𝗘𝘅𝗽𝗹𝗮𝗶𝗻𝗮𝗯𝗹𝗲 𝗖𝗮𝘂𝘀𝗮𝗹 𝗥𝗟 𝗳𝗼𝗿 𝗦𝗮𝘁𝗲𝗹𝗹𝗶𝘁𝗲 𝗔𝗻𝗼𝗺𝗮𝗹𝘆 𝗥𝗲𝘀𝗽𝗼𝗻𝘀𝗲
স্ট্যান্ডার্ড রিইনফোর্সমেন্ট লার্নিং (RL) একটি ব্ল্যাক বক্সের মতো কাজ করে। এটি ডেটা থেকে প্যাটার্ন শেখে কিন্তু কেন কোনো কিছু ঘটছে তা বুঝতে পারে না।
স্যাটেলাইট অপারেশনের ক্ষেত্রে এটি বিপজ্জনক। যদি একটি এজেন্ট সৌরশক্তির হ্রাস দেখে, তবে এটি ধরে নিতে পারে যে সূর্যের আলো কমে যাচ্ছে। কিন্তু আসল কারণ যদি মহাকাশের ধ্বংসাবশেষ (space debris) হয়, তবে এজেন্টের প্রতিক্রিয়া পুরো সিস্টেমটিকে অচল করে দিতে পারে।
আমি একটি সমাধান নিয়ে গবেষণা করেছি: এক্সপ্লেইনেবল কজাল রিইনফোর্সমেন্ট লার্নিং (ECRL)।
এই পদ্ধতিটি স্ট্রাকচারাল কজাল মডেল (SCM) ব্যবহার করে। শুধুমাত্র কোরিলেশন বা পারস্পরিক সম্পর্ক দেখার পরিবর্তে, এজেন্ট কার্যকারণ সম্পর্ক (cause and effect) বুঝতে পারে। এটি উত্তর দিতে পারে: "আমি যদি ভিন্ন কোনো পদক্ষেপ নিতাম তবে কী হতো?"
বৈশ্বিক দলগুলোর সাথে কাজ করার সময় এটি অত্যন্ত গুরুত্বপূর্ণ। ইঞ্জিনিয়ার, মিশন প্ল্যানার এবং নিয়ন্ত্রক (regulators)—সবারই উত্তরের প্রয়োজন হয়। তাদের ভাষা এবং প্রয়োজনও ভিন্ন ভিন্ন।
আমার গবেষণা তিনটি স্তম্ভের ওপর আলোকপাত করেছে:
- কজাল ডিসকভারি (Causal Discovery): এজেন্ট থ্রাস্টার তাপমাত্রা এবং ফুয়েল ফ্লো-এর মতো ভেরিয়েবলগুলোর মধ্যে সম্পর্ক শেখে।
- এক্সপ্লেইনেবিলিটি (Explainability): এজেন্ট একটি যুক্তিনির্ভর পথ (reasoning path) তৈরি করে। এটি প্রতিটি সিদ্ধান্তের পেছনের "কেন" বা কারণটি দেখায়।
- মাল্টিলিঙ্গুয়াল অ্যাডাপ্টেশন (Multilingual Adaptation): সিস্টেমটি প্রযুক্তিগত যুক্তিগুলোকে বিভিন্ন ভাষায় অনুবাদ করে।
আমি দেখেছি যে শুধুমাত্র অনুবাদ করাই যথেষ্ট নয়। সাংস্কৃতিক প্রেক্ষাপটও গুরুত্বপূর্ণ।
- জাপানি স্টেকহোল্ডাররা প্রায়শই এমন সারসংক্ষেপ পছন্দ করেন যা দলগত ঐকমত্যের (group consensus) ওপর জোর দেয়।
- জার্মান স্টেকহোল্ডাররা প্রায়শই সুনির্দিষ্ট সম্ভাবনা (probabilities) এবং ডেটা চান।
- আরবিভাষী কর্মকর্তাদের আনুষ্ঠানিক এবং নিরাপত্তা-কেন্দ্রিক যুক্তির প্রয়োজন হতে পারে।
ECRL সিস্টেমটি একটি তিন-স্তরের ব্যাখ্যা হায়ারার্কি (explanation hierarchy) তৈরির মাধ্যমে এই প্রয়োজনগুলো পূরণ করে:
- এক্সিকিউটিভ লেভেল (Executive Level): দ্রুত সিদ্ধান্তের জন্য সহজ সারসংক্ষেপ।
- টেকনিক্যাল লেভেল (Technical Level): ইঞ্জিনিয়ারদের জন্য বিস্তারিত কজাল পাথ।
- ডিপ লেভেল (Deep Level): গবেষকদের জন্য পূর্ণাঙ্গ গাণিতিক প্রমাণ।
কার্যকারণ সম্পর্কের (causality) সাথে মাল্টিলিঙ্গুয়াল AI-কে যুক্ত করার মাধ্যমে, আমরা ব্ল্যাক-বক্স অটোমেশন থেকে স্বচ্ছ এবং নির্ভরযোগ্য স্যাটেলাইট অপারেশনের দিকে এগিয়ে যাচ্ছি।
ঐচ্ছিক লার্নিং কমিউনিটি: https://t.me/GyaanSetuAi