২০১৬ সালের নভেম্বরে IBM-এর আমি এবং আমার তিন সহকর্মী "Using Analytics to Analyse a Musical Performance in Real Time" শিরোনামে একটি পেটেন্ট আবেদন দাখিল করি (US 2018/0137425 A1 হিসেবে প্রকাশিত)। দৃশ্যপট ছিল একটি রক কনসার্ট: এক গিটারবাদকের যন্ত্রে একটি অন্তর্নির্মিত সেন্সর থাকে, ক্যামেরা দর্শকদের মুখাবয়ব ও শারীরিক ভঙ্গি পড়ে, আর ভক্তরা নিজেদের ফোন থেকে লাইক ও ডিসলাইক পাঠায়। একটি ব্যবস্থা এসব তথ্য রিয়েল টাইমে একত্র করে পরিবেশনা ভালো চলছে কি না সে বিষয়ে একটি সমন্বিত সিদ্ধান্ত তৈরি করে, এবং সংশোধনের সময় থাকতেই পরিবেশককে সতর্ক করে। এক বাস্তবায়নে, গিটারের গলায় একটি LED সঠিক বাজনায় সবুজ, ছন্দ টললে হলুদ এবং ভুল নোটে লাল দেখায়। আমরা এই মূল অংশটিকে "কৃত্রিম বুদ্ধিমত্তা অ্যানালিটিক্স ইঞ্জিন" বলেছিলাম, কারণ ২০১৬ সালে আমাদের হাতে এই শব্দভাণ্ডারই ছিল।
দশ বছর পর, আমি উৎপাদন পরিবেশে এজেন্টিক এআই ব্যবস্থার জন্য ডেটা আর্কিটেকচার নকশা করি। পেটেন্টটি আবার পড়তে গিয়ে আমি বিস্মিত হই যে এটি একটি এআই এজেন্টের গঠনের সঙ্গে কতটা মেলে: মাল্টিমোডাল উপলব্ধি, প্রসঙ্গ একত্রীকরণ, ঘটনাভিত্তিক ও শব্দার্থিক স্মৃতির ওপর ভিত্তি করে অনুমান, একটি মূল্যায়ন ফাংশন, এবং লুপে থাকা মানুষের মাধ্যমে কার্যকর করা, সবই কঠোর রিয়েল-টাইম সীমাবদ্ধতার মধ্যে। এর জন্য আমাদের ভাষা ছিল না, কিন্তু লুপটি আমাদের হাতে ছিল।
স্পেসিফিকেশনে সাতটি অংশ আছে। উপলব্ধি তিনটি ধরনে কাজ করে: যন্ত্রের সেন্সর সময়, পিচ, সুর ও আওয়াজের মাত্রা জানায়; ক্যামেরা দর্শকদের অনিচ্ছাকৃত সংকেত ধরে; আর একটি নেটওয়ার্ক পথ রেটিং ও মন্তব্যের মতো ইচ্ছাকৃত প্রতিক্রিয়া বহন করে। একটি ফিডব্যাক অ্যাগ্রিগেটর এই ইনপুটগুলো ট্যাগ, সাজানো ও পুনর্গঠন করে, আজ যাকে প্রসঙ্গ ইঞ্জিনিয়ারিং বলা হতো। এরপর অ্যানালিটিক্স ইঞ্জিন অতীতের আর্কাইভ করা পরিবেশনার ভান্ডার এবং একটি জ্ঞানভান্ডারের ভিত্তিতে পরিবেশনার বৈশিষ্ট্য অনুমান করে, যা প্রতিক্রিয়াকে শব্দার্থিক অর্থ দেয়।
এই মিল নিখুঁত নয়। নকশাটি এজেন্টের কাঠামো ঠিকভাবে ধরেছিল, কিন্তু অন্য কিছু সমস্যা এড়িয়ে গিয়েছিল, আর সেই ফাঁকগুলো আজও এজেন্ট নির্মাতাদের জন্য কার্যকর শিক্ষা দেয়।
উৎস: Towards Data Science · সারাংশ: HeadlinesBriefing