সিস্টেম প্রম্পট শেখন: কৃত্রিম বুদ্ধিমত্তা সিস্টেমের নতুন দৃষ্টান্ত

আপনি কি কখনও দেখেছেন, কোনো নির্দিষ্ট প্রম্পট ভালো কাজ করছে, কিন্তু হঠাৎই আর কাজ করছে না?

ফলাফল উন্নত করার চেষ্টা করতে গিয়ে কি কখনও বারবার সিস্টেম প্রম্পট প্যাচ করার চক্রে আটকে গেছেন, অথচ কিছুই কাজ করছে না?

সিস্টেম প্রম্পট শেখন হয়তো আপনার ঠিক সেই জিনিসটিই প্রয়োজন.

সিস্টেম প্রম্পট শেখন (SPL) কৃত্রিম বুদ্ধিমত্তা কমিউনিটিতে আগ্রহের একটি উদীয়মান ক্ষেত্র এবং মে মাসে X-এ Andrej Karpathy এটি ব্যাপকভাবে জনপ্রিয় করেন.

সিস্টেম প্রম্পট শেখন স্থির সিস্টেম প্রম্পট বা জটিল ফাইন-টিউনিং ব্যবস্থার ওপর নির্ভরশীল অনমনীয়, ভঙ্গুর কৃত্রিম বুদ্ধিমত্তা সিস্টেমের সীমাবদ্ধতা মোকাবিলা করে. এটি কৃত্রিম বুদ্ধিমত্তা সিস্টেমে ধারাবাহিক শেখন সমর্থনের আরেকটি পথ দেয়.

মূল আলোচনায় যাওয়ার আগে, প্রম্পটিংয়ের কিছু মৌলিক বিষয় সংক্ষেপে দেখে নেওয়া যাক.

কোনো এজেন্ট বা কাস্টম মডেল তৈরি করার সময় আমাদের আগে দুটি মূল উপাদান ডিজাইন করতে হয়:

1. একটি সিস্টেম প্রম্পট

2. একটি ব্যবহারকারী প্রম্পট

সিস্টেম প্রম্পট নির্ধারণ করে মডেলটি কীভাবে আচরণ করবে তার মৌলিক নিয়ম. কাস্টম কৃত্রিম বুদ্ধিমত্তা সমাধানের জন্য লেখা হলে, এগুলো প্রায়ই এভাবে শুরু হয়:

“আপনি একজন বুদ্ধিমান সহকারী. আপনার ভূমিকা হলো <এখানে কাজটি লিখুন> সম্পাদন করা.

আপনি (A), (B), বা (C) করবেন না.”

অন্যদিকে, ব্যবহারকারী প্রম্পটে সাধারণত ব্যবহারকারীর প্রশ্ন এবং অন্যান্য প্রাসঙ্গিক তথ্য থাকে, যেমন সময় অঞ্চল ও পছন্দ. একটি ব্যবহারকারী প্রম্পট এমন হতে পারে:

আমি পর্তুগালের রাজধানী শহরে আছি. আজ রাতে করার মতো কিছু কাজ কি আপনি সাজেস্ট করতে পারেন?

বড় কৃত্রিম বুদ্ধিমত্তা ল্যাবগুলোর নতুন মডেল প্রকাশের পর সিস্টেম প্রম্পট ফাঁস হওয়া সাধারণ হয়ে উঠেছে, কারণ ব্যবহারকারীরা চ্যাটবটের সুরক্ষা এড়িয়ে তার অন্তর্নিহিত নির্দেশনা প্রকাশ করায়. একটি জনপ্রিয় GitHub রিপোজিটরি এখন এসব সিস্টেম প্রম্পটের অনেকগুলো এক জায়গায় সংকলন করে. এগুলো দেখায়, উপযুক্ত মডেল আচরণ উৎসাহিত করতে কৃত্রিম বুদ্ধিমত্তা ল্যাবগুলো সময়ের সঙ্গে কী “গোপন কৌশল” তৈরি করেছে. উদাহরণস্বরূপ, সম্প্রতি ফাঁস হওয়া GPT-5 সিস্টেম প্রম্পটে (ChatGPT-এর ভেতর থেকে প্রকাশিত) প্রায় ৬,০০০ শব্দ আছে, যা দেখায় সিস্টেমের আচরণ গঠনে কত জ্ঞান ও নির্দেশনা এনকোড করতে হয়.

এ ধরনের বিস্তৃত সিস্টেম প্রম্পট সাধারণত কয়েকটি মূল ক্ষেত্র কভার করে, যেমন:

• সার্চ নির্দেশনা

• টুলের সংজ্ঞা

• ব্যবহারকারীর পছন্দ

• উদ্ধৃতি নির্দেশনা

• পরিচিত সমস্যার দ্রুত প্যাচ

বাস্তবে, কাস্টম কৃত্রিম বুদ্ধিমত্তা সিস্টেমের ডেভেলপাররা তাদের অ্যাপ্লিকেশন পরীক্ষা ও পরিমার্জনের সময় হাতে হাতে সিস্টেম প্রম্পট বারবার প্যাচ করেন, এবং এই উন্নয়নপ্রক্রিয়া পরিচালনায় মূলত evals ব্যবহার করেন.

মডেলের আচরণ পরিচালনার আরও কিছু উপায় হলো:

• প্রম্পট ইঞ্জিনিয়ারিং, যার মধ্যে আছে রিট্রিভাল-অগমেন্টেড জেনারেশন (RAG), যা মডেলকে দেওয়া কনটেন্ট নিয়ন্ত্রণ করে

• ফাইন-টিউনিং (মডেলের অন্তর্নিহিত ওজন সরাসরি পরিবর্তন করা)

মডেলের আচরণ প্রভাবিত করার আরেকটি উপায় থাকলে কেমন হতো? ভাবুন, এমন একটি সিস্টেম আছে যা আগে তৈরি করা চিন্তা, পরিকল্পনা ও কৌশল ব্যবহার করে গতিশীলভাবে নিজের সিস্টেম প্রম্পট শেখে ও পরিমার্জন করে. নিজের আউটপুট মূল্যায়নের জন্য এটি ব্যবহারকারীর প্রতিক্রিয়া এবং LLM-as-a-judge মূল্যায়ন দুটোই কাজে লাগাতে পারে.

এমন একটি স্থায়ী ব্যবসায়িক চ্যালেঞ্জ ভাবুন, যা আপনি এজেন্টনির্ভর সিস্টেম ব্যবহার করে স্বয়ংক্রিয় করতে চান. কার্যকর সমাধানের জন্য মৌলিক কর্মপ্রবাহ স্বয়ংক্রিয়তার বাইরে যুক্তিবোধের সক্ষমতা দরকার. এ ধরনের ক্ষেত্রে, আপনার কৃত্রিম বুদ্ধিমত্তা সিস্টেমে পরিকল্পনা তৈরির একটি উপাদান যুক্ত করা অপরিহার্য হয়ে ওঠে. এর ফলে সিস্টেমটি কাজের ধরন অনুযায়ী বিভিন্নভাবে একাধিক এজেন্টের সঙ্গে কাজ করতে পারে. স্বতন্ত্র ধাপে উপকাজ সম্পন্ন করতে অন্য এজেন্টে প্রবেশের নির্দেশনা বা টুল ব্যবহারের নির্দেশনা থাকতে পারে.

নোট: এজেন্টের টুল হলো যে কোনো বাহ্যিক ফাংশন, API, বা রিসোর্স, যা কৃত্রিম বুদ্ধিমত্তা এজেন্ট টেক্সটের বাইরে গিয়ে বাস্তব কাজ করতে কল করতে পারে.

আপনি মডেলের সিস্টেম প্রম্পটে এমন একটি পরিকল্পনা “বীজ” হিসেবে দিতে পারেন, যা একজন মানুষ যে যৌক্তিক ধাপ নিত তা অনুসরণ করে; তবে LLM-গুলোর সাধারণত টুল ব্যবহার, আউটপুট ফরম্যাটিং, এবং সম্পর্কিত প্রয়োজনীয়তা নিয়ে আরও নির্দিষ্ট নির্দেশনা দরকার হয়. কখনও কখনও সর্বোত্তম কৌশল পরিষ্কার নাও হতে পারে, অথবা আপনি এমন একটি সমস্যা মোকাবিলা করতে পারেন যা আগে সমাধান হয়েছে ধরে নেওয়ায় পুনর্মূল্যায়ন করা হয়নি. এখানেই সিস্টেম প্রম্পট শেখন (SPL) কাজে আসে.

SPL আগে তৈরি হওয়া কৌশল অন্তর্ভুক্ত করে বারবার সিস্টেম প্রম্পট উন্নত করে. নতুন সমস্যা আসার সঙ্গে সঙ্গে সিস্টেমটি ধীরে ধীরে জ্ঞান সঞ্চয় করে এবং আরও মজবুত হয়. এটিকে আপনার ক্ষেত্রের সমস্যা সমাধানের একটি হ্যান্ডবুক তৈরির মতো ভাবুন.

SPL ধীরে ধীরে ব্যবহারকারীর প্রতিক্রিয়া থেকে পাওয়া অন্তর্দৃষ্টি সিস্টেম প্রম্পটে যুক্ত করে. আপনার সিস্টেম পরিণত হলে, আপনি এমন পুনরাবৃত্ত সমস্যা খুঁজে পেতে পারেন, যেগুলোকে আরও সাধারণীকৃত, উচ্চতর স্তরের নীতিতে রূপ দেওয়া যায়.

প্রক্রিয়াটি ধাপে ধাপে কীভাবে কাজ করে, তা আরও কাছ থেকে দেখা যাক:

1. ব্যবহারকারীর প্রশ্ন দিয়ে শুরু করুন, যেখানে সিস্টেমকে একটি নির্দিষ্ট কাজ করতে বলা হয়.

2. 1. আপনার সিস্টেম যদি শুধু একটি সমস্যা মোকাবিলা করে, তাহলে আগের রান থেকে সবচেয়ে বেশি স্কোর পাওয়া কৌশলগুলো বেছে নিয়ে আপনি “greedy” পদ্ধতি নিতে পারেন. অন্যদিকে, উচ্চ রেটিং পাওয়া কৌশলকে বেশি গুরুত্ব দেওয়া কিন্তু মাঝে মাঝে কম রেটিং পাওয়া কৌশলও অন্তর্ভুক্ত করা একটি বিতরণ থেকে স্যাম্পলিং করে আপনি অনুসন্ধানকে উৎসাহিত করতে পারেন. আপনি যখন কেবল কৌশল সংগ্রহ শুরু করছেন, তখন এটি বিশেষভাবে উপযোগী.

   2. বিচিত্র সমস্যা সেট সামলানোর জন্য তৈরি সিস্টেমে, প্রাসঙ্গিক পদ্ধতি শনাক্ত করতে একটি শ্রেণিবিন্যাস স্তর যোগ করা বা embeddings এবং cosine similarity (RAG-এ সাধারণত ব্যবহৃত একই কৌশল) ব্যবহার করার কথা ভাবুন. এতে নির্দিষ্ট সমস্যার উপযোগী কৌশল বাছাই করা সহজ হয়, যেমন কোডিং কাজের জন্য তৈরি কৌশল.

নোট: Embeddings যখন cosine similarity এর সঙ্গে ব্যবহৃত হয়, তখন দুই টুকরা তথ্য কতটা ঘনিষ্ঠভাবে সম্পর্কিত তা মাপতে দেয়; এতে শব্দ হুবহু এক না হলেও ডকুমেন্ট, প্রশ্ন বা ধারণা মেলানো সহজ হয়.

কোডিং সমস্যা মোকাবিলার জন্য সরলীকৃত কৌশল ভান্ডারের একটি উদাহরণসূত্র শুরুর জায়গা.

নোট: এখানে দেখানো “seed strategies” উদাহরণমাত্র. বাস্তব কোডিং পরিস্থিতিতে আমরা এগুলো আরও পরিমার্জন করতাম. বিশেষায়িত ব্যবসায়িক সমস্যার জন্য সময়ের সঙ্গে অতিরিক্ত অন্তর্দৃষ্টি সংগ্রহ করতে হবে.

৩. N স্যাম্পল করার পর, সেগুলো সিস্টেম প্রম্পটে অন্তর্ভুক্ত করুন. এতে পরিকল্পনা তৈরি আগের বিশেষজ্ঞ প্রতিক্রিয়ার ওপর ভিত্তি পায়, মডেলকে ন্যূনতম নির্দেশনায় পরিকল্পনা বানাতে ছেড়ে দেওয়া হয় না. মডেলকে “বাক্সের বাইরে ভাবতে” উৎসাহ দিন এবং নমুনা কৌশল হুবহু কপি করার বদলে প্রয়োজন হলে ধাপ যোগ করতে বলুন.

৪. আপনার গতিশীলভাবে তৈরি সিস্টেম প্রম্পট দিয়ে ব্যবহারকারীর অনুরোধ মোকাবিলার জন্য একটি নতুন কৌশল তৈরি করুন. এই প্রক্রিয়ায় অতিরিক্ত কাজ তৈরি হওয়া উচিত, যা চূড়ান্ত আউটপুট উন্নত করে. লক্ষ্য হলো সৃজনশীলতা: আগের কৌশলগুলোর সবচেয়ে শক্তিশালী অংশ মিলিয়ে নিন, একই ধরনের ধাপ একত্র করুন, এবং প্রয়োজন হলে নতুন সহায়ক ধাপ যোগ করুন.

নোট: মনে রাখুন, temperature একটি প্যারামিটার, যা আরও বৈচিত্র্যময় ও কম নির্ধারিত আউটপুট তৈরির জন্য সামঞ্জস্য করা যায়; সৃজনশীলতা চাইলে এটি কাজে লাগে. temperature শূন্যের বেশি হলে, প্রতিটি তৈরি পরিকল্পনা আলাদা হতে পারে.

৫. মডেলের আউটপুট পাওয়ার পর, আপনার সমস্যার ভালো সমাধান কী তা নির্ধারণকারী নির্দিষ্ট মানদণ্ডের ভিত্তিতে মানব মূল্যায়নকারী বা LLM বিচারক দিয়ে তা মূল্যায়ন করুন. আগে উল্লেখ করা পর্তুগালের কার্যক্রমের উদাহরণটির জন্য মূল্যায়ন মানদণ্ড হতে পারে:

• সংক্ষিপ্ততা (এক বাক্যে সীমিত উত্তর)

• প্রস্তাবিত কার্যক্রমের প্রাসঙ্গিকতা

• অবস্থানের নির্ভুলতা

৬. এই মূল্যায়নের ভিত্তিতে, কৌশলটি পরিমার্জন করতে আরেকটি মডেল ব্যবহার করুন. ঐচ্ছিক একটি প্রতিক্রিয়া চক্র মানব ইনপুট অন্তর্ভুক্ত করতে এবং সহযোগিতামূলক উন্নতি সমর্থন করতে পারে. সংস্করণ ও পরিবর্তন ট্র্যাক করার উপযুক্ত মেটাডেটাসহ পরিমার্জিত কৌশলটি আপনার ডেটাবেসে সংরক্ষণ করুন.

তাহলে এত ঝামেলা করার দরকার কী? আপনি হাতে হাতে আউটপুট পর্যালোচনা করে সেই অনুযায়ী সিস্টেম প্রম্পট সামঞ্জস্য করতে পারেন. তবে শক্তিশালী যুক্তিভিত্তিক মডেলগুলো আউটপুট প্রসঙ্গ এবং মানব প্রতিক্রিয়া দুটোই ব্যবহার করে কৌশল পরিমার্জন করতে পারে. সহজ পদ্ধতিতে ত্রুটি মানুষ সহজেই ধরতে পারলেও, বিস্তৃত সমস্যা সমাধানকারী জটিল সিস্টেমে সেগুলো শনাক্ত করা কঠিন ও ক্লান্তিকর হয়ে ওঠে.

মানুষ স্বাভাবিকভাবেই কোনো সমস্যায় যে প্রাসঙ্গিক জ্ঞান নিয়ে আসে, তা সংগ্রহ করতে LLM-গুলোর প্রায়ই বিস্তারিত নির্দেশনা ও অতিরিক্ত ধাপ দরকার হয়. কোনো সিস্টেম বিস্তৃত সমস্যা সেট মোকাবিলায় বড় হলে প্রয়োজনীয় কাজের সংখ্যা দ্রুত বাড়তে পারে. উদাহরণস্বরূপ, কোডিং সমস্যা সমাধানের সময় মানুষ আশপাশের কোডবেস স্বাভাবিকভাবে বুঝতে পারে, কিন্তু একটি LLM-কে আগে একাধিক ফাইল “পড়তে” হতে পারে.

• যখন এটি সহায়ক: ধরুন আপনি একটি গ্রাহক সহায়তা দল চালান, এবং একটি কৃত্রিম বুদ্ধিমত্তা এজেন্ট টিকিট বাছাইয়ের কাজ করে. সময়ের সঙ্গে SPL এমন একটি শ্রেণিবিন্যাস পদ্ধতি খুঁজে পেতে পারে যা আপনার দল ভাবেনি, ফলে এসকেলেশন হার কমে.

• যখন এটি সহায়ক নয়: যদি কমপ্লায়েন্সের প্রয়োজনীয়তা বা বিধিমালা আগেই আপনার কর্মপ্রবাহ নির্ধারণ করে দেয়, যেমন আর্থিক প্রতিবেদন, তাহলে SPL খুব কম মূল্য দিতে পারে, কারণ সৃজনশীলতা তখন সম্পদ নয়, দায় হয়ে ওঠে.

• যখন এটি সহায়ক: গবেষণা-নির্ভর ভূমিকায় (যেমন বাজার বুদ্ধিমত্তা বা পণ্য কৌশল), আপনি পরিকল্পনা পরিমার্জন, আউটপুট সমৃদ্ধকরণ এবং ভবিষ্যৎ ব্যবহারের জন্য এসব উন্নতি অন্তর্ভুক্ত করার মাধ্যমে কৃত্রিম বুদ্ধিমত্তার সঙ্গে কাজ করতে পারেন. প্রতিটি মিথস্ক্রিয়া সিস্টেমের কার্যকারিতা বাড়ায়.

• যখন এটি সহায়ক নয়: আপনার দল যদি বেশিরভাগ সময় এমন সরল কর্মপ্রবাহে কৃত্রিম বুদ্ধিমত্তা ব্যবহার করে যেখানে মানুষের ইনপুট কম (যেমন ইনভয়েস প্রসেসিং), তাহলে সহযোগিতার অতিরিক্ত ব্যয় সুবিধার চেয়ে বেশি হতে পারে.

• যখন এটি সহায়ক: ধরুন আপনি নতুন অঞ্চলে সম্প্রসারিত হলেন এবং কৃত্রিম বুদ্ধিমত্তাকে হঠাৎ স্থানীয় কর-সংক্রান্ত প্রশ্ন সামলাতে হচ্ছে. SPL নতুন নিয়ম ও হিউরিস্টিক তৈরি হওয়া মাত্র দ্রুত এনকোড করতে দেয়, ফলে একই ভুল বারবার হওয়া ঠেকে.

• যখন এটি সহায়ক নয়: আপনার পরিবেশ যদি স্থির হয়, যেমন মিটিং ট্রান্সক্রিপ্টকে মানসম্মত সারাংশে রূপান্তর করা, তাহলে ধারাবাহিক মানিয়ে নেওয়ার সুফল খুব কম.

তত্ত্বে এসব আশাব্যঞ্জক শোনালেও, SPL বাস্তবায়নে বাস্তব চ্যালেঞ্জ আছে. নিচে প্রধান কয়েকটি নিয়ে আলোচনা করা হলো:

কৌশল তৈরির প্রাথমিক ধাপে অগ্রগতি প্রায়ই থমকে যায়: নতুন আউটপুট আগেরগুলোর ওপর ভিত্তি করে এগোয় না, এবং গতি কমে যায়. সাধারণত দুটি প্রধান সমস্যা এর পেছনে থাকে:

• • সমাধান: শুরুতেই উপলব্ধ সব ব্যবসায়িক জ্ঞান এনকোড করুন, যাতে সিস্টেমের কাজে লাগানোর মতো গভীরতা থাকে.

• • সমাধান: এমন সূক্ষ্ম রুব্রিক ডিজাইন করুন যা উত্তরের একাধিক দিক, যেমন নির্ভুলতা, স্পষ্টতা ও প্রাসঙ্গিকতা স্কোর করে, এবং এসব সংকেত প্রতিফলিত করতে আপনার স্যাম্পলিং সামঞ্জস্য করুন.

আপনার সিস্টেম যদি শত শত কৌশল তৈরি করে কিন্তু ভালো-মন্দ আলাদা করার মতো সামান্য প্রতিক্রিয়া পায়, তাহলে স্যাম্পলিং দ্রুতই জটিল হয়ে যায়. সমাধান হলো ছাঁটাই.

আপনার কৌশল ভান্ডার পরিমার্জনের সময় বিবেচনা করুন:

• আয়ুষ্কাল: নির্ধারিত সময়সীমা বা জেনারেশনের সংখ্যা ছাড়িয়ে গেলে কৌশলগুলো অবসরে পাঠান.

• স্কোর: ধারাবাহিকভাবে কম ফল দিচ্ছে এমন কৌশল বাদ দিতে আপনার মূল্যায়ন রুব্রিক ব্যবহার করুন. এটি আয়ুষ্কালের সঙ্গে মিলিয়ে নিলে নিশ্চিত হয় যে আপনি শুধু সময়ের সঙ্গে নিজের মূল্য প্রমাণ করা পদ্ধতিগুলোই রাখছেন.

• LLM বিচার: সময় সময় কৌশলগুলো মূল্যায়ন করুন, যাতে যেগুলো আর আলাদা নতুন অন্তর্দৃষ্টি যোগ করছে না সেগুলো শনাক্ত করা যায়; কারণ তাদের উপযোগী অংশ সম্ভবত নতুন সংস্করণে ইতিমধ্যেই যুক্ত হয়েছে.

সমাধান: আপনার কৌশল ডেটাবেসকে জীবন্ত সিস্টেম হিসেবে দেখুন: নিয়মিত ছাঁটাই করুন, যাতে শুধু প্রাসঙ্গিক ও উচ্চ-মূল্যের জ্ঞান থাকে.

সিস্টেম প্রম্পট শেখন এখনও একেবারে প্রাথমিক পর্যায়ে, কিন্তু এর সম্ভাবনা বিশাল. যেসব ব্যবসা শুধু স্থির প্রম্পট বা অনন্ত ফাইন-টিউনিংয়ের ওপর নির্ভর করে, তারা পরিচিত সীমাবদ্ধতার মুখোমুখি হবে: ভঙ্গুর সিস্টেম, বাড়তে থাকা খরচ, এবং অপচয় হওয়া প্রচেষ্টা. SPL সময়ের সঙ্গে উন্নত হওয়া এবং বিচ্ছিন্ন প্যাচের বদলে উচ্চতর স্তরের নীতি এনকোড করা সিস্টেম তৈরি করে সেই চক্র থেকে বের হওয়ার পথ দেয়.

SPL এখনও উদীয়মান, কিন্তু এর গতিপথ স্পষ্ট: যে সিস্টেম নিজেদের থেকে শিখতে পারে, তারা না-পারা সিস্টেমকে ছাড়িয়ে যাবে. এখনই পরীক্ষা করার, ছোট করে শুরু করার, শেখা বিষয়গুলো ধরে রাখার, এবং প্রতিটি মিথস্ক্রিয়ায় উন্নত হয় এমন কৃত্রিম বুদ্ধিমত্তা সিস্টেমের ভিত্তি গড়ার সময়.