একটি ভবিষ্যদ্বাণীমূলক এমএল বা একটি জেনারেটিভ এআই পদ্ধতি ব্যবহার করে আপনার সমস্যাটি সবচেয়ে ভাল সমাধান করা হয়েছে তা যাচাই করার পরে, আপনি এমএল শর্তাবলীতে আপনার সমস্যাটি ফ্রেম করতে প্রস্তুত। আপনি নিম্নলিখিত কাজগুলি সম্পূর্ণ করে ML পদে একটি সমস্যা তৈরি করেছেন:
- আদর্শ ফলাফল এবং মডেলের লক্ষ্য নির্ধারণ করুন।
- মডেলের আউটপুট সনাক্ত করুন।
- সাফল্যের পরিমাপ সংজ্ঞায়িত করুন।
আদর্শ ফলাফল এবং মডেলের লক্ষ্য নির্ধারণ করুন
এমএল মডেল থেকে স্বাধীন, আদর্শ ফলাফল কি? অন্য কথায়, আপনি আপনার পণ্য বা বৈশিষ্ট্যটি সম্পাদন করতে চান এমন সঠিক কাজটি কী? এটি একই বিবৃতি যা আপনি পূর্বে রাজ্য লক্ষ্য বিভাগে সংজ্ঞায়িত করেছেন।
আপনি মডেলটি কী করতে চান তা স্পষ্টভাবে সংজ্ঞায়িত করে আদর্শ ফলাফলের সাথে মডেলের লক্ষ্য সংযুক্ত করুন। নিম্নোক্ত সারণীতে আদর্শ ফলাফল এবং অনুমানমূলক অ্যাপের মডেলের লক্ষ্য উল্লেখ করা হয়েছে:
| অ্যাপ | আদর্শ ফলাফল | মডেলের লক্ষ্য |
|---|---|---|
| আবহাওয়া অ্যাপ | একটি ভৌগলিক অঞ্চলের জন্য ছয় ঘন্টা বৃদ্ধিতে বৃষ্টিপাত গণনা করুন। | নির্দিষ্ট ভৌগলিক অঞ্চলের জন্য ছয় ঘণ্টার বৃষ্টিপাতের পরিমাণ ভবিষ্যদ্বাণী করুন। |
| ফ্যাশন অ্যাপ | বিভিন্ন শার্ট ডিজাইন তৈরি করুন। | টেক্সট এবং একটি ইমেজ থেকে একটি শার্টের ডিজাইনের তিনটি বৈচিত্র তৈরি করুন, যেখানে টেক্সটটি শৈলী এবং রঙ এবং চিত্রটি শার্টের ধরন (টি-শার্ট, বোতাম-আপ, পোলো)। |
| ভিডিও অ্যাপ | দরকারী ভিডিও সুপারিশ. | একজন ব্যবহারকারী একটি ভিডিওতে ক্লিক করবে কিনা তা অনুমান করুন। |
| মেল অ্যাপ | স্প্যাম সনাক্ত করুন. | একটি ইমেল স্প্যাম কিনা তা অনুমান করুন। |
| আর্থিক অ্যাপ | একাধিক সংবাদ সূত্র থেকে আর্থিক তথ্য সংক্ষিপ্ত করুন। | আগের সাত দিনের প্রধান আর্থিক প্রবণতাগুলির 50-শব্দের সারাংশ তৈরি করুন। |
| মানচিত্র অ্যাপ্লিকেশন | ভ্রমণের সময় গণনা করুন। | দুই পয়েন্টের মধ্যে ভ্রমণ করতে কতক্ষণ লাগবে তা অনুমান করুন। |
| ব্যাংকিং অ্যাপ | প্রতারণামূলক লেনদেন চিহ্নিত করুন। | কার্ড ধারকের দ্বারা একটি লেনদেন করা হয়েছে কিনা তা অনুমান করুন। |
| ডাইনিং অ্যাপ | একটি রেস্টুরেন্টের মেনু দ্বারা রন্ধনপ্রণালী সনাক্ত করুন. | রেস্টুরেন্টের ধরন অনুমান করুন। |
| ইকমার্স অ্যাপ | কোম্পানির পণ্য সম্পর্কে গ্রাহক সমর্থন উত্তর তৈরি করুন। | অনুভূতি বিশ্লেষণ এবং প্রতিষ্ঠানের জ্ঞানের ভিত্তি ব্যবহার করে উত্তর তৈরি করুন। |
আপনার প্রয়োজনীয় আউটপুট সনাক্ত করুন
আপনার পছন্দের মডেলের ধরন আপনার সমস্যার নির্দিষ্ট প্রেক্ষাপট এবং সীমাবদ্ধতার উপর নির্ভর করে। মডেলের আউটপুট আদর্শ ফলাফলে সংজ্ঞায়িত কাজটি সম্পন্ন করা উচিত। এইভাবে, উত্তর দেওয়ার প্রথম প্রশ্নটি হল "আমার সমস্যা সমাধানের জন্য আমার কী ধরনের আউটপুট দরকার?"
আপনি যদি কিছু শ্রেণীবদ্ধ করতে বা একটি সংখ্যাসূচক ভবিষ্যদ্বাণী করতে চান, আপনি সম্ভবত ভবিষ্যদ্বাণীমূলক ML ব্যবহার করবেন। আপনি যদি নতুন সামগ্রী তৈরি করতে চান বা প্রাকৃতিক ভাষা বোঝার সাথে সম্পর্কিত আউটপুট তৈরি করতে চান তবে আপনি সম্ভবত জেনারেটিভ এআই ব্যবহার করবেন।
নিম্নলিখিত টেবিলগুলি ভবিষ্যদ্বাণীমূলক এমএল এবং জেনারেটিভ এআই আউটপুটগুলির তালিকা করে:
| এমএল সিস্টেম | উদাহরণ আউটপুট | |
|---|---|---|
| শ্রেণীবিভাগ | বাইনারি | একটি ইমেলকে স্প্যাম বা স্প্যাম হিসাবে শ্রেণীবদ্ধ করুন। |
| মাল্টিক্লাস একক-লেবেল | একটি ছবিতে একটি প্রাণীকে শ্রেণিবদ্ধ করুন। | |
| মাল্টিক্লাস মাল্টি-লেবেল | একটি ছবিতে সমস্ত প্রাণীকে শ্রেণিবদ্ধ করুন। | |
| সংখ্যাসূচক | ইউনিডাইমেনশনাল রিগ্রেশন | একটি ভিডিও কত ভিউ পাবে তা অনুমান করুন। |
| বহুমাত্রিক রিগ্রেশন | একজন ব্যক্তির জন্য রক্তচাপ, হৃদস্পন্দন এবং কোলেস্টেরলের মাত্রা পূর্বাভাস করুন। |
| মডেলের ধরন | উদাহরণ আউটপুট |
|---|---|
| পাঠ্য | একটি নিবন্ধ সারসংক্ষেপ. গ্রাহক পর্যালোচনা উত্তর. ইংরেজি থেকে ম্যান্ডারিনে নথি অনুবাদ করুন। পণ্যের বিবরণ লিখুন। আইনি নথি বিশ্লেষণ করুন। |
| ছবি | বিপণন ইমেজ উত্পাদন. ফটোতে ভিজ্যুয়াল এফেক্ট প্রয়োগ করুন। পণ্য নকশা বৈচিত্র তৈরি করুন. |
| অডিও | একটি নির্দিষ্ট উচ্চারণে সংলাপ তৈরি করুন। জ্যাজের মতো একটি নির্দিষ্ট ধারায় একটি সংক্ষিপ্ত সঙ্গীত রচনা তৈরি করুন। |
| ভিডিও | বাস্তবসম্মত চেহারার ভিডিও তৈরি করুন। ভিডিও ফুটেজ বিশ্লেষণ করুন এবং ভিজ্যুয়াল এফেক্ট প্রয়োগ করুন। |
| মাল্টিমডাল | টেক্সট ক্যাপশন সহ একটি ভিডিওর মতো একাধিক ধরনের আউটপুট তৈরি করুন। |
শ্রেণীবিভাগ
একটি শ্রেণীবিভাগ মডেল ভবিষ্যদ্বাণী করে যে ইনপুট ডেটা কোন বিভাগের অন্তর্গত, উদাহরণস্বরূপ, একটি ইনপুটকে A, B, বা C হিসাবে শ্রেণীবদ্ধ করা উচিত কিনা।
চিত্র 1. একটি শ্রেণীবিভাগ মডেল ভবিষ্যদ্বাণী করে।
মডেলের ভবিষ্যদ্বাণীর উপর ভিত্তি করে, আপনার অ্যাপ একটি সিদ্ধান্ত নিতে পারে। উদাহরণস্বরূপ, যদি ভবিষ্যদ্বাণীটি A বিভাগ হয়, তবে X করুন; যদি ভবিষ্যদ্বাণীটি বি বিভাগ হয়, তাহলে করুন, Y; যদি ভবিষ্যদ্বাণীটি C বিভাগ হয়, তাহলে Z করুন। কিছু ক্ষেত্রে, ভবিষ্যদ্বাণীটি অ্যাপের আউটপুট।
চিত্র 2. একটি সিদ্ধান্ত নিতে পণ্য কোডে একটি শ্রেণিবিন্যাস মডেলের আউটপুট ব্যবহার করা হচ্ছে।
রিগ্রেশন
একটি রিগ্রেশন মডেল একটি সংখ্যাসূচক মান ভবিষ্যদ্বাণী করে।
চিত্র 3. একটি রিগ্রেশন মডেল একটি সংখ্যাসূচক ভবিষ্যদ্বাণী করে।
মডেলের ভবিষ্যদ্বাণীর উপর ভিত্তি করে, আপনার অ্যাপ একটি সিদ্ধান্ত নিতে পারে। উদাহরণস্বরূপ, যদি ভবিষ্যদ্বাণী A সীমার মধ্যে পড়ে, তাহলে X করুন; যদি ভবিষ্যদ্বাণী B সীমার মধ্যে পড়ে, Y করুন; যদি ভবিষ্যদ্বাণীটি C রেঞ্জের মধ্যে পড়ে তবে Z করুন। কিছু ক্ষেত্রে, ভবিষ্যদ্বাণীটি অ্যাপের আউটপুট ।
চিত্র 4. সিদ্ধান্ত নেওয়ার জন্য পণ্য কোডে একটি রিগ্রেশন মডেলের আউটপুট ব্যবহার করা হচ্ছে।
নিম্নলিখিত দৃশ্যকল্প বিবেচনা করুন:
আপনি তাদের পূর্বাভাসিত জনপ্রিয়তার উপর ভিত্তি করে ভিডিও ক্যাশে করতে চান। অন্য কথায়, যদি আপনার মডেল ভবিষ্যদ্বাণী করে যে একটি ভিডিও জনপ্রিয় হবে, আপনি দ্রুত ব্যবহারকারীদের কাছে এটি পরিবেশন করতে চান। এটি করার জন্য, আপনি আরও কার্যকর এবং ব্যয়বহুল ক্যাশে ব্যবহার করবেন। অন্যান্য ভিডিওর জন্য, আপনি একটি ভিন্ন ক্যাশে ব্যবহার করবেন৷ আপনার ক্যাশিং মানদণ্ড নিম্নরূপ:
- যদি একটি ভিডিও 50 বা তার বেশি ভিউ পাওয়ার পূর্বাভাস দেওয়া হয়, তাহলে আপনি ব্যয়বহুল ক্যাশে ব্যবহার করবেন।
- যদি একটি ভিডিও 30 থেকে 50 ভিউ পাওয়ার পূর্বাভাস দেওয়া হয়, তাহলে আপনি সস্তা ক্যাশে ব্যবহার করবেন।
- যদি ভিডিওটি 30টির কম ভিউ পাওয়ার পূর্বাভাস দেওয়া হয়, তাহলে আপনি ভিডিওটি ক্যাশে করবেন না।
আপনি মনে করেন একটি রিগ্রেশন মডেল সঠিক পন্থা কারণ আপনি একটি সাংখ্যিক মান ভবিষ্যদ্বাণী করবেন—ভিউ সংখ্যা। যাইহোক, রিগ্রেশন মডেলকে প্রশিক্ষণ দেওয়ার সময়, আপনি বুঝতে পারেন যে এটি 30টি ভিউ আছে এমন ভিডিওগুলির জন্য 28 এবং 32 এর পূর্বাভাসের জন্য একই ক্ষতি তৈরি করে। অন্য কথায়, যদিও আপনার অ্যাপের ভবিষ্যদ্বাণী 28 বনাম 32 হলে খুব আলাদা আচরণ হবে, মডেলটি উভয় ভবিষ্যদ্বাণীকে সমানভাবে ভাল বলে মনে করে।
চিত্র 5. একটি রিগ্রেশন মডেল প্রশিক্ষণ।
রিগ্রেশন মডেলগুলি পণ্য-সংজ্ঞায়িত থ্রেশহোল্ড সম্পর্কে অবগত নয়। তাই, রিগ্রেশন মডেলের ভবিষ্যদ্বাণীতে সামান্য পার্থক্যের কারণে যদি আপনার অ্যাপের আচরণ উল্লেখযোগ্যভাবে পরিবর্তিত হয়, তাহলে আপনার পরিবর্তে একটি শ্রেণীবিভাগ মডেল বাস্তবায়নের কথা বিবেচনা করা উচিত।
এই পরিস্থিতিতে, একটি শ্রেণীবিভাগ মডেল সঠিক আচরণ তৈরি করবে কারণ একটি শ্রেণীবিভাগ মডেল 32-এর তুলনায় 28-এর পূর্বাভাসের জন্য একটি উচ্চ ক্ষতি তৈরি করবে। এক অর্থে, শ্রেণীবিভাগ মডেলগুলি ডিফল্টরূপে থ্রেশহোল্ড তৈরি করে।
এই দৃশ্যটি দুটি গুরুত্বপূর্ণ পয়েন্ট হাইলাইট করে:
সিদ্ধান্তের পূর্বাভাস দিন । যখন সম্ভব, আপনার অ্যাপটি কী সিদ্ধান্ত নেবে তা অনুমান করুন। ভিডিও উদাহরণে, একটি শ্রেণীবিভাগ মডেল সিদ্ধান্তের পূর্বাভাস দেবে যদি এটি ভিডিওগুলিকে শ্রেণীবদ্ধ করে "কোন ক্যাশে", "সস্তা ক্যাশে" এবং "দামী ক্যাশে" হয়। মডেল থেকে আপনার অ্যাপের আচরণ লুকিয়ে রাখলে আপনার অ্যাপটি ভুল আচরণ তৈরি করতে পারে।
সমস্যার সীমাবদ্ধতা বুঝুন । যদি আপনার অ্যাপ বিভিন্ন থ্রেশহোল্ডের উপর ভিত্তি করে বিভিন্ন পদক্ষেপ নেয়, তাহলে সেই থ্রেশহোল্ডগুলি স্থির বা গতিশীল কিনা তা নির্ধারণ করুন।
- ডায়নামিক থ্রেশহোল্ড: থ্রেশহোল্ডগুলি গতিশীল হলে, একটি রিগ্রেশন মডেল ব্যবহার করুন এবং আপনার অ্যাপের কোডে থ্রেশহোল্ডের সীমা সেট করুন৷ মডেলটি যুক্তিসঙ্গত ভবিষ্যদ্বাণী করার সময় এটি আপনাকে সহজেই থ্রেশহোল্ড আপডেট করতে দেয়।
- স্থির থ্রেশহোল্ড: থ্রেশহোল্ড স্থির থাকলে, একটি শ্রেণীবিভাগ মডেল ব্যবহার করুন এবং থ্রেশহোল্ড সীমার উপর ভিত্তি করে আপনার ডেটাসেটগুলিকে লেবেল করুন৷
সাধারণভাবে, বেশিরভাগ ক্যাশে ব্যবস্থা গতিশীল এবং থ্রেশহোল্ড সময়ের সাথে পরিবর্তিত হয়। অতএব, কারণ এটি বিশেষভাবে একটি ক্যাশিং সমস্যা, একটি রিগ্রেশন মডেল সেরা পছন্দ। যাইহোক, অনেক সমস্যার জন্য, থ্রেশহোল্ডগুলি স্থির করা হবে, একটি শ্রেণীবিন্যাস মডেলকে সর্বোত্তম সমাধান করা হবে।
আরেকটা উদাহরণ দেখে নেওয়া যাক। আপনি যদি এমন একটি আবহাওয়া অ্যাপ তৈরি করেন যার আদর্শ ফলাফল হল ব্যবহারকারীদের জানাতে যে আগামী ছয় ঘন্টার মধ্যে কতটা বৃষ্টি হবে, আপনি একটি রিগ্রেশন মডেল ব্যবহার করতে পারেন যা লেবেল precipitation_amount.
| আদর্শ ফলাফল | আদর্শ লেবেল |
|---|---|
| ব্যবহারকারীদের বলুন আগামী ছয় ঘণ্টায় তাদের এলাকায় কতটা বৃষ্টি হবে। | precipitation_amount |
আবহাওয়া অ্যাপের উদাহরণে, লেবেলটি সরাসরি আদর্শ ফলাফলকে সম্বোধন করে। যাইহোক, কিছু ক্ষেত্রে, আদর্শ ফলাফল এবং লেবেলের মধ্যে এক-এক সম্পর্ক স্পষ্ট নয়। উদাহরণস্বরূপ, ভিডিও অ্যাপে, আদর্শ ফলাফল হল দরকারী ভিডিওগুলি সুপারিশ করা৷ যাইহোক, useful_to_user.
| আদর্শ ফলাফল | আদর্শ লেবেল |
|---|---|
| দরকারী ভিডিও সুপারিশ. | ? |
অতএব, আপনাকে অবশ্যই একটি প্রক্সি লেবেল খুঁজে বের করতে হবে।
প্রক্সি লেবেল
প্রক্সি লেবেলগুলি লেবেলের বিকল্প যা ডেটাসেটে নেই৷ আপনি যা পূর্বাভাস দিতে চান তা সরাসরি পরিমাপ করতে না পারলে প্রক্সি লেবেলগুলি প্রয়োজনীয়৷ ভিডিও অ্যাপ্লিকেশানে, আমরা সরাসরি পরিমাপ করতে পারি না যে কোনও ব্যবহারকারী একটি ভিডিও উপযোগী পাবেন কিনা। ডেটাসেটের একটি useful বৈশিষ্ট্য থাকলে এটি দুর্দান্ত হবে, এবং ব্যবহারকারীরা তাদের উপযোগী বলে মনে করা সমস্ত ভিডিও চিহ্নিত করেছেন, কিন্তু যেহেতু ডেটাসেটটি তা করে না, তাই আমাদের একটি প্রক্সি লেবেল দরকার যা উপযোগিতার বিকল্প হবে৷
ব্যবহারকারী ভিডিওটি শেয়ার করবে বা পছন্দ করবে কিনা তা উপযোগিতার জন্য একটি প্রক্সি লেবেল হতে পারে।
| আদর্শ ফলাফল | প্রক্সি লেবেল |
|---|---|
| দরকারী ভিডিও সুপারিশ. | shared OR liked |
প্রক্সি লেবেলগুলির সাথে সতর্ক থাকুন কারণ আপনি যা অনুমান করতে চান তা সরাসরি পরিমাপ করে না৷ উদাহরণ স্বরূপ, নিম্নলিখিত সারণীতে সম্ভাব্য প্রক্সি লেবেল সংক্রান্ত সমস্যাগুলির রূপরেখা দেওয়া হয়েছে দরকারী ভিডিওগুলির জন্য সুপারিশ করুন :
| প্রক্সি লেবেল | ইস্যু |
|---|---|
| ব্যবহারকারী "লাইক" বোতামে ক্লিক করবে কিনা তা অনুমান করুন। | বেশিরভাগ ব্যবহারকারী কখনই "লাইক" ক্লিক করেন না। |
| একটি ভিডিও জনপ্রিয় হবে কিনা তা অনুমান করুন। | ব্যক্তিগতকৃত নয়। কিছু ব্যবহারকারী জনপ্রিয় ভিডিও পছন্দ নাও করতে পারে। |
| ব্যবহারকারী ভিডিওটি শেয়ার করবে কিনা তা অনুমান করুন। | কিছু ব্যবহারকারী ভিডিও শেয়ার করেন না। কখনও কখনও, লোকেরা ভিডিওগুলি শেয়ার করে কারণ তারা সেগুলি পছন্দ করে না ৷ |
| ব্যবহারকারী প্লে ক্লিক করবে কিনা তা অনুমান করুন। | ক্লিকবেট সর্বোচ্চ করে। |
| তারা কতক্ষণ ভিডিও দেখে তা অনুমান করুন। | সংক্ষিপ্ত ভিডিওর চেয়ে দীর্ঘ ভিডিওগুলিকে আলাদাভাবে পছন্দ করে। |
| ব্যবহারকারী কতবার ভিডিওটি পুনরায় দেখবেন তা অনুমান করুন। | ভিডিও জেনারগুলির তুলনায় "পুনরায় দেখার যোগ্য" ভিডিওগুলিকে সমর্থন করে যেগুলি পুনরায় দেখার যোগ্য নয়৷ |
কোন প্রক্সি লেবেল আপনার আদর্শ ফলাফলের জন্য একটি নিখুঁত বিকল্প হতে পারে না। সব সম্ভাব্য সমস্যা হবে. আপনার ব্যবহারের ক্ষেত্রে সবচেয়ে কম সমস্যা আছে এমন একটি বেছে নিন।
আপনার বোঝার পরীক্ষা করুন
প্রজন্ম
বেশিরভাগ ক্ষেত্রে, আপনি আপনার নিজের জেনারেটিভ মডেলকে প্রশিক্ষণ দেবেন না কারণ এটি করার জন্য প্রচুর পরিমাণে প্রশিক্ষণের ডেটা এবং গণনামূলক সংস্থান প্রয়োজন। পরিবর্তে, আপনি একটি প্রাক-প্রশিক্ষিত জেনারেটিভ মডেল কাস্টমাইজ করবেন। আপনার পছন্দসই আউটপুট তৈরি করার জন্য একটি জেনারেটিভ মডেল পেতে, আপনাকে নিম্নলিখিত কৌশলগুলির একটি বা একাধিক ব্যবহার করতে হতে পারে:
পাতন একটি বড় মডেলের একটি ছোট সংস্করণ তৈরি করতে, আপনি বড় মডেল থেকে একটি সিন্থেটিক লেবেলযুক্ত ডেটাসেট তৈরি করেন যা আপনি ছোট মডেলটিকে প্রশিক্ষণের জন্য ব্যবহার করেন। জেনারেটিভ মডেলগুলি সাধারণত বিশাল হয় এবং যথেষ্ট সম্পদ (যেমন মেমরি এবং বিদ্যুৎ) ব্যবহার করে। পাতন ছোট, কম সম্পদ-নিবিড় মডেলকে বৃহত্তর মডেলের কর্মক্ষমতা আনুমানিক করতে দেয়।
ফাইন-টিউনিং বা প্যারামিটার-দক্ষ টিউনিং । একটি নির্দিষ্ট টাস্কে একটি মডেলের কর্মক্ষমতা উন্নত করার জন্য, আপনাকে একটি ডেটাসেটে মডেলটিকে আরও প্রশিক্ষণ দিতে হবে যাতে আপনি যে ধরনের আউটপুট তৈরি করতে চান তার উদাহরণ রয়েছে।
প্রম্পট ইঞ্জিনিয়ারিং । একটি নির্দিষ্ট কাজ সম্পাদন করতে বা একটি নির্দিষ্ট বিন্যাসে আউটপুট তৈরি করার জন্য মডেল পেতে, আপনি মডেলটিকে বলুন যে টাস্ক আপনি এটি করতে চান বা আপনি কীভাবে আউটপুট ফর্ম্যাট চান তা ব্যাখ্যা করুন। অন্য কথায়, প্রম্পটে কীভাবে কাজটি সম্পাদন করতে হয় বা পছন্দসই আউটপুট সহ চিত্রিত উদাহরণের জন্য প্রাকৃতিক ভাষা নির্দেশাবলী অন্তর্ভুক্ত করতে পারে।
উদাহরণস্বরূপ, আপনি যদি নিবন্ধগুলির সংক্ষিপ্ত সারসংক্ষেপ চান তবে আপনি নিম্নলিখিতগুলি ইনপুট করতে পারেন:
Produce 100-word summaries for each article.আপনি যদি মডেলটি একটি নির্দিষ্ট পাঠের স্তরের জন্য পাঠ্য তৈরি করতে চান তবে আপনি নিম্নলিখিতগুলি ইনপুট করতে পারেন:
All the output should be at a reading level for a 12-year-old.আপনি যদি মডেলটিকে একটি নির্দিষ্ট বিন্যাসে তার আউটপুট প্রদান করতে চান, তাহলে আপনি ব্যাখ্যা করতে পারেন কিভাবে আউটপুট ফর্ম্যাট করা উচিত—উদাহরণস্বরূপ, "একটি টেবিলে ফলাফলগুলি ফর্ম্যাট করুন"—অথবা আপনি উদাহরণ দিয়ে কাজটি প্রদর্শন করতে পারেন। উদাহরণস্বরূপ, আপনি নিম্নলিখিত ইনপুট করতে পারেন:
Translate words from English to Spanish. English: Car Spanish: Auto English: Airplane Spanish: Avión English: Home Spanish:______
পাতন এবং ফাইন-টিউনিং মডেলের পরামিতি আপডেট করে। প্রম্পট ইঞ্জিনিয়ারিং মডেলের পরামিতি আপডেট করে না। পরিবর্তে, প্রম্পট ইঞ্জিনিয়ারিং মডেলটিকে কীভাবে প্রম্পটের প্রেক্ষাপট থেকে একটি পছন্দসই আউটপুট তৈরি করতে হয় তা শিখতে সহায়তা করে।
কিছু ক্ষেত্রে, পরিচিত মানগুলির বিপরীতে একটি জেনারেটিভ মডেলের আউটপুট মূল্যায়ন করার জন্য আপনার একটি পরীক্ষার ডেটাসেটেরও প্রয়োজন হবে, উদাহরণস্বরূপ, মডেলের সারাংশগুলি মানব-উত্পাদিতগুলির সাথে মিল রয়েছে কিনা বা মানুষ মডেলের সারাংশগুলিকে ভাল হিসাবে রেট দেয় কিনা তা পরীক্ষা করা৷
শ্রেণীবিভাগ বা রিগ্রেশনের মতো একটি ভবিষ্যদ্বাণীমূলক এমএল সমাধান বাস্তবায়নের জন্যও জেনারেটিভ এআই ব্যবহার করা যেতে পারে। উদাহরণস্বরূপ, প্রাকৃতিক ভাষা সম্পর্কে তাদের গভীর জ্ঞানের কারণে, বৃহৎ ভাষার মডেলগুলি (LLMs) ঘন ঘন পাঠ্য শ্রেণীবিভাগের কাজগুলি নির্দিষ্ট কাজের জন্য প্রশিক্ষিত ভবিষ্যদ্বাণীমূলক ML-এর চেয়ে ভালভাবে সম্পাদন করতে পারে।
সাফল্যের মেট্রিক্স সংজ্ঞায়িত করুন
ML বাস্তবায়ন সফল কিনা তা নির্ধারণ করতে আপনি যে মেট্রিকগুলি ব্যবহার করবেন তা নির্ধারণ করুন৷ সাফল্যের পরিমাপগুলি আপনার জন্য কী গুরুত্বপূর্ণ তা সংজ্ঞায়িত করে, যেমন ব্যস্ততা বা ব্যবহারকারীদের উপযুক্ত পদক্ষেপ নিতে সাহায্য করা, যেমন ভিডিও দেখা যা তাদের কাজে লাগবে। সাফল্যের মেট্রিক্স মডেলের মূল্যায়নের মেট্রিক থেকে আলাদা, যেমন যথার্থতা , নির্ভুলতা , প্রত্যাহার বা AUC ।
উদাহরণস্বরূপ, আবহাওয়া অ্যাপের সাফল্য এবং ব্যর্থতার মেট্রিকগুলি নিম্নলিখিত হিসাবে সংজ্ঞায়িত করা যেতে পারে:
| সফলতা | ব্যবহারকারীরা খুলুন "বৃষ্টি হবে?" বৈশিষ্ট্য 50 শতাংশ বেশি প্রায়ই তারা আগের তুলনায়. |
|---|---|
| ব্যর্থতা | ব্যবহারকারীরা খুলুন "বৃষ্টি হবে?" বৈশিষ্ট্য আগের চেয়ে প্রায়ই নেই। |
ভিডিও অ্যাপ্লিকেশান মেট্রিক্স নিম্নলিখিত হিসাবে সংজ্ঞায়িত করা যেতে পারে:
| সফলতা | ব্যবহারকারীরা সাইটে গড়ে 20 শতাংশ বেশি সময় ব্যয় করে। |
|---|---|
| ব্যর্থতা | ব্যবহারকারীরা আগের তুলনায় সাইটে গড়ে আর বেশি সময় ব্যয় করেন না। |
আমরা উচ্চাভিলাষী সাফল্যের মেট্রিক্স সংজ্ঞায়িত করার সুপারিশ করি। যদিও উচ্চ উচ্চাকাঙ্ক্ষা সাফল্য এবং ব্যর্থতার মধ্যে ব্যবধান সৃষ্টি করতে পারে। উদাহরণস্বরূপ, ব্যবহারকারীরা আগের তুলনায় গড়ে 10 শতাংশ বেশি সময় সাইটে ব্যয় করলে সাফল্য বা ব্যর্থতা হয় না। অনির্ধারিত ফাঁকটি গুরুত্বপূর্ণ নয়।
যেটা গুরুত্বপূর্ণ তা হল আপনার মডেলের সাফল্যের সংজ্ঞার কাছাকাছি—বা অতিক্রম করার ক্ষমতা। উদাহরণস্বরূপ, মডেলের কর্মক্ষমতা বিশ্লেষণ করার সময়, নিম্নলিখিত প্রশ্নটি বিবেচনা করুন: মডেলটির উন্নতি কি আপনাকে আপনার সংজ্ঞায়িত সাফল্যের মানদণ্ডের কাছাকাছি নিয়ে যাবে? উদাহরণস্বরূপ, একটি মডেলের দুর্দান্ত মূল্যায়ন মেট্রিক্স থাকতে পারে, কিন্তু আপনাকে আপনার সাফল্যের মানদণ্ডের কাছাকাছি নিয়ে যেতে পারে না, এটি নির্দেশ করে যে এমনকি একটি নিখুঁত মডেল থাকা সত্ত্বেও, আপনি আপনার সংজ্ঞায়িত সাফল্যের মানদণ্ড পূরণ করতে পারবেন না। অন্যদিকে, একটি মডেলের মূল্যায়নের মেট্রিক্স খারাপ থাকতে পারে, কিন্তু আপনাকে আপনার সাফল্যের মাপকাঠির কাছাকাছি নিয়ে যেতে পারে, এটি নির্দেশ করে যে মডেলটির উন্নতি আপনাকে সাফল্যের কাছাকাছি নিয়ে যাবে।
মডেলটি উন্নত করার যোগ্য কিনা তা নির্ধারণ করার সময় নিম্নলিখিত মাত্রাগুলি বিবেচনা করতে হবে:
যথেষ্ট ভাল না, কিন্তু চালিয়ে যান । মডেলটি উত্পাদন পরিবেশে ব্যবহার করা উচিত নয়, তবে সময়ের সাথে সাথে এটি উল্লেখযোগ্যভাবে উন্নত হতে পারে।
যথেষ্ট ভাল, এবং চালিয়ে যান । মডেলটি একটি উত্পাদন পরিবেশে ব্যবহার করা যেতে পারে এবং এটি আরও উন্নত হতে পারে।
যথেষ্ট ভাল, কিন্তু ভাল করা যাবে না . মডেলটি একটি উত্পাদন পরিবেশে রয়েছে, তবে এটি সম্ভবত যতটা ভাল হতে পারে।
যথেষ্ট ভাল না, এবং কখনই হবে না । মডেলটি একটি উত্পাদন পরিবেশে ব্যবহার করা উচিত নয় এবং কোন পরিমাণ প্রশিক্ষণ সম্ভবত এটি পাবে না।
মডেলটি উন্নত করার সিদ্ধান্ত নেওয়ার সময়, প্রকৌশলের সময় এবং গণনা খরচের মতো সংস্থানগুলির বৃদ্ধি যদি মডেলের পূর্বাভাসিত উন্নতিকে ন্যায্যতা দেয় তবে পুনরায় মূল্যায়ন করুন।
সাফল্য এবং ব্যর্থতার মেট্রিক্স সংজ্ঞায়িত করার পরে, আপনি কত ঘন ঘন সেগুলি পরিমাপ করবেন তা নির্ধারণ করতে হবে। উদাহরণস্বরূপ, আপনি সিস্টেমটি বাস্তবায়নের ছয় দিন, ছয় সপ্তাহ বা ছয় মাস পরে আপনার সাফল্যের মেট্রিক্স পরিমাপ করতে পারেন।
ব্যর্থতার মেট্রিক্স বিশ্লেষণ করার সময়, কেন সিস্টেম ব্যর্থ হয়েছে তা নির্ধারণ করার চেষ্টা করুন। উদাহরণস্বরূপ, মডেলটি ভবিষ্যদ্বাণী করতে পারে যে ব্যবহারকারীরা কোন ভিডিওতে ক্লিক করবে, কিন্তু মডেলটি ক্লিকবেট শিরোনামগুলির সুপারিশ করা শুরু করতে পারে যা ব্যবহারকারীর ব্যস্ততা বন্ধ করে দেয়। আবহাওয়া অ্যাপের উদাহরণে, মডেলটি সঠিকভাবে ভবিষ্যদ্বাণী করতে পারে কখন বৃষ্টি হবে কিন্তু একটি ভৌগলিক অঞ্চলের জন্য খুব বেশি।
আপনার বোঝার পরীক্ষা করুন
একটি ফ্যাশন ফার্ম আরও কাপড় বিক্রি করতে চায়। ফার্মটি কোন পোশাক তৈরি করবে তা নির্ধারণ করতে কেউ ML ব্যবহার করার পরামর্শ দেন। তারা মনে করেন কোন ধরনের পোশাক ফ্যাশনে আছে তা নির্ধারণ করার জন্য তারা একজন মডেলকে প্রশিক্ষণ দিতে পারেন। তারা মডেলকে প্রশিক্ষণ দেওয়ার পরে, কোন পোশাক তৈরি করবেন তা নির্ধারণ করতে তারা তাদের ক্যাটালগে এটি প্রয়োগ করতে চায়।
এমএল পদে তাদের সমস্যা কীভাবে ফ্রেম করা উচিত?
আদর্শ ফলাফল : কোন পণ্য তৈরি করতে হবে তা নির্ধারণ করুন।
মডেলের লক্ষ্য : পোশাকের কোন নিবন্ধগুলি ফ্যাশনে রয়েছে তা অনুমান করুন।
মডেল আউটপুট : বাইনারি শ্রেণীবিভাগ, in_fashion , not_in_fashion
সাফল্যের পরিমাপ : তৈরি কাপড়ের সত্তর শতাংশ বা তার বেশি বিক্রি করুন।
আদর্শ ফলাফল : কতটা ফ্যাব্রিক এবং সরবরাহ অর্ডার করতে হবে তা নির্ধারণ করুন।
মডেলের লক্ষ্য : প্রতিটি আইটেম কতটা তৈরি করতে হবে তা অনুমান করুন।
মডেল আউটপুট : বাইনারি শ্রেণীবিভাগ, make , do_not_make
সাফল্যের পরিমাপ : তৈরি কাপড়ের সত্তর শতাংশ বা তার বেশি বিক্রি করুন।