এই বছরের AAAS বার্ষিক সম্মেলনে CCC তিনটি বৈজ্ঞানিক সেশন সমর্থন করেছে, এবং আপনি যদি ব্যক্তিগতভাবে উপস্থিত হতে না পারেন, আমরা প্রতিটি সেশনের পুনর্নির্মাণ করব। এই সপ্তাহে, আমরা সেশনের হাইলাইটগুলি সংক্ষিপ্ত করব, "বিজ্ঞানে জেনারেটিভ এআই: প্রতিশ্রুতি এবং ক্ষতি" প্রথম অংশে, আমরা ডক্টর রেবেকা উইলেটের ভূমিকা এবং উপস্থাপনা সংক্ষিপ্ত করব।
2024 সালের বার্ষিক সভার CCC-এর প্রথম AAAS প্যানেল সম্মেলনের দ্বিতীয় দিনে, 16 ফেব্রুয়ারি শুক্রবার অনুষ্ঠিত হয়। প্যানেল, CCC এর নিজস্ব দ্বারা পরিচালিত ডঃ ম্যাথিউ তুর্ক, শিকাগোর টয়োটা টেকনোলজিক্যাল ইনস্টিটিউটের সভাপতি, বিশেষজ্ঞদের নিয়ে গঠিত যারা বিভিন্ন বৈজ্ঞানিক ক্ষেত্রে কৃত্রিম বুদ্ধিমত্তা প্রয়োগ করে। ডঃ রেবেকা উইলেট, শিকাগো বিশ্ববিদ্যালয়ের পরিসংখ্যান এবং কম্পিউটার বিজ্ঞানের অধ্যাপক, কীভাবে জেনারেটিভ মডেলগুলি বিজ্ঞানে ব্যবহার করা যেতে পারে এবং কেন অফ-দ্য-শেল্ফ মডেলগুলি বৈজ্ঞানিক গবেষণায় প্রয়োগ করার জন্য যথেষ্ট নয় তার উপস্থাপনাকে কেন্দ্রীভূত করেছিলেন। ডাঃ মার্কাস বুহলার, ম্যাসাচুসেটস ইনস্টিটিউট অফ টেকনোলজির প্রকৌশলের অধ্যাপক, পদার্থ বিজ্ঞানে প্রয়োগকৃত জেনারেটিভ মডেল সম্পর্কে কথা বলেছেন এবং ডঃ ডানকান ওয়াটসন-প্যারিস, ইউসি সান দিয়েগোতে স্ক্রিপস ইনস্টিটিউশন অফ ওশানোগ্রাফি এবং হ্যালিসিওলু ডেটা সায়েন্স ইনস্টিটিউটের সহকারী অধ্যাপক, জলবায়ু বিজ্ঞান অধ্যয়ন করতে কিভাবে জেনারেটিভ মডেল ব্যবহার করা যেতে পারে তা নিয়ে আলোচনা করা হয়েছে।
কম্পিউটার ভিশন এবং মানব-কম্পিউটার ইন্টারঅ্যাকশনের বিশেষজ্ঞ ড. তুর্ক, সমস্ত AI থেকে জেনারেটিভ এআইকে আলাদা করে প্যানেলটি শুরু করেছিলেন। "জেনারেটিভ এআই অ্যাপ্লিকেশনের মূলে রয়েছে গভীর নিউরাল নেটওয়ার্কের সমন্বয়ে তৈরি জেনারেটিভ মডেল যা তাদের বিশাল প্রশিক্ষণ ডেটার গঠন শিখে এবং তারপরে তারা যা শিখেছে তার উপর ভিত্তি করে নতুন ডেটা তৈরি করে।"
ডাঃ তুর্ক জেনারেটিভ সিস্টেমগুলির সাথে জনপ্রিয় উদ্বেগের রূপরেখা দিয়েছেন, উভয় সিস্টেমের ব্যর্থতার কারণে, যেমন যেগুলি অস্তিত্বহীন আইনী সংক্ষিপ্ত বিবরণ উদ্ধৃত করে এবং খারাপ অভিনেতাদের দ্বারা জাল বিষয়বস্তু তৈরি করার জন্য ব্যবহার করার কারণে, যেমন জাল অডিও বা রাজনীতিবিদ বা সেলিব্রিটিদের ভিডিও।
"বিশেষ করে," ডঃ তুর্ক বলেন, "এই অধিবেশনটি বিজ্ঞানে জেনারেটিভ এআই-এর ব্যবহারের উপর দৃষ্টি নিবদ্ধ করবে, উভয়ই বিজ্ঞানের সাধনায় রূপান্তরকারী শক্তি হিসাবে এবং বিঘ্নের সম্ভাব্য ঝুঁকি হিসাবে।"
ডাঃ রেবেকা উইলেট বৈজ্ঞানিক আবিষ্কার প্রক্রিয়াকে সমর্থন করার জন্য কীভাবে জেনারেটিভ AI ব্যবহার করা যেতে পারে তার রূপরেখা দিয়ে তার উপস্থাপনা শুরু করেছিলেন। তিনি প্রথমে কীভাবে জেনারেটিভ মডেলগুলি কাজ করে তার উপর ফোকাস করেছিলেন। ডক্টর উইলেটের স্লাইডের নীচের চিত্রটি দেখায় যে কীভাবে একটি ভাষা মডেল, যেমন ChatGPT, শব্দের পূর্ববর্তী সেট দেওয়া একটি শব্দ হওয়ার সম্ভাবনাকে মূল্যায়ন করে এবং কীভাবে একটি চিত্র প্রজন্মের মডেল, যেমন DALL-E 2, একটি চিত্র তৈরি করে প্রশিক্ষণের সময় কোটি কোটি ছবি থেকে শেখা সম্ভাব্যতা বিতরণ ব্যবহার করে প্রদত্ত প্রম্পট থেকে।
"সম্ভাব্যতা বণ্টনের এই নীতিটি ব্যবহার করে, যা সমস্ত জেনারেটিভ মডেলের অন্তর্গত, এই মডেলগুলিকে বিজ্ঞানের মুনশট ধারণাগুলিতে প্রয়োগ করা যেতে পারে, যেমন বর্তমান জলবায়ু এবং সম্ভাব্য নীতিগুলির প্রেক্ষিতে সম্ভাব্য জলবায়ু পরিস্থিতি তৈরি করা, বা লক্ষ্যযুক্ত কার্যকারিতা সহ নতুন মাইক্রোবায়োম তৈরি করা, যেমন একটি যা প্লাস্টিক ভাঙতে বিশেষভাবে কার্যকর", ডঃ উইলেট বলেছেন।
যাইহোক, বৈজ্ঞানিক গবেষণার জন্য ChatGPT বা DALL-E 2-এর মতো অফ-দ্য-শেল্ফ তৈরির সরঞ্জামগুলি ব্যবহার করা যথেষ্ট নয়। এই সরঞ্জামগুলি বিজ্ঞানীরা যে প্রেক্ষাপটে কাজ করেন তার থেকে খুব আলাদা একটি সেটিংয়ে তৈরি করা হয়েছিল। একটি অফ-দ্য-শেল্ফ জেনারেটিভ মডেল এবং একটি বৈজ্ঞানিক মডেলের মধ্যে একটি সুস্পষ্ট পার্থক্য হল ডেটা। বিজ্ঞানে, প্রায়শই খুব কম ডেটা থাকে যার উপর ভিত্তি করে অনুমান করা যায়। বৈজ্ঞানিক ডেটা সাধারণত সিমুলেশন এবং পরীক্ষা-নিরীক্ষা থেকে বেরিয়ে আসে, উভয়ই প্রায়শই ব্যয়বহুল এবং সময়সাপেক্ষ। এই সীমাবদ্ধতার কারণে, বিজ্ঞানীদের সাবধানে নির্বাচন করতে হবে কোন পরীক্ষাগুলি চালানো হবে এবং কীভাবে এই সিস্টেমগুলির কার্যকারিতা এবং উপযোগিতা সর্বাধিক করা যায়। অফ-দ্য-শেল্ফ মডেলগুলি, বিপরীতে, তারা কাজ করতে পারে এমন ডেটার পরিমাণ সর্বাধিক করার অগ্রাধিকারে ডেটা কোথা থেকে আসে তার উপর অনেক কম গুরুত্ব দেয়। বিজ্ঞানে, ডেটাসেটগুলির নির্ভুলতা এবং তাদের উত্স অবিশ্বাস্যভাবে গুরুত্বপূর্ণ, কারণ বিজ্ঞানীদের তাদের গবেষণাকে শক্তিশালী পরীক্ষামূলক প্রমাণের সাথে ন্যায়সঙ্গত করতে হবে।
"অতিরিক্তভাবে, বিজ্ঞানে, আমাদের লক্ষ্যগুলি কেবলমাত্র প্রশংসনীয় জিনিসগুলি তৈরি করার চেয়ে ভিন্ন", ডঃ উইলেট বলেছেন। "আমরা এখন পর্যন্ত যা পর্যবেক্ষণ করেছি তার সীমার বাইরে জিনিসগুলি কীভাবে কাজ করে তা আমাদের অবশ্যই বুঝতে হবে।" এই পদ্ধতিটি জেনারেটিভ এআই মডেলগুলির সাথে বিরোধপূর্ণ যা ডেটাকে সম্ভাব্য পর্যবেক্ষণের সম্পূর্ণ পরিসরের প্রতিনিধি হিসাবে বিবেচনা করে। জেনারেটিভ এআই-তে শারীরিক মডেল এবং সীমাবদ্ধতাগুলি অন্তর্ভুক্ত করা নিশ্চিত করতে সাহায্য করে যে এটি শারীরিক ঘটনাকে আরও ভালভাবে উপস্থাপন করবে।
বৈজ্ঞানিক মডেলগুলি অবশ্যই বিরল ঘটনাগুলি ক্যাপচার করতে সক্ষম হবে। “আমরা যখন ChatGPT প্রশিক্ষণ দিচ্ছি তখন আমরা অনেক বিরল ঘটনাকে নিরাপদে উপেক্ষা করতে পারি, কিন্তু বিপরীতে, বিরল ঘটনাগুলি প্রায়শই বিজ্ঞানের প্রেক্ষাপটে আমরা সবচেয়ে বেশি যত্নশীল, যেমন একটি জলবায়ু মডেল যা বিরল আবহাওয়ার ঘটনাগুলির পূর্বাভাস দেয়৷ যদি আমরা একটি জেনারেটিভ মডেল ব্যবহার করি যা বিরল ঘটনাগুলি এড়িয়ে যায় এবং উদাহরণস্বরূপ, কখনও হারিকেনের পূর্বাভাস দেয় না, তাহলে এই মডেলটি অনুশীলনে খুব বেশি কার্যকর হবে না।"
একটি সম্পর্কিত চ্যালেঞ্জ হল বিশৃঙ্খল প্রক্রিয়াগুলির জন্য জেনারেটিভ এআই মডেল তৈরি করা, যা প্রাথমিক অবস্থার জন্য সংবেদনশীল। ডঃ উইলেট নীচের ভিডিওটি প্রদর্শন করেছেন, যা লরেঞ্জ 63 সমীকরণ অনুসারে দুটি কণা মহাকাশে চলমান দেখায়। এই সমীকরণগুলি নির্ধারক, এলোমেলো নয়, তবে দুটি সামান্য ভিন্ন প্রারম্ভিক অবস্থান দেওয়া হলে, আপনি দেখতে পারেন যে কোনো নির্দিষ্ট সময়ে দুটি কণা খুব ভিন্ন অবস্থানে থাকতে পারে। ক্লাইমেট সায়েন্স, টার্বুলেন্স এবং নেটওয়ার্ক ডাইনামিকসে উদ্ভূত এই ধরনের প্রসেসের সঠিক পথের ভবিষ্যদ্বাণী করে জেনারেটিভ এআই মডেল তৈরি করা মৌলিকভাবে কঠিন, কিন্তু জেনারেটিভ মডেলিংয়ের অভিনব পন্থা নিশ্চিত করতে পারে যে তৈরি করা প্রক্রিয়াগুলি প্রকৃত বৈজ্ঞানিক ডেটার সাথে মূল পরিসংখ্যানগত বৈশিষ্ট্যগুলি ভাগ করে।
[এম্বেড করা সামগ্রী]
অবশেষে, ডঃ উইলেট এই সত্যটিকে সম্বোধন করেছিলেন যে বৈজ্ঞানিক তথ্য প্রায়শই স্থানিক এবং অস্থায়ী স্কেলগুলির একটি বিশাল পরিসর বিস্তৃত করে। উদাহরণ স্বরূপ, পদার্থ বিজ্ঞানে, গবেষকরা ন্যানোমিটার স্কেলে বৃহৎ-স্কেল সিস্টেম, যেমন একটি সম্পূর্ণ বিমানের জন্য সমস্ত উপায়ে অধ্যয়ন করেন। "আঁশের সেই পরিসরটি অফ-দ্য-শেল্ফ মডেলগুলিতে ব্যবহৃত ডেটা থেকে খুব আলাদা, এবং আমাদের বিবেচনা করা দরকার যে আমরা কীভাবে এই জেনারেটিভ মডেলগুলিকে এমনভাবে তৈরি করছি যা স্কেলগুলির মধ্যে এই মিথস্ক্রিয়াগুলিকে সঠিকভাবে প্রভাবিত করে"।
"উৎপাদনশীল মডেলগুলি হল বিজ্ঞানের ভবিষ্যত", ড. উইলেট বলেছেন, "কিন্তু সেগুলি কার্যকরভাবে ব্যবহার করা নিশ্চিত করার জন্য, আমাদের AI-তে মৌলিক অগ্রগতি করতে হবে এবং ChatGPT-এ ডেটা প্লাগ করার বাইরে যেতে হবে"৷
পড়ার জন্য আপনাকে অনেক ধন্যবাদ, এবং মেকানোবায়োলজিতে জেনারেটিভ এআই-এর উপর ডঃ মার্কাস বুয়েলারের উপস্থাপনার রিক্যাপ পড়ার জন্য অনুগ্রহ করে আগামীকাল টিউন করুন।
- এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
- PlatoData.Network উল্লম্ব জেনারেটিভ Ai. নিজেকে ক্ষমতায়িত করুন। এখানে প্রবেশ করুন.
- প্লেটোএআইস্ট্রিম। Web3 ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
- প্লেটোইএসজি। কার্বন, ক্লিনটেক, শক্তি, পরিবেশ সৌর, বর্জ্য ব্যবস্থাপনা. এখানে প্রবেশ করুন.
- প্লেটো হেলথ। বায়োটেক এবং ক্লিনিক্যাল ট্রায়াল ইন্টেলিজেন্স। এখানে প্রবেশ করুন.
- উত্স: https://feeds.feedblitz.com/~/873922907/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-Part-One/
