AI পৰিভাষা ব্ৰেকাৰ

আমাক আমাৰ বিস্তৃত গ্লছৰীৰ সৈতে কৃত্রিম বুদ্ধিমত্তাৰ পৰিভাষাৰ বিষয়ে স্পষ্ট কৰক। মেচিন লার্নিংৰ পৰা নিউৰেল নেটৱৰ্কলৈ, আমি জটিল AI ধাৰণাসমূহক সহজ শব্দত ভাঙি দিওঁ।

Alignment (Alignment)

Alignment
AI ব্যৱস্থাৰ উদ্দেশ্য, আউটপুট আৰু আচৰণ মানৱৰ লক্ষ্য আৰু মূল্যবোধৰ সৈতে সামঞ্জস্যপূৰ্ণ কৰাৰ প্ৰক্ৰিয়া। এইটো বিশেষকৈ উন্নত ব্যৱস্থাসমূহত গুৰুত্বপূৰ্ণ যিবোৰত স্পষ্টভাৱে নিৰ্ধাৰিত নোহোৱা আচৰণ বিকশিত হ'ব পাৰে।
উদাহৰণ: এটা চ্যাটবটৰ বাবে মানসিক স্বাস্থ্য সহায়ৰ বাবে কোনো নিৰ্দেশনাৰ দ্বাৰা ক্ষতিকাৰক কাৰ্যৰ পৰামৰ্শ নিদিয়াটো নিশ্চিত কৰা।

Application Programming Interface (API) (Application Programming Interface (API))

Application Programming Interface (API)
নিৰ্দিষ্ট নিয়ম আৰু প্ৰটোকলৰ এটা সংহতি যিয়ে বিভিন্ন ছফ্টৱেৰ ব্যৱস্থাক যোগাযোগ কৰিবলৈ আৰু ডেটা আদান-প্ৰদান কৰিবলৈ অনুমতি দিয়ে।
উদাহৰণ: আপোনাৰ ৱেব এপত এটা ভাষা মডেলৰ দ্বাৰা উৎপাদিত প্ৰতিক্ৰিয়া লাভ কৰিবলৈ এটা প্ৰম্পট পঠিয়াবলৈ OpenAI API ব্যৱহাৰ কৰা।

Artificial General Intelligence (AGI) (Artificial General Intelligence (AGI))

Artificial General Intelligence (AGI)
AIৰ এটা তাত্ত্বিক ৰূপ যিয়ে মানৱৰ দৰে যিকোনো বৌদ্ধিক কাৰ্য সম্পাদন কৰিব পাৰে। ই ডোমেইনৰ ওপৰত শিক্ষা সাধাৰণ কৰে।
উদাহৰণ: এটা AGI ব্যৱস্থাই সংগীত ৰচনা শিকিব পাৰে, অস্ত্ৰোপচাৰ কৰিব পাৰে, আৰু কাৰ্য-নিৰ্দিষ্ট প্ৰগ্ৰামিং অবিহনে দৰ্শন পৰীক্ষাত উত্তীৰ্ণ হ'ব পাৰে।

Artificial Intelligence (AI) (Artificial Intelligence (AI))

Artificial Intelligence (AI)
মানৱৰ বুদ্ধিমত্তাৰ অনুকৰণ যিবোৰ যন্ত্ৰত চিন্তা কৰা, যুক্তি কৰা আৰু স্বায়ত্তশাসিতভাৱে কাম কৰাৰ বাবে প্ৰগ্ৰাম কৰা হয়।
উদাহৰণ: AI ব্যক্তিগত সহায়ক যেনে চিৰি আৰু স্বায়ত্তশাসিত ড্ৰাইভিং ব্যৱস্থা যেনে টেসলা অটোপাইলটৰ দ্বাৰা চালিত হয়।

AI Ethics (AI Ethics)

AI Ethics
AI বিকাশ আৰু ব্যৱহাৰৰ নৈতিক প্ৰভাৱ, যাৰ ভিতৰত আছে ন্যায়পৰতা, গোপনীয়তা, জবাবদিহিতা, আৰু বৈষম্যহীনতাৰ সৈতে জড়িত এটা শাখা।
উদাহৰণ: নিয়োগৰ এলগৰিদমক লিংগ বা জাতিগত পৰিচয়ৰ ওপৰত ভিত্তি কৰি বৈষম্য কৰা প্ৰতিৰোধ কৰাৰ বাবে নিৰ্দেশনা সৃষ্টি কৰা।

Augmented Intelligence (Augmented Intelligence)

Augmented Intelligence
এটা সহযোগী মডেল য'ত AIয়ে মানৱৰ বুদ্ধিমত্তাক প্ৰতিস্থাপন কৰাৰ পৰিৱৰ্তে পৰিপূৰক আৰু উন্নত কৰে।
উদাহৰণ: ৰেডিঅ'লজি সহায়ক AI যিবোৰে ডক্তৰৰ বাবে অসঙ্গতিবোৰ হাইলাইট কৰে, যিয়ে চূড়ান্ত নিদান কৰে।

Autonomous Agent (Autonomous Agent)

Autonomous Agent
এটা AI ব্যৱস্থা যিয়ে মানৱৰ হস্তক্ষেপ অবিহনে নিজৰ লক্ষ্য পূৰণ কৰিবলৈ নিজৰ সিদ্ধান্ত ল'ব আৰু কাৰ্য সম্পাদন কৰিব পাৰে।
উদাহৰণ: এটা স্বায়ত্তশাসিত ডিলিভাৰী ৰবট যিয়ে চহৰৰ পথত নেভিগেট কৰে আৰু স্বতন্ত্ৰভাৱে বাধা এৰাই চলে।

Backpropagation (Backpropagation)

Backpropagation
নিউৰেল নেটৱৰ্কক প্ৰশিক্ষণ দিয়াৰ এটা কৌশল য'ত ভৱিষ্যদ্বাণীৰ ভুলবোৰ কমাবলৈ ওৱেটবোৰ আউটপুটৰ পৰা ইনপুট স্তৰলৈ বিপৰীতভাৱে আপডেট কৰা হয়।
উদাহৰণ: হাতে লিখা সংখ্যা চিনাক্তকৰণত ভ্ৰমৰ হাৰ হ্ৰাস কৰিবলৈ ছবি শ্ৰেণীকৰণৰ প্ৰশিক্ষণত ব্যৱহাৰ কৰা হয়।

Bias (Algorithmic Bias) (Bias (Algorithmic Bias))

Bias (Algorithmic Bias)
অসম বা অ-প্ৰতিনিধিত্বমূলক প্ৰশিক্ষণ ডেটাৰ বাবে AI ফলাফলত অনিচ্ছাকৃত আৰু পদ্ধতিগত পক্ষপাতিত্ব।
উদাহৰণ: এটা মুখমণ্ডল চিনাক্তকৰণ ব্যৱস্থা যিয়ে প্ৰশিক্ষণ ডেটাত কম প্ৰতিনিধিত্বৰ বাবে ভিন্ন বৰ্ণৰ লোকসকলক অধিক বাৰ ভুলকৈ চিনাক্ত কৰে।

Big Data (Big Data)

Big Data
অত্যন্ত ডাঙৰ ডেটাসেট যিবোৰ সংৰক্ষণ, বিশ্লেষণ আৰু মূল্য নিষ্কাশন কৰিবলৈ বিশেষ সঁজুলিৰ প্ৰয়োজন হয়, যিবোৰ প্ৰায়ে AI মডেল প্ৰশিক্ষণৰ বাবে ব্যৱহাৰ কৰা হয়।
উদাহৰণ: ই-কমাৰ্চ প্লেটফৰ্মৰ বাবে পৰামৰ্শ ইঞ্জিন প্ৰশিক্ষণৰ বাবে লক্ষ লক্ষ ব্যৱহাৰকাৰীৰ ক্ৰিয়া-কলাপ ব্যৱহাৰ কৰা।

Black Box Model (Black Box Model)

Black Box Model
AI বা মেচিন লার্নিং মডেলৰ এটা প্ৰকাৰ যাৰ আভ্যন্তৰীণ যুক্তি মানৱৰ দ্বাৰা সহজে ব্যাখ্যা কৰিব নোৱাৰি, যাৰ ফলত সিদ্ধান্ত কেনেকৈ লোৱা হয় সেয়া বুজি পোৱা কঠিন হয়।
উদাহৰণ: ঋণ অনুমোদন কৰিবলৈ ব্যৱহৃত এটা ডিপ নিউৰেল নেটৱৰ্ক কিন্তু এটা আবেদনকাৰীক কিয় গ্ৰহণ কৰা হৈছিল আৰু আন এজনক কিয় প্ৰত্যাখ্যান কৰা হৈছিল তাৰ কোনো স্পষ্ট ব্যাখ্যা নিদিয়ে।

Cognitive Computing (Cognitive Computing)

Cognitive Computing
AI ব্যৱস্থা যিবোৰ NLP আৰু ধৰণ চিনাক্তকৰণৰ দৰে কৌশল ব্যৱহাৰ কৰি মানৱ চিন্তা প্ৰক্ৰিয়া, যেনে যুক্তি আৰু শিক্ষাৰ অনুকৰণ কৰিবলৈ ডিজাইন কৰা হৈছে।
উদাহৰণ: এটা কগনিটিভ কম্পিউটিং ব্যৱস্থা যিয়ে আইনী পেশাদাৰসকলক কেছ আইন বিশ্লেষণ কৰা আৰু ফলাফলৰ ভৱিষ্যদ্বাণী কৰাত সহায় কৰে।

Computer Vision (Computer Vision)

Computer Vision
কৃত্রিম বুদ্ধিমত্তাৰ এটা শাখা যিয়ে কম্পিউটাৰক ছবি আৰু ভিডিঅ'ৰ দৰে দৃশ্যমান ডেটা ব্যাখ্যা আৰু প্ৰক্ৰিয়াকৰণ কৰিবলৈ সক্ষম কৰে।
উদাহৰণ: কম্পিউটাৰ ভিশন ব্যৱহাৰ কৰি সুৰক্ষা ফুটেজত মানুহক চিনাক্ত কৰা মুখমণ্ডল চিনাক্তকৰণ ব্যৱস্থা।

Corpus (Corpus)

Corpus
ভাষা মডেল প্ৰশিক্ষণৰ বাবে ব্যৱহৃত লিখিত বা কথিত পাঠৰ এটা ডাঙৰ সংগ্ৰহ।
উদাহৰণ: Common Crawl ডেটাসেট হৈছে GPTৰ দৰে বৃহৎ ভাষা মডেল প্ৰশিক্ষণৰ বাবে ব্যৱহৃত এটা ৰাজহুৱা ৱেব কৰ্পাছ।

Data Drift (Data Drift)

Data Drift
ইনপুট ডেটা সময়ৰ লগে লগে সলনি হোৱাৰ ফলত মডেলৰ কাৰ্যক্ষমতা হ্ৰাস হোৱাৰ ঘটনা।
উদাহৰণ: নতুন চেন্সৰ প্ৰযুক্তিৰ পৰিচয় হোৱাৰ লগে লগে শিল্প সঁজুলিৰ বাবে এটা ভৱিষ্যদ্বাণীমূলক ৰক্ষণাবেক্ষণ মডেল কম সঠিক হৈ পৰে।

Data Labelling (Data Labelling)

Data Labelling
সুপাৰভাইজড লার্নিংৰ বাবে উপযুক্ত কৰিবলৈ লেবেল বা ট্যাগৰ সৈতে ডেটা এনোটেশ্যন কৰাৰ প্ৰক্ৰিয়া।
উদাহৰণ: কৰ্কট ৰোগ চিনাক্তকৰণ মডেল প্ৰশিক্ষণৰ বাবে হাজাৰ হাজাৰ টিউমাৰ ছবিৰ লেবেল লগোৱা।

Data Mining (Data Mining)

Data Mining
ডাঙৰ ডেটাসেটত অৰ্থপূৰ্ণ ধৰণ, সম্পৰ্ক আৰু অসঙ্গতি আৱিষ্কাৰ কৰাৰ প্ৰক্ৰিয়া।
উদাহৰণ: প্যাম্পাৰ ক্ৰয় কৰা লোকসকলে বিয়াৰ også ক্ৰয় কৰে বুলি চিনাক্ত কৰিবলৈ ডেটা মাইনিং ব্যৱহাৰ কৰা খুদৰ বিক্ৰেতা।

Deep Learning (Deep Learning)

Deep Learning
মেচিন লার্নিংৰ এটা উপশাখা যিয়ে ডেটাত জটিল ধৰণৰ মডেলিং কৰিবলৈ বহু-স্তৰীয় নিউৰেল নেটৱৰ্ক ব্যৱহাৰ কৰে।
উদাহৰণ: ডিপ লার্নিং GPT-4ৰ দৰে ভাষা মডেল আৰু Stable Diffusionৰ দৰে ছবি উৎপাদক মডেলত ব্যৱহাৰ কৰা হয়।

Diffusion Models (Diffusion Models)

Diffusion Models
উৎপাদক মডেলৰ এটা শ্ৰেণী যিয়ে ধীৰে ধীৰে যথেচ্ছিক কোলাহলক কাঠামোগত আউটপুটত ৰূপান্তৰিত কৰি ডেটা উৎপাদন কৰিবলৈ শেখে।
উদাহৰণ: Stable Diffusionয়ে ডিফিউজন কৌশল ব্যৱহাৰ কৰি টেক্সট প্ৰম্পটৰ পৰা ফটৰিয়েলিষ্টিক ছবি সৃষ্টি কৰে।

Embedding (Embedding)

Embedding
শব্দ, ছবি বা বাক্যৰ অৰ্থগত তাৎপৰ্য ধৰিবলৈ ব্যৱহৃত ডেটাৰ এটা সাংখ্যিক ভেক্টৰ প্ৰতিনিধিত্ব।
উদাহৰণ: NLPত, 'bank' শব্দটোৱে 'money'ৰ সৈতে একেধৰণৰ এমবেডিং থাকিব পাৰে কিন্তু প্ৰসঙ্গৰ ওপৰত নিৰ্ভৰ কৰি 'riverbank'ৰ পৰা ভিন্ন।

Epoch (Epoch)

Epoch
এটা মেচিন লার্নিং মডেলৰ প্ৰশিক্ষণ প্ৰক্ৰিয়াৰ সময়ত সম্পূৰ্ণ প্ৰশিক্ষণ ডেটাসেটৰ ওপৰত এটা সম্পূৰ্ণ ইটাৰেশন।
উদাহৰণ: যদি এটা ডেটাসেটত ১,০০০ টা উদাহৰণ থাকে আৰু এটা মডেলে প্ৰশিক্ষণৰ সময়ত সেই সকলোবোৰ এবাৰ দেখে, সেয়া এটা ইপক।

Ethical AI (Ethical AI)

Ethical AI
এটা ডিজাইন আৰু স্থাপন দৰ্শন যিয়ে নিশ্চিত কৰে যে AI প্ৰযুক্তি স্বচ্ছভাৱে, ন্যায়সঙ্গতভাৱে আৰু সামাজিক মূল্যবোধৰ সৈতে সঙ্গতি ৰাখি কাৰ্য কৰে।
উদাহৰণ: এটা AI নিয়োগৰ সঁজুলি যিয়ে সংখ্যালঘু প্ৰাৰ্থীৰ প্ৰতি বৈষম্য প্ৰতিৰোধ কৰিবলৈ পক্ষপাতিত্ব পৰীক্ষা অন্তৰ্ভুক্ত কৰে।

Expert System (Expert System)

Expert System
এটা AI ব্যৱস্থা যিয়ে নিয়ম আৰু যুক্তি ব্যৱহাৰ কৰি এটা নিৰ্দিষ্ট ডোমেইনত মানৱ বিশেষজ্ঞৰ সিদ্ধান্ত গ্ৰহণ ক্ষমতাৰ অনুকৰণ কৰে।
উদাহৰণ: কৃষিৰ বাবে এটা বিশেষজ্ঞ ব্যৱস্থা যিয়ে মাটিৰ ডেটা আৰু কীটনাশকৰ ইতিহাসৰ ওপৰত ভিত্তি কৰি শস্যৰ চিকিৎসাৰ পৰামৰ্শ দিয়ে।

Explainable AI (XAI) (Explainable AI (XAI))

Explainable AI (XAI)
AI ব্যৱস্থা যিবোৰ মানৱৰ বাবে নিজৰ আভ্যন্তৰীণ প্ৰক্ৰিয়া আৰু সিদ্ধান্তসমূহ বুজিব পৰাকৈ ডিজাইন কৰা হয়, যাৰ ফলত বিশ্বাস আৰু জবাবদিহিতা বৃদ্ধি পায়।
উদাহৰণ: এটা চিকিৎসা নিদান AI যিয়ে কেৱল এটা পৰামৰ্শ নিদিয়ে, কিন্তু সেই সিদ্ধান্তলৈ কোন লক্ষণবোৰ লৈ গৈছিল সেয়াও ব্যাখ্যা কৰে।

Few-shot Learning (Few-shot Learning)

Few-shot Learning
এটা মেচিন লার্নিং পদ্ধতি য'ত এটা মডেলে অতি কম সংখ্যক লেবেলযুক্ত উদাহৰণ ব্যৱহাৰ কৰি প্ৰশিক্ষণ বা ফাইন-টিউনিং কৰা হয়।
উদাহৰণ: ১০ টা উদাহৰণ দেখুওৱাৰ পিছত আইনী ইমেইল লিখিবলৈ এটা LLMক কাস্টমাইজ কৰা।

Fine-tuning (Fine-tuning)

Fine-tuning
এটা পূৰ্ব-প্ৰশিক্ষিত মডেল লৈ আৰু তাক এটা নতুন, সৰু ডেটাসেটত প্ৰশিক্ষণ দি এটা নিৰ্দিষ্ট কাৰ্যৰ বাবে বিশেষীকৰণ কৰাৰ প্ৰক্ৰিয়া।
উদাহৰণ: আইনী খচৰা সহায়ক সৃষ্টি কৰিবলৈ আভ্যন্তৰীণ আইনী নথিপত্ৰত এটা সাধাৰণ LLM যেনে GPT ফাইন-টিউনিং কৰা।

Foundation Model (Foundation Model)

Foundation Model
বহুতো বৈচিত্ৰ্যময় আৰু বিস্তৃত ডেটাত প্ৰশিক্ষিত এটা বৃহৎ-স্কেল মডেল যিয়ে বহুতো ডাউনষ্ট্ৰিম কাৰ্যৰ বাবে অভিযোজিত হ'ব পাৰে।
উদাহৰণ: GPT-4 আৰু PaLM 2 হৈছে ফাউণ্ডেশ্যন মডেল যিবোৰ সাৰাংশ, প্ৰশ্নোত্তৰ, অনুবাদ আৰু আন বহুতো কাৰ্য কৰিবলৈ সক্ষম।

Fuzzy Logic (Fuzzy Logic)

Fuzzy Logic
এটা যুক্তিৰ ৰূপ যিয়ে নিৰ্দিষ্ট সত্য/মিথ্যা (বাইনাৰী) যুক্তিৰ পৰিৱৰ্তে আনুমানিক মানৰ সৈতে কাৰ্য কৰে, অনিশ্চয়তাৰ অধীনত যুক্তিৰ বাবে উপযোগী।
উদাহৰণ: জলবায়ু নিয়ন্ত্ৰণ ব্যৱস্থাত 'কিছু গৰম' বা 'খুব ঠাণ্ডা'ৰ দৰে অস্পষ্ট ইনপুটৰ ওপৰত ভিত্তি কৰি তাপমাত্ৰা সামঞ্জস্য কৰিবলৈ ব্যৱহাৰ কৰা হয়।

Generative Adversarial Network (GAN) (Generative Adversarial Network (GAN))

Generative Adversarial Network (GAN)
এটা উৎপাদক মডেল আৰ্কিটেকচাৰ য'ত দুটা নেটৱৰ্ক — এটা জেনারেটৰ আৰু এটা ডিস্ক্রিমিনেটৰ — আউটপুটৰ গুণগত মান উন্নত কৰিবলৈ প্ৰতিযোগিতা কৰে।
উদাহৰণ: GANবোৰ ডিপফেক ভিডিঅ' সৃষ্টি কৰিবলৈ বা স্কেচৰ পৰা বাস্তৱিক পণ্যৰ ফটো উৎপাদন কৰিবলৈ ব্যৱহাৰ কৰা হয়।

Generative AI (Generative AI)

Generative AI
কৃত্রিম বুদ্ধিমত্তাৰ এটা শ্ৰেণী যিয়ে প্ৰশিক্ষণ ডেটাৰ পৰা নতুন বিষয়বস্তু — যেনে টেক্সট, ছবি, সংগীত, বা ভিডিঅ' — সৃষ্টি কৰিব পাৰে।
উদাহৰণ: ChatGPTয়ে ব্লগ পোষ্ট সৃষ্টি কৰা বা Midjourneyয়ে টেক্সচুৱেল প্ৰম্পটৰ পৰা ডিজিটেল আৰ্টৱৰ্ক সৃষ্টি কৰা।

Generative Pre-trained Transformer (GPT) (Generative Pre-trained Transformer (GPT))

Generative Pre-trained Transformer (GPT)
OpenAIৰ দ্বাৰা বিকশিত বৃহৎ ভাষা মডেলৰ এটা শ্ৰেণী যিয়ে ট্ৰান্সফৰ্মাৰ আৰ্কিটেকচাৰ ব্যৱহাৰ কৰে আৰু বহুতো ভাষা কাৰ্য সম্পাদন কৰিবলৈ বিশাল পৰিমাণৰ টেক্সট ডেটাত পূৰ্ব-প্ৰশিক্ষিত।
উদাহৰণ: GPT-4য়ে কম প্ৰম্পটিংৰ সৈতে ৰচনা লিখা, ভাষা অনুবাদ কৰা, আৰু নথিপত্ৰৰ সাৰাংশ কৰিবলৈ সক্ষম।

Genetic Algorithm (Genetic Algorithm)

Genetic Algorithm
প্ৰাকৃতিক নিৰ্বাচনৰ দ্বাৰা অনুপ্ৰাণিত এটা অপ্টিমাইজেশ্যন কৌশল য'ত মিউটেশ্যন, ক্ৰছওভাৰ আৰু নিৰ্বাচনৰ মাধ্যমেৰে সমাধানবোৰ সময়ৰ লগে লগে বিকশিত হয়।
উদাহৰণ: সৰ্বশ্ৰেষ্ঠৰ জীয়াই থকাৰ অনুকৰণ কৰি কাৰ্যক্ষম নিউৰেল নেটৱৰ্ক আৰ্কিটেকচাৰ ডিজাইন কৰিবলৈ ব্যৱহাৰ কৰা হয়।

Hallucination (Hallucination)

Hallucination
এটা AI মডেলৰ দ্বাৰা বিশ্বাসযোগ্য কিন্তু তথ্যগতভাৱে ভুল বা অৰ্থহীন বিষয়বস্তু উৎপাদন কৰা।
উদাহৰণ: এটা ভাষা মডেলে এটা অস্তিত্বহীন উদ্ধৃতি সৃষ্টি কৰে বা মিছা ঐতিহাসিক তথ্য প্ৰদান কৰে।

Heuristic (Heuristic)

Heuristic
সমস্যা সমাধানৰ এটা ব্যৱহাৰিক পদ্ধতি যিয়ে নিখুঁত সমাধানৰ নিশ্চয়তা নিদিয়ে কিন্তু তাৎক্ষণিক লক্ষ্যৰ বাবে পৰ্যাপ্ত।
উদাহৰণ: এটা লজিষ্টিকছ AI ব্যৱস্থাত ডিলিভাৰী সময় অনুমান কৰিবলৈ এটা নিয়মৰ দৰে ব্যৱহাৰ কৰা।

Hyperparameter (Hyperparameter)

Hyperparameter
এটা মেচিন লার্নিং মডেলৰ প্ৰশিক্ষণৰ পূৰ্বে নিৰ্ধাৰিত এটা কনফিগাৰেশ্যন মান, যেনে লার্নিং ৰেট বা স্তৰৰ সংখ্যা।
উদাহৰণ: প্ৰশিক্ষণৰ গতি আৰু মডেলৰ কাৰ্যক্ষমতা উন্নত কৰিবলৈ বেচৰ আকাৰ ৩২ৰ পৰা ১২৮লৈ সামঞ্জস্য কৰা।

Inference (Inference)

Inference
নতুন ইনপুট ডেটাৰ পৰা ভৱিষ্যদ্বাণী কৰিবলৈ বা আউটপুট উৎপাদন কৰিবলৈ এটা প্ৰশিক্ষিত মেচিন লার্নিং মডেল ব্যৱহাৰ কৰাৰ প্ৰক্ৰিয়া।
উদাহৰণ: গ্ৰাহক সহায়ক দলৰ বাবে ইমেইল খচৰা কৰিবলৈ এটা ফাইন-টিউনড GPT মডেল ব্যৱহাৰ কৰা।

Intent Detection (Intent Detection)

Intent Detection
প্ৰাকৃতিক ভাষা বুজাৰ এটা কাৰ্য য'ত ব্যৱস্থাই এটা বাৰ্তাত ব্যৱহাৰকাৰীৰ লক্ষ্য বা উদ্দেশ্য চিনাক্ত কৰে।
উদাহৰণ: এটা চ্যাটবটত, 'মই এটা বিমান বুক কৰিব বিচাৰো'ক এটা ভ্ৰমণ বুকিংৰ উদ্দেশ্য হিচাপে চিনাক্ত কৰা।

Internet of Things (IoT) (Internet of Things (IoT))

Internet of Things (IoT)
সংযুক্ত পদাৰ্থিক সঁজুলিৰ এটা নেটৱৰ্ক যিবোৰত চেন্সৰ, ছফ্টৱেৰ আৰু অন্যান্য প্ৰযুক্তি সংমিশ্ৰিত হৈ ডেটা সংগ্ৰহ আৰু আদান-প্ৰদান কৰে।
উদাহৰণ: স্মাৰ্ট থাৰ্মোষ্টেট আৰু ফ্ৰিজ যিবোৰে ব্যৱহাৰৰ ডেটা ৰিপৰ্ট কৰে আৰু AI বিশ্লেষণ ব্যৱহাৰ কৰি ছেটিংছ সামঞ্জস্য কৰে।

Interpretability (Interpretability)

Interpretability
এটা মানৱে মেচিন লার্নিং মডেলৰ আভ্যন্তৰীণ কাৰ্যপ্রণালী আৰু ইয়াৰ সিদ্ধান্ত গ্ৰহণ প্ৰক্ৰিয়া কিমান দূৰ বুজিব পাৰে।
উদাহৰণ: এটা ডিস্ক্ৰীচন ট্ৰী এটা ডিপ নিউৰেল নেটৱৰ্কতকৈ অধিক ব্যাখ্যাযোগ্য কাৰণ ইয়াৰ সিদ্ধান্তবোৰ অনুসৰণযোগ্য।

Jupyter Notebook (Jupyter Notebook)

Jupyter Notebook
এটা অপেন-ছৌৰ্চ ইন্টাৰেক্টিভ কম্পিউটিং পৰিৱেশ যিয়ে ব্যৱহাৰকাৰীক এটা একক ইণ্টাৰফেচত কোড লিখিবলৈ, আউটপুট দৃশ্যমান কৰিবলৈ আৰু বিশ্লেষণ নথিভুক্ত কৰিবলৈ অনুমতি দিয়ে।
উদাহৰণ: ডেটা বিজ্ঞানীসকলে মেচিন লার্নিং মডেল প্ৰটোটাইপ কৰিবলৈ আৰু ফলাফল ভাগ কৰিবলৈ জুপিটাৰ নোটবুক ব্যৱহাৰ কৰে।

K-Nearest Neighbours (KNN) (K-Nearest Neighbours (KNN))

K-Nearest Neighbours (KNN)
এটা সহজ, অ-প্ৰচাৰিত মেচিন লার্নিং এলগৰিদম যি শ্ৰেণীকৰণ আৰু ৰেগ্ৰেশ্যনৰ বাবে ব্যৱহাৰ কৰা হয়। ই ফিচাৰ স্পেচত নিকটতম প্ৰশিক্ষণ উদাহৰণৰ ওপৰত ভিত্তি কৰি সিদ্ধান্ত লয়।
উদাহৰণ: এটা নতুন ফলক আপেল বা পিয়াৰ হিচাপে শ্ৰেণীবদ্ধ কৰিবলৈ, KNNয়ে আকাৰ আৰু ৰঙত কোনবোৰ লেবেলযুক্ত ফল নিকটতম সেইবোৰ পৰীক্ষা কৰে।

Knowledge Graph (Knowledge Graph)

Knowledge Graph
এটা ডেটা কাঠামো যিয়ে বস্তু আৰু তেওঁলোকৰ সম্পৰ্কৰ আন্তঃসংযুক্ত বৰ্ণনা প্ৰতিনিধিত্ব কৰিবলৈ আৰু সংৰক্ষণ কৰিবলৈ ন'ড আৰু ধাৰ ব্যৱহাৰ কৰে।
উদাহৰণ: গুগলৰ নলেজ পেনেল এটা নলেজ গ্ৰাফৰ দ্বাৰা চালিত হয় যিয়ে লোক, স্থান আৰু ঘটনাৰ দৰে বস্তুসমূহক সংযোগ কৰে।

Language Learning Model Optimisation (LLMO) (Language Learning Model Optimisation (LLMO))

Language Learning Model Optimisation (LLMO)
বৃহৎ ভাষা মডেলৰ কাৰ্যক্ষমতা, কাৰ্যকাৰিতা বা অভিযোজনযোগ্যতা উন্নত কৰিবলৈ ব্যৱহৃত কৌশলসমূহ নিৰ্দিষ্ট কাৰ্য বা ডোমেইনৰ বাবে।
উদাহৰণ: উদ্যোগৰ ব্যৱহাৰৰ বাবে এটা LLM অপ্টিমাইজ কৰিবলৈ কোৱাণ্টাইজেশ্যন আৰু নিৰ্দেশনা টিউনিং ব্যৱহাৰ কৰা।

Large Language Model (LLM) (Large Language Model (LLM))

Large Language Model (LLM)
বিশাল পৰিমাণৰ টেক্সট ডেটাত প্ৰশিক্ষিত এটা ডিপ লার্নিং মডেলৰ এটা প্ৰকাৰ যিয়ে মানৱ ভাষাৰ সৈতে উৎপাদন, বুজা আৰু যুক্তি কৰিবলৈ সক্ষম।
উদাহৰণ: ChatGPT আৰু Claude হৈছে LLM যিবোৰ লিখা, কোডিং আৰু প্ৰশ্নৰ উত্তৰ দিয়াত সহায় কৰিবলৈ প্ৰশিক্ষিত।

Latent Space (Latent Space)

Latent Space
এটা উচ্চ-মাত্রিক বিমূৰ্ত প্ৰতিনিধিত্ব য'ত একেধৰণৰ ইনপুটসমূহ ওচৰা-ওচৰি গোট খায়, উৎপাদক মডেল আৰু এমবেডিংত ব্যৱহৃত হয়।
উদাহৰণ: ছবি উৎপাদনত, লেটেন্ট স্পেচ পৰিচালনা কৰিলে উজ্জ্বলতা বা আৱেগৰ দৰে বৈশিষ্ট্য সলনি কৰিব পাৰে।

Learning Rate (Learning Rate)

Learning Rate
প্ৰশিক্ষণত এটা মুখ্য হাইপাৰপৰামিটাৰ যিয়ে মডেলৰ ওৱেটবোৰ লছ গ্ৰেডিয়েন্টৰ সাপেক্ষে কিমান পৰিমাণে সামঞ্জস্য কৰা হয় সেয়া নিয়ন্ত্ৰণ কৰে।
উদাহৰণ: এটা উচ্চ লার্নিং ৰেটে মিনিমাৰ ওপৰত পাৰ কৰিব পাৰে, আনহাতে খুব কম ৰেটে প্ৰশিক্ষণৰ অগ্ৰগতি ধীৰ কৰে।

Machine Learning (ML) (Machine Learning (ML))

Machine Learning (ML)
AIৰ এটা শাখা যিয়ে ব্যৱস্থাক ডেটাৰ পৰা শিকিবলৈ আৰু স্পষ্টভাৱে প্ৰগ্ৰাম কৰা অবিহনে কাৰ্যক্ষমতা উন্নত কৰিবলৈ সক্ষম কৰে।
উদাহৰণ: স্পাম ফিল্টাৰে পূৰ্বৰ উদাহৰণৰ ওপৰত ভিত্তি কৰি ইমেইলবোৰক স্পাম বা নহয় বুলি শ্ৰেণীবদ্ধ কৰিবলৈ মেচিন লার্নিং ব্যৱহাৰ কৰে।

Model Drift (Model Drift)

Model Drift
এটা ঘটনা য'ত ডেটা বা পৰিৱেশৰ পৰিৱৰ্তনৰ ফলত এটা মডেলৰ সঠিকতা সময়ৰ লগে লগে হ্ৰাস পায়।
উদাহৰণ: জালিয়াতিৰ কৌশল বিকশিত হোৱাৰ লগে লগে এটা জালিয়াতি চিনাক্তকৰণ মডেল কম সঠিক হৈ পৰে।

Model Training (Model Training)

Model Training
মেচিন লার্নিং মডেলত ডেটা ভৰোৱা আৰু ভুল কমাবলৈ ইয়াৰ পৰিমাণবোৰ সামঞ্জস্য কৰাৰ প্ৰক্ৰিয়া।
উদাহৰণ: নতুন পণ্যৰ পৰামৰ্শ দিবলৈ গ্ৰাহকৰ ক্ৰয় ইতিহাসত এটা পৰামৰ্শ ইঞ্জিন প্ৰশিক্ষণ কৰা।

Multimodal AI (Multimodal AI)

Multimodal AI
AI ব্যৱস্থা যিবোৰ টেক্সট, ছবি, অডিঅ', আৰু ভিডিঅ'ৰ দৰে বহুতো ধৰণৰ ডেটা প্ৰক্ৰিয়াকৰণ আৰু একত্ৰীকৰণ কৰিবলৈ সক্ষম।
উদাহৰণ: GPT-4 Visionৰ দৰে এটা মডেল যিয়ে একে সময়তে টেক্সট পঢ়িব আৰু ছবি ব্যাখ্যা কৰিব পাৰে।

Natural Language Processing (NLP) (Natural Language Processing (NLP))

Natural Language Processing (NLP)
AIৰ এটা উপশাখা যি কম্পিউটাৰ আৰু মানৱ (প্ৰাকৃতিক) ভাষাৰ মাজৰ আন্তঃক্ৰিয়াৰ ওপৰত গুৰুত্ব আৰোপ কৰে। ই মেচিনক মানৱ ভাষাত পঢ়িবলৈ, বুজিবলৈ আৰু প্ৰতিক্ৰিয়া কৰিবলৈ সক্ষম কৰে।
উদাহৰণ: NLPক ভইচ সহায়ক, ভাষা অনুবাদ এপ আৰু চ্যাটবটত ব্যৱহাৰ কৰা হয়।

Neural Network (Neural Network)

Neural Network
মানৱ মস্তিষ্কৰ গঠনৰ দ্বাৰা অনুপ্ৰাণিত এটা মেচিন লার্নিং মডেল, যি সংযুক্ত ন'ড (নিউৰন)ৰ স্তৰৰে গঠিত।
উদাহৰণ: নিউৰেল নেটৱৰ্ক ছবি আৰু স্পীচ চিনাক্তকৰণত ব্যৱহৃত ডিপ লার্নিং মডেলৰ আঁৰত আছে।

Noise (Noise)

Noise
ডেটাৰ ভিতৰত যথেচ্ছিক বা অপ্ৰাসংগিক তথ্য যিয়ে অৰ্থপূৰ্ণ ধৰণবোৰ ঢাকি ৰাখিব পাৰে আৰু মডেলৰ কাৰ্যক্ষমতাত নেতিবাচকভাৱে প্ৰভাৱ পেলাব পাৰে।
উদাহৰণ: চেন্সৰৰ ভুল বা টাইপ'ত ভৰা ডেটা এন্ট্ৰীবোৰক কোলাহল হিচাপে গণ্য কৰা হয়।

Ontology (Ontology)

Ontology
এটা কাঠামোগত ফ্ৰেমৱৰ্ক যিয়ে এটা ডোমেইনৰ ভিতৰত ধাৰণা আৰু তেওঁলোকৰ সম্পৰ্কসমূহক শ্ৰেণীবদ্ধ কৰে আৰু সংজ্ঞায়িত কৰে, যি প্ৰায়ে ছেমেণ্টিক AI ব্যৱস্থাত ব্যৱহাৰ কৰা হয়।
উদাহৰণ: স্বাস্থ্যসেৱাত এটা অণ্টোলজিয়ে ৰোগ আৰু চিকিৎসাৰ সৈতে লক্ষণবোৰ কেনেকৈ সম্পৰ্কিত সেইটো সংজ্ঞায়িত কৰিব পাৰে।

Overfitting (Overfitting)

Overfitting
এটা মডেলিংৰ ভুল য'ত এটা মেচিন লার্নিং মডেলে প্ৰশিক্ষণ ডেটাত কোলাহল ধৰে আৰু নতুন ডেটাত দুৰ্বলভাৱে কাৰ্য সম্পাদন কৰে।
উদাহৰণ: এটা মডেলে যিয়ে প্ৰশিক্ষণৰ উত্তৰবোৰ মুখস্থ কৰে কিন্তু অদেখা পৰীক্ষাৰ ডেটাৰ সৈতে মোকাবিলা কৰিব নোৱাৰে সেয়া অতি-ফিট কৰা হয়।

Predictive Analytics (Predictive Analytics)

Predictive Analytics
ঐতিহাসিক ডেটাৰ ওপৰত ভিত্তি কৰি ভৱিষ্যতৰ ফলাফলৰ সম্ভাৱনা চিনাক্ত কৰিবলৈ ডেটা, এলগৰিদম আৰু AIৰ ব্যৱহাৰ।
উদাহৰণ: খুদৰ বিক্ৰেতাসকলে নিৰ্দিষ্ট পণ্যৰ চাহিদাৰ ভৱিষ্যদ্বাণী কৰিবলৈ ভৱিষ্যদ্বাণীমূলক বিশ্লেষণ ব্যৱহাৰ কৰে।

Pre-training (Pre-training)

Pre-training
এটা নিৰ্দিষ্ট কাৰ্যৰ বাবে তাক ফাইন-টিউনিং কৰাৰ আগতে এটা ডাঙৰ, সাধাৰণ ডেটাসেটত এটা মডেলক প্ৰথমতে প্ৰশিক্ষণ দিয়াৰ প্ৰক্ৰিয়া।
উদাহৰণ: GPT মডেলবোৰ গ্ৰাহক সেৱা চ্যাটবটৰ বাবে কাস্টমাইজ কৰাৰ আগতে ডাঙৰ কৰ্পোৰাত প্ৰি-ট্ৰেইন কৰা হয়।

Prompt Engineering (Prompt Engineering)

Prompt Engineering
বৃহৎ ভাষা মডেলৰ আউটপুট নিৰ্দেশনা কৰিবলৈ কাৰ্যক্ষম প্ৰম্পট তৈয়াৰ কৰাৰ কলা আৰু বিজ্ঞান।
উদাহৰণ: 'এটা বিনয়ী শিক্ষক হিচাপে উত্তৰ দিয়ক'ৰ দৰে ব্যৱস্থাৰ নিৰ্দেশনা যোগ কৰা প্ৰম্পট ইঞ্জিনিয়াৰিংৰ এটা উদাহৰণ।

Quantisation (Quantisation)

Quantisation
এটা মডেল সংকোচন কৌশল যিয়ে ওৱেট আৰু এক্টিভেশ্যনক প্ৰতিনিধিত্ব কৰিবলৈ ব্যৱহৃত বিটৰ সংখ্যা হ্ৰাস কৰে, কাৰ্যকাৰিতা উন্নত কৰে।
উদাহৰণ: ৩২-বিটৰ পৰা ৮-বিটলে এটা মডেল কোৱাণ্টাইজ কৰিলে ম'বাইল ডিভাইচত কাৰ্যক্ষমতা উন্নত হয়।

Quantum Computing (Quantum Computing)

Quantum Computing
কোৱাণ্টাম মেকানিক্সৰ ওপৰত ভিত্তি কৰি কম্পিউটিংৰ এটা নতুন পৰিধি, যিয়ে ঘাতীয় প্ৰক্ৰিয়াকৰণ ক্ষমতাৰ সম্ভাৱনা ধাৰণ কৰে।
উদাহৰণ: কোৱাণ্টাম কম্পিউটিংয়ে এদিন ক্লাছিক সীমাৰ বাহিৰত AI প্ৰশিক্ষণ তৰান্বিত কৰিব পাৰে।

Reasoning Engine (Reasoning Engine)

Reasoning Engine
AIৰ এটা ব্যৱস্থা যিয়ে নিয়ম বা অনুমিতি এলগৰিদম ব্যৱহাৰ কৰি তথ্য বা ডেটাৰ এটা সংহতিৰ পৰা যৌক্তিক সিদ্ধান্তসমূহ নিষ্কাশন কৰে।
উদাহৰণ: এটা AI নিদান সঁজুলিয়ে লক্ষণৰ ওপৰত ভিত্তি কৰি সম্ভাৱ্য চিকিৎসা পৰিস্থিতিৰ অনুমান কৰিবলৈ এটা যুক্তি ইঞ্জিন ব্যৱহাৰ কৰে।

Reinforcement Learning (RL) (Reinforcement Learning (RL))

Reinforcement Learning (RL)
মেচিন লার্নিংৰ এটা অঞ্চল য'ত এজেণ্টে তেওঁলোকৰ পৰিৱেশৰ সৈতে ক্ৰিয়া-প্ৰতিক্ৰিয়াৰ মাধ্যমেৰে সঞ্চিত পুৰস্কাৰসমূহক সৰ্বাধিক কৰিবলৈ শেখে।
উদাহৰণ: এটা ৰবটে RL কৌশল ব্যৱহাৰ কৰি চেষ্টা আৰু ভুলৰ দ্বাৰা খোজ কাঢ়িবলৈ শেখে।

Reinforcement Learning with Human Feedback (RLHF) (Reinforcement Learning with Human Feedback (RLHF))

Reinforcement Learning with Human Feedback (RLHF)
এটা শিক্ষা পদ্ধতি য'ত মানৱৰ পছন্দই AIৰ পুৰস্কাৰ সংকেতক নিৰ্দেশনা দিয়ে, যি ভাষা মডেল ফাইন-টিউনিং কৰিবলৈ প্ৰায়ে ব্যৱহাৰ কৰা হয়।
উদাহৰণ: ChatGPTক RLHFৰ সৈতে প্ৰশিক্ষণ দিয়া হৈছিল যাতে অধিক সহায়ক আৰু সুৰক্ষিত প্ৰতিক্ৰিয়া উৎপাদন কৰিব পাৰে।

Retrieval-Augmented Generation (RAG) (Retrieval-Augmented Generation (RAG))

Retrieval-Augmented Generation (RAG)
তথ্য উদ্ধাৰকৰ সৈতে উৎপাদনক একত্ৰিত কৰা এটা পদ্ধতি, য'ত এটা LLMয়ে ইয়াৰ প্ৰতিক্ৰিয়া উন্নত কৰিবলৈ প্ৰাসংগিক নথিপত্ৰ উদ্ধাৰ কৰে।
উদাহৰণ: এটা AI সহায়কে এটা কাৰিকৰী প্ৰশ্নৰ উত্তৰ উৎপাদন কৰাৰ সময়ত পণ্যৰ স্পেচিফিকেশন উদ্ধাৰ কৰে আৰু উদ্ধৃত কৰে।

Self-Supervised Learning (Self-Supervised Learning)

Self-Supervised Learning
এটা প্ৰশিক্ষণ পদ্ধতি য'ত মডেলে কাঁচা ডেটাৰ পৰা নিজৰ লেবেল উৎপাদন কৰি ধৰণ শেখে, মানৱ-এনোটেটেড ডেটাৰ ওপৰত নিৰ্ভৰশীলতা হ্ৰাস কৰে।
উদাহৰণ: BERTক টেক্সটত হেৰুওৱা শব্দৰ ভৱিষ্যদ্বাণী কৰি স্ব-সুপাৰভাইজড লার্নিংৰ সৈতে প্ৰশিক্ষণ দিয়া হয়।

Semantic Search (Semantic Search)

Semantic Search
এটা অনুসন্ধান কৌশল যিয়ে কেৱল কীৱৰ্ড মিলতকৈ ব্যৱহাৰকাৰীৰ উদ্দেশ্য আৰু প্ৰাসংগিক অৰ্থ বুজে।
উদাহৰণ: 'এটা টেপ মেৰামতি কৰাৰ উপায়' অনুসন্ধান কৰিলে নথিপত্ৰত 'টেপ মেৰামতি' শব্দটো নথকাৰ পিছতো নিৰ্দেশিকা প্ৰদান কৰে।

Sentiment Analysis (Sentiment Analysis)

Sentiment Analysis
টেক্সটত আৱেগ, মতামত বা মনোভাৱ চিনাক্ত কৰাৰ প্ৰক্ৰিয়া, যিবোৰক প্ৰায়ে ইতিবাচক, নেতিবাচক বা নিৰপেক্ষ হিচাপে শ্ৰেণীবদ্ধ কৰা হয়।
উদাহৰণ: এটা নতুন পণ্যৰ প্ৰতি জনসাধাৰণৰ প্ৰতিক্ৰিয়া মূল্যায়ন কৰিবলৈ টুইট বিশ্লেষণ কৰা।

Stochastic (Stochastic)

Stochastic
যথেচ্ছিকতা বা সম্ভাৱ্য আচৰণ জড়িত, যি প্ৰায়ে উৎপাদক AI আৰু অপ্টিমাইজেশ্যন এলগৰিদমত ব্যৱহাৰ কৰা হয়।
উদাহৰণ: GPT-4ৰ আউটপুট ইয়াৰ ষ্টোকাস্টিক ডিক'ডিং প্ৰক্ৰিয়াৰ বাবে একে ইনপুটৰ বাবে ভিন্ন হয়।

Strong AI (Strong AI)

Strong AI
আৰু Artificial General Intelligence (AGI) হিচাপেও জনা যায়, যিবোৰ যন্ত্ৰত সকলো ডোমেইনতে মানৱ-স্তৰৰ জ্ঞানীয় ক্ষমতা থাকে।
উদাহৰণ: এটা ভৱিষ্যতৰ AI যিয়ে স্বায়ত্তশাসিতভাৱে উপন্যাস লিখিব পাৰে, চহৰৰ পৰিকল্পনা কৰিব পাৰে, আৰু একেদৰে নৈতিক সমস্যা সমাধান কৰিব পাৰে।

Super Artificial Intelligence (SAI) (Super Artificial Intelligence (SAI))

Super Artificial Intelligence (SAI)
এটা তাত্ত্বিক AI যিয়ে সকলো দিশতে মানৱৰ বুদ্ধিমত্তাক অতিক্ৰম কৰে — যুক্তি, সৃষ্টিশীলতা, আৱেগিক বুদ্ধিমত্তা, ইত্যাদি।
উদাহৰণ: এটা SAIয়ে তাত্ত্বিকভাবে নতুন বিজ্ঞান আৰু দৰ্শন স্বতন্ত্ৰভাৱে বিকশিত কৰিব পাৰে।

Supervised Learning (Supervised Learning)

Supervised Learning
এটা মেচিন লার্নিং কৌশল য'ত মডেলবোৰ ইনপুট-আউটপুট মেপিং শিকিবলৈ লেবেলযুক্ত ডেটাত প্ৰশিক্ষণ দিয়া হয়।
উদাহৰণ: ঐতিহাসিক উদাহৰণ ব্যৱহাৰ কৰি ইমেইলবোৰক স্পাম বা নহয় বুলি শ্ৰেণীবদ্ধ কৰিবলৈ এটা মডেলক শিকোৱা।

Synthetic Data (Synthetic Data)

Synthetic Data
কৃত্রিমভাৱে উৎপাদিত ডেটা যিয়ে বাস্তৱ-বিশ্বৰ ডেটাৰ অনুকৰণ কৰে, যিবোৰ প্ৰায়ে প্ৰশিক্ষণৰ বাবে ব্যৱহাৰ কৰা হয় যেতিয়া বাস্তৱ ডেটা দুষ্পাপ্য বা সংবেদনশীল হয়।
উদাহৰণ: ৰোগীৰ গোপনীয়তা উলংঘা নকৰাকৈ নিদানমূলক মডেল প্ৰশিক্ষণৰ বাবে সিন্থেটিক চিকিৎসা ছবি সৃষ্টি কৰা।

Token (Token)

Token
LLMৰ দ্বাৰা প্ৰক্ৰিয়াকৃত টেক্সটৰ এটা একক — সাধাৰণতে এটা শব্দ বা শব্দৰ অংশ।
উদাহৰণ: 'Hello world!' বাক্যটো ৩টা টোকেনত বিভক্ত কৰা হয়: 'Hello', 'world', আৰু '!'।

Tokenisation (Tokenisation)

Tokenisation
এটা মডেলৰ দ্বাৰা প্ৰক্ৰিয়াকৰণৰ বাবে টেক্সটক টোকেনত বিভক্ত কৰাৰ প্ৰক্ৰিয়া।
উদাহৰণ: NLPত, 'ChatGPT is great' ['Chat', 'G', 'PT', 'is', 'great']লৈ পৰিণত হয়।

Transfer Learning (Transfer Learning)

Transfer Learning
অন্য এটা সম্পৰ্কিত কাৰ্যত শিক্ষা উন্নত কৰিবলৈ এটা কাৰ্যৰ পৰা জ্ঞান ব্যৱহাৰ কৰা, প্ৰশিক্ষণৰ সময় আৰু ডেটাৰ প্ৰয়োজনীয়তা হ্ৰাস কৰা।
উদাহৰণ: আন এটা ভাষাত অনুভূতি বিশ্লেষণ কৰিবলৈ ইংৰাজী টেক্সটত প্ৰশিক্ষিত এটা মডেলক ফাইন-টিউনিং কৰা।

Transformer (Transformer)

Transformer
এটা নিউৰেল নেটৱৰ্ক আৰ্কিটেকচাৰ যিয়ে অনুক্ৰমিক ডেটা মডেল কৰিবলৈ মনোযোগৰ ব্যৱস্থা ব্যৱহাৰ কৰে, LLMত বহুলভাৱে ব্যৱহৃত।
উদাহৰণ: BERT, GPT, আৰু T5 সকলোৱে ট্ৰান্সফৰ্মাৰ-আধাৰিত মডেল।

Underfitting (Underfitting)

Underfitting
যেতিয়া এটা মডেল প্ৰশিক্ষণ ডেটাত ধৰণ ধৰিবলৈ খুব সৰল হয়, যাৰ ফলত দুৰ্বল কাৰ্যক্ষমতা হয়।
উদাহৰণ: জটিল ছবি শ্ৰেণীকৰণৰ ভৱিষ্যদ্বাণী কৰিবলৈ চেষ্টা কৰা এটা ৰৈখিক মডেলে আণ্ডাৰফিট কৰিব পাৰে।

Unsupervised Learning (Unsupervised Learning)

Unsupervised Learning
এটা শিক্ষা পদ্ধতি য'ত মডেলবোৰে লেবেলবিহীন ডেটাত ধৰণ বা গোটসমূহ চিনাক্ত কৰে।
উদাহৰণ: পূৰ্বনিৰ্ধাৰিত লেবেল অবিহনে ক্ৰয় আচৰণৰ ওপৰত ভিত্তি কৰি গ্ৰাহকসকলক গোট কৰা।

User Intent (User Intent)

User Intent
এটা ব্যৱহাৰকাৰীৰ অনুসন্ধান বা ক্ৰিয়া-কলাপৰ আঁৰৰ লক্ষ্য বা উদ্দেশ্য।
উদাহৰণ: 'এটা কেক কেনেকৈ বেক কৰিব লাগে' টাইপ কৰা এজন ব্যৱহাৰকাৰীয়ে সম্ভৱত এটা ৰেচিপি বিচাৰে।

Validation Set (Validation Set)

Validation Set
প্ৰশিক্ষণৰ সময়ত মডেলৰ কাৰ্যক্ষমতা মূল্যায়ন কৰিবলৈ আৰু হাইপাৰপৰামিটাৰসমূহ টিউন কৰিবলৈ ব্যৱহৃত ডেটাৰ এটা উপসেট।
উদাহৰণ: চূড়ান্ত পৰীক্ষাৰ আগতে অতি-ফিটিং চিনাক্ত কৰিবলৈ ব্যৱহাৰ কৰা হয়।

Vector Database (Vector Database)

Vector Database
AI কাৰ্য যেনে সাদৃশ্য অনুসন্ধান আৰু RAGত ব্যৱহৃত ভেক্টৰ এমবেডিংসমূহ সংৰক্ষণ আৰু অনুসন্ধান কৰিবলৈ ডিজাইন কৰা এটা ডাটাবেচ।
উদাহৰণ: Pinecone আৰু Weaviate হৈছে টেক্সট বা ছবি এমবেডিং সংৰক্ষণৰ বাবে ভেক্টৰ ডাটাবেচ।

Vector Embedding (Vector Embedding)

Vector Embedding
এটা ভেক্টৰ স্পেচত অৰ্থগত তাৎপৰ্য আৰু সম্পৰ্কসমূহ সংৰক্ষণ কৰা ডেটাৰ এটা সাংখ্যিক প্ৰতিনিধিত্ব।
উদাহৰণ: 'king' আৰু 'queen' শব্দবোৰৰ একেধৰণৰ এমবেডিং আছে য'ত লিংগৰ সূক্ষ্ম পাৰ্থক্য আছে।

Virtual Assistant (Virtual Assistant)

Virtual Assistant
এটা AI-চালিত ছফ্টৱেৰ এজেণ্ট যিয়ে ব্যৱহাৰকাৰীক কথোপকথন বা ভইচ কমাণ্ডৰ মাধ্যমেৰে কাৰ্য সম্পাদন কৰাত সহায় কৰে।
উদাহৰণ: চিৰি, আলেক্সা, আৰু গুগল সহায়ক জনপ্ৰিয় ভাৰ্চুৱেল সহায়ক।

Voice Recognition (Voice Recognition)

Voice Recognition
উচ্চাৰিত ভাষাক টেক্সট বা কাৰ্যলৈ ব্যাখ্যা আৰু ৰূপান্তৰ কৰা প্ৰযুক্তি।
উদাহৰণ: ভইচ টাইপিং আৰু ভইচ কমাণ্ডবোৰ ভইচ ৰিকগনিশন ব্যৱস্থাৰ ওপৰত নিৰ্ভৰ কৰে।

Weak AI (Weak AI)

Weak AI
AI ব্যৱস্থা যিবোৰ এটা সংকীৰ্ণ, নিৰ্দিষ্ট কাৰ্য সম্পাদন কৰিবলৈ ডিজাইন কৰা হয় সাধাৰণ বুদ্ধিমত্তাৰ অবিহনে।
উদাহৰণ: এটা দবা খেলিব পৰা AI যিয়ে ভাষা বুজিব নোৱাৰে বা গাড়ী চলাব নোৱাৰে সেয়া দুৰ্বল AIৰ এটা উদাহৰণ।

Web Scraping (Web Scraping)

Web Scraping
ৱেবছাইটৰ পৰা তথ্যৰ স্বয়ংক্রিয় নিষ্কাশন, যিবোৰ প্ৰায়ে প্ৰশিক্ষণ ডেটা সংগ্ৰহ কৰিবলৈ বা বিষয়বস্তু নিৰীক্ষণ কৰিবলৈ ব্যৱহাৰ কৰা হয়।
উদাহৰণ: এটা সম্পত্তি মূল্যায়ন মডেল প্ৰশিক্ষণৰ বাবে ৰিয়েল এষ্টেট তালিকা স্ক্ৰেপ কৰা।

Weight (Weight)

Weight
নিউৰেল নেটৱৰ্কত এটা পৰিমাণ যিয়ে এটা ন'ডৰ আন এটা ন'ডৰ ওপৰত প্ৰভাৱৰ শক্তি নিৰ্ধাৰণ কৰে।
উদাহৰণ: মডেলৰ ভুল কমাবলৈ প্ৰশিক্ষণৰ সময়ত ওৱেটবোৰ সামঞ্জস্য কৰা হয়।

Whisper (Whisper)

Whisper
OpenAIৰ দ্বাৰা বিকশিত এটা স্পীচ-টু-টেক্সট মডেল যিয়ে বহুতো ভাষাত অডিঅ' লিপ্যঙ্কৰণ কৰিবলৈ সক্ষম।
উদাহৰণ: হুইস্পাৰে উচ্চ সঠিকতাৰে বক্তৃতা আৰু প'ডকাষ্ট লিপ্যঙ্কৰণ কৰিব পাৰে।

YAML (YAML)

YAML
ডেটা চিৰিয়ালাইজেচনৰ বাবে এটা মানৱ-পাঠযোগ্য বিন্যাস, যি মেচিন লার্নিং কাৰ্যপ্ৰবাহত কনফিগাৰেশ্যন ফাইলৰ বাবে সাধাৰণতে ব্যৱহাৰ কৰা হয়।
উদাহৰণ: PyTorchত প্ৰশিক্ষণৰ বাবে এটা YAML ফাইলত মডেল পৰিমাণবোৰ সংজ্ঞায়িত কৰা।

Zero-shot Learning (Zero-shot Learning)

Zero-shot Learning
এটা মডেলৰ সাধাৰণ জ্ঞানৰ দ্বাৰা যিবোৰ কাৰ্যত ইয়াক স্পষ্টভাৱে প্ৰশিক্ষণ দিয়া হোৱা নাই সেইবোৰ সম্পাদন কৰাৰ ক্ষমতা।
উদাহৰণ: এটা মডেলে আইনী ডেটাত বিশেষভাৱে প্ৰশিক্ষিত নোহোৱাকৈ আইনী প্ৰশ্নৰ উত্তৰ দিয়া।

Zettabyte (Zettabyte)

Zettabyte
এটা ডিজিটেল ডেটাৰ একক যি এটা ছেক্সটিলিয়ন (১০^২১) বাইটৰ সমান, যি প্ৰায়ে ইণ্টাৰনেট ডেটাৰ স্কেল বৰ্ণনা কৰিবলৈ ব্যৱহাৰ কৰা হয়।
উদাহৰণ: ২০১৬ চনৰ ভিতৰত বিশ্বব্যাপী ইণ্টাৰনেট ট্ৰেফিক ১ জেট্টাবাইট প্ৰতি বছৰ অতিক্ৰম কৰিছিল।