আপনি আগে যে AI ব্যবহার করেছেন সেটা জিনিস বাছাই করত। জেনারেটিভ এআই জিনিস তৈরি করে
বিশ বছর ধরে, দৈনন্দিন জীবনের AI ছিল অদৃশ্য আর এটা শ্রেণীবদ্ধ করত। স্প্যাম ফিল্টার ঠিক করত স্প্যাম নাকি না। ফটো অ্যাপ ঠিক করত কোন মুখ কার। ব্যাংক ঠিক করত জালিয়াতি নাকি না। রেকমেন্ডেশন ইঞ্জিন র্যাংক করত পরে কী দেখানো হবে। এদের প্রতিটাই বিদ্যমান কোনো কিছু নিয়ে তার ওপর একটা লেবেল বা স্কোর বসায়। AI কাকে বলে এই বিস্তৃত পরিবার নিয়ে আলোচনা করে।
জেনারেটিভ এআই দিকটা উল্টে দেয়। একটা ছবি নিয়ে "বিড়াল" আউটপুট দেওয়ার বদলে, এটা "গোধূলিতে জানালার পাশে একটা বিড়াল" নেয় আর একটা ছবি আউটপুট দেয়। একটা ইমেইলকে স্কোর করার বদলে, এটা একটা ইমেইল লিখে দেয়। মডেলটা লক্ষ লক্ষ উদাহরণের প্যাটার্ন এতটাই ভালোভাবে শিখেছে যে সেগুলোর সাথে মেলে এমন একটা নতুন জিনিস তৈরি করতে পারে।
সেই উল্টে যাওয়াটাই একমাত্র কারণ যার জন্য এই প্রযুক্তি সাধারণ মানুষের কাছে পৌঁছেছে। শ্রেণীবদ্ধকরণ হলো অন্য কারো পণ্যের ভেতরের একটা ফিচার। জেনারেশন নিজেই একটা পণ্য: একটা অনুরোধ টাইপ করুন, একটা জিনিস পান। ChatGPT লঞ্চ হয়েছিল 30 নভেম্বর 2022 তারিখে আর 2023 সালের জানুয়ারিতে, লঞ্চের দুই মাস পরে, আনুমানিক 100 মিলিয়ন মাসিক সক্রিয় ব্যবহারকারীতে পৌঁছেছিল, Reuters-এ 1 ফেব্রুয়ারি 2023-এ প্রকাশিত একটা UBS বিশ্লেষণ অনুযায়ী, সেই সময় পর্যন্ত সবচেয়ে দ্রুত সেই মাত্রায় পৌঁছানো ভোক্তা অ্যাপ্লিকেশন, কারণ প্রথমবারের মতো মডেলের আউটপুটটাই ছিল আসল বিষয়।
এরপর যা হয়েছে তা কোনো ধীর প্রবাহ ছিল না। মডেল রিলিজ টাইমলাইন সেই দিনের পর থেকে 41টা বড় লঞ্চের হিসাব রাখে, আর এগুলোর 31টা এসেছে 2025 আর 2026 সালে। কমলা রং একটা রিজনিং মডেল বা একটা থিংকিং মোড সহ আসা পরিবার বোঝায়; ছায়াযুক্ত অংশটা শুরু হয় o1-preview দিয়ে।
প্রতিটা জেনারেটিভ মডেল শেখে একটা বিশ্বাসযোগ্য উদাহরণ কেমন দেখতে হয়, তারপর একটা বানায়
প্রতিটা জেনারেটিভ মডেল মূলত একইভাবে প্রশিক্ষিত হয়: এটাকে বিপুল সংখ্যক উদাহরণ দেখানো হয় আর এটাকে শেখানো হয় একটা বিশ্বাসযোগ্য উদাহরণ কেমন দেখতে হয়। এরপর, ব্যবহারের সময়, এটাকে বলা হয় প্যাটার্ন আর প্রম্পটের সাথে মেলে এমন একটা নতুন নমুনা তৈরি করতে।
লেখার জন্য, মডেলটা পরবর্তী টোকেন পূর্বাভাস দিতে শেখে, আর একবারে একটা টোকেন করে উত্তর তৈরি করে। LLM কাকে বলে এর সম্পূর্ণ বিবরণ দেয়। ছবি আর ভিডিওর জন্য, প্রধান পদ্ধতি হলো ডিফিউশন: মডেলটা ছোট ছোট ধাপে একটা ছবি থেকে নয়েজ সরাতে শেখে, আর জেনারেশনের সময় সম্পূর্ণ নয়েজ থেকে শুরু করে ধাপে ধাপে সেটা সরিয়ে ফেলে, যখন একটা টেক্সট বর্ণনা কী তৈরি হবে তা নিয়ন্ত্রণ করে। বেশিরভাগ ইমেজ মডেল যে রেসিপি ব্যবহার করে সেটা হলো Ho, Jain আর Abbeel-এর 2020 সালের Denoising Diffusion Probabilistic Models পেপার; এটা যে পদ্ধতিকে সরিয়ে দিয়েছে, জেনারেটিভ অ্যাডভার্সারিয়াল নেটওয়ার্ক, সেটা Goodfellow et al.-এর 2014 সাল থেকে। মিউজিক জেনারেটরগুলো বেশিরভাগ সময় এই দুটোর একটা থেকে ধার নেয়।
মনে রাখার মতো ফলাফলটা হলো এদের সবগুলোই তৈরি করে যা মানানসই, যা সত্য তা নয়। একটা টেক্সট মডেল এমন একটা সাইটেশন তৈরি করবে যা সাইটেশনের আকারের সাথে মেলে। একটা ইমেজ মডেল এমন একটা হাত তৈরি করবে যা হাতের প্যাটার্নের সাথে মেলে, কখনো কখনো ছয়টা আঙুল সহ। এই সাবলীলতা আর ভুল দুটোই একই জায়গা থেকে আসে, আর AI হ্যালুসিনেশন কাকে বলে এর টেক্সট সংস্করণ বিস্তারিত আলোচনা করে।
চারটা মাধ্যম, চার ধরনের মডেল, একটা উইন্ডো
2022 সালে জেনারেটিভ এআই মানে ছিল লেখা আর, আলাদাভাবে, ছবি। 2026 সালের মধ্যে একটা মাত্র চ্যাট পণ্য চার ধরনের জেনারেটরের দিকে রুট করে, আর প্রতিটার পেছনের মডেল আলাদা।
| মাধ্যম | আপনি কী টাইপ করেন | কী ফেরত আসে | মডেলের ধরন | Whizi পিকারে উদাহরণ |
|---|---|---|---|---|
| লেখা আর কোড | একটা প্রশ্ন বা নির্দেশ | গদ্য, একটা টেবিল, একটা প্রোগ্রাম | ভাষা মডেল | GPT, Claude, Gemini, DeepSeek আর 280+ অন্যান্য |
| ছবি | একটা বর্ণনা, বা একটা ছবি সহ একটা এডিট | একটা নতুন বা এডিট করা ছবি | ডিফিউশন মডেল | Whizi Image, Nano Banana, Flux, Stable Diffusion |
| ভিডিও | একটা বর্ণনা বা একটা শুরুর ছবি | একটা ছোট ক্লিপ | ভিডিও ডিফিউশন মডেল | Whizi Video AI |
| গান | একটা স্টাইল, একটা মুড, কখনো কখনো লিরিক্স | একটা অডিও ট্র্যাক | অডিও জেনারেশন মডেল | Whizi Music AI |
এর পেছনের পণ্য সিদ্ধান্তটা হলো এগুলো ভিন্নভাবে মিটার করা হয় কারণ এগুলো চালাতে ভিন্ন খরচ হয়। একটা টেক্সট উত্তর এক সেন্টের একটা ভগ্নাংশ মাত্র। একটা ছবি আলাদা একটা কাউন্টার। ভিডিও আর গান হলো সবচেয়ে ব্যয়বহুল সারি, আর সবচেয়ে উঁচু প্ল্যানে থাকে।
ইমেজ জেনারেশন Starter-এ অন্তর্ভুক্ত না, Pro-তে মাসে 100 আর Powerhouse-এ মাসে 500, আর ভিডিও আর মিউজিক জেনারেশন হলো Powerhouse ফিচার, Whizi ক্রেডিট কীভাবে কাজ করে অনুযায়ী। একটা টেক্সট উত্তর আর একটা ভিডিও ক্লিপের মধ্যে ফারাকটা হলো 500 টোকেন জেনারেট করা আর কয়েক সেকেন্ডের ফ্রেম জেনারেট করার মধ্যে ফারাক, আর দামটা কম্পিউটকে অনুসরণ করে।
জেনারেটিভ এআই যেখানে ভালো, আর এর সৎ সীমা
এটা পরিচিত আকারের যেকোনো কিছুর প্রথম খসড়ায় ভালো: একটা ইমেইল, একটা সারাংশ, একটা ফাংশন, একটা পণ্যের ছবি, একটা ব্যাকগ্রাউন্ড ট্র্যাক। এটা রূপান্তরে ভালো, বিদ্যমান একটা জিনিস নিয়ে সেটাকে অন্য রূপে তৈরি করায়: অনুবাদ করা, ছোট করা, ভিন্ন পাঠকের জন্য নতুন করে লেখা, নতুন স্টাইল দেওয়া। আর এটা পরিমাণে ভালো, যেখানে একজন মানুষ দুটো ভ্যারিয়েন্ট তৈরি করবে সেখানে এটা কুড়িটা তৈরি করে।
এটা, নিজের গঠনের কারণেই, তিনটা জিনিসে দুর্বল। যে তথ্য এটাকে দেওয়া হয়নি, কারণ এটা যা সত্য তা নয়, যা মানানসই তা তৈরি করে। লম্বা টেইলের নির্ভুলতায়: ষষ্ঠ আঙুল, যে কোড কম্পাইল হয় কিন্তু ভুল কাজ করে। আর আউটপুটটা ভালো কিনা সেই বিচার, যা যে জিজ্ঞাসা করেছে তার কাছেই থেকে যায়। AI কীভাবে ব্যবহার করবেন গাইডটা এই সীমার ভেতরে কাজ করার ব্যবহারিক সংস্করণ।
সিদ্ধান্তের নিয়মটা হলো: জেনারেটিভ এআই তখনই সঠিক টুল যখন আপনি একটা ভালো ফলাফল তৈরি করার চেয়ে দ্রুত সেটা চিনতে পারেন। যদি আপনি একটা ভালো আউটপুটকে খারাপ থেকে আলাদা করতে না পারেন, তাহলে এটা এখনো সেই কাজের জন্য সঠিক টুল না।
জেনারেটিভ এআই হলো মেশিন লার্নিংয়ের একটা শাখা, যা AI-র একটা শাখা
কৃত্রিম বুদ্ধিমত্তা হলো ছাতা টার্ম: এমন যেকোনো সফটওয়্যার যা এমন কিছু করে যাকে আমরা বুদ্ধিমান বলতাম যদি একজন মানুষ সেটা করত। মেশিন লার্নিং হলো সেই পদ্ধতি যা বেশিরভাগ আধুনিক AI ব্যবহার করে, নিয়ম প্রোগ্রাম করে দেওয়ার বদলে ডেটা থেকে নিয়ম শেখা। জেনারেটিভ এআই হলো মেশিন লার্নিংয়ের সেই শাখা যার আউটপুট নতুন কনটেন্ট। একটা লার্জ ল্যাঙ্গুয়েজ মডেল হলো লেখার জন্য জেনারেটিভ মডেল। একটা চ্যাটবট হলো একটার চারপাশে মোড়ানো অ্যাপ। প্রতিটাই আগেরটার একটা উপসেট, আর AI গ্লসারিতে সব টার্মের সম্পূর্ণ সেট একজায়গায় আছে।
ব্যবহারিক পাঠ: যখন কোনো পণ্য বলে এটা "AI ব্যবহার করে", জিজ্ঞাসা করুন কোন ধরনের। যদি এটা বাছাই, র্যাংক বা পূর্বাভাস দেয়, এটা পুরোনো ধরন আর সম্ভবত ভালো কাজ করে। যদি এটা তৈরি করে, এটা নতুন ধরন আর এর আউটপুট যাচাই করার জন্য একজন মানুষ দরকার।
- একটা পণ্য শ্রেণীবদ্ধ করে নাকি তৈরি করে জিজ্ঞাসা করুন; শুধু দ্বিতীয় ধরনটার আউটপুট যাচাই করা দরকার
- পরিচিত আকারের জিনিসের প্রথম খসড়া আর রূপান্তরের জন্য জেনারেটিভ এআই ব্যবহার করুন
- জেনারেট করা লেখায় যেকোনো তথ্য, সংখ্যা বা সাইটেশন এমন একটা উৎসের বিপরীতে যাচাই করুন যা আপনি খুলতে পারেন
- বিস্তারিত জায়গায় নির্ভুলতার ভুল আশা করুন: হাত আর কোডের প্রান্তিক ক্ষেত্র
- মাধ্যমকে প্ল্যানের সাথে মেলান: লেখা সব জায়গায় সস্তা, ছবি আর ভিডিও আলাদাভাবে মিটার করা হয়
প্রায়ই জিজ্ঞাসিত প্রশ্ন
AI আর জেনারেটিভ এআইয়ের মধ্যে পার্থক্য কী?
AI হলো এমন সফটওয়্যারের জন্য ছাতা টার্ম যা আমরা বুদ্ধিমত্তার সাথে যুক্ত করি এমন কাজ করে। 2022 সালের আগে বেশিরভাগ AI শ্রেণীবদ্ধ, র্যাংক বা পূর্বাভাস দিত: স্প্যাম ফিল্টার, ফেস রিকগনিশন, রেকমেন্ডেশন ইঞ্জিন। জেনারেটিভ এআই হলো সেই শাখা যা নতুন কনটেন্ট তৈরি করে, যেমন লেখা, ছবি, ভিডিও আর গান, উদাহরণের প্যাটার্ন শিখে আর সেগুলোর সাথে মেলে এমন নতুন নমুনা তৈরি করে।
জেনারেটিভ এআইয়ের উদাহরণ কী?
লেখা আর কোডের জন্য ChatGPT, Claude আর Gemini; Flux, Stable Diffusion আর Nano Banana-র মতো ইমেজ জেনারেটর; ভিডিও জেনারেটর যা একটা বর্ণনা বা একটা স্থির ছবিকে একটা ক্লিপে পরিণত করে; আর মিউজিক জেনারেটর যা একটা স্টাইল আর মুড থেকে একটা ট্র্যাক তৈরি করে। Whizi-র মতো একটা মাল্টি-মডেল ওয়ার্কস্পেস এই চারটাকেই একটা চ্যাট উইন্ডোর পেছনে রাখে।
জেনারেটিভ এআই কীভাবে কাজ করে?
একটা মডেলকে অনেক বেশি সংখ্যক উদাহরণে প্রশিক্ষণ দেওয়া হয় যতক্ষণ না এটা শেখে একটা বিশ্বাসযোগ্য উদাহরণ কেমন দেখতে হয়, তারপর একটা প্রম্পটের সাথে মেলে এমন একটা নতুন উদাহরণ তৈরি করতে বলা হয়। টেক্সট মডেল পরবর্তী টোকেন পূর্বাভাস দিয়ে একবারে একটা টোকেন তৈরি করে। ইমেজ আর ভিডিও মডেল বেশিরভাগ সময় ডিফিউশন ব্যবহার করে, র্যান্ডম নয়েজকে ধাপে ধাপে একটা ছবিতে পরিণত করে, যখন একটা টেক্সট বর্ণনা ফলাফল নিয়ন্ত্রণ করে।
ChatGPT কি জেনারেটিভ এআই?
হ্যাঁ। ChatGPT হলো একটা লার্জ ল্যাঙ্গুয়েজ মডেলের ওপর তৈরি একটা চ্যাট অ্যাপ, যা লেখার জন্য জেনারেটিভ মডেল। এটা লঞ্চ হয়েছিল 30 নভেম্বর 2022 তারিখে আর 2023 সালের জানুয়ারিতে আনুমানিক 100 মিলিয়ন মাসিক সক্রিয় ব্যবহারকারীতে পৌঁছেছিল, Reuters-এ প্রকাশিত একটা UBS বিশ্লেষণ অনুযায়ী, যেটা সেই মুহূর্ত যখন জেনারেটিভ এআই একটা গবেষণা ক্ষেত্রের বদলে একটা ভোক্তা শ্রেণী হয়ে ওঠে।
জেনারেটিভ এআই কেন ভুল করে?
কারণ এটা যা সত্য তা নয়, বরং যা এর প্রশিক্ষণ ডেটার প্যাটার্নের সাথে মেলে তা তৈরি করে। একটা টেক্সট মডেল সাইটেশনের আকারের একটা সাইটেশন তৈরি করে, উৎসটা আসলেই আছে কিনা তা নির্বিশেষে; একটা ইমেজ মডেল হাতের আকারের একটা হাত তৈরি করে, মাঝে মাঝে ছয়টা আঙুল সহ। মডেলকে একটা উৎসে ভিত্তি দেওয়া আর আউটপুট যাচাই করাই সমাধান, আর এটা যে ব্যবহার করছে তার দায়িত্বেই থেকে যায়।
