হাইব্রিড AI: ১০০% নির্ভুলতা, ০% ভুল!

কৃত্রিম বুদ্ধিমত্তার জগতে বড় ভাষার মডেল (LLM) যতই শক্তিশালী হোক না কেন, তাদের একটি বড় দুর্বলতা হলো ‘প্লসিবল বাট রং’ বা বিশ্বাসযোগ্য মনে হলেও ভুল উত্তর দেওয়ার প্রবণতা। এই সমস্যা সমাধানে গবেষকরা এখন হাইব্রিড AI আর্কিটেকচারের দিকে ঝুঁকছেন। সম্প্রতি Towards Data Science-এ প্রকাশিত একটি প্রতিবেদনে এই হাইব্রিড পদ্ধতি নিয়ে বিস্তারিত আলোচনা করা হয়েছে, যা ডিটারমিনিস্টিক অ্যানালিটিক্স (নির্ধারক বিশ্লেষণ) এবং এলএলএম রিজনিং (যুক্তি) এর সমন্বয়ে কাজ করে।

গবেষণাপত্রটি ব্যাখ্যা করে, প্রচলিত এলএলএম-ভিত্তিক সিস্টেমে মডেলটি শুধু ভাষাগত প্যাটার্ন এবং পূর্ববর্তী ডেটার ওপর ভিত্তি করে উত্তর তৈরি করে। ফলে এটি এমন আউটপুট দিতে পারে যা দেখতে যুক্তিযুক্ত মনে হলেও বাস্তবে ভুল। উদাহরণস্বরূপ, একটি আর্থিক বিশ্লেষণ টুল যদি শুধু এলএলএম-এর ওপর নির্ভর করে, তাহলে এটি ভুল বাজেটের পূর্বাভাস দিতে পারে। হাইব্রিড AI এই সমস্যা সমাধানের জন্য একটি দ্বি-স্তরীয় আর্কিটেকচার প্রস্তাব করে। প্রথম স্তরে ডিটারমিনিস্টিক অ্যানালিটিক্স ইঞ্জিন থাকে, যা নির্দিষ্ট নিয়ম ও গাণিতিক মডেল ব্যবহার করে সঠিক হিসাব-নিকাশ করে। দ্বিতীয় স্তরে এলএলএম সেই হিসাবের ওপর ভিত্তি করে প্রাসঙ্গিক ব্যাখ্যা এবং সিদ্ধান্ত গ্রহণের যুক্তি তৈরি করে। এই পদ্ধতি নিশ্চিত করে যে চূড়ান্ত আউটপুট কেবল ভাষাগতভাবে সুন্দর নয়, বরং ডেটার ওপর ভিত্তি করে নির্ভুলও।

প্রতিবেদনে আরও বলা হয়েছে, হাইব্রিড AI আর্কিটেকচার ডিজাইন করার সময় বিশেষ গুরুত্ব দেওয়া হয়েছে ডেটা ফ্লো এবং মডিউলগুলোর মধ্যে সিঙ্ক্রোনাইজেশনের ওপর। ডিটারমিনিস্টিক অংশটি যেখানে কঠোর নিয়ম মেনে কাজ করে, সেখানে এলএলএম অংশটি নমনীয়তা বজায় রাখে। এই সমন্বয়ের ফলে সিস্টেমটি জটিল প্রশ্নের উত্তর দিতে পারে, যেমন ‘গত ত্রৈমাসিকে বিক্রি সবচেয়ে বেশি কেন বেড়েছিল?’—এখানে ডিটারমিনিস্টিক অংশ বিক্রির সঠিক সংখ্যা বের করে, আর এলএলএম সেই সংখ্যার পেছনের কারণ ব্যাখ্যা করে। গবেষকদের মতে, এই পদ্ধতি বিশেষ করে হেলথকেয়ার, ফাইন্যান্স এবং সাপ্লাই চেইন ম্যানেজমেন্টের মতো সেক্টরে কার্যকর, যেখানে একটি ভুল সিদ্ধান্ত বড় ক্ষতি ডেকে আনতে পারে।

বাংলাদেশের প্রেক্ষাপটে এই হাইব্রিড AI আর্কিটেকচার অত্যন্ত প্রাসঙ্গিক। দেশের ব্যাংকিং খাত, ই-কমার্স এবং সরকারি সেবায় ইতিমধ্যেই AI-ভিত্তিক সিস্টেম ব্যবহার শুরু হয়েছে। তবে এলএলএম-এর ‘হ্যালুসিনেশন’ সমস্যার কারণে অনেক ক্ষেত্রেই ভুল তথ্য প্রদানের ঝুঁকি থাকে। উদাহরণস্বরূপ, একটি ব্যাংক যদি এলএলএম-ভিত্তিক চ্যাটবট ব্যবহার করে গ্রাহকের ঋণযোগ্যতা যাচাই করে, তাহলে ভুল সিদ্ধান্তের সম্ভাবনা থাকে। হাইব্রিড AI পদ্ধতি এখানে ডিটারমিনিস্টিক অ্যানালিটিক্স (যেমন গ্রাহকের ক্রেডিট স্কোর, লেনদেনের ইতিহাস) ব্যবহার করে নির্ভুল প্রক্রিয়াকরণ নিশ্চিত করতে পারে, আর এলএলএম শুধু ব্যাখ্যা ও পরামর্শ দেওয়ার কাজে ব্যবহৃত হবে। এতে করে সিদ্ধান্ত গ্রহণের নির্ভরযোগ্যতা বাড়বে এবং গ্রাহক আস্থা বৃদ্ধি পাবে।

সবমিলিয়ে, হাইব্রিড AI শুধু একটি তাত্ত্বিক ধারণা নয়, বরং বাস্তব-বিশ্বের সমস্যা সমাধানের একটি কার্যকর পদ্ধতি। Towards Data Science-এর এই প্রতিবেদন স্পষ্ট করে যে, ভবিষ্যতে AI সিস্টেম ডিজাইনের সময় ডিটারমিনিস্টিক ও জেনারেটিভ পদ্ধতির সমন্বয়ই হতে পারে নির্ভুল ও বিশ্বাসযোগ্য বিশ্লেষণের চাবিকাঠি।