Alignment (Alignment)
Alignment
AI বà§à¦¯à§±à¦¸à§à¦¥à¦¾à§° উদà§à¦¦à§‡à¦¶à§à¦¯, আউটপà§à¦Ÿ আৰৠআচৰণ মানৱৰ লকà§à¦·à§à¦¯ আৰৠমূলà§à¦¯à¦¬à§‹à¦§à§° সৈতে সামঞà§à¦œà¦¸à§à¦¯à¦ªà§‚à§°à§à¦£ কৰাৰ পà§à§°à¦•à§à§°à¦¿à¦¯à¦¼à¦¾à¥¤ à¦à¦‡à¦Ÿà§‹ বিশেষকৈ উনà§à¦¨à¦¤ বà§à¦¯à§±à¦¸à§à¦¥à¦¾à¦¸à¦®à§‚হত গà§à§°à§à¦¤à§à¦¬à¦ªà§‚à§°à§à¦£ যিবোৰত সà§à¦ªà¦·à§à¦Ÿà¦à¦¾à§±à§‡ নিৰà§à¦§à¦¾à§°à¦¿à¦¤ নোহোৱা আচৰণ বিকশিত হ'ব পাৰে।
উদাহৰণ: à¦à¦Ÿà¦¾ চà§à¦¯à¦¾à¦Ÿà¦¬à¦Ÿà§° বাবে মানসিক সà§à¦¬à¦¾à¦¸à§à¦¥à§à¦¯ সহায়ৰ বাবে কোনো নিৰà§à¦¦à§‡à¦¶à¦¨à¦¾à§° দà§à¦¬à¦¾à§°à¦¾ কà§à¦·à¦¤à¦¿à¦•াৰক কাৰà§à¦¯à§° পৰামৰà§à¦¶ নিদিয়াটো নিশà§à¦šà¦¿à¦¤ কৰা।
Application Programming Interface (API) (Application Programming Interface (API))
Application Programming Interface (API)
নিৰà§à¦¦à¦¿à¦·à§à¦Ÿ নিয়ম আৰৠপà§à§°à¦Ÿà§‹à¦•লৰ à¦à¦Ÿà¦¾ সংহতি যিয়ে বিà¦à¦¿à¦¨à§à¦¨ ছফà§à¦Ÿà§±à§‡à§° বà§à¦¯à§±à¦¸à§à¦¥à¦¾à¦• যোগাযোগ কৰিবলৈ আৰৠডেটা আদান-পà§à§°à¦¦à¦¾à¦¨ কৰিবলৈ অনà§à¦®à¦¤à¦¿ দিয়ে।
উদাহৰণ: আপোনাৰ ৱেব à¦à¦ªà¦¤ à¦à¦Ÿà¦¾ à¦à¦¾à¦·à¦¾ মডেলৰ দà§à¦¬à¦¾à§°à¦¾ উৎপাদিত পà§à§°à¦¤à¦¿à¦•à§à§°à¦¿à¦¯à¦¼à¦¾ লাঠকৰিবলৈ à¦à¦Ÿà¦¾ পà§à§°à¦®à§à¦ªà¦Ÿ পঠিয়াবলৈ OpenAI API বà§à¦¯à§±à¦¹à¦¾à§° কৰা।
Artificial General Intelligence (AGI) (Artificial General Intelligence (AGI))
Artificial General Intelligence (AGI)
AIà§° à¦à¦Ÿà¦¾ তাতà§à¦¤à§à¦¬à¦¿à¦• ৰূপ যিয়ে মানৱৰ দৰে যিকোনো বৌদà§à¦§à¦¿à¦• কাৰà§à¦¯ সমà§à¦ªà¦¾à¦¦à¦¨ কৰিব পাৰে। ই ডোমেইনৰ ওপৰত শিকà§à¦·à¦¾ সাধাৰণ কৰে।
উদাহৰণ: à¦à¦Ÿà¦¾ AGI বà§à¦¯à§±à¦¸à§à¦¥à¦¾à¦‡ সংগীত ৰচনা শিকিব পাৰে, অসà§à¦¤à§à§°à§‹à¦ªà¦šà¦¾à§° কৰিব পাৰে, আৰৠকাৰà§à¦¯-নিৰà§à¦¦à¦¿à¦·à§à¦Ÿ পà§à§°à¦—à§à§°à¦¾à¦®à¦¿à¦‚ অবিহনে দৰà§à¦¶à¦¨ পৰীকà§à¦·à¦¾à¦¤ উতà§à¦¤à§€à§°à§à¦£ হ'ব পাৰে।
Artificial Intelligence (AI) (Artificial Intelligence (AI))
Artificial Intelligence (AI)
মানৱৰ বà§à¦¦à§à¦§à¦¿à¦®à¦¤à§à¦¤à¦¾à§° অনà§à¦•ৰণ যিবোৰ যনà§à¦¤à§à§°à¦¤ চিনà§à¦¤à¦¾ কৰা, যà§à¦•à§à¦¤à¦¿ কৰা আৰৠসà§à¦¬à¦¾à¦¯à¦¼à¦¤à§à¦¤à¦¶à¦¾à¦¸à¦¿à¦¤à¦à¦¾à§±à§‡ কাম কৰাৰ বাবে পà§à§°à¦—à§à§°à¦¾à¦® কৰা হয়।
উদাহৰণ: AI বà§à¦¯à¦•à§à¦¤à¦¿à¦—ত সহায়ক যেনে চিৰি আৰৠসà§à¦¬à¦¾à¦¯à¦¼à¦¤à§à¦¤à¦¶à¦¾à¦¸à¦¿à¦¤ ডà§à§°à¦¾à¦‡à¦à¦¿à¦‚ বà§à¦¯à§±à¦¸à§à¦¥à¦¾ যেনে টেসলা অটোপাইলটৰ দà§à¦¬à¦¾à§°à¦¾ চালিত হয়।
AI Ethics (AI Ethics)
AI Ethics
AI বিকাশ আৰৠবà§à¦¯à§±à¦¹à¦¾à§°à§° নৈতিক পà§à§°à¦à¦¾à§±, যাৰ à¦à¦¿à¦¤à§°à¦¤ আছে নà§à¦¯à¦¾à¦¯à¦¼à¦ªà§°à¦¤à¦¾, গোপনীয়তা, জবাবদিহিতা, আৰৠবৈষমà§à¦¯à¦¹à§€à¦¨à¦¤à¦¾à§° সৈতে জড়িত à¦à¦Ÿà¦¾ শাখা।
উদাহৰণ: নিয়োগৰ à¦à¦²à¦—ৰিদমক লিংগ বা জাতিগত পৰিচয়ৰ ওপৰত à¦à¦¿à¦¤à§à¦¤à¦¿ কৰি বৈষমà§à¦¯ কৰা পà§à§°à¦¤à¦¿à§°à§‹à¦§ কৰাৰ বাবে নিৰà§à¦¦à§‡à¦¶à¦¨à¦¾ সৃষà§à¦Ÿà¦¿ কৰা।
Augmented Intelligence (Augmented Intelligence)
Augmented Intelligence
à¦à¦Ÿà¦¾ সহযোগী মডেল য'ত AIয়ে মানৱৰ বà§à¦¦à§à¦§à¦¿à¦®à¦¤à§à¦¤à¦¾à¦• পà§à§°à¦¤à¦¿à¦¸à§à¦¥à¦¾à¦ªà¦¨ কৰাৰ পৰিৱৰà§à¦¤à§‡ পৰিপূৰক আৰৠউনà§à¦¨à¦¤ কৰে।
উদাহৰণ: ৰেডিঅ'লজি সহায়ক AI যিবোৰে ডকà§à¦¤à§°à§° বাবে অসঙà§à¦—তিবোৰ হাইলাইট কৰে, যিয়ে চূড়ানà§à¦¤ নিদান কৰে।
Autonomous Agent (Autonomous Agent)
Autonomous Agent
à¦à¦Ÿà¦¾ AI বà§à¦¯à§±à¦¸à§à¦¥à¦¾ যিয়ে মানৱৰ হসà§à¦¤à¦•à§à¦·à§‡à¦ª অবিহনে নিজৰ লকà§à¦·à§à¦¯ পূৰণ কৰিবলৈ নিজৰ সিদà§à¦§à¦¾à¦¨à§à¦¤ ল'ব আৰৠকাৰà§à¦¯ সমà§à¦ªà¦¾à¦¦à¦¨ কৰিব পাৰে।
উদাহৰণ: à¦à¦Ÿà¦¾ সà§à¦¬à¦¾à¦¯à¦¼à¦¤à§à¦¤à¦¶à¦¾à¦¸à¦¿à¦¤ ডিলিà¦à¦¾à§°à§€ ৰবট যিয়ে চহৰৰ পথত নেà¦à¦¿à¦—েট কৰে আৰৠসà§à¦¬à¦¤à¦¨à§à¦¤à§à§°à¦à¦¾à§±à§‡ বাধা à¦à§°à¦¾à¦‡ চলে।
Backpropagation (Backpropagation)
Backpropagation
নিউৰেল নেটৱৰà§à¦•ক পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£ দিয়াৰ à¦à¦Ÿà¦¾ কৌশল য'ত à¦à§±à¦¿à¦·à§à¦¯à¦¦à§à¦¬à¦¾à¦£à§€à§° à¦à§à¦²à¦¬à§‹à§° কমাবলৈ ওৱেটবোৰ আউটপà§à¦Ÿà§° পৰা ইনপà§à¦Ÿ সà§à¦¤à§°à¦²à§ˆ বিপৰীতà¦à¦¾à§±à§‡ আপডেট কৰা হয়।
উদাহৰণ: হাতে লিখা সংখà§à¦¯à¦¾ চিনাকà§à¦¤à¦•ৰণত à¦à§à§°à¦®à§° হাৰ হà§à§°à¦¾à¦¸ কৰিবলৈ ছবি শà§à§°à§‡à¦£à§€à¦•ৰণৰ পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£à¦¤ বà§à¦¯à§±à¦¹à¦¾à§° কৰা হয়।
Bias (Algorithmic Bias) (Bias (Algorithmic Bias))
Bias (Algorithmic Bias)
অসম বা অ-পà§à§°à¦¤à¦¿à¦¨à¦¿à¦§à¦¿à¦¤à§à¦¬à¦®à§‚লক পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£ ডেটাৰ বাবে AI ফলাফলত অনিচà§à¦›à¦¾à¦•ৃত আৰৠপদà§à¦§à¦¤à¦¿à¦—ত পকà§à¦·à¦ªà¦¾à¦¤à¦¿à¦¤à§à¦¬à¥¤
উদাহৰণ: à¦à¦Ÿà¦¾ মà§à¦–মণà§à¦¡à¦² চিনাকà§à¦¤à¦•ৰণ বà§à¦¯à§±à¦¸à§à¦¥à¦¾ যিয়ে পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£ ডেটাত কম পà§à§°à¦¤à¦¿à¦¨à¦¿à¦§à¦¿à¦¤à§à¦¬à§° বাবে à¦à¦¿à¦¨à§à¦¨ বৰà§à¦£à§° লোকসকলক অধিক বাৰ à¦à§à¦²à¦•ৈ চিনাকà§à¦¤ কৰে।
Big Data (Big Data)
Big Data
অতà§à¦¯à¦¨à§à¦¤ ডাঙৰ ডেটাসেট যিবোৰ সংৰকà§à¦·à¦£, বিশà§à¦²à§‡à¦·à¦£ আৰৠমূলà§à¦¯ নিষà§à¦•াশন কৰিবলৈ বিশেষ সà¦à¦œà§à¦²à¦¿à§° পà§à§°à¦¯à¦¼à§‹à¦œà¦¨ হয়, যিবোৰ পà§à§°à¦¾à¦¯à¦¼à§‡ AI মডেল পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£à§° বাবে বà§à¦¯à§±à¦¹à¦¾à§° কৰা হয়।
উদাহৰণ: ই-কমাৰà§à¦š পà§à¦²à§‡à¦Ÿà¦«à§°à§à¦®à§° বাবে পৰামৰà§à¦¶ ইঞà§à¦œà¦¿à¦¨ পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£à§° বাবে লকà§à¦· লকà§à¦· বà§à¦¯à§±à¦¹à¦¾à§°à¦•াৰীৰ কà§à§°à¦¿à¦¯à¦¼à¦¾-কলাপ বà§à¦¯à§±à¦¹à¦¾à§° কৰা।
Black Box Model (Black Box Model)
Black Box Model
AI বা মেচিন লারà§à¦¨à¦¿à¦‚ মডেলৰ à¦à¦Ÿà¦¾ পà§à§°à¦•াৰ যাৰ আà¦à§à¦¯à¦¨à§à¦¤à§°à§€à¦£ যà§à¦•à§à¦¤à¦¿ মানৱৰ দà§à¦¬à¦¾à§°à¦¾ সহজে বà§à¦¯à¦¾à¦–à§à¦¯à¦¾ কৰিব নোৱাৰি, যাৰ ফলত সিদà§à¦§à¦¾à¦¨à§à¦¤ কেনেকৈ লোৱা হয় সেয়া বà§à¦œà¦¿ পোৱা কঠিন হয়।
উদাহৰণ: ঋণ অনà§à¦®à§‹à¦¦à¦¨ কৰিবলৈ বà§à¦¯à§±à¦¹à§ƒà¦¤ à¦à¦Ÿà¦¾ ডিপ নিউৰেল নেটৱৰà§à¦• কিনà§à¦¤à§ à¦à¦Ÿà¦¾ আবেদনকাৰীক কিয় গà§à§°à¦¹à¦£ কৰা হৈছিল আৰৠআন à¦à¦œà¦¨à¦• কিয় পà§à§°à¦¤à§à¦¯à¦¾à¦–à§à¦¯à¦¾à¦¨ কৰা হৈছিল তাৰ কোনো সà§à¦ªà¦·à§à¦Ÿ বà§à¦¯à¦¾à¦–à§à¦¯à¦¾ নিদিয়ে।
Cognitive Computing (Cognitive Computing)
Cognitive Computing
AI বà§à¦¯à§±à¦¸à§à¦¥à¦¾ যিবোৰ NLP আৰৠধৰণ চিনাকà§à¦¤à¦•ৰণৰ দৰে কৌশল বà§à¦¯à§±à¦¹à¦¾à§° কৰি মানৱ চিনà§à¦¤à¦¾ পà§à§°à¦•à§à§°à¦¿à¦¯à¦¼à¦¾, যেনে যà§à¦•à§à¦¤à¦¿ আৰৠশিকà§à¦·à¦¾à§° অনà§à¦•ৰণ কৰিবলৈ ডিজাইন কৰা হৈছে।
উদাহৰণ: à¦à¦Ÿà¦¾ কগনিটিঠকমà§à¦ªà¦¿à¦‰à¦Ÿà¦¿à¦‚ বà§à¦¯à§±à¦¸à§à¦¥à¦¾ যিয়ে আইনী পেশাদাৰসকলক কেছ আইন বিশà§à¦²à§‡à¦·à¦£ কৰা আৰৠফলাফলৰ à¦à§±à¦¿à¦·à§à¦¯à¦¦à§à¦¬à¦¾à¦£à§€ কৰাত সহায় কৰে।
Computer Vision (Computer Vision)
Computer Vision
কৃতà§à¦°à¦¿à¦® বà§à¦¦à§à¦§à¦¿à¦®à¦¤à§à¦¤à¦¾à§° à¦à¦Ÿà¦¾ শাখা যিয়ে কমà§à¦ªà¦¿à¦‰à¦Ÿà¦¾à§°à¦• ছবি আৰৠà¦à¦¿à¦¡à¦¿à¦…'à§° দৰে দৃশà§à¦¯à¦®à¦¾à¦¨ ডেটা বà§à¦¯à¦¾à¦–à§à¦¯à¦¾ আৰৠপà§à§°à¦•à§à§°à¦¿à¦¯à¦¼à¦¾à¦•ৰণ কৰিবলৈ সকà§à¦·à¦® কৰে।
উদাহৰণ: কমà§à¦ªà¦¿à¦‰à¦Ÿà¦¾à§° à¦à¦¿à¦¶à¦¨ বà§à¦¯à§±à¦¹à¦¾à§° কৰি সà§à§°à¦•à§à¦·à¦¾ ফà§à¦Ÿà§‡à¦œà¦¤ মানà§à¦¹à¦• চিনাকà§à¦¤ কৰা মà§à¦–মণà§à¦¡à¦² চিনাকà§à¦¤à¦•ৰণ বà§à¦¯à§±à¦¸à§à¦¥à¦¾à¥¤
Corpus (Corpus)
Corpus
à¦à¦¾à¦·à¦¾ মডেল পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£à§° বাবে বà§à¦¯à§±à¦¹à§ƒà¦¤ লিখিত বা কথিত পাঠৰ à¦à¦Ÿà¦¾ ডাঙৰ সংগà§à§°à¦¹à¥¤
উদাহৰণ: Common Crawl ডেটাসেট হৈছে GPTà§° দৰে বৃহৎ à¦à¦¾à¦·à¦¾ মডেল পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£à§° বাবে বà§à¦¯à§±à¦¹à§ƒà¦¤ à¦à¦Ÿà¦¾ ৰাজহà§à§±à¦¾ ৱেব কৰà§à¦ªà¦¾à¦›à¥¤
Data Drift (Data Drift)
Data Drift
ইনপà§à¦Ÿ ডেটা সময়ৰ লগে লগে সলনি হোৱাৰ ফলত মডেলৰ কাৰà§à¦¯à¦•à§à¦·à¦®à¦¤à¦¾ হà§à§°à¦¾à¦¸ হোৱাৰ ঘটনা।
উদাহৰণ: নতà§à¦¨ চেনà§à¦¸à§° পà§à§°à¦¯à§à¦•à§à¦¤à¦¿à§° পৰিচয় হোৱাৰ লগে লগে শিলà§à¦ª সà¦à¦œà§à¦²à¦¿à§° বাবে à¦à¦Ÿà¦¾ à¦à§±à¦¿à¦·à§à¦¯à¦¦à§à¦¬à¦¾à¦£à§€à¦®à§‚লক ৰকà§à¦·à¦£à¦¾à¦¬à§‡à¦•à§à¦·à¦£ মডেল কম সঠিক হৈ পৰে।
Data Labelling (Data Labelling)
Data Labelling
সà§à¦ªà¦¾à§°à¦à¦¾à¦‡à¦œà¦¡ লারà§à¦¨à¦¿à¦‚à§° বাবে উপযà§à¦•à§à¦¤ কৰিবলৈ লেবেল বা টà§à¦¯à¦¾à¦—à§° সৈতে ডেটা à¦à¦¨à§‹à¦Ÿà§‡à¦¶à§à¦¯à¦¨ কৰাৰ পà§à§°à¦•à§à§°à¦¿à¦¯à¦¼à¦¾à¥¤
উদাহৰণ: কৰà§à¦•ট ৰোগ চিনাকà§à¦¤à¦•ৰণ মডেল পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£à§° বাবে হাজাৰ হাজাৰ টিউমাৰ ছবিৰ লেবেল লগোৱা।
Data Mining (Data Mining)
Data Mining
ডাঙৰ ডেটাসেটত অৰà§à¦¥à¦ªà§‚à§°à§à¦£ ধৰণ, সমà§à¦ªà§°à§à¦• আৰৠঅসঙà§à¦—তি আৱিষà§à¦•াৰ কৰাৰ পà§à§°à¦•à§à§°à¦¿à¦¯à¦¼à¦¾à¥¤
উদাহৰণ: পà§à¦¯à¦¾à¦®à§à¦ªà¦¾à§° কà§à§°à¦¯à¦¼ কৰা লোকসকলে বিয়াৰ ogsÃ¥ কà§à§°à¦¯à¦¼ কৰে বà§à¦²à¦¿ চিনাকà§à¦¤ কৰিবলৈ ডেটা মাইনিং বà§à¦¯à§±à¦¹à¦¾à§° কৰা খà§à¦¦à§° বিকà§à§°à§‡à¦¤à¦¾à¥¤
Deep Learning (Deep Learning)
Deep Learning
মেচিন লারà§à¦¨à¦¿à¦‚à§° à¦à¦Ÿà¦¾ উপশাখা যিয়ে ডেটাত জটিল ধৰণৰ মডেলিং কৰিবলৈ বহà§-সà§à¦¤à§°à§€à¦¯à¦¼ নিউৰেল নেটৱৰà§à¦• বà§à¦¯à§±à¦¹à¦¾à§° কৰে।
উদাহৰণ: ডিপ লারà§à¦¨à¦¿à¦‚ GPT-4à§° দৰে à¦à¦¾à¦·à¦¾ মডেল আৰৠStable Diffusionà§° দৰে ছবি উৎপাদক মডেলত বà§à¦¯à§±à¦¹à¦¾à§° কৰা হয়।
Diffusion Models (Diffusion Models)
Diffusion Models
উৎপাদক মডেলৰ à¦à¦Ÿà¦¾ শà§à§°à§‡à¦£à§€ যিয়ে ধীৰে ধীৰে যথেচà§à¦›à¦¿à¦• কোলাহলক কাঠামোগত আউটপà§à¦Ÿà¦¤ ৰূপানà§à¦¤à§°à¦¿à¦¤ কৰি ডেটা উৎপাদন কৰিবলৈ শেখে।
উদাহৰণ: Stable Diffusionয়ে ডিফিউজন কৌশল বà§à¦¯à§±à¦¹à¦¾à§° কৰি টেকà§à¦¸à¦Ÿ পà§à§°à¦®à§à¦ªà¦Ÿà§° পৰা ফটৰিয়েলিষà§à¦Ÿà¦¿à¦• ছবি সৃষà§à¦Ÿà¦¿ কৰে।
Embedding (Embedding)
Embedding
শবà§à¦¦, ছবি বা বাকà§à¦¯à§° অৰà§à¦¥à¦—ত তাৎপৰà§à¦¯ ধৰিবলৈ বà§à¦¯à§±à¦¹à§ƒà¦¤ ডেটাৰ à¦à¦Ÿà¦¾ সাংখà§à¦¯à¦¿à¦• à¦à§‡à¦•à§à¦Ÿà§° পà§à§°à¦¤à¦¿à¦¨à¦¿à¦§à¦¿à¦¤à§à¦¬à¥¤
উদাহৰণ: NLPত, 'bank' শবà§à¦¦à¦Ÿà§‹à§±à§‡ 'money'à§° সৈতে à¦à¦•েধৰণৰ à¦à¦®à¦¬à§‡à¦¡à¦¿à¦‚ থাকিব পাৰে কিনà§à¦¤à§ পà§à§°à¦¸à¦™à§à¦—à§° ওপৰত নিৰà§à¦à§° কৰি 'riverbank'à§° পৰা à¦à¦¿à¦¨à§à¦¨à¥¤
Epoch (Epoch)
Epoch
à¦à¦Ÿà¦¾ মেচিন লারà§à¦¨à¦¿à¦‚ মডেলৰ পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£ পà§à§°à¦•à§à§°à¦¿à¦¯à¦¼à¦¾à§° সময়ত সমà§à¦ªà§‚à§°à§à¦£ পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£ ডেটাসেটৰ ওপৰত à¦à¦Ÿà¦¾ সমà§à¦ªà§‚à§°à§à¦£ ইটাৰেশন।
উদাহৰণ: যদি à¦à¦Ÿà¦¾ ডেটাসেটত à§§,০০০ টা উদাহৰণ থাকে আৰৠà¦à¦Ÿà¦¾ মডেলে পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£à§° সময়ত সেই সকলোবোৰ à¦à¦¬à¦¾à§° দেখে, সেয়া à¦à¦Ÿà¦¾ ইপক।
Ethical AI (Ethical AI)
Ethical AI
à¦à¦Ÿà¦¾ ডিজাইন আৰৠসà§à¦¥à¦¾à¦ªà¦¨ দৰà§à¦¶à¦¨ যিয়ে নিশà§à¦šà¦¿à¦¤ কৰে যে AI পà§à§°à¦¯à§à¦•à§à¦¤à¦¿ সà§à¦¬à¦šà§à¦›à¦à¦¾à§±à§‡, নà§à¦¯à¦¾à¦¯à¦¼à¦¸à¦™à§à¦—তà¦à¦¾à§±à§‡ আৰৠসামাজিক মূলà§à¦¯à¦¬à§‹à¦§à§° সৈতে সঙà§à¦—তি ৰাখি কাৰà§à¦¯ কৰে।
উদাহৰণ: à¦à¦Ÿà¦¾ AI নিয়োগৰ সà¦à¦œà§à¦²à¦¿ যিয়ে সংখà§à¦¯à¦¾à¦²à¦˜à§ পà§à§°à¦¾à§°à§à¦¥à§€à§° পà§à§°à¦¤à¦¿ বৈষমà§à¦¯ পà§à§°à¦¤à¦¿à§°à§‹à¦§ কৰিবলৈ পকà§à¦·à¦ªà¦¾à¦¤à¦¿à¦¤à§à¦¬ পৰীকà§à¦·à¦¾ অনà§à¦¤à§°à§à¦à§à¦•à§à¦¤ কৰে।
Expert System (Expert System)
Expert System
à¦à¦Ÿà¦¾ AI বà§à¦¯à§±à¦¸à§à¦¥à¦¾ যিয়ে নিয়ম আৰৠযà§à¦•à§à¦¤à¦¿ বà§à¦¯à§±à¦¹à¦¾à§° কৰি à¦à¦Ÿà¦¾ নিৰà§à¦¦à¦¿à¦·à§à¦Ÿ ডোমেইনত মানৱ বিশেষজà§à¦žà§° সিদà§à¦§à¦¾à¦¨à§à¦¤ গà§à§°à¦¹à¦£ কà§à¦·à¦®à¦¤à¦¾à§° অনà§à¦•ৰণ কৰে।
উদাহৰণ: কৃষিৰ বাবে à¦à¦Ÿà¦¾ বিশেষজà§à¦ž বà§à¦¯à§±à¦¸à§à¦¥à¦¾ যিয়ে মাটিৰ ডেটা আৰৠকীটনাশকৰ ইতিহাসৰ ওপৰত à¦à¦¿à¦¤à§à¦¤à¦¿ কৰি শসà§à¦¯à§° চিকিৎসাৰ পৰামৰà§à¦¶ দিয়ে।
Explainable AI (XAI) (Explainable AI (XAI))
Explainable AI (XAI)
AI বà§à¦¯à§±à¦¸à§à¦¥à¦¾ যিবোৰ মানৱৰ বাবে নিজৰ আà¦à§à¦¯à¦¨à§à¦¤à§°à§€à¦£ পà§à§°à¦•à§à§°à¦¿à¦¯à¦¼à¦¾ আৰৠসিদà§à¦§à¦¾à¦¨à§à¦¤à¦¸à¦®à§‚হ বà§à¦œà¦¿à¦¬ পৰাকৈ ডিজাইন কৰা হয়, যাৰ ফলত বিশà§à¦¬à¦¾à¦¸ আৰৠজবাবদিহিতা বৃদà§à¦§à¦¿ পায়।
উদাহৰণ: à¦à¦Ÿà¦¾ চিকিৎসা নিদান AI যিয়ে কেৱল à¦à¦Ÿà¦¾ পৰামৰà§à¦¶ নিদিয়ে, কিনà§à¦¤à§ সেই সিদà§à¦§à¦¾à¦¨à§à¦¤à¦²à§ˆ কোন লকà§à¦·à¦£à¦¬à§‹à§° লৈ গৈছিল সেয়াও বà§à¦¯à¦¾à¦–à§à¦¯à¦¾ কৰে।
Few-shot Learning (Few-shot Learning)
Few-shot Learning
à¦à¦Ÿà¦¾ মেচিন লারà§à¦¨à¦¿à¦‚ পদà§à¦§à¦¤à¦¿ য'ত à¦à¦Ÿà¦¾ মডেলে অতি কম সংখà§à¦¯à¦• লেবেলযà§à¦•à§à¦¤ উদাহৰণ বà§à¦¯à§±à¦¹à¦¾à§° কৰি পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£ বা ফাইন-টিউনিং কৰা হয়।
উদাহৰণ: ১০ টা উদাহৰণ দেখà§à¦“ৱাৰ পিছত আইনী ইমেইল লিখিবলৈ à¦à¦Ÿà¦¾ LLMক কাসà§à¦Ÿà¦®à¦¾à¦‡à¦œ কৰা।
Fine-tuning (Fine-tuning)
Fine-tuning
à¦à¦Ÿà¦¾ পূৰà§à¦¬-পà§à§°à¦¶à¦¿à¦•à§à¦·à¦¿à¦¤ মডেল লৈ আৰৠতাক à¦à¦Ÿà¦¾ নতà§à¦¨, সৰৠডেটাসেটত পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£ দি à¦à¦Ÿà¦¾ নিৰà§à¦¦à¦¿à¦·à§à¦Ÿ কাৰà§à¦¯à§° বাবে বিশেষীকৰণ কৰাৰ পà§à§°à¦•à§à§°à¦¿à¦¯à¦¼à¦¾à¥¤
উদাহৰণ: আইনী খচৰা সহায়ক সৃষà§à¦Ÿà¦¿ কৰিবলৈ আà¦à§à¦¯à¦¨à§à¦¤à§°à§€à¦£ আইনী নথিপতà§à§°à¦¤ à¦à¦Ÿà¦¾ সাধাৰণ LLM যেনে GPT ফাইন-টিউনিং কৰা।
Foundation Model (Foundation Model)
Foundation Model
বহà§à¦¤à§‹ বৈচিতà§à§°à§à¦¯à¦®à¦¯à¦¼ আৰৠবিসà§à¦¤à§ƒà¦¤ ডেটাত পà§à§°à¦¶à¦¿à¦•à§à¦·à¦¿à¦¤ à¦à¦Ÿà¦¾ বৃহৎ-সà§à¦•েল মডেল যিয়ে বহà§à¦¤à§‹ ডাউনষà§à¦Ÿà§à§°à¦¿à¦® কাৰà§à¦¯à§° বাবে অà¦à¦¿à¦¯à§‹à¦œà¦¿à¦¤ হ'ব পাৰে।
উদাহৰণ: GPT-4 আৰৠPaLM 2 হৈছে ফাউণà§à¦¡à§‡à¦¶à§à¦¯à¦¨ মডেল যিবোৰ সাৰাংশ, পà§à§°à¦¶à§à¦¨à§‹à¦¤à§à¦¤à§°, অনà§à¦¬à¦¾à¦¦ আৰৠআন বহà§à¦¤à§‹ কাৰà§à¦¯ কৰিবলৈ সকà§à¦·à¦®à¥¤
Fuzzy Logic (Fuzzy Logic)
Fuzzy Logic
à¦à¦Ÿà¦¾ যà§à¦•à§à¦¤à¦¿à§° ৰূপ যিয়ে নিৰà§à¦¦à¦¿à¦·à§à¦Ÿ সতà§à¦¯/মিথà§à¦¯à¦¾ (বাইনাৰী) যà§à¦•à§à¦¤à¦¿à§° পৰিৱৰà§à¦¤à§‡ আনà§à¦®à¦¾à¦¨à¦¿à¦• মানৰ সৈতে কাৰà§à¦¯ কৰে, অনিশà§à¦šà¦¯à¦¼à¦¤à¦¾à§° অধীনত যà§à¦•à§à¦¤à¦¿à§° বাবে উপযোগী।
উদাহৰণ: জলবায়ৠনিয়নà§à¦¤à§à§°à¦£ বà§à¦¯à§±à¦¸à§à¦¥à¦¾à¦¤ 'কিছৠগৰম' বা 'খà§à¦¬ ঠাণà§à¦¡à¦¾'à§° দৰে অসà§à¦ªà¦·à§à¦Ÿ ইনপà§à¦Ÿà§° ওপৰত à¦à¦¿à¦¤à§à¦¤à¦¿ কৰি তাপমাতà§à§°à¦¾ সামঞà§à¦œà¦¸à§à¦¯ কৰিবলৈ বà§à¦¯à§±à¦¹à¦¾à§° কৰা হয়।
Generative Adversarial Network (GAN) (Generative Adversarial Network (GAN))
Generative Adversarial Network (GAN)
à¦à¦Ÿà¦¾ উৎপাদক মডেল আৰà§à¦•িটেকচাৰ য'ত দà§à¦Ÿà¦¾ নেটৱৰà§à¦• — à¦à¦Ÿà¦¾ জেনারেটৰ আৰৠà¦à¦Ÿà¦¾ ডিসà§à¦•à§à¦°à¦¿à¦®à¦¿à¦¨à§‡à¦Ÿà§° — আউটপà§à¦Ÿà§° গà§à¦£à¦—ত মান উনà§à¦¨à¦¤ কৰিবলৈ পà§à§°à¦¤à¦¿à¦¯à§‹à¦—িতা কৰে।
উদাহৰণ: GANবোৰ ডিপফেক à¦à¦¿à¦¡à¦¿à¦…' সৃষà§à¦Ÿà¦¿ কৰিবলৈ বা সà§à¦•েচৰ পৰা বাসà§à¦¤à§±à¦¿à¦• পণà§à¦¯à§° ফটো উৎপাদন কৰিবলৈ বà§à¦¯à§±à¦¹à¦¾à§° কৰা হয়।
Generative AI (Generative AI)
Generative AI
কৃতà§à¦°à¦¿à¦® বà§à¦¦à§à¦§à¦¿à¦®à¦¤à§à¦¤à¦¾à§° à¦à¦Ÿà¦¾ শà§à§°à§‡à¦£à§€ যিয়ে পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£ ডেটাৰ পৰা নতà§à¦¨ বিষয়বসà§à¦¤à§ — যেনে টেকà§à¦¸à¦Ÿ, ছবি, সংগীত, বা à¦à¦¿à¦¡à¦¿à¦…' — সৃষà§à¦Ÿà¦¿ কৰিব পাৰে।
উদাহৰণ: ChatGPTয়ে বà§à¦²à¦— পোষà§à¦Ÿ সৃষà§à¦Ÿà¦¿ কৰা বা Midjourneyয়ে টেকà§à¦¸à¦šà§à§±à§‡à¦² পà§à§°à¦®à§à¦ªà¦Ÿà§° পৰা ডিজিটেল আৰà§à¦Ÿà§±à§°à§à¦• সৃষà§à¦Ÿà¦¿ কৰা।
Generative Pre-trained Transformer (GPT) (Generative Pre-trained Transformer (GPT))
Generative Pre-trained Transformer (GPT)
OpenAIà§° দà§à¦¬à¦¾à§°à¦¾ বিকশিত বৃহৎ à¦à¦¾à¦·à¦¾ মডেলৰ à¦à¦Ÿà¦¾ শà§à§°à§‡à¦£à§€ যিয়ে টà§à§°à¦¾à¦¨à§à¦¸à¦«à§°à§à¦®à¦¾à§° আৰà§à¦•িটেকচাৰ বà§à¦¯à§±à¦¹à¦¾à§° কৰে আৰৠবহà§à¦¤à§‹ à¦à¦¾à¦·à¦¾ কাৰà§à¦¯ সমà§à¦ªà¦¾à¦¦à¦¨ কৰিবলৈ বিশাল পৰিমাণৰ টেকà§à¦¸à¦Ÿ ডেটাত পূৰà§à¦¬-পà§à§°à¦¶à¦¿à¦•à§à¦·à¦¿à¦¤à¥¤
উদাহৰণ: GPT-4য়ে কম পà§à§°à¦®à§à¦ªà¦Ÿà¦¿à¦‚à§° সৈতে ৰচনা লিখা, à¦à¦¾à¦·à¦¾ অনà§à¦¬à¦¾à¦¦ কৰা, আৰৠনথিপতà§à§°à§° সাৰাংশ কৰিবলৈ সকà§à¦·à¦®à¥¤
Genetic Algorithm (Genetic Algorithm)
Genetic Algorithm
পà§à§°à¦¾à¦•ৃতিক নিৰà§à¦¬à¦¾à¦šà¦¨à§° দà§à¦¬à¦¾à§°à¦¾ অনà§à¦ªà§à§°à¦¾à¦£à¦¿à¦¤ à¦à¦Ÿà¦¾ অপà§à¦Ÿà¦¿à¦®à¦¾à¦‡à¦œà§‡à¦¶à§à¦¯à¦¨ কৌশল য'ত মিউটেশà§à¦¯à¦¨, কà§à§°à¦›à¦“à¦à¦¾à§° আৰৠনিৰà§à¦¬à¦¾à¦šà¦¨à§° মাধà§à¦¯à¦®à§‡à§°à§‡ সমাধানবোৰ সময়ৰ লগে লগে বিকশিত হয়।
উদাহৰণ: সৰà§à¦¬à¦¶à§à§°à§‡à¦·à§à¦ à§° জীয়াই থকাৰ অনà§à¦•ৰণ কৰি কাৰà§à¦¯à¦•à§à¦·à¦® নিউৰেল নেটৱৰà§à¦• আৰà§à¦•িটেকচাৰ ডিজাইন কৰিবলৈ বà§à¦¯à§±à¦¹à¦¾à§° কৰা হয়।
Hallucination (Hallucination)
Hallucination
à¦à¦Ÿà¦¾ AI মডেলৰ দà§à¦¬à¦¾à§°à¦¾ বিশà§à¦¬à¦¾à¦¸à¦¯à§‹à¦—à§à¦¯ কিনà§à¦¤à§ তথà§à¦¯à¦—তà¦à¦¾à§±à§‡ à¦à§à¦² বা অৰà§à¦¥à¦¹à§€à¦¨ বিষয়বসà§à¦¤à§ উৎপাদন কৰা।
উদাহৰণ: à¦à¦Ÿà¦¾ à¦à¦¾à¦·à¦¾ মডেলে à¦à¦Ÿà¦¾ অসà§à¦¤à¦¿à¦¤à§à¦¬à¦¹à§€à¦¨ উদà§à¦§à§ƒà¦¤à¦¿ সৃষà§à¦Ÿà¦¿ কৰে বা মিছা à¦à¦¤à¦¿à¦¹à¦¾à¦¸à¦¿à¦• তথà§à¦¯ পà§à§°à¦¦à¦¾à¦¨ কৰে।
Heuristic (Heuristic)
Heuristic
সমসà§à¦¯à¦¾ সমাধানৰ à¦à¦Ÿà¦¾ বà§à¦¯à§±à¦¹à¦¾à§°à¦¿à¦• পদà§à¦§à¦¤à¦¿ যিয়ে নিখà§à¦à¦¤ সমাধানৰ নিশà§à¦šà¦¯à¦¼à¦¤à¦¾ নিদিয়ে কিনà§à¦¤à§ তাৎকà§à¦·à¦£à¦¿à¦• লকà§à¦·à§à¦¯à§° বাবে পৰà§à¦¯à¦¾à¦ªà§à¦¤à¥¤
উদাহৰণ: à¦à¦Ÿà¦¾ লজিষà§à¦Ÿà¦¿à¦•ছ AI বà§à¦¯à§±à¦¸à§à¦¥à¦¾à¦¤ ডিলিà¦à¦¾à§°à§€ সময় অনà§à¦®à¦¾à¦¨ কৰিবলৈ à¦à¦Ÿà¦¾ নিয়মৰ দৰে বà§à¦¯à§±à¦¹à¦¾à§° কৰা।
Hyperparameter (Hyperparameter)
Hyperparameter
à¦à¦Ÿà¦¾ মেচিন লারà§à¦¨à¦¿à¦‚ মডেলৰ পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£à§° পূৰà§à¦¬à§‡ নিৰà§à¦§à¦¾à§°à¦¿à¦¤ à¦à¦Ÿà¦¾ কনফিগাৰেশà§à¦¯à¦¨ মান, যেনে লারà§à¦¨à¦¿à¦‚ ৰেট বা সà§à¦¤à§°à§° সংখà§à¦¯à¦¾à¥¤
উদাহৰণ: পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£à§° গতি আৰৠমডেলৰ কাৰà§à¦¯à¦•à§à¦·à¦®à¦¤à¦¾ উনà§à¦¨à¦¤ কৰিবলৈ বেচৰ আকাৰ ৩২ৰ পৰা ১২৮লৈ সামঞà§à¦œà¦¸à§à¦¯ কৰা।
Inference (Inference)
Inference
নতà§à¦¨ ইনপà§à¦Ÿ ডেটাৰ পৰা à¦à§±à¦¿à¦·à§à¦¯à¦¦à§à¦¬à¦¾à¦£à§€ কৰিবলৈ বা আউটপà§à¦Ÿ উৎপাদন কৰিবলৈ à¦à¦Ÿà¦¾ পà§à§°à¦¶à¦¿à¦•à§à¦·à¦¿à¦¤ মেচিন লারà§à¦¨à¦¿à¦‚ মডেল বà§à¦¯à§±à¦¹à¦¾à§° কৰাৰ পà§à§°à¦•à§à§°à¦¿à¦¯à¦¼à¦¾à¥¤
উদাহৰণ: গà§à§°à¦¾à¦¹à¦• সহায়ক দলৰ বাবে ইমেইল খচৰা কৰিবলৈ à¦à¦Ÿà¦¾ ফাইন-টিউনড GPT মডেল বà§à¦¯à§±à¦¹à¦¾à§° কৰা।
Intent Detection (Intent Detection)
Intent Detection
পà§à§°à¦¾à¦•ৃতিক à¦à¦¾à¦·à¦¾ বà§à¦œà¦¾à§° à¦à¦Ÿà¦¾ কাৰà§à¦¯ য'ত বà§à¦¯à§±à¦¸à§à¦¥à¦¾à¦‡ à¦à¦Ÿà¦¾ বাৰà§à¦¤à¦¾à¦¤ বà§à¦¯à§±à¦¹à¦¾à§°à¦•াৰীৰ লকà§à¦·à§à¦¯ বা উদà§à¦¦à§‡à¦¶à§à¦¯ চিনাকà§à¦¤ কৰে।
উদাহৰণ: à¦à¦Ÿà¦¾ চà§à¦¯à¦¾à¦Ÿà¦¬à¦Ÿà¦¤, 'মই à¦à¦Ÿà¦¾ বিমান বà§à¦• কৰিব বিচাৰো'ক à¦à¦Ÿà¦¾ à¦à§à§°à¦®à¦£ বà§à¦•িংৰ উদà§à¦¦à§‡à¦¶à§à¦¯ হিচাপে চিনাকà§à¦¤ কৰা।
Internet of Things (IoT) (Internet of Things (IoT))
Internet of Things (IoT)
সংযà§à¦•à§à¦¤ পদাৰà§à¦¥à¦¿à¦• সà¦à¦œà§à¦²à¦¿à§° à¦à¦Ÿà¦¾ নেটৱৰà§à¦• যিবোৰত চেনà§à¦¸à§°, ছফà§à¦Ÿà§±à§‡à§° আৰৠঅনà§à¦¯à¦¾à¦¨à§à¦¯ পà§à§°à¦¯à§à¦•à§à¦¤à¦¿ সংমিশà§à§°à¦¿à¦¤ হৈ ডেটা সংগà§à§°à¦¹ আৰৠআদান-পà§à§°à¦¦à¦¾à¦¨ কৰে।
উদাহৰণ: সà§à¦®à¦¾à§°à§à¦Ÿ থাৰà§à¦®à§‹à¦·à§à¦Ÿà§‡à¦Ÿ আৰৠফà§à§°à¦¿à¦œ যিবোৰে বà§à¦¯à§±à¦¹à¦¾à§°à§° ডেটা ৰিপৰà§à¦Ÿ কৰে আৰৠAI বিশà§à¦²à§‡à¦·à¦£ বà§à¦¯à§±à¦¹à¦¾à§° কৰি ছেটিংছ সামঞà§à¦œà¦¸à§à¦¯ কৰে।
Interpretability (Interpretability)
Interpretability
à¦à¦Ÿà¦¾ মানৱে মেচিন লারà§à¦¨à¦¿à¦‚ মডেলৰ আà¦à§à¦¯à¦¨à§à¦¤à§°à§€à¦£ কাৰà§à¦¯à¦ªà§à¦°à¦£à¦¾à¦²à§€ আৰৠইয়াৰ সিদà§à¦§à¦¾à¦¨à§à¦¤ গà§à§°à¦¹à¦£ পà§à§°à¦•à§à§°à¦¿à¦¯à¦¼à¦¾ কিমান দূৰ বà§à¦œà¦¿à¦¬ পাৰে।
উদাহৰণ: à¦à¦Ÿà¦¾ ডিসà§à¦•à§à§°à§€à¦šà¦¨ টà§à§°à§€ à¦à¦Ÿà¦¾ ডিপ নিউৰেল নেটৱৰà§à¦•তকৈ অধিক বà§à¦¯à¦¾à¦–à§à¦¯à¦¾à¦¯à§‹à¦—à§à¦¯ কাৰণ ইয়াৰ সিদà§à¦§à¦¾à¦¨à§à¦¤à¦¬à§‹à§° অনà§à¦¸à§°à¦£à¦¯à§‹à¦—à§à¦¯à¥¤
Jupyter Notebook (Jupyter Notebook)
Jupyter Notebook
à¦à¦Ÿà¦¾ অপেন-ছৌৰà§à¦š ইনà§à¦Ÿà¦¾à§°à§‡à¦•à§à¦Ÿà¦¿à¦ কমà§à¦ªà¦¿à¦‰à¦Ÿà¦¿à¦‚ পৰিৱেশ যিয়ে বà§à¦¯à§±à¦¹à¦¾à§°à¦•াৰীক à¦à¦Ÿà¦¾ à¦à¦•ক ইণà§à¦Ÿà¦¾à§°à¦«à§‡à¦šà¦¤ কোড লিখিবলৈ, আউটপà§à¦Ÿ দৃশà§à¦¯à¦®à¦¾à¦¨ কৰিবলৈ আৰৠবিশà§à¦²à§‡à¦·à¦£ নথিà¦à§à¦•à§à¦¤ কৰিবলৈ অনà§à¦®à¦¤à¦¿ দিয়ে।
উদাহৰণ: ডেটা বিজà§à¦žà¦¾à¦¨à§€à¦¸à¦•লে মেচিন লারà§à¦¨à¦¿à¦‚ মডেল পà§à§°à¦Ÿà§‹à¦Ÿà¦¾à¦‡à¦ª কৰিবলৈ আৰৠফলাফল à¦à¦¾à¦— কৰিবলৈ জà§à¦ªà¦¿à¦Ÿà¦¾à§° নোটবà§à¦• বà§à¦¯à§±à¦¹à¦¾à§° কৰে।
K-Nearest Neighbours (KNN) (K-Nearest Neighbours (KNN))
K-Nearest Neighbours (KNN)
à¦à¦Ÿà¦¾ সহজ, অ-পà§à§°à¦šà¦¾à§°à¦¿à¦¤ মেচিন লারà§à¦¨à¦¿à¦‚ à¦à¦²à¦—ৰিদম যি শà§à§°à§‡à¦£à§€à¦•ৰণ আৰৠৰেগà§à§°à§‡à¦¶à§à¦¯à¦¨à§° বাবে বà§à¦¯à§±à¦¹à¦¾à§° কৰা হয়। ই ফিচাৰ সà§à¦ªà§‡à¦šà¦¤ নিকটতম পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£ উদাহৰণৰ ওপৰত à¦à¦¿à¦¤à§à¦¤à¦¿ কৰি সিদà§à¦§à¦¾à¦¨à§à¦¤ লয়।
উদাহৰণ: à¦à¦Ÿà¦¾ নতà§à¦¨ ফলক আপেল বা পিয়াৰ হিচাপে শà§à§°à§‡à¦£à§€à¦¬à¦¦à§à¦§ কৰিবলৈ, KNNয়ে আকাৰ আৰৠৰঙত কোনবোৰ লেবেলযà§à¦•à§à¦¤ ফল নিকটতম সেইবোৰ পৰীকà§à¦·à¦¾ কৰে।
Knowledge Graph (Knowledge Graph)
Knowledge Graph
à¦à¦Ÿà¦¾ ডেটা কাঠামো যিয়ে বসà§à¦¤à§ আৰৠতেওà¦à¦²à§‹à¦•à§° সমà§à¦ªà§°à§à¦•à§° আনà§à¦¤à¦ƒà¦¸à¦‚যà§à¦•à§à¦¤ বৰà§à¦£à¦¨à¦¾ পà§à§°à¦¤à¦¿à¦¨à¦¿à¦§à¦¿à¦¤à§à¦¬ কৰিবলৈ আৰৠসংৰকà§à¦·à¦£ কৰিবলৈ ন'ড আৰৠধাৰ বà§à¦¯à§±à¦¹à¦¾à§° কৰে।
উদাহৰণ: গà§à¦—লৰ নলেজ পেনেল à¦à¦Ÿà¦¾ নলেজ গà§à§°à¦¾à¦«à§° দà§à¦¬à¦¾à§°à¦¾ চালিত হয় যিয়ে লোক, সà§à¦¥à¦¾à¦¨ আৰৠঘটনাৰ দৰে বসà§à¦¤à§à¦¸à¦®à§‚হক সংযোগ কৰে।
Language Learning Model Optimisation (LLMO) (Language Learning Model Optimisation (LLMO))
Language Learning Model Optimisation (LLMO)
বৃহৎ à¦à¦¾à¦·à¦¾ মডেলৰ কাৰà§à¦¯à¦•à§à¦·à¦®à¦¤à¦¾, কাৰà§à¦¯à¦•াৰিতা বা অà¦à¦¿à¦¯à§‹à¦œà¦¨à¦¯à§‹à¦—à§à¦¯à¦¤à¦¾ উনà§à¦¨à¦¤ কৰিবলৈ বà§à¦¯à§±à¦¹à§ƒà¦¤ কৌশলসমূহ নিৰà§à¦¦à¦¿à¦·à§à¦Ÿ কাৰà§à¦¯ বা ডোমেইনৰ বাবে।
উদাহৰণ: উদà§à¦¯à§‹à¦—à§° বà§à¦¯à§±à¦¹à¦¾à§°à§° বাবে à¦à¦Ÿà¦¾ LLM অপà§à¦Ÿà¦¿à¦®à¦¾à¦‡à¦œ কৰিবলৈ কোৱাণà§à¦Ÿà¦¾à¦‡à¦œà§‡à¦¶à§à¦¯à¦¨ আৰৠনিৰà§à¦¦à§‡à¦¶à¦¨à¦¾ টিউনিং বà§à¦¯à§±à¦¹à¦¾à§° কৰা।
Large Language Model (LLM) (Large Language Model (LLM))
Large Language Model (LLM)
বিশাল পৰিমাণৰ টেকà§à¦¸à¦Ÿ ডেটাত পà§à§°à¦¶à¦¿à¦•à§à¦·à¦¿à¦¤ à¦à¦Ÿà¦¾ ডিপ লারà§à¦¨à¦¿à¦‚ মডেলৰ à¦à¦Ÿà¦¾ পà§à§°à¦•াৰ যিয়ে মানৱ à¦à¦¾à¦·à¦¾à§° সৈতে উৎপাদন, বà§à¦œà¦¾ আৰৠযà§à¦•à§à¦¤à¦¿ কৰিবলৈ সকà§à¦·à¦®à¥¤
উদাহৰণ: ChatGPT আৰৠClaude হৈছে LLM যিবোৰ লিখা, কোডিং আৰৠপà§à§°à¦¶à§à¦¨à§° উতà§à¦¤à§° দিয়াত সহায় কৰিবলৈ পà§à§°à¦¶à¦¿à¦•à§à¦·à¦¿à¦¤à¥¤
Latent Space (Latent Space)
Latent Space
à¦à¦Ÿà¦¾ উচà§à¦š-মাতà§à¦°à¦¿à¦• বিমূৰà§à¦¤ পà§à§°à¦¤à¦¿à¦¨à¦¿à¦§à¦¿à¦¤à§à¦¬ য'ত à¦à¦•েধৰণৰ ইনপà§à¦Ÿà¦¸à¦®à§‚হ ওচৰা-ওচৰি গোট খায়, উৎপাদক মডেল আৰৠà¦à¦®à¦¬à§‡à¦¡à¦¿à¦‚ত বà§à¦¯à§±à¦¹à§ƒà¦¤ হয়।
উদাহৰণ: ছবি উৎপাদনত, লেটেনà§à¦Ÿ সà§à¦ªà§‡à¦š পৰিচালনা কৰিলে উজà§à¦œà§à¦¬à¦²à¦¤à¦¾ বা আৱেগৰ দৰে বৈশিষà§à¦Ÿà§à¦¯ সলনি কৰিব পাৰে।
Learning Rate (Learning Rate)
Learning Rate
পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£à¦¤ à¦à¦Ÿà¦¾ মà§à¦–à§à¦¯ হাইপাৰপৰামিটাৰ যিয়ে মডেলৰ ওৱেটবোৰ লছ গà§à§°à§‡à¦¡à¦¿à¦¯à¦¼à§‡à¦¨à§à¦Ÿà§° সাপেকà§à¦·à§‡ কিমান পৰিমাণে সামঞà§à¦œà¦¸à§à¦¯ কৰা হয় সেয়া নিয়নà§à¦¤à§à§°à¦£ কৰে।
উদাহৰণ: à¦à¦Ÿà¦¾ উচà§à¦š লারà§à¦¨à¦¿à¦‚ ৰেটে মিনিমাৰ ওপৰত পাৰ কৰিব পাৰে, আনহাতে খà§à¦¬ কম ৰেটে পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£à§° অগà§à§°à¦—তি ধীৰ কৰে।
Machine Learning (ML) (Machine Learning (ML))
Machine Learning (ML)
AIà§° à¦à¦Ÿà¦¾ শাখা যিয়ে বà§à¦¯à§±à¦¸à§à¦¥à¦¾à¦• ডেটাৰ পৰা শিকিবলৈ আৰৠসà§à¦ªà¦·à§à¦Ÿà¦à¦¾à§±à§‡ পà§à§°à¦—à§à§°à¦¾à¦® কৰা অবিহনে কাৰà§à¦¯à¦•à§à¦·à¦®à¦¤à¦¾ উনà§à¦¨à¦¤ কৰিবলৈ সকà§à¦·à¦® কৰে।
উদাহৰণ: সà§à¦ªà¦¾à¦® ফিলà§à¦Ÿà¦¾à§°à§‡ পূৰà§à¦¬à§° উদাহৰণৰ ওপৰত à¦à¦¿à¦¤à§à¦¤à¦¿ কৰি ইমেইলবোৰক সà§à¦ªà¦¾à¦® বা নহয় বà§à¦²à¦¿ শà§à§°à§‡à¦£à§€à¦¬à¦¦à§à¦§ কৰিবলৈ মেচিন লারà§à¦¨à¦¿à¦‚ বà§à¦¯à§±à¦¹à¦¾à§° কৰে।
Model Drift (Model Drift)
Model Drift
à¦à¦Ÿà¦¾ ঘটনা য'ত ডেটা বা পৰিৱেশৰ পৰিৱৰà§à¦¤à¦¨à§° ফলত à¦à¦Ÿà¦¾ মডেলৰ সঠিকতা সময়ৰ লগে লগে হà§à§°à¦¾à¦¸ পায়।
উদাহৰণ: জালিয়াতিৰ কৌশল বিকশিত হোৱাৰ লগে লগে à¦à¦Ÿà¦¾ জালিয়াতি চিনাকà§à¦¤à¦•ৰণ মডেল কম সঠিক হৈ পৰে।
Model Training (Model Training)
Model Training
মেচিন লারà§à¦¨à¦¿à¦‚ মডেলত ডেটা à¦à§°à§‹à§±à¦¾ আৰৠà¦à§à¦² কমাবলৈ ইয়াৰ পৰিমাণবোৰ সামঞà§à¦œà¦¸à§à¦¯ কৰাৰ পà§à§°à¦•à§à§°à¦¿à¦¯à¦¼à¦¾à¥¤
উদাহৰণ: নতà§à¦¨ পণà§à¦¯à§° পৰামৰà§à¦¶ দিবলৈ গà§à§°à¦¾à¦¹à¦•à§° কà§à§°à¦¯à¦¼ ইতিহাসত à¦à¦Ÿà¦¾ পৰামৰà§à¦¶ ইঞà§à¦œà¦¿à¦¨ পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£ কৰা।
Multimodal AI (Multimodal AI)
Multimodal AI
AI বà§à¦¯à§±à¦¸à§à¦¥à¦¾ যিবোৰ টেকà§à¦¸à¦Ÿ, ছবি, অডিঅ', আৰৠà¦à¦¿à¦¡à¦¿à¦…'à§° দৰে বহà§à¦¤à§‹ ধৰণৰ ডেটা পà§à§°à¦•à§à§°à¦¿à¦¯à¦¼à¦¾à¦•ৰণ আৰৠà¦à¦•তà§à§°à§€à¦•ৰণ কৰিবলৈ সকà§à¦·à¦®à¥¤
উদাহৰণ: GPT-4 Visionà§° দৰে à¦à¦Ÿà¦¾ মডেল যিয়ে à¦à¦•ে সময়তে টেকà§à¦¸à¦Ÿ পঢ়িব আৰৠছবি বà§à¦¯à¦¾à¦–à§à¦¯à¦¾ কৰিব পাৰে।
Natural Language Processing (NLP) (Natural Language Processing (NLP))
Natural Language Processing (NLP)
AIà§° à¦à¦Ÿà¦¾ উপশাখা যি কমà§à¦ªà¦¿à¦‰à¦Ÿà¦¾à§° আৰৠমানৱ (পà§à§°à¦¾à¦•ৃতিক) à¦à¦¾à¦·à¦¾à§° মাজৰ আনà§à¦¤à¦ƒà¦•à§à§°à¦¿à¦¯à¦¼à¦¾à§° ওপৰত গà§à§°à§à¦¤à§à¦¬ আৰোপ কৰে। ই মেচিনক মানৱ à¦à¦¾à¦·à¦¾à¦¤ পঢ়িবলৈ, বà§à¦œà¦¿à¦¬à¦²à§ˆ আৰৠপà§à§°à¦¤à¦¿à¦•à§à§°à¦¿à¦¯à¦¼à¦¾ কৰিবলৈ সকà§à¦·à¦® কৰে।
উদাহৰণ: NLPক à¦à¦‡à¦š সহায়ক, à¦à¦¾à¦·à¦¾ অনà§à¦¬à¦¾à¦¦ à¦à¦ª আৰৠচà§à¦¯à¦¾à¦Ÿà¦¬à¦Ÿà¦¤ বà§à¦¯à§±à¦¹à¦¾à§° কৰা হয়।
Neural Network (Neural Network)
Neural Network
মানৱ মসà§à¦¤à¦¿à¦·à§à¦•à§° গঠনৰ দà§à¦¬à¦¾à§°à¦¾ অনà§à¦ªà§à§°à¦¾à¦£à¦¿à¦¤ à¦à¦Ÿà¦¾ মেচিন লারà§à¦¨à¦¿à¦‚ মডেল, যি সংযà§à¦•à§à¦¤ ন'ড (নিউৰন)à§° সà§à¦¤à§°à§°à§‡ গঠিত।
উদাহৰণ: নিউৰেল নেটৱৰà§à¦• ছবি আৰৠসà§à¦ªà§€à¦š চিনাকà§à¦¤à¦•ৰণত বà§à¦¯à§±à¦¹à§ƒà¦¤ ডিপ লারà§à¦¨à¦¿à¦‚ মডেলৰ আà¦à§°à¦¤ আছে।
Noise (Noise)
Noise
ডেটাৰ à¦à¦¿à¦¤à§°à¦¤ যথেচà§à¦›à¦¿à¦• বা অপà§à§°à¦¾à¦¸à¦‚গিক তথà§à¦¯ যিয়ে অৰà§à¦¥à¦ªà§‚à§°à§à¦£ ধৰণবোৰ ঢাকি ৰাখিব পাৰে আৰৠমডেলৰ কাৰà§à¦¯à¦•à§à¦·à¦®à¦¤à¦¾à¦¤ নেতিবাচকà¦à¦¾à§±à§‡ পà§à§°à¦à¦¾à§± পেলাব পাৰে।
উদাহৰণ: চেনà§à¦¸à§°à§° à¦à§à¦² বা টাইপ'ত à¦à§°à¦¾ ডেটা à¦à¦¨à§à¦Ÿà§à§°à§€à¦¬à§‹à§°à¦• কোলাহল হিচাপে গণà§à¦¯ কৰা হয়।
Ontology (Ontology)
Ontology
à¦à¦Ÿà¦¾ কাঠামোগত ফà§à§°à§‡à¦®à§±à§°à§à¦• যিয়ে à¦à¦Ÿà¦¾ ডোমেইনৰ à¦à¦¿à¦¤à§°à¦¤ ধাৰণা আৰৠতেওà¦à¦²à§‹à¦•à§° সমà§à¦ªà§°à§à¦•সমূহক শà§à§°à§‡à¦£à§€à¦¬à¦¦à§à¦§ কৰে আৰৠসংজà§à¦žà¦¾à¦¯à¦¼à¦¿à¦¤ কৰে, যি পà§à§°à¦¾à¦¯à¦¼à§‡ ছেমেণà§à¦Ÿà¦¿à¦• AI বà§à¦¯à§±à¦¸à§à¦¥à¦¾à¦¤ বà§à¦¯à§±à¦¹à¦¾à§° কৰা হয়।
উদাহৰণ: সà§à¦¬à¦¾à¦¸à§à¦¥à§à¦¯à¦¸à§‡à§±à¦¾à¦¤ à¦à¦Ÿà¦¾ অণà§à¦Ÿà§‹à¦²à¦œà¦¿à¦¯à¦¼à§‡ ৰোগ আৰৠচিকিৎসাৰ সৈতে লকà§à¦·à¦£à¦¬à§‹à§° কেনেকৈ সমà§à¦ªà§°à§à¦•িত সেইটো সংজà§à¦žà¦¾à¦¯à¦¼à¦¿à¦¤ কৰিব পাৰে।
Overfitting (Overfitting)
Overfitting
à¦à¦Ÿà¦¾ মডেলিংৰ à¦à§à¦² য'ত à¦à¦Ÿà¦¾ মেচিন লারà§à¦¨à¦¿à¦‚ মডেলে পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£ ডেটাত কোলাহল ধৰে আৰৠনতà§à¦¨ ডেটাত দà§à§°à§à¦¬à¦²à¦à¦¾à§±à§‡ কাৰà§à¦¯ সমà§à¦ªà¦¾à¦¦à¦¨ কৰে।
উদাহৰণ: à¦à¦Ÿà¦¾ মডেলে যিয়ে পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£à§° উতà§à¦¤à§°à¦¬à§‹à§° মà§à¦–সà§à¦¥ কৰে কিনà§à¦¤à§ অদেখা পৰীকà§à¦·à¦¾à§° ডেটাৰ সৈতে মোকাবিলা কৰিব নোৱাৰে সেয়া অতি-ফিট কৰা হয়।
Predictive Analytics (Predictive Analytics)
Predictive Analytics
à¦à¦¤à¦¿à¦¹à¦¾à¦¸à¦¿à¦• ডেটাৰ ওপৰত à¦à¦¿à¦¤à§à¦¤à¦¿ কৰি à¦à§±à¦¿à¦·à§à¦¯à¦¤à§° ফলাফলৰ সমà§à¦à¦¾à§±à¦¨à¦¾ চিনাকà§à¦¤ কৰিবলৈ ডেটা, à¦à¦²à¦—ৰিদম আৰৠAIà§° বà§à¦¯à§±à¦¹à¦¾à§°à¥¤
উদাহৰণ: খà§à¦¦à§° বিকà§à§°à§‡à¦¤à¦¾à¦¸à¦•লে নিৰà§à¦¦à¦¿à¦·à§à¦Ÿ পণà§à¦¯à§° চাহিদাৰ à¦à§±à¦¿à¦·à§à¦¯à¦¦à§à¦¬à¦¾à¦£à§€ কৰিবলৈ à¦à§±à¦¿à¦·à§à¦¯à¦¦à§à¦¬à¦¾à¦£à§€à¦®à§‚লক বিশà§à¦²à§‡à¦·à¦£ বà§à¦¯à§±à¦¹à¦¾à§° কৰে।
Pre-training (Pre-training)
Pre-training
à¦à¦Ÿà¦¾ নিৰà§à¦¦à¦¿à¦·à§à¦Ÿ কাৰà§à¦¯à§° বাবে তাক ফাইন-টিউনিং কৰাৰ আগতে à¦à¦Ÿà¦¾ ডাঙৰ, সাধাৰণ ডেটাসেটত à¦à¦Ÿà¦¾ মডেলক পà§à§°à¦¥à¦®à¦¤à§‡ পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£ দিয়াৰ পà§à§°à¦•à§à§°à¦¿à¦¯à¦¼à¦¾à¥¤
উদাহৰণ: GPT মডেলবোৰ গà§à§°à¦¾à¦¹à¦• সেৱা চà§à¦¯à¦¾à¦Ÿà¦¬à¦Ÿà§° বাবে কাসà§à¦Ÿà¦®à¦¾à¦‡à¦œ কৰাৰ আগতে ডাঙৰ কৰà§à¦ªà§‹à§°à¦¾à¦¤ পà§à§°à¦¿-টà§à§°à§‡à¦‡à¦¨ কৰা হয়।
Prompt Engineering (Prompt Engineering)
Prompt Engineering
বৃহৎ à¦à¦¾à¦·à¦¾ মডেলৰ আউটপà§à¦Ÿ নিৰà§à¦¦à§‡à¦¶à¦¨à¦¾ কৰিবলৈ কাৰà§à¦¯à¦•à§à¦·à¦® পà§à§°à¦®à§à¦ªà¦Ÿ তৈয়াৰ কৰাৰ কলা আৰৠবিজà§à¦žà¦¾à¦¨à¥¤
উদাহৰণ: 'à¦à¦Ÿà¦¾ বিনয়ী শিকà§à¦·à¦• হিচাপে উতà§à¦¤à§° দিয়ক'à§° দৰে বà§à¦¯à§±à¦¸à§à¦¥à¦¾à§° নিৰà§à¦¦à§‡à¦¶à¦¨à¦¾ যোগ কৰা পà§à§°à¦®à§à¦ªà¦Ÿ ইঞà§à¦œà¦¿à¦¨à¦¿à¦¯à¦¼à¦¾à§°à¦¿à¦‚à§° à¦à¦Ÿà¦¾ উদাহৰণ।
Quantisation (Quantisation)
Quantisation
à¦à¦Ÿà¦¾ মডেল সংকোচন কৌশল যিয়ে ওৱেট আৰৠà¦à¦•à§à¦Ÿà¦¿à¦à§‡à¦¶à§à¦¯à¦¨à¦• পà§à§°à¦¤à¦¿à¦¨à¦¿à¦§à¦¿à¦¤à§à¦¬ কৰিবলৈ বà§à¦¯à§±à¦¹à§ƒà¦¤ বিটৰ সংখà§à¦¯à¦¾ হà§à§°à¦¾à¦¸ কৰে, কাৰà§à¦¯à¦•াৰিতা উনà§à¦¨à¦¤ কৰে।
উদাহৰণ: ৩২-বিটৰ পৰা à§®-বিটলে à¦à¦Ÿà¦¾ মডেল কোৱাণà§à¦Ÿà¦¾à¦‡à¦œ কৰিলে ম'বাইল ডিà¦à¦¾à¦‡à¦šà¦¤ কাৰà§à¦¯à¦•à§à¦·à¦®à¦¤à¦¾ উনà§à¦¨à¦¤ হয়।
Quantum Computing (Quantum Computing)
Quantum Computing
কোৱাণà§à¦Ÿà¦¾à¦® মেকানিকà§à¦¸à§° ওপৰত à¦à¦¿à¦¤à§à¦¤à¦¿ কৰি কমà§à¦ªà¦¿à¦‰à¦Ÿà¦¿à¦‚à§° à¦à¦Ÿà¦¾ নতà§à¦¨ পৰিধি, যিয়ে ঘাতীয় পà§à§°à¦•à§à§°à¦¿à¦¯à¦¼à¦¾à¦•ৰণ কà§à¦·à¦®à¦¤à¦¾à§° সমà§à¦à¦¾à§±à¦¨à¦¾ ধাৰণ কৰে।
উদাহৰণ: কোৱাণà§à¦Ÿà¦¾à¦® কমà§à¦ªà¦¿à¦‰à¦Ÿà¦¿à¦‚য়ে à¦à¦¦à¦¿à¦¨ কà§à¦²à¦¾à¦›à¦¿à¦• সীমাৰ বাহিৰত AI পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£ তৰানà§à¦¬à¦¿à¦¤ কৰিব পাৰে।
Reasoning Engine (Reasoning Engine)
Reasoning Engine
AIà§° à¦à¦Ÿà¦¾ বà§à¦¯à§±à¦¸à§à¦¥à¦¾ যিয়ে নিয়ম বা অনà§à¦®à¦¿à¦¤à¦¿ à¦à¦²à¦—ৰিদম বà§à¦¯à§±à¦¹à¦¾à§° কৰি তথà§à¦¯ বা ডেটাৰ à¦à¦Ÿà¦¾ সংহতিৰ পৰা যৌকà§à¦¤à¦¿à¦• সিদà§à¦§à¦¾à¦¨à§à¦¤à¦¸à¦®à§‚হ নিষà§à¦•াশন কৰে।
উদাহৰণ: à¦à¦Ÿà¦¾ AI নিদান সà¦à¦œà§à¦²à¦¿à¦¯à¦¼à§‡ লকà§à¦·à¦£à§° ওপৰত à¦à¦¿à¦¤à§à¦¤à¦¿ কৰি সমà§à¦à¦¾à§±à§à¦¯ চিকিৎসা পৰিসà§à¦¥à¦¿à¦¤à¦¿à§° অনà§à¦®à¦¾à¦¨ কৰিবলৈ à¦à¦Ÿà¦¾ যà§à¦•à§à¦¤à¦¿ ইঞà§à¦œà¦¿à¦¨ বà§à¦¯à§±à¦¹à¦¾à§° কৰে।
Reinforcement Learning (RL) (Reinforcement Learning (RL))
Reinforcement Learning (RL)
মেচিন লারà§à¦¨à¦¿à¦‚à§° à¦à¦Ÿà¦¾ অঞà§à¦šà¦² য'ত à¦à¦œà§‡à¦£à§à¦Ÿà§‡ তেওà¦à¦²à§‹à¦•à§° পৰিৱেশৰ সৈতে কà§à§°à¦¿à¦¯à¦¼à¦¾-পà§à§°à¦¤à¦¿à¦•à§à§°à¦¿à¦¯à¦¼à¦¾à§° মাধà§à¦¯à¦®à§‡à§°à§‡ সঞà§à¦šà¦¿à¦¤ পà§à§°à¦¸à§à¦•াৰসমূহক সৰà§à¦¬à¦¾à¦§à¦¿à¦• কৰিবলৈ শেখে।
উদাহৰণ: à¦à¦Ÿà¦¾ ৰবটে RL কৌশল বà§à¦¯à§±à¦¹à¦¾à§° কৰি চেষà§à¦Ÿà¦¾ আৰৠà¦à§à¦²à§° দà§à¦¬à¦¾à§°à¦¾ খোজ কাঢ়িবলৈ শেখে।
Reinforcement Learning with Human Feedback (RLHF) (Reinforcement Learning with Human Feedback (RLHF))
Reinforcement Learning with Human Feedback (RLHF)
à¦à¦Ÿà¦¾ শিকà§à¦·à¦¾ পদà§à¦§à¦¤à¦¿ য'ত মানৱৰ পছনà§à¦¦à¦‡ AIà§° পà§à§°à¦¸à§à¦•াৰ সংকেতক নিৰà§à¦¦à§‡à¦¶à¦¨à¦¾ দিয়ে, যি à¦à¦¾à¦·à¦¾ মডেল ফাইন-টিউনিং কৰিবলৈ পà§à§°à¦¾à¦¯à¦¼à§‡ বà§à¦¯à§±à¦¹à¦¾à§° কৰা হয়।
উদাহৰণ: ChatGPTক RLHFà§° সৈতে পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£ দিয়া হৈছিল যাতে অধিক সহায়ক আৰৠসà§à§°à¦•à§à¦·à¦¿à¦¤ পà§à§°à¦¤à¦¿à¦•à§à§°à¦¿à¦¯à¦¼à¦¾ উৎপাদন কৰিব পাৰে।
Retrieval-Augmented Generation (RAG) (Retrieval-Augmented Generation (RAG))
Retrieval-Augmented Generation (RAG)
তথà§à¦¯ উদà§à¦§à¦¾à§°à¦•à§° সৈতে উৎপাদনক à¦à¦•তà§à§°à¦¿à¦¤ কৰা à¦à¦Ÿà¦¾ পদà§à¦§à¦¤à¦¿, য'ত à¦à¦Ÿà¦¾ LLMয়ে ইয়াৰ পà§à§°à¦¤à¦¿à¦•à§à§°à¦¿à¦¯à¦¼à¦¾ উনà§à¦¨à¦¤ কৰিবলৈ পà§à§°à¦¾à¦¸à¦‚গিক নথিপতà§à§° উদà§à¦§à¦¾à§° কৰে।
উদাহৰণ: à¦à¦Ÿà¦¾ AI সহায়কে à¦à¦Ÿà¦¾ কাৰিকৰী পà§à§°à¦¶à§à¦¨à§° উতà§à¦¤à§° উৎপাদন কৰাৰ সময়ত পণà§à¦¯à§° সà§à¦ªà§‡à¦šà¦¿à¦«à¦¿à¦•েশন উদà§à¦§à¦¾à§° কৰে আৰৠউদà§à¦§à§ƒà¦¤ কৰে।
Self-Supervised Learning (Self-Supervised Learning)
Self-Supervised Learning
à¦à¦Ÿà¦¾ পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£ পদà§à¦§à¦¤à¦¿ য'ত মডেলে কাà¦à¦šà¦¾ ডেটাৰ পৰা নিজৰ লেবেল উৎপাদন কৰি ধৰণ শেখে, মানৱ-à¦à¦¨à§‹à¦Ÿà§‡à¦Ÿà§‡à¦¡ ডেটাৰ ওপৰত নিৰà§à¦à§°à¦¶à§€à¦²à¦¤à¦¾ হà§à§°à¦¾à¦¸ কৰে।
উদাহৰণ: BERTক টেকà§à¦¸à¦Ÿà¦¤ হেৰà§à¦“ৱা শবà§à¦¦à§° à¦à§±à¦¿à¦·à§à¦¯à¦¦à§à¦¬à¦¾à¦£à§€ কৰি সà§à¦¬-সà§à¦ªà¦¾à§°à¦à¦¾à¦‡à¦œà¦¡ লারà§à¦¨à¦¿à¦‚à§° সৈতে পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£ দিয়া হয়।
Semantic Search (Semantic Search)
Semantic Search
à¦à¦Ÿà¦¾ অনà§à¦¸à¦¨à§à¦§à¦¾à¦¨ কৌশল যিয়ে কেৱল কীৱৰà§à¦¡ মিলতকৈ বà§à¦¯à§±à¦¹à¦¾à§°à¦•াৰীৰ উদà§à¦¦à§‡à¦¶à§à¦¯ আৰৠপà§à§°à¦¾à¦¸à¦‚গিক অৰà§à¦¥ বà§à¦œà§‡à¥¤
উদাহৰণ: 'à¦à¦Ÿà¦¾ টেপ মেৰামতি কৰাৰ উপায়' অনà§à¦¸à¦¨à§à¦§à¦¾à¦¨ কৰিলে নথিপতà§à§°à¦¤ 'টেপ মেৰামতি' শবà§à¦¦à¦Ÿà§‹ নথকাৰ পিছতো নিৰà§à¦¦à§‡à¦¶à¦¿à¦•া পà§à§°à¦¦à¦¾à¦¨ কৰে।
Sentiment Analysis (Sentiment Analysis)
Sentiment Analysis
টেকà§à¦¸à¦Ÿà¦¤ আৱেগ, মতামত বা মনোà¦à¦¾à§± চিনাকà§à¦¤ কৰাৰ পà§à§°à¦•à§à§°à¦¿à¦¯à¦¼à¦¾, যিবোৰক পà§à§°à¦¾à¦¯à¦¼à§‡ ইতিবাচক, নেতিবাচক বা নিৰপেকà§à¦· হিচাপে শà§à§°à§‡à¦£à§€à¦¬à¦¦à§à¦§ কৰা হয়।
উদাহৰণ: à¦à¦Ÿà¦¾ নতà§à¦¨ পণà§à¦¯à§° পà§à§°à¦¤à¦¿ জনসাধাৰণৰ পà§à§°à¦¤à¦¿à¦•à§à§°à¦¿à¦¯à¦¼à¦¾ মূলà§à¦¯à¦¾à¦¯à¦¼à¦¨ কৰিবলৈ টà§à¦‡à¦Ÿ বিশà§à¦²à§‡à¦·à¦£ কৰা।
Stochastic (Stochastic)
Stochastic
যথেচà§à¦›à¦¿à¦•তা বা সমà§à¦à¦¾à§±à§à¦¯ আচৰণ জড়িত, যি পà§à§°à¦¾à¦¯à¦¼à§‡ উৎপাদক AI আৰৠঅপà§à¦Ÿà¦¿à¦®à¦¾à¦‡à¦œà§‡à¦¶à§à¦¯à¦¨ à¦à¦²à¦—ৰিদমত বà§à¦¯à§±à¦¹à¦¾à§° কৰা হয়।
উদাহৰণ: GPT-4à§° আউটপà§à¦Ÿ ইয়াৰ ষà§à¦Ÿà§‹à¦•াসà§à¦Ÿà¦¿à¦• ডিক'ডিং পà§à§°à¦•à§à§°à¦¿à¦¯à¦¼à¦¾à§° বাবে à¦à¦•ে ইনপà§à¦Ÿà§° বাবে à¦à¦¿à¦¨à§à¦¨ হয়।
Strong AI (Strong AI)
Strong AI
আৰৠArtificial General Intelligence (AGI) হিচাপেও জনা যায়, যিবোৰ যনà§à¦¤à§à§°à¦¤ সকলো ডোমেইনতে মানৱ-সà§à¦¤à§°à§° জà§à¦žà¦¾à¦¨à§€à¦¯à¦¼ কà§à¦·à¦®à¦¤à¦¾ থাকে।
উদাহৰণ: à¦à¦Ÿà¦¾ à¦à§±à¦¿à¦·à§à¦¯à¦¤à§° AI যিয়ে সà§à¦¬à¦¾à¦¯à¦¼à¦¤à§à¦¤à¦¶à¦¾à¦¸à¦¿à¦¤à¦à¦¾à§±à§‡ উপনà§à¦¯à¦¾à¦¸ লিখিব পাৰে, চহৰৰ পৰিকলà§à¦ªà¦¨à¦¾ কৰিব পাৰে, আৰৠà¦à¦•েদৰে নৈতিক সমসà§à¦¯à¦¾ সমাধান কৰিব পাৰে।
Super Artificial Intelligence (SAI) (Super Artificial Intelligence (SAI))
Super Artificial Intelligence (SAI)
à¦à¦Ÿà¦¾ তাতà§à¦¤à§à¦¬à¦¿à¦• AI যিয়ে সকলো দিশতে মানৱৰ বà§à¦¦à§à¦§à¦¿à¦®à¦¤à§à¦¤à¦¾à¦• অতিকà§à§°à¦® কৰে — যà§à¦•à§à¦¤à¦¿, সৃষà§à¦Ÿà¦¿à¦¶à§€à¦²à¦¤à¦¾, আৱেগিক বà§à¦¦à§à¦§à¦¿à¦®à¦¤à§à¦¤à¦¾, ইতà§à¦¯à¦¾à¦¦à¦¿à¥¤
উদাহৰণ: à¦à¦Ÿà¦¾ SAIয়ে তাতà§à¦¤à§à¦¬à¦¿à¦•à¦à¦¾à¦¬à§‡ নতà§à¦¨ বিজà§à¦žà¦¾à¦¨ আৰৠদৰà§à¦¶à¦¨ সà§à¦¬à¦¤à¦¨à§à¦¤à§à§°à¦à¦¾à§±à§‡ বিকশিত কৰিব পাৰে।
Supervised Learning (Supervised Learning)
Supervised Learning
à¦à¦Ÿà¦¾ মেচিন লারà§à¦¨à¦¿à¦‚ কৌশল য'ত মডেলবোৰ ইনপà§à¦Ÿ-আউটপà§à¦Ÿ মেপিং শিকিবলৈ লেবেলযà§à¦•à§à¦¤ ডেটাত পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£ দিয়া হয়।
উদাহৰণ: à¦à¦¤à¦¿à¦¹à¦¾à¦¸à¦¿à¦• উদাহৰণ বà§à¦¯à§±à¦¹à¦¾à§° কৰি ইমেইলবোৰক সà§à¦ªà¦¾à¦® বা নহয় বà§à¦²à¦¿ শà§à§°à§‡à¦£à§€à¦¬à¦¦à§à¦§ কৰিবলৈ à¦à¦Ÿà¦¾ মডেলক শিকোৱা।
Synthetic Data (Synthetic Data)
Synthetic Data
কৃতà§à¦°à¦¿à¦®à¦à¦¾à§±à§‡ উৎপাদিত ডেটা যিয়ে বাসà§à¦¤à§±-বিশà§à¦¬à§° ডেটাৰ অনà§à¦•ৰণ কৰে, যিবোৰ পà§à§°à¦¾à¦¯à¦¼à§‡ পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£à§° বাবে বà§à¦¯à§±à¦¹à¦¾à§° কৰা হয় যেতিয়া বাসà§à¦¤à§± ডেটা দà§à¦·à§à¦ªà¦¾à¦ªà§à¦¯ বা সংবেদনশীল হয়।
উদাহৰণ: ৰোগীৰ গোপনীয়তা উলংঘা নকৰাকৈ নিদানমূলক মডেল পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£à§° বাবে সিনà§à¦¥à§‡à¦Ÿà¦¿à¦• চিকিৎসা ছবি সৃষà§à¦Ÿà¦¿ কৰা।
Token (Token)
Token
LLMà§° দà§à¦¬à¦¾à§°à¦¾ পà§à§°à¦•à§à§°à¦¿à¦¯à¦¼à¦¾à¦•ৃত টেকà§à¦¸à¦Ÿà§° à¦à¦Ÿà¦¾ à¦à¦•ক — সাধাৰণতে à¦à¦Ÿà¦¾ শবà§à¦¦ বা শবà§à¦¦à§° অংশ।
উদাহৰণ: 'Hello world!' বাকà§à¦¯à¦Ÿà§‹ ৩টা টোকেনত বিà¦à¦•à§à¦¤ কৰা হয়: 'Hello', 'world', আৰৠ'!'।
Tokenisation (Tokenisation)
Tokenisation
à¦à¦Ÿà¦¾ মডেলৰ দà§à¦¬à¦¾à§°à¦¾ পà§à§°à¦•à§à§°à¦¿à¦¯à¦¼à¦¾à¦•ৰণৰ বাবে টেকà§à¦¸à¦Ÿà¦• টোকেনত বিà¦à¦•à§à¦¤ কৰাৰ পà§à§°à¦•à§à§°à¦¿à¦¯à¦¼à¦¾à¥¤
উদাহৰণ: NLPত, 'ChatGPT is great' ['Chat', 'G', 'PT', 'is', 'great']লৈ পৰিণত হয়।
Transfer Learning (Transfer Learning)
Transfer Learning
অনà§à¦¯ à¦à¦Ÿà¦¾ সমà§à¦ªà§°à§à¦•িত কাৰà§à¦¯à¦¤ শিকà§à¦·à¦¾ উনà§à¦¨à¦¤ কৰিবলৈ à¦à¦Ÿà¦¾ কাৰà§à¦¯à§° পৰা জà§à¦žà¦¾à¦¨ বà§à¦¯à§±à¦¹à¦¾à§° কৰা, পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£à§° সময় আৰৠডেটাৰ পà§à§°à¦¯à¦¼à§‹à¦œà¦¨à§€à¦¯à¦¼à¦¤à¦¾ হà§à§°à¦¾à¦¸ কৰা।
উদাহৰণ: আন à¦à¦Ÿà¦¾ à¦à¦¾à¦·à¦¾à¦¤ অনà§à¦à§‚তি বিশà§à¦²à§‡à¦·à¦£ কৰিবলৈ ইংৰাজী টেকà§à¦¸à¦Ÿà¦¤ পà§à§°à¦¶à¦¿à¦•à§à¦·à¦¿à¦¤ à¦à¦Ÿà¦¾ মডেলক ফাইন-টিউনিং কৰা।
Transformer (Transformer)
Transformer
à¦à¦Ÿà¦¾ নিউৰেল নেটৱৰà§à¦• আৰà§à¦•িটেকচাৰ যিয়ে অনà§à¦•à§à§°à¦®à¦¿à¦• ডেটা মডেল কৰিবলৈ মনোযোগৰ বà§à¦¯à§±à¦¸à§à¦¥à¦¾ বà§à¦¯à§±à¦¹à¦¾à§° কৰে, LLMত বহà§à¦²à¦à¦¾à§±à§‡ বà§à¦¯à§±à¦¹à§ƒà¦¤à¥¤
উদাহৰণ: BERT, GPT, আৰৠT5 সকলোৱে টà§à§°à¦¾à¦¨à§à¦¸à¦«à§°à§à¦®à¦¾à§°-আধাৰিত মডেল।
Underfitting (Underfitting)
Underfitting
যেতিয়া à¦à¦Ÿà¦¾ মডেল পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£ ডেটাত ধৰণ ধৰিবলৈ খà§à¦¬ সৰল হয়, যাৰ ফলত দà§à§°à§à¦¬à¦² কাৰà§à¦¯à¦•à§à¦·à¦®à¦¤à¦¾ হয়।
উদাহৰণ: জটিল ছবি শà§à§°à§‡à¦£à§€à¦•ৰণৰ à¦à§±à¦¿à¦·à§à¦¯à¦¦à§à¦¬à¦¾à¦£à§€ কৰিবলৈ চেষà§à¦Ÿà¦¾ কৰা à¦à¦Ÿà¦¾ ৰৈখিক মডেলে আণà§à¦¡à¦¾à§°à¦«à¦¿à¦Ÿ কৰিব পাৰে।
Unsupervised Learning (Unsupervised Learning)
Unsupervised Learning
à¦à¦Ÿà¦¾ শিকà§à¦·à¦¾ পদà§à¦§à¦¤à¦¿ য'ত মডেলবোৰে লেবেলবিহীন ডেটাত ধৰণ বা গোটসমূহ চিনাকà§à¦¤ কৰে।
উদাহৰণ: পূৰà§à¦¬à¦¨à¦¿à§°à§à¦§à¦¾à§°à¦¿à¦¤ লেবেল অবিহনে কà§à§°à¦¯à¦¼ আচৰণৰ ওপৰত à¦à¦¿à¦¤à§à¦¤à¦¿ কৰি গà§à§°à¦¾à¦¹à¦•সকলক গোট কৰা।
User Intent (User Intent)
User Intent
à¦à¦Ÿà¦¾ বà§à¦¯à§±à¦¹à¦¾à§°à¦•াৰীৰ অনà§à¦¸à¦¨à§à¦§à¦¾à¦¨ বা কà§à§°à¦¿à¦¯à¦¼à¦¾-কলাপৰ আà¦à§°à§° লকà§à¦·à§à¦¯ বা উদà§à¦¦à§‡à¦¶à§à¦¯à¥¤
উদাহৰণ: 'à¦à¦Ÿà¦¾ কেক কেনেকৈ বেক কৰিব লাগে' টাইপ কৰা à¦à¦œà¦¨ বà§à¦¯à§±à¦¹à¦¾à§°à¦•াৰীয়ে সমà§à¦à§±à¦¤ à¦à¦Ÿà¦¾ ৰেচিপি বিচাৰে।
Validation Set (Validation Set)
Validation Set
পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£à§° সময়ত মডেলৰ কাৰà§à¦¯à¦•à§à¦·à¦®à¦¤à¦¾ মূলà§à¦¯à¦¾à¦¯à¦¼à¦¨ কৰিবলৈ আৰৠহাইপাৰপৰামিটাৰসমূহ টিউন কৰিবলৈ বà§à¦¯à§±à¦¹à§ƒà¦¤ ডেটাৰ à¦à¦Ÿà¦¾ উপসেট।
উদাহৰণ: চূড়ানà§à¦¤ পৰীকà§à¦·à¦¾à§° আগতে অতি-ফিটিং চিনাকà§à¦¤ কৰিবলৈ বà§à¦¯à§±à¦¹à¦¾à§° কৰা হয়।
Vector Database (Vector Database)
Vector Database
AI কাৰà§à¦¯ যেনে সাদৃশà§à¦¯ অনà§à¦¸à¦¨à§à¦§à¦¾à¦¨ আৰৠRAGত বà§à¦¯à§±à¦¹à§ƒà¦¤ à¦à§‡à¦•à§à¦Ÿà§° à¦à¦®à¦¬à§‡à¦¡à¦¿à¦‚সমূহ সংৰকà§à¦·à¦£ আৰৠঅনà§à¦¸à¦¨à§à¦§à¦¾à¦¨ কৰিবলৈ ডিজাইন কৰা à¦à¦Ÿà¦¾ ডাটাবেচ।
উদাহৰণ: Pinecone আৰৠWeaviate হৈছে টেকà§à¦¸à¦Ÿ বা ছবি à¦à¦®à¦¬à§‡à¦¡à¦¿à¦‚ সংৰকà§à¦·à¦£à§° বাবে à¦à§‡à¦•à§à¦Ÿà§° ডাটাবেচ।
Vector Embedding (Vector Embedding)
Vector Embedding
à¦à¦Ÿà¦¾ à¦à§‡à¦•à§à¦Ÿà§° সà§à¦ªà§‡à¦šà¦¤ অৰà§à¦¥à¦—ত তাৎপৰà§à¦¯ আৰৠসমà§à¦ªà§°à§à¦•সমূহ সংৰকà§à¦·à¦£ কৰা ডেটাৰ à¦à¦Ÿà¦¾ সাংখà§à¦¯à¦¿à¦• পà§à§°à¦¤à¦¿à¦¨à¦¿à¦§à¦¿à¦¤à§à¦¬à¥¤
উদাহৰণ: 'king' আৰৠ'queen' শবà§à¦¦à¦¬à§‹à§°à§° à¦à¦•েধৰণৰ à¦à¦®à¦¬à§‡à¦¡à¦¿à¦‚ আছে য'ত লিংগৰ সূকà§à¦·à§à¦® পাৰà§à¦¥à¦•à§à¦¯ আছে।
Virtual Assistant (Virtual Assistant)
Virtual Assistant
à¦à¦Ÿà¦¾ AI-চালিত ছফà§à¦Ÿà§±à§‡à§° à¦à¦œà§‡à¦£à§à¦Ÿ যিয়ে বà§à¦¯à§±à¦¹à¦¾à§°à¦•াৰীক কথোপকথন বা à¦à¦‡à¦š কমাণà§à¦¡à§° মাধà§à¦¯à¦®à§‡à§°à§‡ কাৰà§à¦¯ সমà§à¦ªà¦¾à¦¦à¦¨ কৰাত সহায় কৰে।
উদাহৰণ: চিৰি, আলেকà§à¦¸à¦¾, আৰৠগà§à¦—ল সহায়ক জনপà§à§°à¦¿à¦¯à¦¼ à¦à¦¾à§°à§à¦šà§à§±à§‡à¦² সহায়ক।
Voice Recognition (Voice Recognition)
Voice Recognition
উচà§à¦šà¦¾à§°à¦¿à¦¤ à¦à¦¾à¦·à¦¾à¦• টেকà§à¦¸à¦Ÿ বা কাৰà§à¦¯à¦²à§ˆ বà§à¦¯à¦¾à¦–à§à¦¯à¦¾ আৰৠৰূপানà§à¦¤à§° কৰা পà§à§°à¦¯à§à¦•à§à¦¤à¦¿à¥¤
উদাহৰণ: à¦à¦‡à¦š টাইপিং আৰৠà¦à¦‡à¦š কমাণà§à¦¡à¦¬à§‹à§° à¦à¦‡à¦š ৰিকগনিশন বà§à¦¯à§±à¦¸à§à¦¥à¦¾à§° ওপৰত নিৰà§à¦à§° কৰে।
Weak AI (Weak AI)
Weak AI
AI বà§à¦¯à§±à¦¸à§à¦¥à¦¾ যিবোৰ à¦à¦Ÿà¦¾ সংকীৰà§à¦£, নিৰà§à¦¦à¦¿à¦·à§à¦Ÿ কাৰà§à¦¯ সমà§à¦ªà¦¾à¦¦à¦¨ কৰিবলৈ ডিজাইন কৰা হয় সাধাৰণ বà§à¦¦à§à¦§à¦¿à¦®à¦¤à§à¦¤à¦¾à§° অবিহনে।
উদাহৰণ: à¦à¦Ÿà¦¾ দবা খেলিব পৰা AI যিয়ে à¦à¦¾à¦·à¦¾ বà§à¦œà¦¿à¦¬ নোৱাৰে বা গাড়ী চলাব নোৱাৰে সেয়া দà§à§°à§à¦¬à¦² AIà§° à¦à¦Ÿà¦¾ উদাহৰণ।
Web Scraping (Web Scraping)
Web Scraping
ৱেবছাইটৰ পৰা তথà§à¦¯à§° সà§à¦¬à¦¯à¦¼à¦‚কà§à¦°à¦¿à¦¯à¦¼ নিষà§à¦•াশন, যিবোৰ পà§à§°à¦¾à¦¯à¦¼à§‡ পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£ ডেটা সংগà§à§°à¦¹ কৰিবলৈ বা বিষয়বসà§à¦¤à§ নিৰীকà§à¦·à¦£ কৰিবলৈ বà§à¦¯à§±à¦¹à¦¾à§° কৰা হয়।
উদাহৰণ: à¦à¦Ÿà¦¾ সমà§à¦ªà¦¤à§à¦¤à¦¿ মূলà§à¦¯à¦¾à¦¯à¦¼à¦¨ মডেল পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£à§° বাবে ৰিয়েল à¦à¦·à§à¦Ÿà§‡à¦Ÿ তালিকা সà§à¦•à§à§°à§‡à¦ª কৰা।
Weight (Weight)
Weight
নিউৰেল নেটৱৰà§à¦•ত à¦à¦Ÿà¦¾ পৰিমাণ যিয়ে à¦à¦Ÿà¦¾ ন'ডৰ আন à¦à¦Ÿà¦¾ ন'ডৰ ওপৰত পà§à§°à¦à¦¾à§±à§° শকà§à¦¤à¦¿ নিৰà§à¦§à¦¾à§°à¦£ কৰে।
উদাহৰণ: মডেলৰ à¦à§à¦² কমাবলৈ পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£à§° সময়ত ওৱেটবোৰ সামঞà§à¦œà¦¸à§à¦¯ কৰা হয়।
Whisper (Whisper)
Whisper
OpenAIà§° দà§à¦¬à¦¾à§°à¦¾ বিকশিত à¦à¦Ÿà¦¾ সà§à¦ªà§€à¦š-টà§-টেকà§à¦¸à¦Ÿ মডেল যিয়ে বহà§à¦¤à§‹ à¦à¦¾à¦·à¦¾à¦¤ অডিঅ' লিপà§à¦¯à¦™à§à¦•ৰণ কৰিবলৈ সকà§à¦·à¦®à¥¤
উদাহৰণ: হà§à¦‡à¦¸à§à¦ªà¦¾à§°à§‡ উচà§à¦š সঠিকতাৰে বকà§à¦¤à§ƒà¦¤à¦¾ আৰৠপ'ডকাষà§à¦Ÿ লিপà§à¦¯à¦™à§à¦•ৰণ কৰিব পাৰে।
YAML (YAML)
YAML
ডেটা চিৰিয়ালাইজেচনৰ বাবে à¦à¦Ÿà¦¾ মানৱ-পাঠযোগà§à¦¯ বিনà§à¦¯à¦¾à¦¸, যি মেচিন লারà§à¦¨à¦¿à¦‚ কাৰà§à¦¯à¦ªà§à§°à¦¬à¦¾à¦¹à¦¤ কনফিগাৰেশà§à¦¯à¦¨ ফাইলৰ বাবে সাধাৰণতে বà§à¦¯à§±à¦¹à¦¾à§° কৰা হয়।
উদাহৰণ: PyTorchত পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£à§° বাবে à¦à¦Ÿà¦¾ YAML ফাইলত মডেল পৰিমাণবোৰ সংজà§à¦žà¦¾à¦¯à¦¼à¦¿à¦¤ কৰা।
Zero-shot Learning (Zero-shot Learning)
Zero-shot Learning
à¦à¦Ÿà¦¾ মডেলৰ সাধাৰণ জà§à¦žà¦¾à¦¨à§° দà§à¦¬à¦¾à§°à¦¾ যিবোৰ কাৰà§à¦¯à¦¤ ইয়াক সà§à¦ªà¦·à§à¦Ÿà¦à¦¾à§±à§‡ পà§à§°à¦¶à¦¿à¦•à§à¦·à¦£ দিয়া হোৱা নাই সেইবোৰ সমà§à¦ªà¦¾à¦¦à¦¨ কৰাৰ কà§à¦·à¦®à¦¤à¦¾à¥¤
উদাহৰণ: à¦à¦Ÿà¦¾ মডেলে আইনী ডেটাত বিশেষà¦à¦¾à§±à§‡ পà§à§°à¦¶à¦¿à¦•à§à¦·à¦¿à¦¤ নোহোৱাকৈ আইনী পà§à§°à¦¶à§à¦¨à§° উতà§à¦¤à§° দিয়া।
Zettabyte (Zettabyte)
Zettabyte
à¦à¦Ÿà¦¾ ডিজিটেল ডেটাৰ à¦à¦•ক যি à¦à¦Ÿà¦¾ ছেকà§à¦¸à¦Ÿà¦¿à¦²à¦¿à¦¯à¦¼à¦¨ (১০^২১) বাইটৰ সমান, যি পà§à§°à¦¾à¦¯à¦¼à§‡ ইণà§à¦Ÿà¦¾à§°à¦¨à§‡à¦Ÿ ডেটাৰ সà§à¦•েল বৰà§à¦£à¦¨à¦¾ কৰিবলৈ বà§à¦¯à§±à¦¹à¦¾à§° কৰা হয়।
উদাহৰণ: ২০১৬ চনৰ à¦à¦¿à¦¤à§°à¦¤ বিশà§à¦¬à¦¬à§à¦¯à¦¾à¦ªà§€ ইণà§à¦Ÿà¦¾à§°à¦¨à§‡à¦Ÿ টà§à§°à§‡à¦«à¦¿à¦• à§§ জেটà§à¦Ÿà¦¾à¦¬à¦¾à¦‡à¦Ÿ পà§à§°à¦¤à¦¿ বছৰ অতিকà§à§°à¦® কৰিছিল।