জিরো-শট ইমেজ রিট্রিভাল সিমান্টিক বর্ণনা ব্যবহার করে প্রশিক্ষণের সময় কখনও দেখা যায়নি এমন শ্রেণীগুলো থেকে ভিজ্যুয়াল কন্টেন্ট শনাক্ত করে, অন্যদিকে সুপারভাইজড ক্লাসিফিকেশন সিস্টেমের শনাক্ত করা প্রতিটি বিভাগের জন্য লেবেলযুক্ত উদাহরণের প্রয়োজন হয়। উভয়ই কম্পিউটার ভিশনের কাজ করে, কিন্তু জ্ঞান অর্জন এবং নতুন ইনপুট পরিচালনার পদ্ধতিতে তাদের মধ্যে মৌলিক পার্থক্য রয়েছে।
একটি কম্পিউটার ভিশন পদ্ধতি যা লেবেলযুক্ত প্রশিক্ষণ উদাহরণের পরিবর্তে সিমান্টিক এমবেডিং ব্যবহার করে অপরিচিত বিভাগের সাথে মেলে এমন ছবি খুঁজে বের করে।
প্রচলিত মেশিন লার্নিং মডেলগুলো বিপুল পরিমাণ হাতে লেবেল করা প্রশিক্ষণ ডেটা ব্যবহার করে ছবিগুলোকে পূর্বনির্ধারিত শ্রেণিতে ভাগ করে।
| বৈশিষ্ট্য | জিরো-শট ইমেজ পুনরুদ্ধার | তত্ত্বাবধানাধীন শ্রেণিবিন্যাস ব্যবস্থা |
|---|---|---|
| প্রশিক্ষণ ডেটার প্রয়োজনীয়তা | শুধুমাত্র শব্দার্থিক বিবরণ প্রয়োজন, অপরিচিত শ্রেণীগুলোর জন্য কোনো লেবেলযুক্ত ছবির দরকার নেই। | প্রতিটি শ্রেণীর জন্য বিপুল পরিমাণে লেবেলযুক্ত ছবির প্রয়োজন। |
| উপন্যাস বিভাগ পরিচালনা | প্রশিক্ষণের সময় কখনও সম্মুখীন না হওয়া ক্লাসগুলি চিনতে পারে। | প্রশিক্ষণ বিতরণের বাইরের বিভাগগুলি পরিচালনা করা সম্ভব নয়। |
| জ্ঞানের উৎস | অ্যাট্রিবিউট, টেক্সট এমবেডিং বা নলেজ গ্রাফের মতো পার্শ্ব তথ্য | লেবেলযুক্ত ছবির উদাহরণ থেকে সরাসরি শেখা প্যাটার্ন |
| দেখা ক্লাসগুলিতে সাধারণ নির্ভুলতা | সাধারণত তত্ত্বাবধানাধীন প্রতিরূপের চেয়ে কম | প্রমিত মানদণ্ডে সর্বাধুনিক কর্মক্ষমতা |
| নতুন ক্লাসগুলিতে সম্প্রসারণযোগ্যতা | শুধুমাত্র শব্দার্থগত বিবরণ দিয়ে নতুন বিভাগ যোগ করুন। | নতুন প্রশিক্ষণ চিত্র সংগ্রহ ও চিহ্নিত করা প্রয়োজন। |
| সাধারণ স্থাপত্য | ডুয়াল-এনকোডার নেটওয়ার্ক, CLIP-স্টাইল মডেল, এমবেডিং অ্যালাইনমেন্ট ফ্রেমওয়ার্ক | ResNet, EfficientNet, Vision Transformers, VGG ভ্যারিয়েন্ট |
| মূল্যায়ন ডেটাসেট | SUN Attribute, aPY, Animals with Attributes, CUB-200 | ইমেজনেট, সিআইএফএআর-১০/১০০, কোকো, এমএনআইএসটি |
| স্থাপনার জটিলতা | শব্দার্থিক মেটাডেটা পরিকাঠামোর প্রয়োজনের কারণে বৃদ্ধি পেয়েছে | পরিপক্ক ফ্রেমওয়ার্ক এবং প্রি-ট্রেইনড চেকপয়েন্ট ব্যবহার করে কমানো |
সবচেয়ে মৌলিক পার্থক্যটি হলো, প্রতিটি সিস্টেম কীভাবে দৃশ্যমান বিষয়বস্তু শনাক্ত করার ক্ষমতা অর্জন করে। সুপারভাইজড ক্লাসিফিকেশন সরাসরি লেবেলযুক্ত ছবির উদাহরণ থেকে শেখে এবং পরিসংখ্যানগত প্যাটার্ন তৈরি করে, যা পিক্সেল ডেটাকে পূর্বনির্ধারিত ক্যাটাগরিতে বিন্যস্ত করে। জিরো-শট রিট্রিভাল সম্পূর্ণ ভিন্ন একটি পথ অবলম্বন করে; এটি দৃশ্যমান বৈশিষ্ট্যগুলোকে অর্থগত বর্ণনার সাথে যুক্ত করতে শেখে, যাতে এটি এমন ক্লাসগুলোতেও সাধারণীকরণ করতে পারে যেগুলোর সাথে এর আগে কখনো চাক্ষুষভাবে পরিচিত হয়নি। এই কারণে, যেসব ক্ষেত্রে লেবেলিং ব্যয়বহুল অথবা যেখানে ক্যাটাগরির পরিসর উন্মুক্ত, সেসব ক্ষেত্রে জিরো-শট পদ্ধতিগুলো বিশেষভাবে আকর্ষণীয়।
প্রশিক্ষণ ডেটাতে উপস্থিত ক্লাসগুলোর ক্ষেত্রে সুপারভাইজড সিস্টেমগুলো জিরো-শট পদ্ধতির চেয়ে ধারাবাহিকভাবে ভালো পারফর্ম করে, কারণ তাদের শেখার জন্য সরাসরি ভিজ্যুয়াল উদাহরণ থাকে। তবে, সম্পূর্ণ নতুন ক্যাটাগরির সম্মুখীন হলে এই সুবিধাটি অদৃশ্য হয়ে যায়। জিরো-শট রিট্রিভাল সম্পূর্ণ নতুন ধারণাগুলো সামলানোর নমনীয়তার বিনিময়ে পরিচিত ক্লাসগুলোর ক্ষেত্রে সর্বোচ্চ নির্ভুলতার কিছুটা বিসর্জন দেয়। CLIP-এর মতো আধুনিক ফাউন্ডেশন মডেলগুলো বৃহৎ পরিসরে ইমেজ-টেক্সট প্রিট্রেনিংয়ের মাধ্যমে প্রতিযোগিতামূলক জিরো-শট পারফরম্যান্স অর্জন করে এই ব্যবধানটি উল্লেখযোগ্যভাবে কমিয়ে এনেছে।
সুপারভাইজড ক্লাসিফিকেশন সুনির্দিষ্ট ও সীমাবদ্ধ জগতের ক্ষেত্রে বিশেষভাবে কার্যকর, যেমন—উৎপাদনে ত্রুটি শনাক্তকরণ, নিয়ন্ত্রিত ডেটাসেটে প্রজাতি শনাক্তকরণ, বা মেডিকেল ইমেজিং যেখানে লেবেলযুক্ত ডেটা বিদ্যমান। অন্যদিকে, জিরো-শট রিট্রিভাল উন্মুক্ত শব্দভান্ডারের ক্ষেত্রে বিশেষভাবে উপযোগী, যেমন—ভিজ্যুয়াল সার্চ ইঞ্জিন, বৃহৎ ক্যাটালগ থেকে বিষয়বস্তু-ভিত্তিক চিত্র পুনরুদ্ধার, এবং এমন সব অ্যাপ্লিকেশন যেখানে ব্যবহারকারীরা এমন সব ধারণা অনুসন্ধান করতে পারেন যেগুলোর ওপর সিস্টেমটিকে কখনও স্পষ্টভাবে প্রশিক্ষণ দেওয়া হয়নি। সর্বাধিক কভারেজের জন্য বর্তমানে অনেক বাস্তব-জগতের সিস্টেম উভয় পদ্ধতিকেই একত্রিত করে।
একটি সুপারভাইজড সিস্টেমে নতুন কোনো ক্যাটাগরি যোগ করার অর্থ হলো শত শত বা হাজার হাজার লেবেলযুক্ত ছবি সংগ্রহ করা এবং মডেলটিকে পুনরায় প্রশিক্ষণ দেওয়া, যা একটি ব্যয়বহুল ও সময়সাপেক্ষ প্রক্রিয়া। জিরো-শট রিট্রিভাল অপারেটরদের কেবল শব্দার্থিক বিবরণ লিখে বা সংগ্রহ করেই নতুন ক্লাস অন্তর্ভুক্ত করার সুযোগ দেয়, যা শনাক্তকরণ ক্ষমতা সম্প্রসারণের পরিচালনগত অতিরিক্ত বোঝা নাটকীয়ভাবে কমিয়ে দেয়। দ্রুত পরিবর্তনশীল ক্ষেত্রগুলিতে এই পার্থক্যটি অত্যন্ত গুরুত্বপূর্ণ হয়ে ওঠে, যেখানে নতুন পণ্যের বিভাগ, উদীয়মান হুমকি বা বিবর্তিত পরিভাষা নিয়মিতভাবে আবির্ভূত হয়।
সুপারভাইজড ক্লাসিফিকেশনে সাধারণত সিঙ্গেল-টাওয়ার আর্কিটেকচার ব্যবহার করা হয়, যা সফটম্যাক্স লেয়ারের মাধ্যমে ছবিকে সরাসরি ক্লাস প্রোবাবিলিটিতে ম্যাপ করে। জিরো-শট রিট্রিভালে সাধারণত ডুয়াল-এনকোডার বা সায়ামিজ-স্টাইলের ডিজাইন ব্যবহার করা হয়, যা ছবি এবং ক্লাসের বিবরণ উভয়কেই একটি শেয়ার্ড এমবেডিং স্পেসে প্রজেক্ট করে, যেখানে সাদৃশ্য পরিমাপ করা যায়। ভিশন-ল্যাঙ্গুয়েজ মডেলের সাম্প্রতিক অগ্রগতি এই সীমারেখাগুলোকে অস্পষ্ট করে দিয়েছে, এবং এখন এমন একীভূত আর্কিটেকচার তৈরি হয়েছে যা স্বাভাবিক ভাষার প্রম্পটের মাধ্যমে ক্লাসিফিকেশন ও রিট্রিভাল উভয়ই করতে সক্ষম।
জিরো-শট লার্নিং মানে হলো মডেলটির কোনো প্রশিক্ষণই হয় না।
জিরো-শট মডেলগুলোও পরিচিত শ্রেণী এবং শব্দার্থিক অনুষঙ্গের উপর যথেষ্ট প্রশিক্ষণ লাভ করে। 'জিরো-শট' নামটি বিশেষভাবে অনুমানের সময়ে অপরিচিত বিভাগগুলিতে সাধারণীকরণ করার ক্ষমতাকে বোঝায়, কোনো শেখার প্রক্রিয়ার অনুপস্থিতিকে নয়।
সুপারভাইজড ক্লাসিফায়ার সর্বদা জিরো-শট সিস্টেমের চেয়ে ভালো ফল দেয়।
এটি শুধুমাত্র প্রশিক্ষণ সেটে উপস্থিত বিভাগগুলির ক্ষেত্রেই প্রযোজ্য। নতুন শ্রেণীগুলির ক্ষেত্রে, যেগুলির সম্মুখীন সুপারভাইজড মডেলগুলি আগে কখনও হয়নি, তাদের নির্ভুলতা শূন্যে নেমে আসে, অপরদিকে জিরো-শট সিস্টেমগুলি শব্দার্থগত স্থানান্তরের মাধ্যমে তখনও অর্থপূর্ণ পূর্বাভাস দিতে পারে।
জিরো-শট রিট্রিভাল পদ্ধতিতে কোনো ডেটা প্রস্তুতির প্রয়োজন হয় না।
অপরিচিত ক্লাসগুলোর জন্য লেবেলযুক্ত ছবির প্রয়োজন না হলেও, জিরো-শট সিস্টেমগুলো উচ্চ-মানের শব্দার্থিক বিবরণ, অ্যাট্রিবিউট টীকা বা টেক্সট এমবেডিংয়ের ওপর ব্যাপকভাবে নির্ভর করে। এই সহায়ক তথ্যগুলো সংকলন করা নিজেই একটি উল্লেখযোগ্য শ্রমসাধ্য কাজ হতে পারে।
আরও বেশি প্রশিক্ষণ ডেটা সর্বদা সুপারভাইজড ক্লাসিফায়ারকে অনির্দিষ্টকালের জন্য উন্নত করে।
অতিরিক্ত ডেটা থেকে প্রাপ্ত পারফরম্যান্সের উন্নতি ক্রমহ্রাসমান হারে বাড়তে থাকে এবং অবশেষে একটি স্থিতাবস্থায় পৌঁছায়। ডেটার নিছক পরিমাণের চেয়ে লেবেলের গুণমান, শ্রেণীর ভারসাম্য এবং ডেটার বৈচিত্র্যের মতো বিষয়গুলো প্রায়শই বেশি গুরুত্বপূর্ণ, বিশেষ করে সেইসব ডিপ লার্নিং মডেলের ক্ষেত্রে যেগুলো ত্রুটিপূর্ণ লেবেলের কারণে ওভারফিটিং-এর ঝুঁকিতে থাকে।
কার্যক্ষেত্রে এই দুটি পদ্ধতি পরস্পরবিরোধী।
অনেক প্রোডাকশন সিস্টেম উভয় প্যারাডাইমকে একত্রিত করে, যেখানে উচ্চ-আত্মবিশ্বাসসম্পন্ন পরিচিত ক্যাটাগরিগুলোর জন্য সুপারভাইজড ক্লাসিফায়ার ব্যবহার করা হয় এবং লং-টেইল বা নতুন কোয়েরিগুলোর জন্য জিরো-শট রিট্রিভালে ফিরে যাওয়া হয়। হাইব্রিড আর্কিটেকচারগুলো প্রায়শই যেকোনো একটি পদ্ধতি এককভাবে ব্যবহারের চেয়ে ভালো পারফর্ম করে।
যখন আপনার কাছে প্রচুর লেবেলযুক্ত ডেটা, একটি নির্দিষ্ট ক্যাটাগরি সেট থাকে এবং পরিচিত ক্লাসগুলিতে সর্বোচ্চ নির্ভুলতার প্রয়োজন হয়, তখন সুপারভাইজড ক্লাসিফিকেশন বেছে নিন। যখন আপনার ক্যাটাগরি স্পেস উন্মুক্ত থাকে, লেবেলযুক্ত ডেটা অপ্রতুল হয়, অথবা পুনরায় প্রশিক্ষণ ছাড়াই নতুন ধারণা শনাক্ত করার নমনীয়তার প্রয়োজন হয়, তখন জিরো-শট ইমেজ রিট্রিভাল বেছে নিন। অনেক প্রোডাকশন সিস্টেম নির্ভুলতা এবং অভিযোজনযোগ্যতার মধ্যে ভারসাম্য বজায় রাখতে উভয় পদ্ধতির সমন্বয় থেকে উপকৃত হয়।
CLIP এমবেডিং একটি অভিন্ন শব্দার্থিক পরিসরে ছবি ও লেখা বোঝার জন্য ডিপ লার্নিং ব্যবহার করে, অন্যদিকে কীওয়ার্ড-ভিত্তিক ছবি পুনরুদ্ধার পদ্ধতি হাতে-কলমে নির্ধারিত ট্যাগ বা পারিপার্শ্বিক লেখা মেলানোর ওপর নির্ভর করে। আধুনিক ভিজ্যুয়াল সার্চের কাজগুলোর জন্য CLIP অনেক বেশি নমনীয়তা ও নির্ভুলতা প্রদান করে, অপরদিকে কীওয়ার্ড পদ্ধতিগুলো সংকীর্ণ ও সুসংগঠিত প্রেক্ষাপটেই কার্যকর থাকে।
PPO-তে পলিসি ক্লিপিং প্রতিটি আপডেটের সময় একটি নতুন পলিসি পুরানোটি থেকে কতটা বিচ্যুত হতে পারে তা সীমাবদ্ধ করে, যা প্রশিক্ষণকে স্থিতিশীল রাখে। সীমাহীন পলিসি আপডেট নতুন পলিসিকে অবাধে স্থানান্তরিত হতে দেয়, যা শেখার গতি বাড়াতে পারে কিন্তু প্রায়শই জটিল পরিবেশে অস্থিতিশীলতা বা পতনের কারণ হয়।
RAG এবং ফাইন-টিউনড LLM উভয়ই AI আউটপুটের মান উন্নত করে, কিন্তু এদের কাজের পদ্ধতি মৌলিকভাবে ভিন্ন। RAG কোয়েরি করার সময় বাহ্যিক তথ্য ব্যবহার করে, অন্যদিকে ফাইন-টিউনিং নতুন জ্ঞানকে সরাসরি মডেলের ওয়েট-এর মধ্যে অন্তর্ভুক্ত করে। এদের মধ্যে কোনটি বেছে নেবেন, তা নির্ভর করে আপনার ডেটা কত ঘন ঘন পরিবর্তিত হয় এবং আপনার কী ধরনের নির্ভুলতা প্রয়োজন তার উপর।
RAG-এ ইমেজ গ্রাউন্ডিং, ডকুমেন্ট থেকে সংগৃহীত ভিজ্যুয়াল প্রমাণের উপর ভিত্তি করে AI-এর প্রতিক্রিয়াকে স্থির করে, যা বিভ্রম কমায় এবং তথ্যের নির্ভুলতা বাড়ায়। অন্যদিকে, ভিত্তিহীন টেক্সট জেনারেশন শুধুমাত্র ট্রেনিং ডেটা থেকে প্রাপ্ত প্যারামেট্রিক জ্ঞানের উপর নির্ভর করে, যার ফলে সাবলীল কিন্তু যাচাইযোগ্য উৎসবিহীন এবং সম্ভাব্য মনগড়া আউটপুট তৈরি হয়।
এই তুলনামূলক আলোচনায় অগমেন্টেড রিয়েলিটি (এআর) ডেটা, যা বাস্তব পরিবেশের উপর কৃত্রিম, ডিজিটালভাবে তৈরি উপাদান স্থাপন করে, এবং রিয়েল ক্যামেরা ডেটা, যা সম্পূর্ণরূপে বাস্তব ইমেজ সেন্সর দ্বারা ধারণ করা কাঁচা, অপরিবর্তিত পিক্সেল স্ট্রিমের উপর নির্ভর করে—এই দুইয়ের মধ্যে কৃত্রিম বুদ্ধিমত্তা প্রশিক্ষণের পার্থক্যগুলো বিশদভাবে তুলে ধরা হয়েছে।
