সাকানা এআই-এর AB-MCTS অ্যালগরিদম একাধিক এআই মডেলকে একসাথে কাজ করার ক্ষমতা দেয়, যার ফলে জটিল সমস্যার সমাধান আরও উন্নত ও সুনির্দিষ্ট হয়। এটি এআই-এর সম্মিলিত চিন্তাভাবনা এবং টেস্ট-টাইম স্কেলিংয়ের দিকে এক গুরুত্বপূর্ণ পদক্ষেপ।
AB-MCTS: টোকিও-ভিত্তিক আর্টিফিশিয়াল ইন্টেলিজেন্স (এআই) গবেষণা সংস্থা সাকানা এআই একটি বিপ্লবী ওপেন-সোর্স অ্যালগরিদম, 'অ্যাডাপটিভ ব্রাঞ্চিং মন্ট কার্লো ট্রি সার্চ' (AB-MCTS) প্রকাশ করেছে, যা জটিল সমস্যা সমাধানে একাধিক এআই মডেলকে সহযোগিতা করতে সক্ষম করে। এই নতুন সিস্টেমটি এআই-এর জন্য এমন একটি যুগের সূচনা করতে পারে যেখানে বিভিন্ন সক্ষমতার মডেলগুলি একত্রিত হয়ে "চিন্তা" করবে এবং সমস্যাগুলি আরও দক্ষতার সাথে সমাধান করবে।
AB-MCTS আসলে কী?
AB-MCTS, বা অ্যাডাপটিভ ব্রাঞ্চিং মন্ট কার্লো ট্রি সার্চ, একটি অনুমান-সময় স্কেলিং অ্যালগরিদম যা বিশেষভাবে তৈরি করা হয়েছে যখন কোনো এআই সিস্টেম কোনো নতুন, অজানা বা জটিল সমস্যার সম্মুখীন হয়, তখন এটি নিম্নলিখিত বিষয়গুলি স্থির করতে পারে:
- কত গভীরতা পর্যন্ত যুক্তি তৈরি করতে হবে
- কতটা বিস্তৃতভাবে অনুসন্ধান করতে হবে
- এবং সবচেয়ে গুরুত্বপূর্ণ, কোন এআই মডেল এই কাজের জন্য সবচেয়ে উপযুক্ত হবে
যদি সমস্যাটি অত্যন্ত জটিল হয়, তবে AB-MCTS একাধিক এআই মডেলকে একসাথে ব্যবহার করতে পারে, যাতে তাদের সম্মিলিত প্রচেষ্টায় আরও ভালো সমাধান পাওয়া যায়।
এই অ্যালগরিদমটি কেন বিশেষ?
এই অ্যালগরিদমের সবচেয়ে বড় বৈশিষ্ট্য হল এটি শুধুমাত্র একটি মডেলের উপর নির্ভরশীল নয়। বরং, এটি এআই মডেলের একটি ক্লাস্টার তৈরি করে কাজ করে, যেখানে প্রতিটি মডেল তার শক্তি অনুযায়ী অবদান রাখে। এই ধারণাটি 'সামूहिक বুদ্ধিমত্তা' (Collective Intelligence)-এর মতো, যেখানে অনেকগুলো মস্তিষ্ক একত্রিত হয়ে একটির চেয়ে ভালো চিন্তা করতে পারে।
এই সিস্টেমের সাথে কোন মডেলগুলি যুক্ত আছে?
সাকানা এআই এই সিস্টেমটির পরীক্ষা বিশ্বের কয়েকটি প্রধান এআই মডেলের সাথে করেছে:
- Gemini 2.5 Pro
- o4-mini (OpenAI-এর একটি হালকা কিন্তু কার্যকরী মডেল)
- DeepSeek-R1
এই তিনটি মডেলকে একত্রিত করে একটি 'ক্লাস্টার' তৈরি করা হয়েছিল এবং OpenAI দ্বারা ডিজাইন করা ARC-AGI-2 বেঞ্চমার্কে পরীক্ষা করা হয়েছিল।
AB-MCTS-এর কর্মক্ষমতা কেমন ছিল?
পরীক্ষায় দেখা গেছে:
- এককভাবে o4-mini মডেলটি মাত্র ২৩% সমস্যা সমাধান করতে পেরেছে।
- অন্যদিকে, AB-MCTS ক্লাস্টারের অংশ হিসাবে, এই মডেলটি ২৭.৫%-এ পৌঁছেছে।
এটি থেকে স্পষ্ট হয় যে, যখন একাধিক এআই মডেল একসাথে কাজ করে, তখন তারা একাকী কাজ করার চেয়ে অনেক ভালো পারফর্ম করতে পারে।
এই অগ্রগতি কেন জরুরি?
এআই ইন্ডাস্ট্রি এমন একটি পর্যায়ে রয়েছে যেখানে প্রতিটি মডেলের নিজস্ব সীমাবদ্ধতা রয়েছে। কিছু মডেল ভাষায় ভালো, কিছু গণনায়, এবং কিছু ভিজ্যুয়াল ডেটা বুঝতে পারদর্শী। এমন পরিস্থিতিতে, একটি মডেল থেকে সমস্ত কাজ আশা করা অবাস্তব। সাকানা এআই-এর এই নতুন অ্যালগরিদম একটি নমনীয় সিস্টেম সরবরাহ করে যা নির্ধারণ করতে পারে কোন সমস্যার জন্য কোন মডেল বা মডেলগুলি সবচেয়ে উপযুক্ত হবে।
ওপেন-সোর্স এবং স্বচ্ছতার দিকে একটি গুরুত্বপূর্ণ পদক্ষেপ
সাকানা এআই কেবল এই প্রযুক্তিকে ওপেন-সোর্স করেনি, বরং GitHub-এ Treequest নামে এটি সর্বজনীন করেছে। এছাড়াও ARC-AGI পরীক্ষার সম্পূর্ণ ডেটা শেয়ার করা হয়েছে, যাতে অন্যান্য গবেষক এবং ডেভেলপাররা এই প্রযুক্তিটি পরীক্ষা করতে পারেন এবং আরও উন্নতি করতে পারেন।
গবেষণা সম্পর্কিত সমস্ত বিবরণ arXiv-এ প্রকাশিত একটি পেপারে উপলব্ধ, যা থেকে স্পষ্ট হয় যে সংস্থাটি স্বচ্ছতা এবং সম্মিলিত উদ্ভাবনে বিশ্বাসী।
ভবিষ্যতের সম্ভাবনা
AB-MCTS শুধু একটি অ্যালগরিদম নয়, এআই-এর বিকাশের দিকে একটি নতুন দর্শন। ভবিষ্যতে আমরা দেখতে পারি:
- স্মার্ট এআই টিম যারা নিজেরাই সিদ্ধান্ত নেবে কে কী কাজ করবে
- রিয়েল-টাইম কোঅর্ডিনেশন, যেখানে মডেলগুলি নিজেদের মধ্যে যোগাযোগ করে সিদ্ধান্ত নেবে
- স্কেলেবল এআই সিস্টেম, যা সীমিত সংস্থানগুলির মধ্যেও বৃহৎ আউটপুট দিতে পারবে
