AI Hivemind-এর অবসান: কীভাবে Flint LLM-এর Groupthink-এর বিরুদ্ধে লড়াই করছে

ChatGPT এবং Claude-এর মতো লার্জ ল্যাঙ্গুয়েজ মডেলগুলো কোডিং এবং গবেষণায় পারদর্শী হলেও, এগুলো ক্রমশ একটি অনুমেয় "groupthink"-এর ফাঁদে পা দিচ্ছে। মূলধারার মডেলগুলো যখন উচ্চ-সম্ভাবনাময় এবং পুনরাবৃত্তিমূলক উত্তরের দিকে ঝুঁকে পড়ছে, তখন একটি নতুন স্টার্টআপ জেনারেটিভ AI ইকোসিস্টেমে প্রয়োজনীয় বৈচিত্র্য বা ভিন্নতা নিয়ে আসার চেষ্টা করছে।

সমস্যা: "Artificial Hivemind" প্রভাব

বর্তমান LLM উন্নয়নের একটি উল্লেখযোগ্য সীমাবদ্ধতা হলো মডেলগুলোর পরিসংখ্যানগতভাবে সবচেয়ে সম্ভাব্য উত্তরের দিকে ঝুঁকে পড়ার প্রবণতা, যা গবেষকদের মতে একটি "Artificial Hivemind" বা কৃত্রিম সমষ্টিগত চিন্তার ঘটনা তৈরি করে। NeurIPS পুরস্কার বিজয়ী একটি গবেষণাপত্র, “Artificial Hivemind: The Open-Ended Homogeneity of Language Models (and Beyond),” এই গভীরস্থ পুনরাবৃত্তিকে উন্মোচিত করেছে।

গবেষণা দলটি চীনের ওপেন-সোর্স সংস্করণ এবং আমেরিকার প্রধান মডেলগুলোসহ ২৫টি ভিন্ন ভিন্ন LLM পরীক্ষা করেছে। যখন "সময়"-এর জন্য একটি রূপক দিতে বলা হয়েছিল, তখন ১,২৫০টি উত্তরের বিশাল অংশই "Time is a river" (সময় একটি নদী) বা "Time is a weaver" (সময় একজন তাঁতি)-এর মতো গতানুগতিক বা ক্লিশে উত্তরের দিকে ঝুঁকে পড়েছিল। এই বৈচিত্র্যের অভাব কেবল একটি অদ্ভুত বিষয় নয়; এটি নির্ভরযোগ্যতা এবং সামঞ্জস্যতা সর্বোচ্চ করার মূল লক্ষ্য নিয়ে একই ধরনের ডেটাসেটের ওপর মডেল প্রশিক্ষণের একটি ফলাফল। OpenAI স্বীকার করেছে যে, নতুনত্বের জন্য অতিরিক্ত চাপ দিলে কখনও কখনও দুর্বল এবং কম নির্ভরযোগ্য উত্তর আসতে পারে, আর এই কারণেই বেশিরভাগ মডেল নিরাপদ এবং "উচ্চ-সম্ভাবনাময়" (high-probability) আউটপুট প্রদান করে।

Flint-এর আগমন: অনুমেয়তার চেয়ে বৈচিত্র্যকে অগ্রাধিকার দেওয়া

অস্ট্রেলিয়ান স্টার্টআপ Springboards তাদের নতুন মডেল, Flint-এর মাধ্যমে এই স্থিতাবস্থাকে চ্যালেঞ্জ জানাচ্ছে। মূলধারার মডেলগুলো যেখানে যেকোনো মূল্যে হ্যালুসিনেশন (hallucinations) রোধ করার চেষ্টা করে, সেখানে Springboards-এর CEO Pip Bingemann যুক্তি দেন যে, সৃজনশীল কাজের জন্য কিছুটা অপ্রত্যাশিত ভিন্নতা বা বৈচিত্র্য প্রয়োজন।

ব্যবহারিক পরীক্ষায়, আউটপুট ডিস্ট্রিবিউশনের পার্থক্যটি অত্যন্ত স্পষ্ট:

  • র‍্যান্ডমনেস (Randomness): একটি র‍্যান্ডম নম্বর চাইলে ChatGPT এবং Claude প্রায়ই "7" প্রদান করে, যেখানে Flint "3.7916"-এর মতো উচ্চ-নির্ভুল এবং অ-প্রমিত নম্বর প্রদান করে।
  • ক্রিয়েটিভ ব্র্যান্ডিং: New Balance-এর জন্য একটি ট্যাগলাইন চাইলে Claude এবং ChatGPT উভয়ই "Run your way" প্রদান করে, যেখানে Flint একটি ভিন্ন বিকল্প দেয়: "Built to last, run to win"।
  • বিশেষ্য নির্বাচন (Noun Selection): যেখানে মূলধারার মডেলগুলো Toyota বা Honda-এর মতো "নিরাপদ" ব্র্যান্ডের দিকে ঝুঁকে থাকে, সেখানে Flint Ford F-150-এর মতো কম অনুমেয় বিকল্প নির্বাচন করে একটি বিস্তৃত পরিসর প্রদর্শন করে।

পেশাদারদের জন্য একটি সৃজনশীল টুল

Springboards কেবল একটি স্বতন্ত্র মডেলই তৈরি করছে না; তারা বিজ্ঞাপন এবং মার্কেটিং পেশাদারদের জন্য একটি বিশেষায়িত টুল তৈরি করছে। এই প্ল্যাটফর্মটি ব্যবহারকারীদের ChatGPT এবং Claude-সহ একাধিক মডেলের আউটপুট একত্রিত করার এবং সেগুলো ব্যবহার করে নতুন ধারণা তৈরি করার সুযোগ দেয়। Flint এই ইকোসিস্টেমের মধ্যে একটি "সৃজনশীল প্রক্ষেপক" (creative catapult) হিসেবে কাজ করে, যা বিশেষভাবে ব্যবহারকারীদের তাদের বিদ্যমান মানসিক কাঠামোর বাইরে নিয়ে যাওয়ার জন্য ডিজাইন করা হয়েছে।

77X-এর চিফ স্ট্র্যাটেজি অফিসার Zoe Scaman উল্লেখ করেছেন যে, মূলধারার মডেলগুলো প্রায়ই একই একঘেয়ে সমাধান (যেমন "মজাদার উপায়ে আর্থিক সাক্ষরতা শেখানো") প্রদান করে, যেখানে Flint দৃষ্টিভঙ্গির আমূল পরিবর্তন নিয়ে আসে; যেমন সম্পদের ধারণাটির (wealth accumulation) সম্পূর্ণ রিব্র্যান্ডিং করার পরামর্শ দেওয়া।

মূল বিষয়সমূহ

  • LLM সমজাতীয়তা (Homogeneity): একই ধরনের প্রশিক্ষণ পদ্ধতির কারণে প্রধান মডেলগুলো একই ধরনের অনুমেয় উত্তরের দিকে ঝুঁকে পড়ছে, যা একটি "Artificial Hivemind" প্রভাব তৈরি করছে।
  • Flint-এর পদ্ধতি: Springboards-এর Flint মডেল উত্তরের বৈচিত্র্য এবং ভিন্নতাকে অগ্রাধিকার দেয়, যা এটিকে সাধারণ মডেলের তুলনায় ব্রেইনস্টর্মিং এবং সৃজনশীল কৌশলের জন্য আরও উপযোগী করে তোলে।
  • নির্ভরযোগ্যতার ভারসাম্যহীনতা (Reliability Trade-off): শিল্পটি মডেলের নির্ভরযোগ্যতা (উচ্চ-সম্ভাবনাময় সীমার মধ্যে থাকা) এবং সৃজনশীল নতুনত্বের (কম-সম্ভাবনাময় ও বৈচিত্র্যময় আউটপুট গ্রহণ করা) মধ্যে একটি মৌলিক টানাপোড়েনের সম্মুখীন হচ্ছে।