অডিও ও মাল্টিমোডাল যাচাই: ট্রান্সক্রিপ্ট, বক্তা ও যা জানা সম্ভব নয়

একটা লম্বা রিপোর্ট, একটা রেকর্ড করা মিটিং আর হাতে লেখা সাইনবোর্ডের ছবি দেখতে আলাদা, কিন্তু ঝুঁকি একই: মডেল আসলের একটা প্রক্রিয়াজাত রূপ নিয়ে কাজ করে। ডকুমেন্ট ভেঙে হয় টেক্সট ও পৃষ্ঠা, রেকর্ডিং হয় ট্রান্সক্রিপ্ট, ছবি হয় বর্ণনা। প্রতিটা ধাপে কিছু হারাতে বা বদলাতে পারে, আর সাবলীল উত্তর সেই ক্ষতি আড়াল করে। ছবি ও ডকুমেন্ট: বর্ণনা, ট্রান্সক্রাইব করা ও সতর্ক প্রশ্ন পাতায় আপনি একটা ছবি বা ছোট ডকুমেন্ট বর্ণনা, ট্রান্সক্রাইব ও প্রশ্ন করতে শিখেছেন। এই পাতায় আরও এগোনো হবে: লম্বা ডকুমেন্ট ধাপে ধাপে, অডিও ও ট্রান্সক্রিপ্ট, আর প্রতিটা ফলাফল আসলের সঙ্গে মিলিয়ে দেখার অভ্যাস।

এই টিউটোরিয়ালের পাতায় ছবি বা শব্দ নেই। নিচের প্রতিটা "ফাইল" হয় টেক্সট হিসেবে পাতায় ছাপা, নয়তো কথায় বর্ণনা করা। চর্চার সময় আপনার অ্যাপ সমর্থন করলে নিজের ফাইল ব্যবহার করুন, না করলে ছাপা টেক্সট ব্যবহার করুন।

যা শিখবেন

• লম্বা ডকুমেন্টে ধাপে ধাপে প্রশ্ন করা, পৃষ্ঠা বা সেকশনের রেফারেন্স চাওয়া, আর রেফারেন্স না পেলে কী করবেন।
• অডিও ট্রান্সক্রিপশনের প্রম্পট লেখা: ভাষা, ফরম্যাট, বক্তার লেবেল (শুধু সমর্থিত হলে) ও ট্রান্সক্রিপ্টের সারসংক্ষেপ।
• ছবির সঙ্গে লিখিত বর্ণনা মেলানো, আর মিডিয়া থেকে কী জানা সম্ভব নয় তা জিজ্ঞেস করা।
• OCR (ছবি থেকে পড়া টেক্সট) ও ট্রান্সক্রিপশনের ফলাফল আসলের সঙ্গে মেলানো, এবং বারবার ব্যবহার করার মতো একটা ছোট নিয়ম।

লম্বা ডকুমেন্ট: ধাপে ধাপে প্রশ্ন

লম্বা ডকুমেন্ট নিয়ে ধাপে ধাপে প্রশ্ন করুন

"এই ৮০ পৃষ্ঠার রিপোর্টের সব গুরুত্বপূর্ণ বিষয় বলুন" ধরনের একটা প্রশ্নে সাধারণ ধাঁচের সারসংক্ষেপ আসে, খুঁটিনাটি বাদ যায়। বই পড়ার মতো লম্বা ডকুমেন্টও ধাপে ধাপে সামলানো ভালো: আগে মানচিত্র, তারপর দরকারি অংশ, তারপর যাচাই।

1. মানচিত্র। শুধু কাঠামো চান: হেডিং আর প্রতিটা সেকশন কী নিয়ে, তালিকা আকারে।
2. খুঁজে বের করা। জিজ্ঞেস করুন আপনার প্রশ্নের জন্য কোন সেকশনগুলো প্রাসঙ্গিক। সেকশন আপনি বাছবেন।
3. উত্তর। বাছাই করা সেকশন নিয়েই আসল প্রশ্ন করুন, আর প্রমাণ চান।
4. যাচাই। উত্তর যেসব জায়গার কথা বলছে, আসল ডকুমেন্টের সেখানে খুলে মিলিয়ে দেখুন।

প্রথম ধাপের প্রম্পট নিচে। ধরুন আপনি হিলভিউ কমিউনিটি লাইব্রেরির (কাল্পনিক) একটা রিপোর্ট সংযুক্ত করেছেন। ডকুমেন্ট টেক্সট হিসেবে পেস্ট করলে প্রশ্ন ডকুমেন্টের পরে রাখুন।

প্রম্পট:

I attached the annual report of a community library.
Stage 1 of 3. Do not answer questions yet.
List the main headings and, for each, one line saying what it covers.
If a section has no heading, describe it as "untitled, starts near page N".
Do not add information that is not in the report.

পরের প্রম্পট একটা নির্দিষ্ট প্রশ্নের জন্য দ্বিতীয় ও তৃতীয় ধাপ করে। লক্ষ করুন, এটা সেকশন সীমিত করে এবং তথ্য না পাওয়া গেলে কী করতে হবে তা বলে দেয়।

প্রম্পট:

Stage 2 and 3. Using only the sections "3. Opening hours" and "5. Budget",
answer this question: did the library change its weekend hours, and what did
the change cost?
Quote the exact sentence you rely on for each part of the answer.
If the sections do not contain the answer, say "not found in these sections"
and name which other section might contain it.

ধাপে ভাগ করলে প্রতিটা উত্তর যাচাই করার মতো ছোট থাকে। মডেল ডকুমেন্ট ভুল বুঝেছে কি না তাও আগেই ধরা পড়ে, যেমন প্রথম ধাপের মানচিত্রে এমন হেডিং থাকলে যা আসলে নেই।

পাওয়া গেলে পৃষ্ঠা বা সেকশনের রেফারেন্স চান

মডেলকে বলুন প্রতিটা বক্তব্য ডকুমেন্টের কোথা থেকে নেওয়া। পৃষ্ঠা নম্বর, সেকশন নম্বর, টেবিলের নাম ও ছোট উদ্ধৃতি সবই কাজের। "পাওয়া গেলে" কথাটা লিখুন, কারণ এটা অ্যাপের ওপর নির্ভর করে: কোনো অ্যাপ পৃষ্ঠা নম্বর দেয়, কোনোটা শুধু সেকশনের নাম, আর কোনোটা কিছুই দিতে পারে না, কারণ ফাইলটা সাধারণ টেক্সটে পরিণত হয়ে গেছে।

ভালো প্রম্পট:

For every claim in your answer, add a reference in brackets: page number or
section number if you can tell, plus a short exact quote (at most 15 words).
If you cannot tell the page or section, write [location unknown] and give
the quote anyway.

নমুনা উত্তর (উদাহরণ মাত্র; আপনারটা আলাদা হবে):

Yes, weekend hours changed. Saturday closing moved from 17:00 to 15:00
[section 3, "From 2026-03-01 the library closes at 15:00 on Saturdays"].
The report says this saved 4,200 in staff costs for the year
[location unknown, "staff costs were reduced by 4,200 compared with 2025"].

যা যাচাই করবেন: রিপোর্ট খুলে প্রতিটা উদ্ধৃতি খুঁজে দেখুন। রেফারেন্সও একটা বক্তব্য। মডেল এমন পৃষ্ঠা নম্বর দিতে পারে যা নেই, বা সামান্য বদলানো উদ্ধৃতি দিতে পারে, আর সঠিক উদ্ধৃতিসহ "[location unknown]" আত্মবিশ্বাসী ভুল পৃষ্ঠার চেয়ে সৎ। শব্দে শব্দে খুঁজে পাওয়া উদ্ধৃতিই সবচেয়ে ভালো প্রমাণ; যে পৃষ্ঠা নম্বর নিশ্চিত করতে পারছেন না, তা প্রমাণ নয়।

অডিও ও ট্রান্সক্রিপ্ট

আপনার অ্যাপ কী সমর্থন করে তা দেখে নিন। আপনার চ্যাট অ্যাসিস্ট্যান্ট আদৌ অডিও নেয় কি না, রেকর্ডিং কত লম্বা হতে পারে, কোন কোন ভাষা বোঝে, আর কে কথা বলছে তা চিহ্নিত করতে পারে কি না, এসব অ্যাপভেদে আলাদা এবং কোনো ঘোষণা ছাড়াই বদলায়। কোনো অ্যাপ অডিও ট্রান্সক্রাইব করে, কোনোটা শুধু আপনার পেস্ট করা ট্রান্সক্রিপ্ট পড়ে, কোনোটা কোনোটাই করে না। কোনো ফিচারের ওপর কাজের পরিকল্পনা করার আগে অ্যাপের সহায়তা পাতা দেখুন, আর এক অ্যাপে যা দেখেছেন তা অন্য অ্যাপে আছে বলে ধরে নেবেন না।

নিচের সবকিছু দুভাবে কাজ করে: আপনার অ্যাপ নিলে অডিও ফাইল দিয়ে, নয়তো টেক্সট হিসেবে পেস্ট করা ট্রান্সক্রিপ্ট দিয়ে। প্রম্পট প্রায় একই থাকে।

অডিও ট্রান্সক্রিপশনের প্রম্পট লিখুন

ট্রান্সক্রিপশনের প্রম্পটে কী তৈরি করতে হবে আর কী করা চলবে না তা বলুন। সবচেয়ে জরুরি নিয়ম: যা বলা হয়েছে তা-ই লিখুন, উন্নত করবেন না। যে মডেল রেকর্ডিং "গুছিয়ে" দেয়, সে থেমে থাকা বাদ দিতে পারে, ভুল সংখ্যা শুধরে দিতে পারে, বা বক্তা যে বাক্য শেষ করেননি তা শেষ করে দিতে পারে।

দুর্বল প্রম্পট:

Transcribe this audio.

ভালো প্রম্পট:

Transcribe the attached audio.
- Write what is said, word for word. Do not correct grammar or numbers.
- If a word is unclear, write [unclear] instead of guessing.
- If you cannot hear a part at all, write [inaudible].
- Do not summarise. Do not add anything that is not said.

ট্রান্সক্রিপশনের ভাষা ও ফরম্যাট ঠিক করুন

বক্তারা কোন ভাষায় কথা বলছেন তা বলুন, আর অন্য ভাষা, নাম ও সংখ্যার ক্ষেত্রে কী করতে হবে তাও। লেখা কেমন সাজানো হবে তা-ও জানান। না বললে মডেল নিজে থেকে অনুবাদ করতে পারে, লিপি বদলাতে পারে, বা সব এক ব্লকে জুড়ে দিতে পারে।

ভালো প্রম্পট:

The recording is a meeting in English, with some words in Spanish.
Transcribe in the language spoken: do not translate the Spanish words.
Layout:
- One paragraph per speaker turn, with a blank line between turns.
- Write numbers as digits and dates as YYYY-MM-DD when said clearly.
- Keep names exactly as you hear them and mark uncertain ones with [?].
- Add a timestamp [mm:ss] at the start of each paragraph if you can.

শেষ লাইনে ইচ্ছে করেই "if you can" আছে। বক্তার লেবেলের মতো টাইমস্ট্যাম্পও টুলের ওপর নির্ভর করে। আপনার অ্যাপ না পারলে সৎ উত্তর সেটা জানাবে; উত্তরে বানানো টাইমস্ট্যাম্প আছে কি না দেখে নিন।

বক্তার লেবেল চান শুধু সমর্থিত হলে

বক্তাদের আলাদা করাকে বলে ডায়ারাইজেশন (diarisation)। কিছু টুল "Speaker 1" ও "Speaker 2" লেবেল দিতে পারে। অনেক চ্যাট অ্যাপ পারে না, আর যে মডেল কণ্ঠ আলাদা করতে পারে না সে-ও লেবেল বানিয়ে দিতে পারে, কারণ ফরম্যাটটা দেখতে ওইরকম। সেই লেবেল তখন অনুমান। তাই এমনভাবে চান যাতে সৎ উত্তরের সুযোগ থাকে।

ভালো প্রম্পট:

If you can separate speakers from the audio, label them "Speaker 1",
"Speaker 2" and so on. Do not use real names.
If you cannot separate speakers, say so first and give a transcript without labels.
Do not guess who is speaking from the content alone.

যা যাচাই করবেন: যেখানে বক্তা বদলায় এমন দুই-তিন জায়গায় শুনে দেখুন লেবেলও একই জায়গায় বদলেছে কি না। "Speaker 2" শুধু একটা চিহ্ন; মডেল কোনো কণ্ঠের সঙ্গে যে আসল নাম জুড়েছে, রেকর্ডিংয়ে কেউ সেই নাম না বললে তা অনুমান। পেস্ট করা ট্রান্সক্রিপ্টে আগে থেকে নাম থাকলে সেগুলোই ব্যবহার করুন, নতুন নাম যোগ করাবেন না।

অডিও ট্রান্সক্রিপ্টের সারসংক্ষেপ করুন

ট্রান্সক্রিপ্ট হাতে এলে সারসংক্ষেপের নিয়ম সারসংক্ষেপ ও তথ্য নিষ্কাশন: সারাংশ, মূল তথ্য ও প্রমাণ পাতার মতোই। মুখের কথার জন্য দুটো নিয়ম বেশি জরুরি। কথায় পুনরাবৃত্তি ও সংশোধন থাকে ("বৃহস্পতিবার, না, দুঃখিত, শুক্রবার"), তাই শেষ সংস্করণটাই ধরতে হয়। আর সিদ্ধান্ত আর মতামত এক জিনিস নয়, তাই আলাদা করুন। নিচে একটা ছোট কাল্পনিক ট্রান্সক্রিপ্ট আছে, চেষ্টা করে দেখুন। নোট যিনি লিখেছেন তিনি বক্তাদের নাম বসিয়েছেন।

[00:05] Priya: We can send the printed flyers on Thursday. No, sorry, Friday.
[00:12] Mateo: Friday is fine. I think we need 500 copies.
[00:20] Priya: The printer said 400 maybe, I will confirm.
[00:31] Mateo: Okay. Then I will book the hall for the 14th.
[00:40] Priya: Is the budget 300 or 350?
[00:46] Mateo: Not sure. I will ask Aiko.

প্রম্পট:

Summarise the transcript above for people who did not attend.
Use three headings: Decided, Open questions, Actions (who, what).
Rules:
- If someone corrects themselves, use the corrected version.
- Put a number in "Decided" only if nobody doubts it. Otherwise it is open.
- Add the timestamp of the line you used after each item.

নমুনা উত্তর (উদাহরণ মাত্র; আপনারটা আলাদা হবে):

Decided
- Flyers are sent on Friday [00:05, 00:12].
Open questions
- Number of copies: 500 or 400 [00:12, 00:20].
- Budget: 300 or 350 [00:40, 00:46].
Actions
- Priya: confirm the number of copies with the printer.
- Mateo: book the hall for the 14th. Ask Aiko about the budget.

যা যাচাই করবেন: "Thursday" নয়, "Friday" আছে কি না; ৫০০ নাকি ৪০০ এবং ৩০০ নাকি ৩৫০ খোলা প্রশ্নই থেকেছে, সিদ্ধান্তে পরিণত হয়নি; প্রতিটা কাজের দায়িত্বে সেই ব্যক্তিই আছেন যিনি সত্যিই তা বলেছেন; আর "১৪ তারিখ"-এর মাসটা বানানো হয়নি। ট্রান্সক্রিপ্টে মাসের নাম নেই, তাই ভালো সারসংক্ষেপেও মাসের নাম থাকবে না।

ছবি এবং আসলের সঙ্গে মেলানো

ছবির সঙ্গে লিখিত বর্ণনা মেলান

কখনো আপনার হাতে আগে থেকে একটা বর্ণনা থাকে আর জানতে চান তা ছবির সঙ্গে মেলে কি না: পণ্যের তালিকা, অল্ট-টেক্সট, দুর্ঘটনার প্রতিবেদন, ক্যাপশন। সাধারণ মতামত না চেয়ে পয়েন্ট ধরে ধরে তুলনা চান।

ধরুন ছবিতে একটা কাঠের টেবিলে সবুজ প্লাস্টিকের জল দেওয়ার ক্যান আছে, সামনে একটা সাদা লেবেল, পেছনে দুটো ছোট গাছ। তালিকার লেখা: "Blue metal watering can, 5 litres, with a long spout."

প্রম্পট:

Compare the attached photo with this listing text:
"Blue metal watering can, 5 litres, with a long spout."
Make a table with one row per claim in the listing: colour, material, size,
spout. Columns: Claim, Matches? (yes / no / cannot tell), What the photo shows.
Do not judge any claim that the photo cannot show.

নমুনা উত্তর (উদাহরণ মাত্র; আপনারটা আলাদা হবে):

| Claim | Matches? | What the photo shows |
| Blue | no | The can looks green |
| Metal | cannot tell | Surface looks like plastic, but a photo is not proof |
| 5 litres | cannot tell | No scale or measurement is visible |
| Long spout | cannot tell | The spout is not clearly visible from this angle |

তৃতীয় মানটা লক্ষ করুন: "cannot tell"। এটা না থাকলে মডেলকে প্রতিটা সারিতে হ্যাঁ বা না বেছে নিতে হয়, আর সে মাঝে মাঝে ভুল বাছবে। আকারের দাবি ভালো উদাহরণ: ছবিতে আয়তন কমই দেখা যায়।

জিজ্ঞেস করুন মিডিয়া থেকে কী জানা সম্ভব নয়

যেকোনো ছবি, ডকুমেন্ট বা রেকর্ডিংয়ের জন্য এটাই সবচেয়ে কাজের সুরক্ষা-প্রশ্ন: এখান থেকে আমি কী জানতে পারি না? মডেল খুশিমনে কারও বয়স, ক্ষতির কারণ, বক্তার মেজাজ বা ছবির তারিখ বলে দেবে। এর বেশিরভাগই অনুমান। আলাদা তালিকা চান।

ভালো প্রম্পট:

After your description, add two lists.
Visible or audible: things you can see or hear directly.
Cannot be determined: things people may assume, but the media does not
show (for example cause, date, place, intent, emotion, who a person is).
Do not put guesses in the first list.

জল দেওয়ার ক্যানের ছবির জন্য দ্বিতীয় তালিকায় থাকতে পারে "ছবিটা কোথায় তোলা", "ক্যানটা লিক করে কি না" ও "আসল আকার"। কিছু সীমা প্রযুক্তিগত। ছোট বা ঘোরানো লেখা, কম রেজোলিউশন, বেশি কম্প্রেশন আর খারাপ রেকর্ডিং ছবি ও অডিও টুলের জানা দুর্বলতা; ভুল হলেও এগুলো আত্মবিশ্বাসী শোনাতে পারে। যা দেখা যায় না, ছবি থেকে তা-ও নির্ভরযোগ্যভাবে জানা যায় না: ছবির এআই-বর্ণনা চিকিৎসা, আইন বা নিরাপত্তার সিদ্ধান্তে ব্যবহার করবেন না, আর ছবিতে কে আছেন সে নিয়ে অনুমানে ভরসা করবেন না।

OCR বা ট্রান্সক্রিপশনের ফলাফল আসলের সঙ্গে মেলান

OCR (অপটিক্যাল ক্যারেক্টার রিকগনিশন) মানে ছবি থেকে লেখা পড়া। ট্রান্সক্রিপশন মানে অডিও থেকে তৈরি টেক্সট। দুটোরই ফল দেখতে পরিষ্কার হয় ভুল থাকলেও। ভুলগুলো প্রায়ই ছোট অথচ গুরুত্বপূর্ণ: একটা অঙ্ক, একটা ঋণাত্মক চিহ্ন, একটা নাম, একটা তারিখ।

ধরুন হাতে লেখা দামের তালিকার ছবি। কাগজে যা লেখা তা প্রথম ব্লকে, মডেলের দেওয়া টেক্সট দ্বিতীয় ব্লকে।

What is on the paper:
Tomatoes   2.40 per kg
Onions     1.15 per kg
Rice      12.00 per 5 kg
Eggs       3.60 per 12

What the OCR returned:
Tomatoes   2.40 per kg
Onions     1.75 per kg
Rice      12.00 per 5 kg
Eggs       3.60 per 12

একটা অঙ্ক বদলে গেছে: 1.15 হয়েছে 1.75। চোখ বুলিয়ে মেলালে সম্ভবত ধরা পড়বে না। বারবার ব্যবহারযোগ্য একটা নিয়ম:

1. গুনুন। আসলের সঙ্গে লাইন, সারি, আইটেম ও পৃষ্ঠার সংখ্যা এক কি না?
2. নমুনা নিন। পাতা জুড়ে ছড়ানো অন্তত পাঁচটা আইটেম বেছে একটা একটা করে আসলের সঙ্গে মেলান।
3. ঝুঁকিপূর্ণ ঘরগুলো দেখুন। প্রতিটা সংখ্যা, তারিখ, নাম, একক ও চিহ্ন অক্ষর ধরে ধরে মেলান। এগুলোই সবচেয়ে গুরুত্বপূর্ণ।
4. বাড়তি কিছু আছে কি না দেখুন। আউটপুটে এমন কোনো লাইন বা শব্দ আছে যা আসলে নেই?
5. মডেলকে সন্দেহ চিহ্নিত করতে বলুন, তারপর সেই জায়গাগুলো আগে দেখুন।

প্রম্পট:

Read the text in the attached image exactly as written, line by line.
After each line that contains a number, a date or a name, add [check] so
that I can compare it with the original. Mark any word you are not sure
about with [?]. Do not fix spelling or arithmetic.

এতে সঠিক পড়ার নিশ্চয়তা মেলে না; ঝুঁকির জায়গাগুলো খুঁজে পাওয়া সহজ হয়। কোনো গুরুত্বপূর্ণ পাতা পড়া কঠিন হলে ছেঁটে নিন, বড় করুন, সোজা করে ঘুরিয়ে আবার চেষ্টা করুন। ইনভয়েস, ফর্ম বা সিদ্ধান্তে OCR-এর ফল ব্যবহারের আগে সংখ্যাগুলো আসলের সঙ্গে মেলাতেই হবে।

কাজের জায়গায় এটা কোথায় দেখা যায়

• মিটিং ও ইন্টারভিউ: টাইমস্ট্যাম্পসহ ট্রান্সক্রিপ্ট ও সারসংক্ষেপ থাকলে সহকর্মী এক ঘণ্টা শোনার বদলে কয়েক সেকেন্ডে একটা সিদ্ধান্ত যাচাই করতে পারেন।
• চুক্তি, রিপোর্ট ও ম্যানুয়াল: উদ্ধৃতিসহ ধাপে ধাপে প্রশ্ন গুরুত্বপূর্ণ ধারা বা সংখ্যা খুঁজে পেতে সাহায্য করে, আর দ্বিতীয় একজন তা যাচাই করতে পারেন।
• স্ক্যান করা কাগজপত্র: রসিদ, ফর্ম ও হাতে লেখা তালিকা ছবি থেকে টাইপ করা হয়; আসলের সঙ্গে মেলানোই হিসাব রক্ষা করে।
• অ্যাক্সেসিবিলিটি ও মান: ক্যাপশন বা অল্ট-টেক্সট ছবির সঙ্গে মেলালে এমন বর্ণনা ধরা পড়ে যা ছবির চেয়ে বেশি প্রতিশ্রুতি দেয়।

সাধারণ ভুল

• লম্বা ডকুমেন্টে একটাই বিশাল প্রশ্ন। উত্তর সাধারণ ধাঁচের হয়, যাচাই করা কঠিন। সমাধান: মানচিত্র, খুঁজে বের করা, উত্তর, যাচাই।
• পৃষ্ঠা নম্বরে ভরসা। রেফারেন্স নিখুঁত দেখালেও ভুল হতে পারে। সমাধান: প্রতিটা রেফারেন্সের সঙ্গে ছোট হুবহু উদ্ধৃতি চান এবং খুঁজে দেখুন।
• বক্তার নাম চাওয়া। টুল কণ্ঠ আলাদা করতে না পারলে লেবেল বা নাম অনুমান হতে পারে। সমাধান: সমর্থিত হলেই "Speaker 1, Speaker 2" চান, আর বক্তা বদলের জায়গায় শুনে দেখুন।
• মডেলকে ট্রান্সক্রিপ্ট গুছিয়ে দিতে দেওয়া। গোছানো লেখা ভুল সংখ্যা লুকিয়ে ফেলতে পারে। সমাধান: শব্দে শব্দে চান, সঙ্গে [unclear] চিহ্ন।
• বর্ণনাকে প্রমাণ ধরা। কারণ, তারিখ, জায়গা ও অনুভূতি প্রায় দেখা যায় না। সমাধান: "জানা সম্ভব নয়" তালিকা চান।
• লেখা পরিষ্কার দেখাচ্ছে বলে OCR যাচাই বাদ দেওয়া। সমাধান: সংখ্যা, তারিখ ও নাম সবসময় আসলের সঙ্গে মেলান।

নিজে চেষ্টা করুন

1. সহজ। ওপরে ছাপা মিটিংয়ের ট্রান্সক্রিপ্টটা দেখুন। এআই ছাড়া লিখুন কোন সংখ্যাগুলো সিদ্ধান্ত হয়েছে আর কোনগুলো খোলা। তারপর আপনার অ্যাসিস্ট্যান্টে সারসংক্ষেপের প্রম্পট চালিয়ে মিলিয়ে দেখুন।
2. মাঝারি। এই লেখাটা আপনার "ডকুমেন্ট": একটা কাল্পনিক নীতিমালার তিন সেকশন: "1. Leave: staff may take 20 days of leave each year", "2. Carry-over: up to 5 unused days may be carried into the next year", "3. Remote work: allowed on two days per week with manager approval"। ধাপে ধাপে প্রশ্ন করুন: আগে মানচিত্র, তারপর প্রশ্ন "How many leave days can an employee have in a year in total, counting carry-over?", উদ্ধৃতিসহ। দেখুন উত্তরে মোট একটা সংখ্যা আছে কি না, আর "up to" কথাটা ব্যবহার হয়েছে কি না।
3. কঠিন। তিনটা উৎস একসঙ্গে মেলান (সবই এখানে ছাপা, তাই টেক্সট হিসেবে পেস্ট করতে পারেন)। ছবি, কথায় বর্ণনা: "দোকানের দরজায় একটা সাইন; তাতে লেখা OPEN 9-5 Mon-Fri, CLOSED Sat-Sun; নিচে আংশিক ঢাকা একটা হাতে লেখা ছোট নোট আটকানো"। ডকুমেন্ট: "দোকানের ওয়েব পাতায় লেখা: open daily 9:00 to 17:00."। ট্রান্সক্রিপ্ট: "[00:03] Caller: Are you open on Saturday? [00:06] Shop: No, we are closed at the weekend, but I think the note says something about next week."। এমন একটা প্রম্পট লিখুন যা (ক) তিন উৎস তুলনা করে, (খ) বিরোধ তালিকাভুক্ত করে, (গ) যা জানা সম্ভব নয় তা তালিকাভুক্ত করে, আর (ঘ) গ্রাহকের জন্য এক লাইনের প্রস্তাবিত উত্তর দেয়। চালান, তারপর প্রতিটা বক্তব্য তিন উৎসের সঙ্গে মেলান।

উত্তর

সহজ। সিদ্ধান্ত হয়েছে: ফ্লায়ার শুক্রবার যাবে (বৃহস্পতিবার সংশোধন হয়েছে)। খোলা: ৫০০ নাকি ৪০০ কপি, আর বাজেট ৩০০ নাকি ৩৫০। হল "১৪ তারিখে বুক করা" একটা কাজ, মাস বলা নেই। পাস করার চেকলিস্ট: সারসংক্ষেপে শুক্রবার আছে, দুটো সংখ্যার জোড়াই খোলা, সঠিক কাজ প্রিয়া ও মাতেওর নামে, আর বানানো কোনো মাস নেই।

মাঝারি। ভালো প্রথম প্রম্পট: "সেকশনের হেডিং ও প্রতিটার এক লাইন তালিকা করুন"। দ্বিতীয় প্রম্পট উত্তরকে ১ ও ২ নম্বর সেকশনে সীমিত করে আর প্রতিটা অংশের জন্য উদ্ধৃতি চায়। প্রত্যাশিত উত্তর: "২০ দিন, আর সর্বোচ্চ ৫ দিন বহন করা যায়, তাই বছরে সর্বোচ্চ ২৫ দিন, কতগুলো ব্যবহার না হয়েছে তার ওপর নির্ভর করে", উদ্ধৃতি "20 days of leave each year" ও "up to 5 unused days"। পাস চেকলিস্ট: উত্তরে ঠিক ২৫ নয়, "সর্বোচ্চ" বা "up to" আছে; দুটো উদ্ধৃতিই আসল; সেকশন ৩ (রিমোট ওয়ার্ক) ব্যবহার হয়নি। শর্ত ছাড়া "২৫ দিন" বললে একটা খুঁটিনাটি বাদ পড়েছে।

কঠিন। একটা ভালো প্রম্পট: "I give you three sources about a shop's opening hours: Source A (sign, described), Source B (web page), Source C (phone transcript). Make a table: Source, What it says about Saturday. Then list contradictions. Then list what cannot be determined. Then, in one line, say what to tell a customer, and mark how sure that line is. Quote each source. Do not guess the content of the hidden note."। প্রত্যাশিত বিষয়বস্তু: সাইন ও ফোনকল বলছে শনিবার বন্ধ, ওয়েব পাতা বলছে প্রতিদিন খোলা, তাই বিরোধ আছে। লুকানো নোটের বিষয় অজানা, আর "next week" মন্তব্য নিশ্চিত করা যায় না। পাস চেকলিস্ট: বিরোধ চিহ্নিত হয়েছে, নোটের বিষয় বানানো হয়নি, প্রস্তাবে অন্য উপায়ে (যেমন দোকানে আবার জিজ্ঞেস করে) নিশ্চিত হতে বলা হয়েছে এবং উল্লেখ আছে যে সাইন ও কল একমত, কিন্তু তিন উৎসের কোনোটারই তারিখ নেই; আর প্রতিটা বক্তব্যের সঙ্গে কোনো উৎসের উদ্ধৃতি আছে।

সারসংক্ষেপ

• লম্বা ডকুমেন্টে ধাপে ধাপে প্রশ্ন করুন: মানচিত্র, খুঁজে বের করা, উত্তর, যাচাই। পাওয়া গেলে পৃষ্ঠা বা সেকশনের রেফারেন্স চান, আর সবসময় ছোট উদ্ধৃতি চান।
• অডিওর জন্য সন্দেহ জানানোর স্পষ্ট চিহ্নসহ বিশ্বস্ত ট্রান্সক্রিপ্ট চান, এবং ভাষা ও লেআউট বলে দিন।
• বক্তার লেবেল চান শুধু আপনার টুল সমর্থন করলে, নামগুলোকে অনুমান ধরুন, আর বক্তা বদলের জায়গায় লেবেল মিলিয়ে দেখুন।
• মিডিয়া ও বর্ণনা মেলানোর সময় "cannot tell" মানের সুযোগ রাখুন, আর যা জানা সম্ভব নয় তার আলাদা তালিকা চান।
• OCR ও ট্রান্সক্রিপশনের ফল আসলের সঙ্গে মেলান: গুনুন, নমুনা নিন, প্রতিটা সংখ্যা, তারিখ ও নাম মেলান।

এরপর: ইটারেশন ও ডিবাগিং: দুর্বল আউটপুটের কারণ খুঁজে এক-একটা করে বদলানো পাতায় শিখবেন কীভাবে কাজ করা প্রম্পট সংরক্ষণ করবেন, আর দুর্বল ফলাফলের কারণ খুঁজে এক-একটা পরিবর্তনে তা ঠিক করবেন।