরভাবে দেখিয়ে দিয়েছে তবে আমরা এখানে যে জিনিসটা করলাম সেটা কিন্তু করতে আমাদের বেশ সময় লাগলো মানে আমি এই জিনিসটা পিভট টেবিল পিভট চার্টের মাধ্যমে করতে যে সময়টা লাগলো এক্সেলে কিন্তু আমরা যদি এই জিনিসটাকে যদি ট্যাবলুতে নিয়ে যাই এবং ট্যাবলুতে এই জিনিসটা যদি করতে চাই ইট ইজ এ ম্যাটার অফ পিস অফ কেক মানে জাস্ট কয়েকটা ক্লিক আপনি নিজেই অবাক হবেন যে কয়েকটা ক্লিক করে কিন্তু আমরা এই পুরো জিনিসটা আমরা ওখানে দেখতে পারবো ট্যাবলুতে তো আমরা এক্সেলে কাজটা শেষ করছি এখন আমরা ট্যাবলুতে ফেরত যাই এখন আমরা যদি ট্যাবলু নিয়ে যদি কথা বলি আমরা ট্যাবলুটা চালু করি তবে একটা জিনিস আপনাকে আমি একটু বলে রাখি যে ট্যাবলু কিছুটা বাল্কি মানে আমি বলতে চাচ্ছি ট্যাবলু প্রচুর ডেটা হ্যান্ডেল করতে পারে তো আমরা যে ট্যাবলুটা নিয়ে এখন কাজ করছি সেই ট্যাবলুটাও কিন্তু একটা বেসিক মানে ফ্রি ভার্সন যেটাকে আমরা বলছি ট্যাবলু পাবলিক ডেস্কটপ এবং সেটাও কিন্তু আমি বলব যে একটু সময় নেয় লোড নিতে কারণ সবচেয়ে বড় জিনিসটা হচ্ছে এটা তো আসলে ডেটা প্রসেসিং নিয়ে কাজ করে এবং ডেটা প্রসেসিং নিয়ে কাজ করতে গেলে তাকে আসলে অনেক ধরনের ডেটা সোর্সের সাথে যোগাযোগ করতে হয় তো আমরা এই ট্যাবলু ডেস্কটপের ব্যাপারটা এটাই বলছি যে আমরা এর আগে এক্সেল নিয়ে যে কাজ করলাম সেটা ট্যাবলু ডেস্কটপে যখন কাজ করব একই জিনিস সেটা কিন্তু আমি বলব যে কাজ করতে খুব ইজিভাবে করা যাবে তো আমরা সেটাই বলছি যে এখন আমরা এই পুরো জিনিসটাকে আমরা যদি ম্যাক্সফ এক্সেল যদি এটা লোড করতে চাই এবং ম্যাক্সফ এক্সেল দিয়ে যদি লোড করে যদি আমরা আমাদের যে সুপার স্টোর ডেটা মানে এই যে গ্লোবাল সুপার স্টোর একই ডেটাটাকে আমরা এখান থেকে লোড করছি তো গ্লোবাল সুপার স্টোর ডেটাটা আমি যদি এখানে ট্যাবলুতে লোড করি সেখানে দেখা যাবে যে আমরা একই জিনিস মানে একই জিনিস যেটা আমরা এক্সেলে দেখলাম সেই একই জিনিস কিন্তু এখানে লোড হচ্ছে এবং সেই লোড করে আমরা একটা জিনিস দেখতে পাচ্ছি যে আমরা এই গ্লোবাল সুপার স্টোরে কিন্তু আমরা এর আগে অর্ডার পিপল রিটার্ন এই যে অর্ডার পিপল রিটার্ন এই তিনটার কথা যে বলছি এখানে কিন্তু আমি এইটুকু বলব যে এই অর্ডারটা যদি আমরা এখানে ড্র্যাগ এন্ড ড্রপ বিকজ আমাকে তো দেখতে হবে তো অর্ডারটা ধরা যাক আমি অর্ডারটা দেখতে চাই এখন এই অর্ডারটা নিয়েই কিন্তু এর আগে আমরা পিভট টেবিল করেছিলাম তো আমরা এখানে অর্ডারটাকে টেনে নিয়ে আসি অর্ডারটাকে যদি আমি এখানে ড্র্যাগ এন্ড ড্রপ করে নিয়ে আসি তার মানে এখানে হচ্ছে গিয়ে আমরা অর্ডারের ভেতরে যেই জিনিসগুলো আমরা এক্সেলে দেখেছিলাম সেই জিনিসগুলো কিন্তু আমরা এখান থেকে দেখতে পারবো সো এই যে ব্যাপারটা বলছি যে যেহেতু এই ডেটা সোর্সটা সে লোড করছে এখন একটু সময় নিচ্ছে বিকজ দিস ইজ দা ফার্স্ট টাইম ইট ইজ লোডিং সো এখানে কিন্তু আমরা দেখতে পাচ্ছি যে এখানে কিন্তু সেইম রো আইডি অর্ডার আইডি অর্ডার ডেট শিপ ডেট শিপ মোড কাস্টমার আইডি কাস্টমার নেম সেগমেন্ট এবং সেই হিসেবে কিন্তু আমরা বিভিন্ন ডেটা আমরা দেখছি টোটাল শিপিং কস্ট এবং সবকিছু মিলিয়ে কিন্তু আমরা এটার একটা টোটাল কস্টিং এবং সেলস ফিগারটাও কিন্তু আমরা এখান থেকে দেখতে পাচ্ছি তো এখানে কিন্তু আমরা শুধুমাত্র 1000 দেখছি ডেটা আমরা যদি এখানে যদি বলতাম যে আমি 51000 ডেটা দেখতে চাই 51000 রো ডেটা দেখতে চাই তাহলে কিন্তু আমি এখানে 51000 রো ডেটা কিন্তু আমাকে সে দেখাবে বাট ইস্যুটা হচ্ছে যে আমার এখানে আমি যতটাই দেখি না কেন বাট আমার এটা জাস্ট আমার দেখার জন্য আমি দেখতে চাইবো এখন আমি যদি এটাকে একদম শেষে নিয়ে যাই একদম শেষে নিয়ে যাই আমাকে কিন্তু সে এখানে 51000 একটা ডেটা দেখাবে যে রো আইডি আমাকে রো আইডি হিসেবে সে কিন্তু আমাকে দেখাবে তার মানে হচ্ছে কি আমি কিন্তু এখানে একবারের পর একবার করে আমি ডেটাটা আমি নিয়ে আসতে পারি এখন যে জিনিসটা আমরা বলছি যে এই জিনিসটা বিশেষ করে আমরা এই যে ট্যাবলুর যে ফিচারগুলো আমরা বলি যে ট্যাবলু হোয়াই ট্যাবলু ইজ সো স্মার্ট দেন দ্যাট অফ আমাদের এক্সেল তো ট্যাবলুতে যদি আমি সিম্পল জিনিসটা যদি করতে চাই যে আমার ধরা যাক এখানে আমার কিন্তু যেহেতু আমি মাত্র অর্ডার মানে আমি কিন্তু সবগুলো টেবিল নিয়ে আসিনি শুধুমাত্র অর্ডার টেবিলটা নিয়ে আসছি সেই অর্ডার টেবিলটার মধ্যে আপনি দেখুন যে এখানে আমার সেলস আছে সো আমি যদি এই অর্ডার টেবিলের সেলসটাকে যদি আমি টেনে নিয়ে আসি ইটস ড্র্যাগ এন্ড ড্রপ যেহেতু এর আগেও আমরা বলেছি যে আমরা এখানে ড্র্যাগ এন্ড ড্রপ দিয়ে সবকিছু করতে চাই নাথিং টু ডু উইথ দা কোডিং এন্ড এনিথিং সো আমরা এখানে সেলসটাকে আমরা ড্র্যাগ এন্ড ড্রপ করে আমরা রোতে নিয়ে আসতেছি আমরা এখানে সেলসটা পুরোপুরি এখান থেকে আমরা নিয়ে আসলাম এবং রোতে সে সাম অফ সেলসটা সে কিন্তু নিয়ে আসছে যে এখানে টোটাল 12 মিলিয়ন আমি এর আগে বলেছিলাম যে 12 মিলিয়ন সেলস তারা দেখিয়েছে এখন আমরা বলতে চাইছি যে ঠিক আছে আমরা এই ডেটাটা যেটা আমরা দেখছি সেলস সেটা আমরা ক্যাটাগরি ওয়াইজ দেখতে চাই যে এটা আসলে কোন ক্যাটাগরিতে এই জিনিসগুলো সে সেল করেছে সো আমরা যদি ক্যাটাগরি ওয়াইজ যদি আমরা দেখতে চাই যে আমাদের এখানে যে টোটাল জিনিসগুলো আছে সেই জিনিসগুলোর মধ্যে আমাদের ক্যাটাগরি বিকজ আমাদের এখানে দেখা যাচ্ছে যে সিটি কাস্টমার আইডি মার্কেট এবং অন্যান্য জিনিসগুলো আছে সেখানে আমরা আমাদের যে টেবিলগুলো আছে বা আমাদের মেজারস গুলো যে আছে এখান থেকে আমরা কিন্তু যেকোনো জিনিস কিন্তু এখানে ড্র্যাগ এন্ড ড্রপ করতে পারি বাট যেহেতু আমরা এই ক্যাটাগরিতে আমরা জানতে চাচ্ছি যে আমাদের টোটাল সেলসটা ক্যাটাগরি হিসেবে কিভাবে ভাগ হয়ে আছে সেখানে আমি শুধুমাত্র এটাকে ড্র্যাগ এন্ড ড্রপ করব তার মানে হচ্ছে কি আমার যে ক্যাটাগরি আমি যেটা চাচ্ছি সেখানে কিন্তু আমরা দেখতে পাচ্ছি যে ফার্নিচার অফিস সাপ্লাই টেকনোলজি এই পুরো জিনিসটা কিন্তু আমরা কিন্তু দেখতে পাচ্ছি যে এখানে ক্যাটাগরিটা কিভাবে আমরা আমরা ভাগ করতে পারছি সো এখানে সবচেয়ে মজার যে জিনিসটা আমরা বলছি যে এখানে আমরা যেই ক্যাটাগরিতে আমরা দেখতে চাই না কেন বা আমরা যেভাবে আমরা দেখতে চাই না কেন সেখানে কিন্তু আমরা এখানে পুরো বুঝতে পারছি যে ফার্নিচার অফিস সাপ্লাই বা টেকনোলজি আমরা এর আগে যেভাবে আমরা কাজ করলাম আমরা এর আগে আমরা যেভাবে দেখালাম যে অফিস সাপ্লাই ফার্নিচার বা টেকনোলজি যেভাবে আমরা পিভট টেবিল দিয়ে করতে চাইলাম সেটা কিন্তু এখানে জাস্ট ড্র্যাগ এন্ড ড্রপ মানে আমি সেলস এবং ক্যাটাগরি দুটোকে টেনে নিলাম আমার কিন্তু এখানে কাজ হয়ে গেল সো আমাদের এটাই আসলে বিষয় যে যদিও এটা খুবই ছোট একটা পিভট টেবিল বা আমরা এই জিনিসটাকে একটা খুব সিম্পল একটা জিনিস আমরা দেখলাম কিন্তু আমরা যেটা বলতে চাচ্ছি যে এই জিনিসগুলো কিন্তু আমরা আরো ডেফিনেটলি আরো আরো ভেতরে দেখব এবং সেই ভেতরে আমরা আসলে এখানে মজা করে দেখতে পারি যে আসলে কিভাবে জিনিসগুলো নিয়ে কাজ করা যায় সো আমাদের ব্যাপারটা হচ্ছে যে আমরা এখানে যে কাজগুলো করছি সেই কাজগুলো কিন্তু ট্যাবলুতে খুবই ইজিভাবে করা যায় এবং ইজিভাবে করা যায় বলেই কিন্তু আমার আপনাদের কাছে অনুরোধ থাকবে যে ট্যাবলু পাবলিক যে ডেস্কটপ ভার্সন যেটা ফ্রি ভার্সন মানে আমরা আমরা যে ট্যাবলু যে পাবলিক এই ট্যাবলু ডেস্কটপ পাবলিক এটাকে ডাউনলোড করে নিলেই হলো আমরা কিন্তু এটা দিয়ে হাজারো জিনিস মানে আপনি এখানে যা যা আছে এখানে সবকিছু কিন্তু আমরা এখানে দেখতে পারবো সো আমরা আসলে এই জিনিসগুলো কিন্তু খুব সুন্দরভাবে কিন্তু এখানে করতে পারি আমাদের মত করে আপনি যেভাবে চাইবেন আপনি যেভাবে চাইবেন আপনি সেভাবে এখানে শুধু প্লেস করবেন বিকজ এন্ড অফ দা ডে আমরা আসলে এই ভিজুয়ালাইজেশন বা ডাটা এনালাইসিস যে আমরা আসলে দেখতে চাচ্ছি যে ফার্নিচারের মধ্যে আবার সাব ক্যাটাগরি কি আছে আমাদের অফিস সাপ্লাই এর মধ্যে কি কি সাব ক্যাটাগরি আছে আমাদের টেকনোলজির মধ্যে কিভাবে সাব ক্যাটাগরি আছে এবং সেটার টোটাল সেলস কত সেটার টোটাল সেলস কত সেটাও কিন্তু আমরা এখান থেকে বের করতে পারি সো এই জিনিসটা কিন্তু আমাদের মাথায় রাখতে হবে যে কিভাবে আমরা এই জিনিসগুলো নিয়ে কাজ করব এখান থেকে আমরা যেভাবে চাই না কেন আমরা এভাবে কিন্তু এই জিনিসগুলো নিয়ে আমরা কাজ করতে পারব এবং সবচেয়ে বড় যে জিনিসটা হচ্ছে যে আমরা এখানে সাব ক্যাটাগরি যেটা আমি বলছি যে সাব ক্যাটাগরিটা এখানে আমরা নিলাম এই সাব ক্যাটাগরিটা যদি আমরা যদি একটু কালারে চেঞ্জ করতে চাই আমি এখানে কালারে নিয়ে ছেড়ে দিলাম সো আমার এখানে কিন্তু সাব ক্যাটাগরিটা কিন্তু কালারে ভাগ হয়ে গেল দেখতে পারি যে কিভাবে এই জিনিসগুলো নিয়ে কাজ করা যায় সবচেয়ে বড় যে জিনিসটা হচ্ছে যে এই জিনিসগুলো আমরা যেভাবে কাজ করি না কেন সেখানে কিন্তু আমরা আমাদের মত করে মানে আমরা এখানে মেজারস গুলো কিভাবে নিব আমরা এখানে অ্যাট্রিবিউশন গুলো কিভাবে নিব মানে সবকিছুই কিন্তু আমরা এখানে দেখতে পারি আর সবচেয়ে বড় যে জিনিসটা হচ্ছে যে আমরা এইখানে যাই কাজ করি না কেন এই সবকিছুই কিন্তু আমাদের কাজের জন্য সহজভাবে আমি বলব যে সহজভাবে এই জিনিসগুলো নিয়ে কাজ করা যায় আর সবচেয়ে বড় যে জিনিসটা হচ্ছে যে আমরা এখান থেকে যেভাবে আমাদের মনে হয় যে আমরা এখানে যেহেতু আমি এই কম্পিউটারটাকে নষ্ট করতে পারবো না আমি এখান থেকে যেভাবে আমার মত করে ইচ্ছা করে আমি কিন্তু এখানে আমার জিনিসপত্রগুলো এখানে ড্র্যাগ এন্ড ড্রপ করতে পারি এবং ড্র্যাগ এন্ড ড্রপ করলে কিন্তু আমার জন্য ইনসাইটফুল একটা ডিসিশন মেকিং খুব সহজ হয় আর সে কারণে কিন্তু আমরা এত কিছু কথা বলছি যে একটা সিম্পল পিভট টেবিল এটা আমাদের এই ট্যাবলু পাবলিকে আমরা কত ইজিভাবে করতে পারছি সো এটাই হচ্ছে গিয়ে আজকের মতো আমরা বলব যে এই জিনিসগুলো আপনারা প্রতিদিন এই ধরনের টেস্ট এন্ড ট্রায়াল গুলো করবেন বিকজ এই ধরনের টেস্ট এন্ড ট্রায়াল গুলো যদি আমরা না করি তাহলে আসলে এই জিনিসগুলো আমরা আসলে কিভাবে বুঝবো বিকজ আমরা এই যে জিনিসগুলো পাচ্ছি সেগুলো থেকে কিন্তু একটা ইনসাইটফুল একটা আন্ডারস্ট্যান্ডিং যে আসলে ধরা যাক আমাদের টেকনোলজির মধ্যে সবচেয়ে বেশি সেল হচ্ছে কোনটা অবশ্যই ফোন তারপর হচ্ছে গিয়ে কপিয়ার মেশিন তারপরে হচ্ছে গিয়ে অন্যান্য জিনিস এক্সেসরিজ সো এই যে বিভিন্ন অফিস সাপ্লাই এর মধ্যে স্টোরেজের ব্যাপারটা আছে বা আমাদের যে এই ফার্নিচারের মধ্যে বুক কেসেস বা চেয়ার চেয়ার সবচেয়ে বেশি সেল হচ্ছে তার মানে হচ্ছে এই যে একটা ইনসাইটফুল একটা ডিসিশন মেকিং মানে আমার সামনে কি ধরনের যন্ত্রপাতি বা কি ধরনের জিনিসপত্র আমাকে আরো বেশি সেল করতে হবে বা কোন জিনিসটাকে সেল করার জন্য বেশি আমার মার্কেটিং আমাকে আনতে হবে তার মানে এটা একটা ডিসিশন মেকিং স্ট্র্যাটেজি মানে আমাদের যারা পলিসি মেকিং এ আছেন বা যারা ম্যানেজমেন্টে আছেন বা সিদ্ধান্তে আছেন তারা কিন্তু এই ধরনের ডেটা থেকে তারা একটা ভালো আইডিয়া পাবেন যে কিভাবে তার কোম্পানির অপটিমাইজেশন বা ভালোর জন্য একটা ভালো সিদ্ধান্ত নিতে পারবেন আজকে এই পর্যন্তই থাকছেন তো সামনে