আলিবাবার মেটিস এজেন্ট অপ্রয়োজনীয় এআই টুল কল ৯৬% কমিয়ে নির্ভুলতার নতুন মানদণ্ড স্থাপন করেছে

অতি উৎসাহী এআই এজেন্টের আড়ালে থাকা খরচ

আধুনিক কৃত্রিম বুদ্ধিমত্তার এজেন্টগুলোর সিদ্ধান্ত নেওয়ার ক্ষেত্রে একটি মৌলিক দুর্বলতা রয়েছে, যা পরিচালন ব্যয় বাড়ায় এবং ব্যবহারকারীদের হতাশ করে। আলিবাবার গবেষকেরা বর্তমান বৃহৎ ভাষা মডেলগুলোর মধ্যে তাঁরা যাকে গভীর মেটাকগনিটিভ ঘাটতি বলছেন, তা শনাক্ত করেছেন। কখন বাইরের কোনো টুল ব্যবহার করতে হবে আর কখন নিজের ভেতরের জ্ঞানই যথেষ্ট, তা বুঝতে এসব সিস্টেমের সমস্যা হয়। এর ফলে অপ্রয়োজনীয় এপিআই কলের পরম্পরা তৈরি হয়, যা কর্মদক্ষতা কমায়, যুক্তির মান ক্ষুণ্ন করে এবং কম্পিউটিংয়ের বাজেট খরচ করে।

বর্তমান এজেন্টভিত্তিক মডেলগুলোকে অন্য সবকিছুর ওপরে কাজ সম্পন্ন করাকে অগ্রাধিকার দিতে প্রশিক্ষণ দেওয়া হয়। এই একমুখী মনোযোগের ফলে ডেভেলপারদের ভাষায় "ট্রিগার-হ্যাপি" আচরণ দেখা দেয়: ব্যবহারকারীর প্রশ্নেই প্রয়োজনীয় সব তথ্য থাকা সত্ত্বেও সিস্টেমগুলো স্বয়ংক্রিয়ভাবে ওয়েব সার্চ, কোড চালানো বা ছবি বিশ্লেষণের টুল ব্যবহার করে। আলিবাবার গবেষণা অনুযায়ী, এই অপ্রয়োজনীয়তা উদ্বেগজনক পর্যায়ে পৌঁছেছে; সাধারণ ব্যবহারে টুল কলের ৯৮ শতাংশ পর্যন্তই অপ্রয়োজনীয় প্রমাণিত হচ্ছে। প্রশিক্ষণ পদ্ধতিতে কাজ সফলভাবে সম্পন্ন করার পুরস্কার থাকলেও অদক্ষ সম্পদ ব্যবহারের জন্য কোনো শাস্তি না থাকায় এই প্রবণতা বজায় থাকে।

প্রতিটি অপ্রয়োজনীয় এপিআই কল ধারাবাহিক প্রক্রিয়াকরণে বিলম্ব ঘটায়, যা জমে লক্ষণীয় ল্যাটেন্সি তৈরি করে। ব্যবহারকারীরা ধীরগতির উত্তর পান, আর প্রতিষ্ঠানগুলোকে গুনতে হয় চড়া অবকাঠামো ব্যয়। গতি ও খরচের বাইরেও, অতিরিক্ত টুল ব্যবহার যুক্তির মানকে সরাসরি ক্ষতিগ্রস্ত করে। অপ্রয়োজনীয় বাইরের অনুসন্ধান মডেলের কনটেক্সট উইন্ডোতে পরিবেশগত গোলমাল ঢুকিয়ে দেয়, যা সুসংগত চিন্তাপ্রক্রিয়া থেকে সিস্টেমের মনোযোগ সরায় এবং সঠিক সিদ্ধান্তে পৌঁছানোর পথে বাধা হতে পারে। এজেন্টরা অকারণে এসব গোলমালপূর্ণ সংকেতের ওপর নির্ভর করলে কম্পিউটিং খরচ বাড়লেও চূড়ান্ত ফলের মান কমে যায়।

অপ্টিমাইজেশনের অচলাবস্থা ভাঙা

এই অদক্ষতা দূর করার আগের চেষ্টাগুলোতে প্রচলিত রিইনফোর্সমেন্ট লার্নিং পদ্ধতি ব্যবহার করা হয়েছিল, যেখানে নির্ভুলতা ও দক্ষতাকে একটি একক পুরস্কার সংকেতে মিলিয়ে দেওয়া হতো। এই জটিল পদ্ধতি এমন এক অপ্টিমাইজেশন-দ্বিধা তৈরি করে, যার সমাধান নেই। টুল ব্যবহারে অতিরিক্ত কড়া শাস্তি দিলে মডেল প্রয়োজনীয় বাইরের কল এড়িয়ে চলে এবং জটিল কাজে সঠিকতার বিনিময়ে তা করে। আবার হালকা শাস্তি সহজ কাজের অপচয় কমাতে পারে না। একই পুরস্কার কাঠামো অর্থগত অস্পষ্টতা তৈরি করে: দ্রুত কিন্তু ভুল উত্তর এবং ধীর কিন্তু সঠিক উত্তর একই পুরস্কার পেতে পারে। নির্ভুলতা ও দক্ষতার প্রশিক্ষণ সংকেত পরস্পরের সঙ্গে জড়িয়ে পড়ায়, মূল যুক্তির ক্ষমতা ক্ষতিগ্রস্ত না করে মডেলকে টুল ব্যবহার নিয়ন্ত্রণ করতে শেখানো যায় না।

এই সীমাবদ্ধতা কাটাতে আলিবাবার গবেষকেরা তৈরি করেছেন হায়ারার্কিক্যাল ডিকাপলড পলিসি অপ্টিমাইজেশন, সংক্ষেপে এইচডিপিও (HDPO)। এই কাঠামো অপ্টিমাইজেশনকে দুটি স্বতন্ত্র চ্যানেলে ভাগ করে। নির্ভুলতা চ্যানেল মডেলের সব রোলআউটে কাজের সঠিকতা সর্বোচ্চ করে। দক্ষতা চ্যানেল লক্ষ্য রাখে কাজ সম্পাদনের সাশ্রয়ী পদ্ধতির ওপর। এই সংকেতগুলো আলাদাভাবে হিসাব করা হয় এবং কেবল চূড়ান্ত লস গণনার পর্যায়ে একত্রিত হয়। গুরুত্বপূর্ণ বিষয় হলো, দক্ষতার পুরস্কার নির্ভুলতার ওপর নির্ভরশীল থাকে। ভুল উত্তরের জন্য গতি বা কম টুল ব্যবহারের কোনো পুরস্কার দেওয়া হয় না, ফলে মডেল দ্রুত কিন্তু ভুল হতে শেখে না।

এই পৃথকীকরণ এমন এক অন্তর্নিহিত জ্ঞানীয় পাঠক্রম তৈরি করে, যা শিক্ষার অগ্রগতির সঙ্গে মেলে। প্রশিক্ষণের শুরুর ধাপগুলোতে মডেলকে মূল যুক্তি ও জ্ঞান অর্জনে দক্ষ করে তোলার জন্য নির্ভুলতার ওপর জোর দেওয়া হয়। সক্ষমতা বাড়লে এবং মডেল ধারাবাহিকভাবে সঠিক উত্তর দিতে শুরু করলে দক্ষতার সংকেত স্বাভাবিকভাবেই বাড়ে। এই প্রক্রিয়ায় সিস্টেম প্রথমে কাজ সমাধানে দক্ষ হয়, তারপর অপ্রয়োজনীয় ও ব্যয়বহুল এপিআই কল এড়িয়ে স্বনির্ভরতা বাড়ায়। এর ফলে নির্ভুলতা ও দক্ষতার লক্ষ্য একে অপরকে বাতিল করে দিতে পারে—এমন গ্রেডিয়েন্ট দ্বন্দ্ব দূর হয় এবং দুটি লক্ষ্যেই একই সঙ্গে শেখার জন্য পরিষ্কার সংকেত পাওয়া যায়।

মেটিস স্থাপত্যের ভেতরে

গবেষক দল এইচডিপিও ব্যবহার করে মেটিস তৈরি করেছে। এটি একটি বহুমাধ্যমিক যুক্তিনির্ভর এজেন্ট, যা বাস্তবে এসব নীতি অনুসরণ করে। মেটিস তৈরি হয়েছে কিউয়েন৩-ভিএল-৮বি-ইনস্ট্রাক্ট (Qwen3-VL-8B-Instruct) ভিশন-ল্যাঙ্গুয়েজ ভিত্তিমডেলের ওপর; এতে পাইথন কোড চালানো, টেক্সট সার্চ ও ছবি খোঁজার সক্ষমতা রয়েছে। তুলনামূলকভাবে ছোট ৮ বিলিয়ন প্যারামিটারের এই মডেলটি বড় প্রতিদ্বন্দ্বীদের সঙ্গে উল্লেখযোগ্য পার্থক্য গড়ে তুলেছে এবং দেখিয়েছে, দক্ষতার উন্নতি কেবল মডেলের আকারের সুবিধাকেও ছাড়িয়ে যেতে পারে।

প্রশিক্ষণ প্রক্রিয়ায় প্রাথমিক সক্ষমতা ও পরিমার্জিত দক্ষতা—দুটিই গড়ে তোলার জন্য কঠোর দুই-ধাপের পদ্ধতি অনুসরণ করা হয়েছে। প্রথমে সতর্কভাবে বাছাই করা তথ্য ব্যবহার করে সুপারভাইজড ফাইন-টিউনিংয়ের মাধ্যমে প্রাথমিক প্রশিক্ষণ দেওয়া হয়। গবেষকেরা প্রকাশ্যে পাওয়া টুল-সংযোজিত বহুমাধ্যমিক ট্র্যাজেক্টরি সংগ্রহ করেন, তারপর সম্পাদনায় ব্যর্থতা বা প্রতিক্রিয়ায় অসংগতিসহ নিম্নমানের উদাহরণ বাদ দিতে কঠোরভাবে ছেঁকে নেন। বেস মডেল টুল ছাড়াই সমাধান করতে পারে—এমন সব প্রশিক্ষণ নমুনা বাদ দেওয়া হয়, যাতে ডেটাসেটে শুধু কৌশলগতভাবে টুল ব্যবহারের প্রকৃত উদাহরণ থাকে। অবশিষ্ট উদাহরণে টুল ব্যবহার সত্যিই প্রয়োজন ছিল, নাকি তা কেবল অভ্যাসবশত করা হয়েছে, তা যাচাই করতে গুগল জেমিনি ৩.১ প্রোকে স্বয়ংক্রিয় বিচারক হিসেবে ব্যবহার করা হয়।

দ্বিতীয় ধাপে এইচডিপিও কাঠামোর মাধ্যমে রিইনফোর্সমেন্ট লার্নিং প্রয়োগ করা হয়। এই পর্যায়ে মেটিসকে একাধিক ধাপের কথোপকথনে অংশ নিতে হয়, যেখানে বাইরের ইউটিলিটি ব্যবহার করবে কি না, তা তাকে ঠিক করতে হয়। শেখার সংকেতে বিভ্রান্তি তৈরি করতে পারে—এমন ত্রুটিপূর্ণ দৃশ্য বা অর্থগত অস্পষ্টতাযুক্ত প্রম্পট প্রশিক্ষণ ডেটা থেকে বাদ দেওয়া হয়। অর্থবহ গ্রেডিয়েন্ট তৈরির জন্য অ্যালগরিদমকে সঠিক ও ভুল উত্তরের তুলনা করতে হয়। তাই মডেল সব সময় সফল হয় এমন অতিসহজ কাজ এবং ধারাবাহিকভাবে ব্যর্থ হয় এমন অত্যন্ত কঠিন কাজ—দুটিই দলটি বাদ দিয়েছে। এই বাছাই অপ্টিমাইজেশনের পুরো সময়জুড়ে কার্যকর শেখার সংকেত নিশ্চিত করে এবং এমন সমতল গ্রেডিয়েন্ট অঞ্চল এড়ায়, যেখানে মডেলের উন্নতি সম্ভব নয়।

৯৮ শতাংশ অপচয় থেকে কৌশলগত নির্ভুলতায়

মূল্যায়নের ফল দেখায়, দক্ষভাবে টুল ব্যবহার এবং উচ্চ নির্ভুলতা পরস্পরবিরোধী নয়, বরং একে অপরের পরিপূরক। ভিজ্যুয়াল পারসেপশন ও ডকুমেন্ট বোঝার এইচআরবেঞ্চ এবং ভি-স্টারবেঞ্চসহ বিভিন্ন ডেটাসেটে, পাশাপাশি উইম্যাথ ও ম্যাথভিস্তার মতো কঠোর গাণিতিক যুক্তির পরীক্ষায় মেটিস অত্যাধুনিক ফল করেছে। উল্লেখযোগ্যভাবে, ৮ বিলিয়ন প্যারামিটারের মেটিস ভিজ্যুয়াল ও যুক্তিভিত্তিক—উভয় মানদণ্ডেই অনেক বড় ৩০ বিলিয়ন প্যারামিটারের এজেন্টভিত্তিক মডেল স্কাইওয়ার্ক-আর১ভি৪কে ছাড়িয়ে গেছে। অনেক কম কম্পিউটিং ব্যয়ে কাজ করেই এই ফল গবেষণাক্ষেত্রে নতুন মানদণ্ড স্থাপন করেছে।

পরিমাণগত উন্নতির সঙ্গে পরীক্ষায় দেখা আচরণগত পরিবর্তনও মিলে যায়। একটি পরীক্ষায় গবেষকেরা জাদুঘরের একটি সাইনবোর্ডের ছবি দেখিয়ে জিজ্ঞাসা করেন, মাঝের লেখায় কী আছে। প্রচলিত এজেন্টভিত্তিক মডেলগুলো অপ্রয়োজনীয়ভাবে ছবিটি ক্রপ ও প্রক্রিয়াকরণের জন্য স্বয়ংক্রিয়ভাবে পাইথন স্ক্রিপ্ট লিখত, ফলে বিলম্ব ও জটিলতা বাড়ত। মেটিস বুঝতে পারে যে মূল ছবিতেই লেখাটি স্পষ্টভাবে পড়া যাচ্ছে। তাই কোনো বাইরের টুল ব্যবহার না করেই একবারের ইনফারেন্সে কাজটি শেষ করে। এটি যান্ত্রিকভাবে টুলের ওপর নির্ভরতা নয়, প্রকৃত ভিজ্যুয়াল বোঝাপড়ারই প্রমাণ।

অন্যদিকে, ছোট একটি সাবপ্লটে পরস্পর ছেদ করা রেখাসহ জটিল চার্ট দেখিয়ে নির্দিষ্ট একটি ডেটা পয়েন্টে দ্বিতীয় সর্বোচ্চ রেখাটি শনাক্ত করতে বলা হলে মেটিস সঠিকভাবে বুঝতে পারে, তার নিজস্ব রেজোলিউশনে দৃশ্যের বিস্তারিত আলাদা করে চেনা সম্ভব নয়। পুরো ছবি দেখে অনুমান করার বদলে সে নির্দিষ্ট অংশটি ক্রপ ও জুম করতে পাইথন ব্যবহার করে এবং প্রয়োজনীয় নির্ভুলতা পায়। এই আচরণ দেখায়, কোড ব্যবহৃত হয় নির্ভুলতার যন্ত্র হিসেবে—শুধু দৃশ্যমান তথ্য সত্যিই অস্পষ্ট হলেই, প্রত্যেক ইনপুটের ক্ষেত্রে ডিফল্ট সমাধান হিসেবে নয়।

আরও বুদ্ধিমান এজেন্টের অর্থনৈতিক যুক্তি

এআই পণ্য তৈরি করা স্টার্টআপ ও বড় প্রতিষ্ঠানের জন্য মেটিসের এই অগ্রগতি সরাসরি টেকসই ইউনিট অর্থনীতিতে রূপ নেয়। ওপেনএআই, অ্যানথ্রপিক বা গুগলের জনপ্রিয় এপিআই ব্যবহার করা বর্তমান এআই এজেন্টগুলোর অপ্রয়োজনীয় কল থেকেই মাসে হাজার হাজার ডলারের খরচ জমতে পারে। গবেষণায় দেখানো ৯৮ শতাংশ থেকে ২ শতাংশে নামার অনুপাতের ভিত্তিতে, অপচয়ী টুল কল বাদ দিয়ে মাসে ১০,০০০ ডলার এপিআই ব্যবহারে ব্যয় করা একটি স্টার্টআপ সম্ভাব্যভাবে সেই ব্যয় ৯,৬০০ ডলার কমাতে পারে। ন্যূনতম কার্যকর পণ্যের পর্যায় পেরিয়ে হাজারো সক্রিয় ব্যবহারকারীসহ উৎপাদন ব্যবস্থায় পৌঁছালে এই সাশ্রয় অত্যন্ত গুরুত্বপূর্ণ হয়ে ওঠে।

সরাসরি খরচ কমানোর পাশাপাশি, ল্যাটেন্সি হ্রাস ব্যবহারকারীর অভিজ্ঞতায় প্রতিযোগিতামূলক সুবিধা আনে। ভোক্তামুখী ও ব্যবসা-থেকে-ব্যবসা (B2B)—উভয় ধরনের পণ্যই দ্রুততর সাড়ার সুবিধা পায়; দ্রুত সাড়ার সঙ্গে ব্যবহারকারী ধরে রাখা ও সম্পৃক্ততার সূচকের ঘনিষ্ঠ সম্পর্ক রয়েছে। পণ্য শত শত থেকে হাজারো সক্রিয় ব্যবহারকারীতে পৌঁছালে অপ্রয়োজনীয় এপিআই কলের ধারাবাহিক বাধাগুলো জমে পুরো সিস্টেমের কর্মদক্ষতা কমিয়ে দেয়। দক্ষতা বাড়ানোর ব্যবস্থা ছাড়া প্রাথমিক উন্নয়নে যা যথেষ্ট ভালো চলে, উৎপাদন পর্যায়ের ট্র্যাফিকের চাপে তা ভেঙে পড়তে পারে—ঠিক যখন প্রবৃদ্ধি দ্রুত হয়, তখনই সংকট তৈরি হয়।

লাতিন আমেরিকা ও অন্যান্য উদীয়মান অর্থনীতির মতো মূল্য-সংবেদনশীল ভোক্তাদের বাজারে পরিচালন দক্ষতাই ব্যবসার টিকে থাকা নির্ধারণ করে। প্রতিদ্বন্দ্বীরা অপ্রয়োজনীয় কম্পিউটিংয়ে পুঁজি খরচ করলেও যারা সুস্থ মুনাফার হার ধরে রাখতে পারে, তারা টেকসই প্রতিযোগিতামূলক অবস্থান পায়। গবেষণা বলছে, যেকোনো স্টার্টআপ যখন একই ভিত্তিমডেল ব্যবহার করতে পারে, তখন দক্ষতাই প্রতিযোগিতার প্রধান পার্থক্য গড়ে দেয়। এই পরিস্থিতিতে এইচডিপিওর মতো কাঠামোর পাশাপাশি বুদ্ধিদীপ্ত ক্যাশিং, আত্মবিশ্বাসের সীমামান এবং কৌশলগত মডেল নির্বাচন প্রয়োগকারী প্রতিষ্ঠানগুলো সুবিধা পায়।

প্রশিক্ষণের নতুন দর্শন

এইচডিপিও কাঠামো টুল-সংযোজিত শেখার পদ্ধতিতে গবেষকদের দৃষ্টিভঙ্গির ধারণাগত পরিবর্তন ঘটায়। আগের পদ্ধতিগুলোতে মূলত মডেলকে সঠিকভাবে টুল কল করতে শেখানোর ওপর জোর দেওয়া হতো; বিচারবোধের চেয়ে কারিগরি দক্ষতাই প্রাধান্য পেত। আলিবাবার দল বলছে, বাইরের ইউটিলিটি কখন পুরোপুরি ব্যবহার না করতে হবে, সে বিষয়ে মেটাকগনিটিভ প্রজ্ঞা গড়ে তোলা দরকার। এর জন্য এমন প্রশিক্ষণ ডেটা প্রয়োজন, যেখানে শুধু কারিগরি সম্পাদন নয়, কৌশলগতভাবে সংযত থাকার বিষয়টিও স্পষ্টভাবে দেখানো হয়। আগের ডেটাসেটগুলোতে এই সূক্ষ্ম দিকটি বেশির ভাগ ক্ষেত্রেই উপেক্ষিত হয়েছে।

ডেটা বাছাইয়ের প্রক্রিয়াটি বর্তমান টুল-সংযোজিত ডেটাসেটগুলোর সাধারণ গুরুতর ত্রুটি মোকাবিলা করে। সর্বসাধারণের জন্য উন্মুক্ত বেশির ভাগ ডেটাসেটে গোলমালপূর্ণ ট্র্যাজেক্টরি রয়েছে, যেখানে মডেলগুলো কৌশলগতভাবে নয়, অভ্যাসবশত টুল ব্যবহার করতে শিখেছে। বাইরের সহায়তা ছাড়াই সমাধান করা যায় এমন উদাহরণ বাদ দিয়ে এবং স্বয়ংক্রিয় বিচারকের মাধ্যমে টুল ব্যবহারের প্রয়োজনীয়তা যাচাই করে গবেষকেরা এমন প্রশিক্ষণ পরিবেশ তৈরি করেছেন, যেখানে বিবেচনাপূর্ণ সংযম পুরস্কৃত হয়। এই পদ্ধতি রিঅ্যাক্টের মতো কাঠামোর বিপরীত; রিঅ্যাক্ট স্পষ্ট দ্বৈত-চ্যানেল অপ্টিমাইজেশন ছাড়াই যুক্তি ও কাজকে একত্র করে। একইভাবে, মেটা টুলফরমার পরিচালন দক্ষতার বদলে টুল ব্যবহার শেখার ওপর জোর দেয়।

এইচডিপিওর তৈরি অন্তর্নিহিত পাঠক্রম পেশাগত শিক্ষায় মানুষের শেখার ধাপগুলোর সঙ্গে মেলে। শিক্ষানবিশ এজেন্টরা প্রথমে কাজের সঠিকতা আয়ত্ত করে এবং উপলব্ধ সম্পদ ব্যবহার করে নির্ভরযোগ্যভাবে সমস্যা সমাধান করতে শেখে। দক্ষতা দৃঢ় হলে সিস্টেম স্বাভাবিকভাবেই দক্ষতা বাড়ানোর দিকে এগোয়: পরিচিত সমস্যা সরাসরি সমাধান করতে শেখে এবং বাইরের টুল রেখে দেয় একেবারে নতুন পরিস্থিতি বা জটিল ব্যতিক্রমের জন্য। একই সঙ্গে দুটি লক্ষ্য শেখানো হয়—এমন ব্যবস্থায় প্রায়ই নির্ভুলতা কমে যায়; এই অগ্রগতি সেই ভঙ্গুরতা এড়ায়।

ওপেন সোর্সে প্রাপ্যতা ও বৈশ্বিক প্রভাব

আলিবাবা মেটিস ও এইচডিপিও প্রশিক্ষণের কোড নমনীয় অ্যাপাচি ২.০ লাইসেন্সের অধীনে প্রকাশ করেছে। এতে বিধিনিষেধ বা রয়্যালটি ছাড়াই বাণিজ্যিক ব্যবহার সম্ভব। এই উন্মুক্ত পদ্ধতির ফলে স্টার্টআপগুলো মালিকানাধীন সমাধানের জন্য অপেক্ষা না করে বা উচ্চমূল্যের প্রবেশমূল্য না দিয়েই প্রযুক্তিটি দ্রুত কাজে লাগাতে পারে। তবে প্রকাশনাটি ২০২৬ সালের এপ্রিলের হওয়ায় নথিপত্র ও কমিউনিটি সহায়তা এখনো বিকাশের প্রাথমিক পর্যায়ে রয়েছে। সঠিকভাবে বাস্তবায়ন ও নিজস্ব প্রয়োজন অনুযায়ী সাজাতে যথেষ্ট কারিগরি দক্ষতা দরকার।

এআই এজেন্টের বাস্তুতন্ত্র যখন শুধু নতুন ফিচার যোগ করার পর্যায় পেরিয়ে দক্ষতা বাড়ানোর দিকে এগোচ্ছে, তখনই এই প্রকাশনা এসেছে। ল্যাংচেইন ও লামাইন্ডেক্সের মতো কোম্পানি তাদের প্ল্যাটফর্মে এ ধরনের অপ্টিমাইজেশন যুক্ত করছে, আর মালিকানাধীন বিকল্পগুলো বিভিন্ন ব্যয়কাঠামোর পরিচালিত সমাধান দিচ্ছে। স্প্যানিশভাষী বাজার ও উদীয়মান অর্থনীতির ডেভেলপারদের জন্য দক্ষতা বাড়ানোর এমন কাঠামো দ্রুত গ্রহণের ফলে স্থানীয় অবকাঠামোগত সীমাবদ্ধতা ও মূল্যসংবেদনশীলতার উপযোগী প্রতিযোগিতামূলক পণ্য তৈরির সুযোগ তৈরি হয়।

গবেষক দলের সদস্যরা জোর দিয়ে বলেছেন, গোলমালপূর্ণ ও অপ্রয়োজনীয় টুল কল বাদ দিলে একটি সূচকের বিনিময়ে আরেকটি সূচক বিসর্জন দিতে হয় না; বরং নির্ভুলতা সরাসরি বাড়ে। তাঁদের উপসংহার কৃত্রিম বুদ্ধিমত্তা উন্নয়নের বৃহত্তর দৃষ্টান্তগত পরিবর্তনের দিকে ইঙ্গিত করে: টুল ব্যবহারের ঘনত্ব দিয়ে সক্ষমতা দেখানো সিস্টেম থেকে সরে এসে কৌশলগত সংযম দিয়ে বিচারবোধ দেখানো এজেন্টের দিকে অগ্রসর হওয়া। গবেষণাটি বলছে, ভবিষ্যতের এআই উন্নয়নে সব টুল ব্যাপকভাবে ব্যবহারের চেয়ে বেছে বেছে বুদ্ধিমত্তার সঙ্গে পদক্ষেপ নেওয়াকে অগ্রাধিকার দেওয়া হবে।

মূল কথা

• আলিবাবার মেটিস এজেন্ট এইচডিপিও কাঠামো ব্যবহার করে এআই টুলের অপ্রয়োজনীয় কল ৯৮ শতাংশ থেকে ২ শতাংশে নামায়
• এইচডিপিও (হায়ারার্কিক্যাল ডিকাপলড পলিসি অপ্টিমাইজেশন) নির্ভুলতা ও দক্ষতাকে প্রশিক্ষণের পৃথক চ্যানেলে ভাগ করে
• ৮ বিলিয়ন প্যারামিটারের মেটিস ভিজ্যুয়াল ও যুক্তিভিত্তিক মানদণ্ডে অনেক বড় ৩০ বিলিয়ন প্যারামিটারের মডেলকে ছাড়িয়ে যায়
• কৌশলগত টুল ব্যবহার এমন অন্তর্নিহিত জ্ঞানীয় পাঠক্রম তৈরি করে, যেখানে এজেন্টরা দক্ষতা অপ্টিমাইজ করার আগে নির্ভুলতা আয়ত্ত করে
• অপচয়ী কল বাদ দিলে এপিআই বিল ৯৬ শতাংশ পর্যন্ত কমিয়ে স্টার্টআপগুলো সম্ভাব্যভাবে খরচ বাঁচাতে পারে
• মেটিস ও এইচডিপিওর কোড অ্যাপাচি ২.০ লাইসেন্সের অধীনে প্রকাশিত হয়েছে, যা বাধাহীন বাণিজ্যিক ব্যবহার অনুমোদন করে
• নিজের ভেতরের জ্ঞান যথেষ্ট, নাকি বাইরের টুল দরকার—তা বুঝতে না পারার এআই এজেন্টের মেটাকগনিটিভ ঘাটতি এই কাঠামো মোকাবিলা করে