অস্বচ্ছ পুনরাবৃত্তি এবং অন্যান্য AI শর্তাবলী যা আপনার জানা উচিত

OpenAI-এর নতুন Astra মডেল গত সপ্তাহে একটি শব্দ নিয়ে এসেছে যা অভিজ্ঞ AI গবেষকদেরও থামিয়ে দিয়েছে: অস্বচ্ছ পুনরাবৃত্তি। এটি একটি যুক্তি প্রযুক্তি যা ইতিমধ্যে AI নিরাপত্তা বিশেষজ্ঞদের উদ্বিগ্ন করেছে, এবং যদি আপনি এটি আগে শোনেননি, তাহলে আপনি একা নন। AI ক্ষেত্র সর্বদা দ্রুত এগিয়ে গেছে, কিন্তু এখন শব্দভাণ্ডার বেশিরভাগ মানুষের ধরতে পারার ক্ষমতার চেয়ে দ্রুত এগিয়ে যাচ্ছে — এবং এশিয়ার ডেভেলপার এবং প্রতিষ্ঠাতাদের জন্য, পরিভাষায় পিছিয়ে থাকা শুধু লজ্জাজনক নয়, এটি একটি প্রতিযোগিতামূলক অসুবিধা।

অস্বচ্ছ পুনরাবৃত্তি এবং অন্যান্য AI শর্তাবলী যা আপনার মনোযোগের যোগ্য, তা একটি TechCrunch দ্বারা প্রকাশিত ব্যাপক নতুন পরিভাষা সংগ্রহের বিষয়, যা Natasha Lomas, Romain Dillet, Kyle Wiggers এবং Lucas Ropek দ্বারা লেখা। এটি একটি জীবন্ত নথি — নিয়মিত আপডেট করা হয় যেহেতু ক্ষেত্র বিকশিত হয় — এবং এটি AGI থেকে RAG থেকে RLHF পর্যন্ত সবকিছু কভার করে। আমরা এমন শর্তাবলী বের করেছি যা এখন সবচেয়ে গুরুত্বপূর্ণ, এশিয়া প্রযুক্তি ল্যান্ডস্কেপের জন্য প্রসঙ্গ যোগ করেছি, এবং অনুবাদ করেছি যে তারা প্রকৃতপক্ষে এই জিনিসগুলির সাথে নির্মাণকারী ডেভেলপারদের জন্য কী অর্থ রাখে।

কী ঘটেছে

TechCrunch পরিভাষা সংগ্রহ, 7 সেপ্টেম্বর, 2026-এ প্রকাশিত, একটি সমস্যার সরাসরি প্রতিক্রিয়া যা উপেক্ষা করা অসম্ভব হয়ে উঠেছে: AI তার নিজস্ব ভাষা আবিষ্কার করছে যা বেশিরভাগ মানুষ শোষণ করতে পারে তার চেয়ে দ্রুত। যেকোনো পণ্য মিটিং, পিচ ডেক পর্যালোচনা, বা প্রযুক্তি প্যানেলে বসুন এবং আপনি একটি ক্যাসকেড শুনবেন সংক্ষিপ্ত রূপের — LLM, RAG, RLHF, MoE — নিক্ষিপ্ত হয় এমন মানুষদের নৈমিত্তিক আত্মবিশ্বাসের সাথে যারা হয়তো বা নাও বুঝতে পারে তারা কী অর্থ রাখে।

এখন সবচেয়ে বেশি মনোযোগ পাচ্ছে এমন শব্দ হল অস্বচ্ছ পুনরাবৃত্তি, OpenAI-এর Astra মডেলে বেকড করা যুক্তি প্রযুক্তি। "অস্বচ্ছ" অংশ সমস্যা: মডেলের অভ্যন্তরীণ যুক্তি পদক্ষেপগুলি দৃশ্যমান বা ব্যাখ্যাযোগ্য নয়, এমনকি যারা এটি তৈরি করেছে তাদের কাছেও। এটি পুনরাবৃত্তি করে — নিজের উপর ফিরে আসে — উত্তর পরিমার্জন করতে, কিন্তু একটি ব্ল্যাক বক্সে এটি করে। এটিই নিরাপত্তা গবেষকদের বিচলিত করছে। যখন একটি মডেল এমন উপায়ে যুক্তি করে যা এর নির্মাতারা অডিট করতে পারে না, সারিবদ্ধতা এবং জবাবদিহিতা সত্যিকারের কঠিন সমস্যা হয়ে ওঠে।

অস্বচ্ছ পুনরাবৃত্তির বাইরে, পরিভাষা সংগ্রহ পুনর্বিবেচনার যোগ্য মৌলিক শর্তাবলী কভার করে। AGI (কৃত্রিম সাধারণ বুদ্ধিমত্তা) ইচ্ছাকৃতভাবে পিচ্ছিল থাকে — OpenAI এটিকে সিস্টেম হিসাবে সংজ্ঞায়িত করে যা "বেশিরভাগ অর্থনৈতিকভাবে মূল্যবান কাজে মানুষকে ছাড়িয়ে যায়," যখন Google DeepMind এটিকে AI হিসাবে ফ্রেম করে "কমপক্ষে বেশিরভাগ জ্ঞানীয় কাজে মানুষের মতো সক্ষম।" এগুলি একই বার নয়, এবং সেই ফাঁক নীতি, বিনিয়োগ এবং পণ্য কৌশলের জন্য অত্যন্ত গুরুত্বপূর্ণ। হ্যালুসিনেশন — AI মডেল আত্মবিশ্বাসের সাথে মিথ্যা তথ্য বলা — AI-চালিত পণ্য শিপিং করা যে কেউর জন্য সবচেয়ে ব্যবহারিকভাবে ক্ষতিকর ব্যর্থতার মোড থাকে। RLHF (মানব প্রতিক্রিয়া থেকে শক্তিশালীকরণ শেখা) হল কীভাবে GPT-4 এবং Claude-এর মতো মডেলগুলি সহায়কভাবে আচরণ করার জন্য টিউন করা হয়েছিল; এটি বোঝা ব্যাখ্যা করে কেন এই মডেলগুলি কখনও কখনও অত্যন্ত সতর্ক বা অদ্ভুতভাবে বিনীত মনে হয়। RAG (পুনরুদ্ধার-বর্ধিত প্রজন্ম) হল স্থাপত্য প্যাটার্ন যা মডেলগুলিকে বাস্তব-সময় বা মালিকানাধীন ডেটা টানতে দেয় শুধুমাত্র প্রশিক্ষণ জ্ঞানের উপর নির্ভর করার পরিবর্তে — একটি LLM-এর উপর নির্মিত যেকোনো এন্টারপ্রাইজ পণ্যের জন্য গুরুত্বপূর্ণ।

পরিভাষা সংগ্রহ স্পষ্টভাবে এমন মানুষদের জন্য একটি রেফারেন্স হিসাবে ডিজাইন করা হয়েছে যারা নির্মাণ করছে, বিনিয়োগ করছে, বা শুধু কথোপকথন বুদ্ধিমানের সাথে অনুসরণ করার চেষ্টা করছে। এটি একটি দরকারী ভিত্তিরেখা। এটি যা করে না তা হল আপনি যদি দক্ষিণ-পূর্ব এশিয়া, দক্ষিণ কোরিয়া, জাপান বা ভারতে নির্মাণ করছেন তাহলে এর কোনটি নির্দিষ্টভাবে কেন গুরুত্বপূর্ণ তা বলা। এখানেই আমরা আসি।

এশিয়ার জন্য এটি কেন গুরুত্বপূর্ণ

এশিয়া প্রযুক্তি ইকোসিস্টেমের AI পরিভাষার সাথে একটি নির্দিষ্ট সম্পর্ক রয়েছে যা সরাসরি নাম দেওয়ার যোগ্য। সবচেয়ে গুরুত্বপূর্ণ AI গবেষণার একটি উল্লেখযোগ্য অংশ ইংরেজিতে প্রকাশিত হয়, ইংরেজি-ভাষার প্ল্যাটফর্মে বিতর্কিত হয়, এবং পশ্চিমা নিয়ন্ত্রক এবং সাংস্কৃতিক অনুমান দ্বারা গঠিত। এশিয়া জুড়ে ডেভেলপার এবং প্রতিষ্ঠাতাদের জন্য, এটি একটি যৌগিক অসুবিধা তৈরি করে: আপনাকে শুধু প্রযুক্তিগত ধারণাগুলি ট্র্যাক করতে হবে না, আপনাকে তাদের প্রভাবগুলি এমন প্রসঙ্গে অনুবাদ করতে হবে যেখানে ডেটা গোপনীয়তা আইন, ব্যবহারকারীর আচরণ, ভাষা মডেল এবং অবকাঠামো বাস্তবতা মৌলিকভাবে ভিন্ন।

একটি কংক্রিট উদাহরণ হিসাবে অস্বচ্ছ পুনরাবৃত্তি নিন। EU-তে, নিয়ন্ত্রকরা ইতিমধ্যে উচ্চ-ঝুঁকি AI সিদ্ধান্তের জন্য বাধ্যতামূলক ব্যাখ্যাযোগ্যতার প্রয়োজনীয়তার দিকে এগিয়ে যাচ্ছে। এশিয়ায়, নিয়ন্ত্রক চিত্র আরও খণ্ডিত — সিঙ্গাপুরের মডেল AI গভর্নেন্স ফ্রেমওয়ার্ক স্বচ্ছতা উৎসাহিত করে কিন্তু ইউরোপ যেভাবে করে সেভাবে এটি বাধ্যতামূলক করে না; চীনের AI নিয়মকানুন বিষয়বস্তু নিয়ন্ত্রণে ব্যাপকভাবে ফোকাস করে; ভারতের পদ্ধতি এখনও গঠিত হচ্ছে। জাকার্তা বা হো চি মিন সিটিতে একজন প্রতিষ্ঠাতার জন্য একটি AI-চালিত ফিনটেক বা স্বাস্থ্যসেবা পণ্য তৈরি করছে, "অস্বচ্ছ পুনরাবৃত্তি" শুধু একটি প্রযুক্তিগত কৌতূহল নয় — এটি একটি পণ্য দায়বদ্ধতা প্রশ্ন। আপনি কি একজন নিয়ন্ত্রক বা ব্যবহারকারীকে ব্যাখ্যা করতে পারেন কেন আপনার মডেল একটি নির্দিষ্ট সিদ্ধান্ত নিয়েছে? যদি আপনার যুক্তি স্তর অস্বচ্ছ হয়, উত্তর না।

হ্যালুসিনেশন এশিয়ান বাজারে একটি আরও তাৎক্ষণিক উদ্বেগ। যখন আপনি থাই, বাহাসা ইন্দোনেশিয়া, ভিয়েতনামী বা তামিল-এর মতো ভাষায় পণ্য তৈরি করছেন, বেস মডেলগুলি সেই ভাষাগুলিতে নাটকীয়ভাবে কম ডেটায় প্রশিক্ষিত হয়েছে ইংরেজিতে। হ্যালুসিনেশনের হার বৃদ্ধি পায়। যে আত্মবিশ্বাসের সাথে মডেলগুলি কম-সম্পদ ভাষায় ভুল জিনিস বলে তা একটি পরিচিত, নথিভুক্ত সমস্যা — এবং যা বেশিরভাগ পশ্চিম-কেন্দ্রিক AI পরিভাষা সংগ্রহ যথেষ্ট জরুরিতার সাথে ফ্ল্যাগ করে না।

RAG স্থাপত্য এশিয়ায় এন্টারপ্রাইজ AI-এর জন্য প্রভাবশালী প্যাটার্ন হয়ে উঠেছে ঠিক কারণ তারা এই ফাঁক সমাধান করে। একটি মডেলের প্রশিক্ষণ জ্ঞানে বিশ্বাস করার পরিবর্তে — যা আঞ্চলিক ভাষা বা স্থানীয় নিয়ন্ত্রক প্রসঙ্গের জন্য পাতলা হতে পারে — RAG আপনাকে মডেলটিকে আপনার নিজের কিউরেটেড, যাচাইকৃত ডেটায় ভিত্তি করতে দেয়। অঞ্চলের প্রতিটি গুরুতর AI-নেটিভ দল RAG পাইপলাইন, ভেক্টর ডাটাবেস এবং পুনরুদ্ধার গুণমান সম্পর্কে চিন্তা করছে। শব্দটি বোঝা প্রবেশ বিন্দু; এটির সাথে ভালভাবে নির্মাণ করা প্রকৃত কাজ।

বৃহত্তর পয়েন্ট এটি: AI পরিভাষা নিরপেক্ষ নয়। যে ধারণাগুলি ইংরেজি-ভাষার প্রকাশনায় নাম দেওয়া হয়, বিতর্কিত হয় এবং মানক করা হয় তা বিশ্বব্যাপী কী নির্মিত, অর্থায়িত এবং নিয়ন্ত্রিত হয় তা গঠন করে। এশিয়ার ডেভেলপার এবং প্রতিষ্ঠাতাদের এই শব্দভাণ্ডারে সাবলীলতা প্রয়োজন এটিকে স্থগিত করতে নয়, বরং সমালোচনামূলকভাবে এটির সাথে জড়িত হতে এবং এমন পণ্য তৈরি করতে যা প্রকৃতপক্ষে তাদের বাজার পরিবেশন করে।

ডেভেলপারদের জন্য এটি কী অর্থ রাখে

যদি আপনি একজন ডেভেলপার যিনি সক্রিয়ভাবে AI-চালিত পণ্য তৈরি করছেন, পরিভাষা সংগ্রহ শর্তাবলী যা এখন সবচেয়ে গুরুত্বপূর্ণ তা চকচকে নয় — তারা যা সরাসরি আপনার স্থাপত্য সিদ্ধান্ত এবং আপনার ডিবাগিং সেশনকে প্রভাবিত করে।

অস্বচ্ছ পুনরাবৃত্তি আপনাকে সাবধানে চিন্তা করতে হবে কোন যুক্তি মডেলগুলি আপনি একীভূত করছেন এবং আপনার কী স্তরের ব্যাখ্যাযোগ্যতা প্রয়োজন। যদি আপনি একটি নিয়ন্ত্রিত ডোমেনে নির্মাণ করছেন — অর্থ, স্বাস্থ্যসেবা, আইনি — আপনাকে বুঝতে হবে আপনার মডেলের যুক্তি শৃঙ্খল অডিটযোগ্য কিনা। যদি এটি না হয়, এটি একটি পণ্য সিদ্ধান্ত, শুধু একটি প্রযুক্তিগত নয়। কিছু ব্যবহারের ক্ষেত্রে একটি ব্ল্যাক বক্স সহ্য করতে পারে; অন্যরা পারে না।

হ্যালুসিনেশন LLM-চালিত বৈশিষ্ট্যের জন্য সবচেয়ে সাধারণ উৎপাদন ব্যর্থতার মোড থাকে। ব্যবহারিক প্রশমন কৌশল — RAG, আউটপুট যাচাইকরণ স্তর, আত্মবিশ্বাস স্কোরিং, মানব-ইন-দ্য-লুপ চেকপয়েন্ট — এই সময়ে সবই ভালভাবে বোঝা যায়। যা কম আলোচিত হয় তা হল হ্যালুসিনেশনের হার ভাষা, ডোমেন এবং মডেল দ্বারা উল্লেখযোগ্যভাবে পরিবর্তিত হয়। যদি আপনি একটি দক্ষিণ-পূর্ব এশিয়ান ভাষায় একটি বৈশিষ্ট্য শিপিং করছেন, এটি ইংরেজি সংস্করণের চেয়ে কঠিনভাবে পরীক্ষা করুন। ব্যর্থতার মোডগুলি ভিন্ন।

RLHF এবং এর উত্তরাধিকারী (RLAIF, DPO, সাংবিধানিক AI) ব্যাখ্যা করে কেন ভিত্তি মডেলগুলি যেভাবে আচরণ করে — এবং কেন তাদের আপনার জন্য সূক্ষ্ম-টিউনিং