বৰ্তমানৰ ডিজিটেল যুগত কৃত্রিম বুদ্ধিমত্তা বা এআই আমাৰ জীৱনৰ এক অপৰিহাৰ্য অংশ হৈ পৰিছে। পঢ়া-শুনাৰ পৰা আৰম্ভ কৰি অফিচৰ কাম, লিখনী বা কোডিং কিম্বা সাধাৰণ তথ্য জনাৰ বাবে আমি চ্যাটজিপিটি, জেমিনি বা পাৰপ্লেক্সিটিৰ দৰে এআই চ্যাটবটবোৰৰ ওপৰত নিৰ্ভৰশীল হৈ পৰিছো। এই এআই সঁজুলিবোৰে ইমান আত্মবিশ্বাসেৰে উত্তৰ দিয়ে যে বহু সময়ত ব্যৱহাৰকাৰীসকলে ধৰি লয় যে এইবোৰ নিশ্চয় শতভাগ সঠিক। কিন্তু বাস্তৱত কথাটো সদায় তেনে নহয়। বহু ক্ষেত্ৰত দেখা যায় যে এআই-এ এনে কিছুমান তথ্য দিছে যাৰ বাস্তৱত কোনো অস্তিত্বই নাই। এই সমস্যাটোকেই প্ৰযুক্তিৰ ভাষাত এআই হ্যালুচিনেশ্যন বুলি কোৱা হয়।
এআই হ্যালুচিনেশ্যন তেতিয়াই ঘটে যেতিয়া কোনো এটা এআই মডেলে প্ৰকৃত তথ্য বা নিৰ্ভৰযোগ্য ডেটাৰ ওপৰত ভিত্তি কৰি উত্তৰ নিদি সম্পূৰ্ণ কাল্পনিক, বিভ্ৰান্তিকৰ বা মিছা তথ্যক সঁচা হিচাপে উপস্থাপন কৰে। সহজ ভাষাত ক’বলৈ গ’লে এআই-এ যেতিয়া কোনো এটা প্ৰশ্নৰ সঠিক উত্তৰ নাজানে, তেতিয়া ই অনুমানৰ ভিত্তিত এটা উত্তৰ তৈয়াৰ কৰি লয়। যিহেতু এই উত্তৰবোৰ ভাষাগতভাৱে নিখুঁত আৰু আত্মবিশ্বাসী যেন লাগে, সেয়েহে ব্যৱহাৰকাৰীসকল সহজে বিভ্ৰান্ত হয়।
চ্যাটজিপিটি বা জেমিনিৰ দৰে এআই মডেলে কিয় এনে ধৰণৰ ভুল কৰে তাৰ পাছত কেইবাটাও কাৰিকৰী কাৰণ আছে। প্ৰথমতে এআই সম্পূৰ্ণৰূপে ইয়াৰ প্ৰশিক্ষণ ডেটাৰ ওপৰত নিৰ্ভৰশীল। যদি সেই ডেটা অসম্পূৰ্ণ, পুৰণি বা পক্ষপাতদুষ্ট হয় তেন্তে এআইৰ উত্তৰো ভুল হোৱাৰ সম্ভাৱনা থাকে। দ্বিতীয়তে এআই-এ প্ৰকৃত অৰ্থত কোনো তথ্য বুজি নাপায়। ই কেৱল শব্দ আৰু বাক্যৰ ধৰণ বা পেটাৰ্ন মিলাইহে উত্তৰ তৈয়াৰ কৰে। ফলত কেতিয়াবা দুটা বেলেগ তথ্য একত্ৰিত হৈ এনে এটা উত্তৰ সৃষ্টি হয় যাৰ বাস্তৱত কোনো ভিত্তি নাই।
বহু সময়ত এআই-এ নিৰ্দিষ্ট কিছুমান উদাহৰণ বা তথ্যৰ সৈতে ইমান গভীৰভাৱে মিলি যায় যে নতুন প্ৰশ্নৰ ভিন্ন প্ৰেক্ষাপট ই ধৰিবই নোৱাৰে। ইয়াৰ ফলতেই সৃষ্টি হয় বিভ্ৰান্তিকৰ বা ভুল উত্তৰ। লগতে বাস্তৱ সময়ৰ বাবে শেহতীয়া তথ্যৰ অভাৱো এআই হ্যালুচিনেশ্যনৰ অন্যতম কাৰণ। সকলো এআই মডেলৰ ওচৰত একেবাৰে শেহতীয়া খবৰবোৰ সদায় উপলব্ধ নাথাকে।
এই এআই হ্যালুচিনেশ্যন সমস্যাটো ভৱিষ্যতৰ বাবে এক ডাঙৰ প্ৰত্যাহ্বান হৈ পৰিছে। বিশেষকৈ চিকিৎসা, আইন বা আৰ্থিক পৰামৰ্শৰ দৰে স্পৰ্শকাতৰ ক্ষেত্ৰত এই ধৰণৰ ভুল তথ্যই ভয়াবহ পৰিণতি কঢ়িয়াই আনিব পাৰে। সেই বাবেই এই সমস্যা হ্ৰাস কৰিবলৈ বিভিন্ন কাৰিকৰী সমাধানৰ কাম চলি আছে। পাৰপ্লেক্সিটিৰ মুখ্য কাৰ্যবাহী বিষয়া অৰবিন্দ শ্ৰীনিবাসৰ মতে আগন্তুক পাঁচ বছৰৰ ভিতৰত এই সমস্যাৰ বহুখিনি সমাধান কৰিব পৰা যাব।
বৰ্তমান এআই হ্যালুচিনেশ্যন কমাবৰ বাবে ব্যৱহাৰ কৰা পদ্ধতিবোৰৰ ভিতৰত আৰএজি প্ৰযুক্তি অন্যতম। এই পদ্ধতিত এআই-এ কেৱল নিজৰ প্ৰশিক্ষণ ডেটাৰ ওপৰত নিৰ্ভৰ নকৰি পোনপটীয়াকৈ নিৰ্ভৰযোগ্য উৎসৰ পৰা তথ্য সংগ্ৰহ কৰি উত্তৰ দিয়ে। ফলত ভুল তথ্যৰ সম্ভাৱনা বহুখিনি কমি যায়। আন এটা গুৰুত্বপূৰ্ণ পদ্ধতি হৈছে গ্ৰাউন্ডিং য’ত এআই-ক স্পষ্ট নিৰ্দেশ দিয়া হয় যে যদি ই কোনো প্ৰশ্নৰ উত্তৰ নাজানে তেন্তে যেন সেই কথা নিৰ্ধাৰিতভাৱে স্বীকাৰ কৰে।
এআইৰ উন্নয়নৰ ক্ষেত্ৰত মানুহৰ মতামত বা হিউম্যান ফিডবেকেও ডাঙৰ ভূমিকা পালন কৰিছে। ব্যৱহাৰকাৰীসকলে যেতিয়া কোনো ভুল উত্তৰ চিহ্নিত কৰে বা অপছন্দ কৰে, তেতিয়া সেই তথ্যৰ জৰিয়তে এআই-এ ভৱিষ্যতে অধিক উন্নত উত্তৰ দিবলৈ চেষ্টা কৰে। এই প্ৰক্ৰিয়াৰ জৰিয়তেই লাহে লাহে এআই-ৰ নিৰ্ভুলতা বৃদ্ধি পাইছে। অৱশ্যে এজন সাধাৰণ ব্যৱহাৰকাৰী হিচাপে আমাৰো সচেতনতাখুবেই জৰুৰী। এআই-ৰ পৰা পোৱা যিকোনো গুৰুত্বপূৰ্ণ তথ্য অন্ধভাৱে বিশ্বাস নকৰি সদায় নিৰ্ভৰযোগ্য উৎসৰ পৰা পৰীক্ষা কৰি লোৱা উচিত। এআই-এ আমাৰ কাম সহজ কৰি তুলিলেও ই এতিয়াও মানুহৰ সম্পূৰ্ণ বিকল্প হৈ উঠা নাই। সঠিক ব্যৱহাৰ আৰু সজাগতাৰ জৰিয়তেহে এই প্ৰযুক্তিৰ সৰ্বোত্তম সুবিধা গ্ৰহণ কৰিব পৰা যাব।
