প্রথম খণ্ড: ভিত ঠিক করি

অধ্যায় ১: এআই আসলে কী, কীভাবে কাজ করে
অধ্যায় ২: শুরুর প্রস্তুতি
অধ্যায় ৩: প্রম্পট লেখার কারিগরি

অধ্যায় ১

এআই আসলে কী, কীভাবে কাজ করে

যন্ত্রটা কীভাবে চলে জানলে তাকে দিয়ে কাজ করানো সহজ হয়। এই অধ্যায়ে কোনো জটিল গণিত নেই, আছে এমন কিছু ধারণা যেগুলো জানলে বাকি বইটা পানির মতো সহজ লাগবে।

১.১ এক বাক্যে এআই

কৃত্রিম বুদ্ধিমত্তা বা আর্টিফিশিয়াল ইন্টেলিজেন্স (এআই) হলো এমন কম্পিউটার প্রোগ্রাম, যা মানুষের মতো করে কিছু কাজ করতে পারে: ভাষা বোঝা, লেখা, ছবি চেনা, ছবি আঁকা, সিদ্ধান্ত নেওয়া। সাধারণ প্রোগ্রামকে প্রতিটি কাজের নিয়ম আগে থেকে বলে দিতে হয়। এআই-কে নিয়ম বলে দিতে হয় না, সে বিপুল পরিমাণ উদাহরণ দেখে নিজেই প্যাটার্ন শিখে নেয়।

একটা উদাহরণ দিই। ধরুন আপনি এমন একটা প্রোগ্রাম চান যেটা ছবি দেখে বলবে এটা বিড়াল না কুকুর। পুরোনো পদ্ধতিতে প্রোগ্রামারকে লিখতে হতো: "কান ত্রিকোণ হলে বিড়াল, জিভ বের করা থাকলে কুকুর"। কিন্তু এমন নিয়ম দিয়ে কখনোই সব ছবি ঠিকমতো চেনা যায় না। এআই পদ্ধতিতে প্রোগ্রামকে লাখ লাখ বিড়াল আর কুকুরের ছবি দেখানো হয়, আর বলে দেওয়া হয় কোনটা কী। দেখতে দেখতে প্রোগ্রাম নিজেই শিখে ফেলে কোন বৈশিষ্ট্য থাকলে বিড়াল হয়। এই শেখার প্রক্রিয়াকে বলে মেশিন লার্নিং।

১.২ এআই, মেশিন লার্নিং, ডিপ লার্নিং: কে কার ভেতরে

এই তিনটা শব্দ প্রায়ই একসাথে শোনা যায়, আর অনেকে গুলিয়ে ফেলে। সহজভাবে বললে এরা একটার ভেতরে আরেকটা, ঠিক রাশিয়ান পুতুলের মতো।

চিত্র ১.১: এআই-এর ভেতরে মেশিন লার্নিং, তার ভেতরে ডিপ লার্নিং, আর তার ভেতরে জেনারেটিভ এআই

• কৃত্রিম বুদ্ধিমত্তা (AI): সবচেয়ে বড় বৃত্ত। যন্ত্রকে বুদ্ধিমান করার যেকোনো চেষ্টাই এর মধ্যে পড়ে, এমনকি ১৯৯০-এর দশকের দাবা খেলার প্রোগ্রামও।
• মেশিন লার্নিং (ML): এআই-এর সেই অংশ যেখানে যন্ত্র ডেটা থেকে নিজে শেখে। ইমেইলের স্প্যাম ফিল্টার, ইউটিউবের ভিডিও সাজেশন এর উদাহরণ।
• ডিপ লার্নিং (DL): মেশিন লার্নিংয়ের একটা শক্তিশালী ধরন, যেখানে মানুষের মস্তিষ্কের নিউরনের আদলে তৈরি স্তরে স্তরে সাজানো "নিউরাল নেটওয়ার্ক" ব্যবহার হয়। মুখ চেনা, কথা বোঝা, এসবের পেছনে ডিপ লার্নিং।
• জেনারেটিভ এআই (GenAI): ডিপ লার্নিংয়ের সেই শাখা যেটা নতুন কিছু তৈরি করে: লেখা, ছবি, গান, ভিডিও, কোড। ChatGPT, Gemini, Claude, Midjourney সবাই এই দলের। এই বইয়ের প্রায় পুরোটা জুড়ে আমরা এদের নিয়েই কথা বলব।

১.৩ চ্যাটবট কীভাবে উত্তর লেখে

ChatGPT বা Gemini-এর মতো চ্যাটবটের ভেতরে যে ইঞ্জিন কাজ করে, তাকে বলে লার্জ ল্যাঙ্গুয়েজ মডেল বা এলএলএম (LLM)। নামটা ভারী শোনালেও কাজের মূল নীতি বেশ সহজ: পরের শব্দটা কী হবে, সেটা অনুমান করা।

আপনি যদি লেখেন "বাংলাদেশের রাজধানী", তাহলে পরের শব্দ "ঢাকা" হওয়ার সম্ভাবনা সবচেয়ে বেশি। মডেল ইন্টারনেটের বই, প্রবন্ধ, ওয়েবসাইট মিলিয়ে কয়েক লাখ কোটি শব্দ পড়ে এই সম্ভাবনাগুলো শিখেছে। উত্তর লেখার সময় সে একটা করে শব্দ (আসলে শব্দাংশ) বসায়, তারপর পুরো লেখাটা আবার দেখে পরেরটা বসায়। এভাবে চলতে চলতে একটা পুরো অনুচ্ছেদ তৈরি হয়ে যায়। চ্যাটবটে উত্তর যে টাইপ হওয়ার মতো করে একটু একটু আসে, তার কারণ এটাই।

চিত্র ১.২: এলএলএম প্রতিবার সম্ভাব্য পরের শব্দগুলোর মধ্যে থেকে একটা বেছে নেয়

শুনে মনে হতে পারে, এ তো শুধু শব্দ মেলানোর খেলা, এতে বুদ্ধি কোথায়? মজার বিষয় হলো, যথেষ্ট বড় মডেলকে যথেষ্ট ডেটা দিয়ে প্রশিক্ষণ দিলে "পরের শব্দ ঠিকমতো অনুমান করতে" গিয়ে সে ব্যাকরণ, যুক্তি, গণিত, প্রোগ্রামিং, এমনকি রসিকতাও শিখে ফেলে। কারণ সঠিক পরের শব্দ বলতে হলে প্রসঙ্গটা বুঝতেই হয়।

প্রশিক্ষণের তিন ধাপ

একটা চ্যাটবট তৈরি হয় মোটামুটি তিন ধাপে:

1. প্রি-ট্রেনিং: মডেলকে বিশাল পরিমাণ লেখা পড়িয়ে পরের শব্দ অনুমান করা শেখানো হয়। এই ধাপে হাজার হাজার শক্তিশালী কম্পিউটার কয়েক মাস ধরে চলে, খরচ হয় কোটি কোটি ডলার।
2. ফাইন-টিউনিং: মানুষের লেখা ভালো প্রশ্নোত্তরের উদাহরণ দেখিয়ে মডেলকে "সহকারী" হিসেবে আচরণ করা শেখানো হয়।
3. মানুষের মতামত থেকে শেখা (RLHF): মডেলের একাধিক উত্তর মানুষ যাচাই করে বলে দেয় কোনটা ভালো, কোনটা ক্ষতিকর। এর ফলে মডেল আরও ভদ্র, নিরাপদ আর কাজের হয়ে ওঠে।

টোকেন: এআই-এর হিসাবের একক

এআই শব্দ গোনে না, গোনে টোকেন। টোকেন হলো শব্দের টুকরো। ইংরেজিতে গড়ে এক টোকেনে প্রায় পৌনে এক শব্দ ধরা হয়। বাংলা লেখায় টোকেন বেশি খরচ হয়, কারণ যুক্তাক্ষর আর কারচিহ্ন ভেঙে ভেঙে গোনা হয়। একই কথা বাংলায় লিখলে ইংরেজির চেয়ে কয়েকগুণ টোকেন লাগতে পারে।

কেন টোকেন জানা দরকার? কারণ:

• ফ্রি ভার্সনের সীমা অনেক সময় টোকেন বা মেসেজ সংখ্যায় মাপা হয়।
• একটা কথোপকথনে মডেল কতটা লেখা একসাথে মনে রাখতে পারে, সেটাও টোকেনে মাপা হয়। একে বলে কনটেক্সট উইন্ডো।
• ডেভেলপাররা যখন এপিআই (API) ব্যবহার করে, তখন প্রতি দশ লাখ টোকেনের হিসাবে টাকা দিতে হয়।

১.৪ এআই-এর সীমাবদ্ধতা: হ্যালুসিনেশন

যেহেতু এলএলএম "সম্ভাব্য পরের শব্দ" বসায়, তাই কখনো কখনো সে এমন কথা বানিয়ে ফেলে যা শুনতে একদম সত্যি মনে হয়, কিন্তু আসলে মিথ্যা। একে বলে হ্যালুসিনেশন। মডেল ভুল বইয়ের নাম, ভুল সাল, অস্তিত্বহীন গবেষণাপত্র, ভুল আইনের ধারা পর্যন্ত আত্মবিশ্বাসের সাথে বলে দিতে পারে।

হ্যালুসিনেশন থেকে বাঁচার নিয়ম:

1. তথ্য, সংখ্যা, তারিখ, রেফারেন্স সবসময় মূল উৎস থেকে মিলিয়ে নিন।
2. যেসব টুল উৎসের লিংক দেয় (যেমন Perplexity বা ChatGPT-এর সার্চ মোড), তথ্যভিত্তিক কাজে সেগুলো ব্যবহার করুন।
3. এআই-কে বলুন, "নিশ্চিত না হলে বলবে জানি না"। এতে ভুলের হার কমে।
4. গুরুত্বপূর্ণ বিষয়ে (স্বাস্থ্য, আইন, টাকা) এআই-এর কথাকে শেষ কথা ধরবেন না।

আরও কিছু সীমাবদ্ধতা মাথায় রাখুন। মডেলের জ্ঞান একটা নির্দিষ্ট তারিখ পর্যন্ত (একে বলে নলেজ কাটঅফ), তার পরের খবর সে জানে না, যদি না ইন্টারনেট সার্চ করার সুবিধা থাকে। গণিতে, বিশেষ করে বড় হিসাবে, সাধারণ মডেল ভুল করতে পারে। আর বাংলায় সূক্ষ্ম বানান বা আঞ্চলিক শব্দে এখনো অনেক মডেল দুর্বল।

১.৫ এআই টুলের প্রধান ধরন

বাজারে শত শত এআই টুল, কিন্তু কাজের ধরন অনুযায়ী এদের কয়েকটা দলে ভাগ করা যায়। এই ভাগটা মাথায় থাকলে নতুন কোনো টুল দেখলেই বুঝে যাবেন সেটা কোন কাজের।

১.৬ ফ্রি বনাম পেইড: আসল পার্থক্য কোথায়

প্রায় সব বড় এআই টুলেরই একটা ফ্রি ভার্সন আছে, আর এক বা একাধিক পেইড প্ল্যান আছে। শিক্ষার্থীদের সবচেয়ে বড় প্রশ্ন: ফ্রি দিয়েই কি চলবে? উত্তর হলো, বেশিরভাগ পড়াশোনার কাজ ফ্রি ভার্সনেই চলে। পেইড প্ল্যান তখনই দরকার, যখন আপনি নিয়মিত ভারী কাজ করেন বা এআই দিয়ে আয় করেন।

পেইড প্ল্যানে সাধারণত যা যা বাড়তি পাওয়া যায়:

• বেশি ব্যবহারের সীমা: ফ্রি ভার্সনে কয়েক ঘণ্টায় নির্দিষ্ট সংখ্যক মেসেজের পর থামতে হয়, বা দুর্বল মডেলে নামিয়ে দেওয়া হয়। পেইডে সীমা অনেক বেশি।
• সবচেয়ে শক্তিশালী মডেল: সবচেয়ে বুদ্ধিমান, গভীরভাবে চিন্তা করা (রিজনিং) মডেলগুলো পুরোপুরি পাওয়া যায় পেইডে।
• বড় ফাইল আর বেশি ফাইল: বড় পিডিএফ, অনেকগুলো ফাইল একসাথে বিশ্লেষণ।
• ছবি ও ভিডিও তৈরি: ফ্রিতে দিনে অল্প কয়েকটা, পেইডে অনেক বেশি এবং উন্নত মানের।
• ডিপ রিসার্চ ও এজেন্ট: যে ফিচারগুলো নিজে নিজে অনেকক্ষণ কাজ করে, সেগুলো হয় শুধু পেইডে আছে, নয়তো ফ্রিতে খুব সীমিত।
• বিজ্ঞাপন নেই, প্রাইভেসি নিয়ন্ত্রণ বেশি: কিছু টুলের ফ্রি ভার্সনে এখন বিজ্ঞাপন দেখানো শুরু হয়েছে।

চিত্র ১.৩: ফ্রি থেকে পেইড এজেন্ট পর্যন্ত এআই ব্যবহারের সিঁড়ি

দামের একটা সাধারণ ধারণা রাখুন। বেশিরভাগ বড় চ্যাট এআই-এর প্রধান পেইড প্ল্যান মাসে প্রায় ২০ মার্কিন ডলার। কিছু টুলের ৫ থেকে ১০ ডলারের সস্তা প্ল্যান আছে। আর পেশাদার বা "পাওয়ার ইউজার" প্ল্যান মাসে ১০০ থেকে ২০০ ডলার, বা তারও বেশি। বাংলাদেশি টাকায় ২০ ডলার মানে ব্যাংক চার্জ আর ভ্যাট মিলিয়ে প্রায় আড়াই থেকে তিন হাজার টাকা। কীভাবে ডলারে এই পেমেন্ট করবেন, তার পুরো পদ্ধতি বিশতম অধ্যায়ে ধাপে ধাপে দেখানো হয়েছে।

১.৭ এআই এজেন্ট: চ্যাটবটের পরের ধাপ

চ্যাটবট কথা বলে। এজেন্ট কাজ করে। এটাই সবচেয়ে সংক্ষিপ্ত সংজ্ঞা।

সাধারণ চ্যাটবটকে আপনি জিজ্ঞেস করলেন, "ঢাকা থেকে কক্সবাজারের সবচেয়ে সস্তা বাসের টিকিট কোনটা?"। সে তার জানা তথ্য থেকে একটা উত্তর দেবে, যেটা পুরোনো বা ভুলও হতে পারে। একটা এআই এজেন্টকে একই কথা বললে সে নিজে ব্রাউজার খুলবে, কয়েকটা টিকিট বুকিং সাইটে গিয়ে আজকের দাম দেখবে, তুলনা করে একটা তালিকা বানাবে, আর আপনি অনুমতি দিলে বুকিং ফর্ম পর্যন্ত পূরণ করে দেবে।

এজেন্টের তিনটা বৈশিষ্ট্য তাকে চ্যাটবট থেকে আলাদা করে:

1. পরিকল্পনা: বড় কাজকে সে নিজেই ছোট ছোট ধাপে ভাগ করে।
2. টুল ব্যবহার: সে ওয়েব ব্রাউজার, কোড চালানো, ফাইল তৈরি, ইমেইল, ক্যালেন্ডারের মতো টুল ব্যবহার করতে পারে।
3. স্বাধীনভাবে চলা: প্রতিটি ধাপের পর ফলাফল দেখে সে নিজেই ঠিক করে পরের ধাপে কী করবে, প্রতিবার আপনাকে জিজ্ঞেস না করে।

চিত্র ১.৪: চ্যাটবট একবার উত্তর দিয়ে থামে, এজেন্ট লক্ষ্য পূরণ না হওয়া পর্যন্ত চক্রাকারে কাজ করে

২০২৫ সাল থেকে প্রায় সব বড় প্রতিষ্ঠান নিজেদের এজেন্ট বাজারে এনেছে, আর ২০২৬-এ এসে এগুলো সাধারণ ব্যবহারকারীর হাতেও পৌঁছে গেছে। তবে মনে রাখবেন, এজেন্ট যত শক্তিশালী, তার ভুলের ঝুঁকিও তত বেশি। কারণ সে শুধু ভুল কথা বলে না, ভুল কাজও করে ফেলতে পারে। তাই এজেন্ট নিয়ে আলাদা দুইটা অধ্যায় (১৮ ও ১৯) রাখা হয়েছে, যেখানে নিরাপদে ব্যবহারের নিয়মও বিস্তারিত আছে।

১.৮ কোন কোম্পানি কোন এআই বানায়

বাজারের বেশিরভাগ এআই টুলের পেছনে অল্প কয়েকটা বড় প্রতিষ্ঠানের মডেল কাজ করে। অনেক ছোট টুল আসলে এই বড় মডেলগুলোর উপর নিজের ইন্টারফেস বসিয়ে বিক্রি করে। তাই মূল খেলোয়াড়দের চিনে রাখা ভালো:

১.৯ এআই কি চাকরি কেড়ে নেবে?

ক্লাসে এই প্রশ্নটা সবচেয়ে বেশি শুনি। আমার সৎ উত্তর হলো: এআই অনেক কাজের ধরন বদলে দেবে, কিছু কাজ কমিয়েও দেবে। ডেটা এন্ট্রি, সাধারণ অনুবাদ, সাধারণ গ্রাফিক্স, প্রাথমিক কাস্টমার সাপোর্টের মতো পুনরাবৃত্তিমূলক কাজে মানুষের প্রয়োজন কমছে। কিন্তু একই সাথে তৈরি হচ্ছে নতুন কাজ: এআই দিয়ে কনটেন্ট বানানো, এআই টুল সেটআপ ও অটোমেশন, এআই-এর ফলাফল যাচাই, প্রম্পট ডিজাইন, এআই-সক্ষম অ্যাপ তৈরি।

একটা কথা প্রায়ই শোনা যায়, আর আমার কাছে কথাটা যথার্থ মনে হয়: এআই আপনার চাকরি নেবে না, নেবে সেই মানুষ যে এআই ব্যবহার করতে জানে। একজন গ্রাফিক ডিজাইনার যে এআই দিয়ে দশ মিনিটে দশটা আইডিয়া দেখাতে পারে, আর একজন যে একটা আইডিয়া বানাতে দুই ঘণ্টা নেয়, ক্লায়েন্ট কাকে বেছে নেবে বুঝতেই পারছেন। এই বইয়ের একুশতম অধ্যায়ে এআই দক্ষতা দিয়ে আয়ের বাস্তব পথগুলো দেখানো হয়েছে।

১.১০ অধ্যায়ের সারসংক্ষেপ

• এআই উদাহরণ থেকে প্যাটার্ন শেখে; জেনারেটিভ এআই নতুন লেখা, ছবি, ভিডিও তৈরি করে।
• চ্যাটবটের ভেতরের এলএলএম মূলত পরের শব্দ অনুমান করে উত্তর তৈরি করে।
• এআই আত্মবিশ্বাসের সাথে ভুল তথ্য দিতে পারে (হ্যালুসিনেশন), তাই যাচাই জরুরি।
• ফ্রি ভার্সনে বেশিরভাগ পড়াশোনার কাজ চলে; পেইড দরকার ভারী ও নিয়মিত কাজে।
• এজেন্ট শুধু উত্তর দেয় না, নিজে ধাপে ধাপে কাজ শেষ করে।