এই সার্ভে পেপারটি সর্বশেষ কনভারসেশনাল এআই সিস্টেমে কমনসেন্স রিজনিং সংযোজনের গুরুত্বপূর্ণ চ্যালেঞ্জটি সম্বোধন করে। যদিও BERT, GPT, এবং T5-এর মতো ট্রান্সফরমার-ভিত্তিক মডেলগুলো ভাষার বাক্য গঠন এবং প্রাসঙ্গিক শব্দার্থবিদ্যা বোঝার ক্ষেত্রে অসাধারণ সাফল্য অর্জন করেছে, তবুও কমনসেন্স জ্ঞান—যা বিশ্ব সম্পর্কে সেই জ্ঞান যা মানুষ সাধারণত স্বতঃসিদ্ধ হিসেবে ধরে নেয়—প্রয়োজন এমন কাজে তারা এখনও সংগ্রাম করে। এই পেপারটি যুক্তি দেয় যে এই ফাঁক প্রকৃত প্রাকৃতিক ও সুসংগত ডায়ালগ সিস্টেমের উন্নয়নকে উল্লেখযোগ্যভাবে বাধা দেয়।
মেশিন ইন্টেলিজেন্সের জন্য কমনসেন্সের গুরুত্ব দীর্ঘদিন ধরে স্বীকৃত, তবুও এই জ্ঞানকে সংহত ও সংযোজন করার একটি সর্বজনীন স্কিম এখনও অস্পষ্ট। এই সার্ভে কমনসেন্স রিজনিং এবং কনভারসেশনাল এআই-এর সংযোগস্থলে দৃষ্টি নিবদ্ধ করে, প্রাসঙ্গিক ডেটাসেট, পদ্ধতি এবং মূল্যায়ন বেঞ্চমার্ক পর্যালোচনা করে।
কনভারসেশনাল এআই-এর বিভিন্ন দিক জুড়ে কমনসেন্স রিজনিং অত্যন্ত গুরুত্বপূর্ণ। এই পেপারটি বেশ কয়েকটি মূল সমস্যা এলাকা চিহ্নিত করে যেখানে এর অনুপস্থিতি সবচেয়ে স্পষ্ট।
মডেলগুলিকে অপ্রকাশিত উদ্দেশ্য অনুমান করতে হবে, দ্ব্যর্থতা সমাধান করতে হবে এবং অন্তর্নিহিত প্রসঙ্গ বুঝতে হবে। উদাহরণস্বরূপ, "আমি দোকানে দৌড়াচ্ছি" বাক্যটি বোঝা মানে শুধু শারীরিক চলাচল নয়, বরং পরিবহনের একটি মোড এবং কেনার উদ্দেশ্য বোঝা।
সুসংগত, প্রাসঙ্গিক এবং সামাজিকভাবে উপযুক্ত প্রতিক্রিয়া তৈরি করতে সামাজিক নিয়ম, ভৌত আইন এবং সাধারণ মানুষের আচরণ সম্পর্কে জ্ঞানের প্রয়োজন। কমনসেন্সের অভাব থাকা একটি মডেল ভৌতভাবে অসম্ভব বা সামাজিকভাবে অদ্ভুত উত্তর তৈরি করতে পারে।
ব্যবহারকারীদের কাজে সহায়তা করা (যেমন, ভ্রমণ বুকিং, সমস্যা সমাধান) বিশ্বের বস্তুর ক্রিয়াকলাপের ক্রম, কারণ-প্রভাব সম্পর্ক এবং বৈশিষ্ট্য সম্পর্কে যুক্তি প্রয়োগের প্রয়োজন।
এই সার্ভে কনভারসেশনাল এআই মডেলে কমনসেন্স সংযোজনের প্রাথমিক পদ্ধতিগুলোকে তিনটি প্রধান কৌশলে শ্রেণীবদ্ধ করে।
এই পদ্ধতিতে কমনসেন্স রিজনিং টাস্কের জন্য বিশেষভাবে সংকলিত ডেটাসেটে বড় প্রাক-প্রশিক্ষিত ভাষা মডেলগুলোর আরও প্রশিক্ষণ (ফাইন-টিউনিং) জড়িত। SocialIQA, CommonsenseQA, এবং PIQA-এর মতো ডেটাসেট সামাজিক মিথস্ক্রিয়া, ধারণাগত বৈশিষ্ট্য এবং ভৌত অন্তর্দৃষ্টি সম্পর্কে যুক্তি প্রয়োগের জন্য মডেলগুলোকে অভিযোজিত করতে ব্যবহৃত হয়।
এই পদ্ধতি স্পষ্টভাবে কাঠামোগত বাহ্যিক জ্ঞান উৎস অন্তর্ভুক্ত করে। এই পেপারটি দুটি বিশিষ্ট নলেজ গ্রাফ (KG) হাইলাইট করে:
ডায়ালগ প্রক্রিয়াকরণের সময় এই KG-গুলো থেকে তথ্য পুনরুদ্ধার এবং তার উপর যুক্তি প্রয়োগ করার জন্য মডেলগুলো ডিজাইন করা হয়। ConceptNet এবং ATOMIC-এ প্রশিক্ষিত একটি ট্রান্সফরমার-ভিত্তিক নিউরাল নেটওয়ার্ক, COMET মডেল, নতুন কমনসেন্স অনুমান তৈরি করতে সক্ষম একটি মূল উদাহরণ হিসেবে উদ্ধৃত হয়েছে।
একটি উদীয়মান পদ্ধতিতে মডেলগুলোকে শুধুমাত্র একটি উত্তর তৈরি করতে নয়, বরং কমনসেন্স ব্যবহার করে উত্তরটিকে ন্যায্যতা দেয় এমন একটি প্রাকৃতিক ভাষা ব্যাখ্যা তৈরি করতেও প্রশিক্ষণ দেওয়া জড়িত। এর লক্ষ্য মডেলের যুক্তি প্রক্রিয়াটিকে আরও স্বচ্ছ এবং সম্ভাব্যভাবে আরও শক্তিশালী করা।
ডায়ালগে কমনসেন্স রিজনিং মূল্যায়ন করা জটিল। এই পেপারটি বেশ কয়েকটি বেঞ্চমার্ক নিয়ে আলোচনা করে:
সাধারণ স্বয়ংক্রিয় মেট্রিক্সের মধ্যে রয়েছে বহু-পছন্দ প্রশ্নের সঠিকতা, প্রতিক্রিয়া গুণমানের জন্য BLEU/ROUGE, এবং সত্যতা সামঞ্জস্য বা যুক্তি সম্ভাব্যতা পরিমাপ করার জন্য ডিজাইন করা নতুন মেট্রিক্স।
এই পেপারটি দুটি শীর্ষস্থানীয় ওপেন-ডায়ালগ মডেলের প্রাথমিক বিশ্লেষণ উপস্থাপন করে: BlenderBot 3 এবং LaMDA। তাদের উন্নত ক্ষমতা সত্ত্বেও, উভয় মডেলই কমনসেন্স রিজনিং-এ উল্লেখযোগ্য ব্যর্থতা প্রদর্শন করে। উদাহরণগুলোর মধ্যে রয়েছে:
এই পর্যবেক্ষণগুলো এই ক্ষেত্রে কেন্দ্রীভূত গবেষণার প্রয়োজনীয়তার জন্য দৃঢ়ভাবে অনুপ্রাণিত করে, কারণ এই ধরনের ব্যর্থতা সরাসরি ব্যবহারকারীর বিশ্বাস এবং মিথস্ক্রিয়ার অনুভূত প্রাকৃতিকতাকে ক্ষুণ্ন করে।
এমনকি সবচেয়ে উন্নত কথোপকথন মডেলগুলোও (BlenderBot3, LaMDA) কমনসেন্সে সমালোচনামূলক ফাঁক প্রদর্শন করে, যা এটিকে একটি প্রান্তিক চ্যালেঞ্জ নয়, বরং একটি মৌলিক সীমান্ত হিসাবে হাইলাইট করে।
নলেজ গ্রাফের সংযোজন প্রায়শই একটি পুনরুদ্ধার-সমৃদ্ধ জেনারেশন কাঠামো জড়িত। একটি ডায়ালগ প্রসঙ্গ $C$ এবং একটি নলেজ গ্রাফ $\mathcal{K}$ দেওয়া হলে, মডেলের উদ্দেশ্য একটি প্রতিক্রিয়া $R$ তৈরি করা হিসাবে ফ্রেম করা যেতে পারে যা সর্বাধিক করে:
$P(R | C, \mathcal{K}) = \sum_{k \in \mathcal{K}_C} P(k | C) \cdot P(R | C, k)$
যেখানে $\mathcal{K}_C$ হল প্রসঙ্গ $C$-এর উপর ভিত্তি করে $\mathcal{K}$ থেকে পুনরুদ্ধার করা প্রাসঙ্গিক নলেজ ট্রিপলের একটি উপসেট। $P(k | C)$ শব্দটি পুনরুদ্ধার মডেলের নলেজ ট্রিপল $k$ নির্বাচনের সম্ভাব্যতা উপস্থাপন করে, এবং $P(R | C, k)$ হল নির্বাচিত জ্ঞান দেওয়া প্রসঙ্গ এবং প্রতিক্রিয়ার সম্ভাব্যতা। COMET-এর মতো মডেলগুলো $(head, relation, tail)$ হিসাবে ফর্ম্যাট করা নলেজ গ্রাফ ট্রিপলে একটি ট্রান্সফরমার (যেমন, GPT-2) ফাইন-টিউন করে এটি বাস্তবায়ন করে, যা নতুন $(head, relation)$ প্রশ্নের জন্য সম্ভাব্য $tail$ সমাপ্তি তৈরি করতে সক্ষম করে।
দৃশ্যকল্প: একটি সহজ আখ্যান বোঝার জন্য একটি চ্যাটবটের মূল্যায়ন।
ব্যবহারকারীর ইনপুট: "আমি নিজের জন্য এক গ্লাস কমলার রস ঢাললাম, কিন্তু তারপর ফোন বাজল। যখন আমি ফিরে এলাম, গ্লাসটি খালি ছিল।"
বিশ্লেষণ কাঠামো:
এই কাঠামোটি পুনরুদ্ধার থেকে অনুমান থেকে প্রাসঙ্গিক সংহতকরণে যাওয়ার জন্য প্রয়োজনীয় বহু-পদক্ষেপ যুক্তি হাইলাইট করে।
কমনসেন্স-সচেতন কনভারসেশনাল এআই-এর জন্য এগিয়ে যাওয়ার পথে বেশ কয়েকটি মূল দিক জড়িত:
মূল অন্তর্দৃষ্টি: রিচার্ডসন এবং হেকের এই সার্ভে আধুনিক এআই-এ একটি মৌলিক, তবুও প্রায়শই অবমূল্যায়িত সত্য প্রকাশ করে: আমাদের সবচেয়ে পরিশীলিত ভাষা মডেলগুলো একটি শব্দার্থিক শূন্যতায় কাজ করা উজ্জ্বল প্যাটার্ন ম্যাচার। তারা ভাষার "কীভাবে" আয়ত্ত করেছে কিন্তু "কেন"—অর্থের ভিত্তি প্রদানকারী মৌলিক বিশ্ব মডেলের অভাব রয়েছে। এটি একটি ছোট প্রযুক্তিগত বাগ নয়; এটি একটি স্থাপত্যিক ত্রুটি যা বাস্তব-বিশ্বের প্রয়োগে এআই-এর উপযোগিতা এবং বিশ্বাসযোগ্যতা সীমিত করে। লেখকরা যেমন উল্লেখ করেছেন, এমনকি LaMDA এবং BlenderBot3-এর মতো ফ্ল্যাগশিপ মডেলগুলোও তুচ্ছ মানুষের যুক্তি কাজে ব্যর্থ হয়, একটি ফাঁক যা কম্পিউটার ভিশন মডেলগুলোর মতো অন্যান্য এআই ডোমেনে পর্যবেক্ষণ করা সীমাবদ্ধতার প্রতিধ্বনি করে, যা তাদের উপলব্ধি দক্ষতা সত্ত্বেও ভৌত বোঝার অভাব রয়েছে।
যুক্তিগত প্রবাহ এবং শক্তি ও দুর্বলতা: এই পেপারের শক্তি এর স্পষ্ট শ্রেণিবিন্যাসে নিহিত—পদ্ধতিগুলোকে ফাইন-টিউনিং, KG-গ্রাউন্ডিং এবং এক্সপ্লানেশন-এ শ্রেণীবদ্ধ করা। এই কাঠামোটি একটি বিশৃঙ্খল গবেষণা ল্যান্ডস্কেপকে কার্যকরভাবে বিভক্ত করে। ConceptNet এবং ATOMIC-এর মতো নলেজ গ্রাফের উপর জোর দেওয়া উপযুক্ত; তারা কমনসেন্সের বজ্রপাত বোতলজাত করার সবচেয়ে কংক্রিট প্রচেষ্টা উপস্থাপন করে। যাইহোক, এই সার্ভে অনিচ্ছাকৃতভাবে ক্ষেত্রের কেন্দ্রীয় দুর্বলতাও হাইলাইট করে: ভঙ্গুর, স্থির এবং অনিবার্যভাবে অসম্পূর্ণ জ্ঞান ভিত্তির উপর নির্ভরতা। ConceptNet, মূল্যবান হলেও, ঐকমত্য্য বাস্তবতার একটি স্ন্যাপশট, যা বাস্তব-বিশ্বের জ্ঞানের গতিশীল, প্রাসঙ্গিক এবং প্রায়শই পরস্পরবিরোধী প্রকৃতির অভাব রয়েছে। COMET মডেলের জ্ঞান তৈরি করার পদ্ধতিটি একটি চালাক ওয়ার্কআরাউন্ড, কিন্তু এটি সম্ভাব্য শোনায় কিন্তু ভুল "তথ্য" হ্যালুসিনেট করার ঝুঁকি রাখে, একটি সমস্যার বিনিময়ে অন্য সমস্যা। বেঞ্চমার্কিং আলোচনা আরও একটি মেটা-সমস্যা প্রকাশ করে: আমরা যুক্তির গভীরতা মূল্যায়নের জন্য শক্তিশালী, স্বয়ংক্রিয় মেট্রিক্সের অভাব রয়েছে, প্রায়শই বহু-পছন্দের নির্ভুলতা বা অগভীর সাদৃশ্য স্কোরের উপর ফিরে আসি, যা সত্যিকারের বোঝার জন্য দুর্বল প্রক্সি।
কার্যকরী অন্তর্দৃষ্টি: এগিয়ে যাওয়ার পথটি শুধুমাত্র বিদ্যমান প্যারাডাইম স্কেল করা নয়। প্রথমত, ক্ষেত্রটিকে কারণগত এবং কাউন্টারফ্যাকচুয়াল যুক্তি অগ্রাধিকার দিতে হবে, পারস্পরিক সম্পর্কের বাইরে যাওয়া। জুডেয়া পার্লের কাজ যেমন যুক্তি দেয়, "কী হবে যদি" এবং "কেন" বোঝা শক্তিশালী বুদ্ধিমত্তার ভিত্তি। দ্বিতীয়ত, আমাদের নিউরো-সিম্বলিক ইন্টিগ্রেশন এর দিকে একটি পরিবর্তন প্রয়োজন। খাঁটি নিউরাল পদ্ধতিগুলো ডেটা-ক্ষুধার্ত এবং অস্বচ্ছ; খাঁটি সিম্বলিক সিস্টেমগুলো ভঙ্গুর। হাইব্রিড মডেল, যা উপলব্ধি এবং প্যাটার্ন ম্যাচিংয়ের জন্য নিউরাল নেটওয়ার্কের পাশাপাশি যৌক্তিক কাটাকুটির জন্য সিম্বলিক ইঞ্জিনগুলিকে কাজে লাগায়, একটি প্রতিশ্রুতিশীল, যদিও গণনাগতভাবে চ্যালেঞ্জিং, পথ অফার করে। MIT-এর CSAIL-এর মতো প্রতিষ্ঠানগুলো এখানে অগ্রগতি করছে। অবশেষে, মূল্যায়ন অবশ্যই বিকশিত হতে হবে। আমাদের এমন বেঞ্চমার্ক প্রয়োজন যা যুক্তি শৃঙ্খল চাপ দেয়, ন্যায্যতা প্রয়োজন এবং বৈপরীত্য শাস্তি দেয়, একক-পালা টাস্ক থেকে বহু-পদক্ষেপ ডায়ালগ আখ্যানে যাওয়া যা যৌক্তিক অসঙ্গতি প্রকাশ করে। কনভারসেশনাল এআই-এর ভবিষ্যত শুধু ভালো চ্যাট সম্পর্কে নয়; এটি এমন মেশিন তৈরি করা যা বিশ্ব সম্পর্কে আমাদের বোঝাপড়া ভাগ করে, একটি লক্ষ্য যা মোহনীয়ভাবে নাগালের বাইরে রয়ে গেছে কিন্তু এখন আরও স্পষ্টভাবে সংজ্ঞায়িত হয়েছে এই ধরনের সার্ভের জন্য ধন্যবাদ।