মেশিন কীভাবে ডেটা থেকে শেখে

"মডেল শিখেছে" — কথাটা রহস্যময় শোনালেও আসলে তা নয়। মেশিনের কাছে শেখা মানে: জানা উদাহরণে উত্তর ভালো না হওয়া পর্যন্ত কিছু সংখ্যা ঠিক করতে থাকা — তারপর সেই সংখ্যাগুলো নতুন ইনপুটে ব্যবহার করা।

তিনটা উপাদান

1. ডেটা — অনেক উদাহরণ। বাড়ির দাম অনুমানের মডেলের জন্য: আকার, এলাকা, দাম। ভাষা মডেলের জন্য: বিপুল পরিমাণ লেখা।
2. মডেল — একটা গাণিতিক ফাংশন, যার ভেতরে কিছু পরিবর্তনযোগ্য সংখ্যা থাকে — এদের বলে প্যারামিটার (বা ওয়েট)। বড় ভাষা মডেলে এরকম শত শত কোটি প্যারামিটার থাকে।
3. ট্রেনিং পদ্ধতি — বারবার: একটা অনুমান করো, কতটা ভুল হলো মাপো (একে বলে loss), প্যারামিটারগুলো একটু বদলাও যাতে ভুল কমে।

ট্রেনিং বনাম ইনফারেন্স

পড়ে বোঝা যায় এমন একটা ছোট্ট শেখার লুপ

# উদাহরণ থেকে y = w * x শেখা, যেখানে আসল w হলো 3
data = [(1, 3), (2, 6), (3, 9), (4, 12)]
w = 0.0                     # একমাত্র "প্যারামিটার", শুরুতে ভুল
learning_rate = 0.01

for step in range(200):
    for x, y in data:
        prediction = w * x
        error = prediction - y          # কতটা ভুল
        w -= learning_rate * error * x  # ভুল কমাতে w একটু বদলাও

print(round(w, 3))  # ~3.0 — উদাহরণ থেকে শেখা, হাতে লেখা নয়

আসল মডেলগুলো ঠিক এই ধারণাটাই বিশাল আকারে করে: একটার বদলে শত শত কোটি প্যারামিটার, আর চার জোড়া সংখ্যার বদলে বিপুল লেখা।

শেখার তিনটা সাধারণ ধরন

• সুপারভাইজড — উদাহরণের সাথে সঠিক উত্তর (লেবেল) থাকে: "এই ইমেইলটা স্প্যাম"।
• আনসুপারভাইজড — লেবেল নেই; মডেল নিজে কাঠামো খোঁজে, যেমন একই ধরনের গ্রাহকদের দল।
• সেলফ-সুপারভাইজড — উত্তরটা ডেটার ভেতরেই লুকানো থাকে। ভাষা মডেল এভাবেই শেখে: পরের শব্দটা লুকিয়ে মডেলকে অনুমান করতে বলা হয়। মানুষকে লেবেল দিতে হয় না — তাই এত বিপুল লেখা থেকে শেখা সম্ভব।

মূল কথা

• শেখা = উদাহরণে ভুল কমাতে প্যারামিটার বদলানো।
• ট্রেনিং হয় প্রকাশের আগে; ইনফারেন্স হয় আপনি যখন মডেল ব্যবহার করেন।
• ভাষা মডেল সেলফ-সুপারভাইজড পদ্ধতিতে, লুকানো পরের শব্দ অনুমান করে শেখে।