স্ক্রিন দেখে ওয়েবসাইট ব্যবহার করতে পারে এমন এআই এজেন্ট KORMo-Web উন্মোচন করেছে KAIST

পড়তে 8 মিনিট
KAIST unveils KORMo-Web, an AI agent that uses websites by watching the screen

বাস্তব ওয়েবসাইটের কাজ সামলাবে ছোট একটি এআই মডেল

KAIST-এর গবেষকেরা KORMo-Web প্রকাশ করেছেন। এটি একটি কৃত্রিম বুদ্ধিমত্তা এজেন্ট, যা মাউসের ক্লিক ও কিবোর্ডের ইনপুট ব্যবহার করে ওয়েবসাইট পরিচালনা করে। বাস্তব ওয়েবসাইটে মূল্যায়নের সময় এর সবচেয়ে ছোট মডেলটি কোরীয় ও ইংরেজি—উভয় ভাষায় দেওয়া কাজের ৪২.৩% সম্পন্ন করেছে।

সূচিপত্র
  1. বাস্তব ওয়েবসাইটের কাজ সামলাবে ছোট একটি এআই মডেল
  2. এআই কীভাবে মানুষের মতো ওয়েবসাইট ব্যবহার করে?
  3. কাজ করতে বলার আগে দলটি কী শিখিয়েছে
  4. ৪২.৩% সাফল্যের হার বলতে কী বোঝায়?
  5. কোরীয় ভাষার মূল্যায়ন-উপাত্ত কেন গুরুত্বপূর্ণ
  6. তিনটি মডেল ও সেগুলো চালানোর সরঞ্জাম
  7. প্রদর্শনী থেকে কার্যকরভাবে কাজ অর্পণ
  8. মূল বিষয়গুলো

KAIST-এর গ্র্যাজুয়েট স্কুল অব কালচার টেকনোলজির অধ্যাপক লিম কিয়ং-তেকের নেতৃত্বে দলটি ১৭ নভেম্বর, ২০২৬-এ মডেলটি প্রকাশের ঘোষণা দেয়। সিস্টেমকে কী দেখতে পায় এবং কীভাবে কাজ করতে হয়, তা শেখাতে তাদের প্রশিক্ষণ কার্যক্রমে ১ কোটির বেশি ওয়েব স্ক্রিনের নমুনা এবং ১ লাখের বেশি ওয়েবসাইট ব্যবহারের রেকর্ড কাজে লাগানো হয়েছে।

KORMo-Web দিয়ে ChatGPT ও Claude-এর মতো সেবা ব্যবহার, Naver Shopping ও Coupang-এ পণ্য খোঁজা, ইমেইলের খসড়া তৈরি এবং অনলাইন কমিউনিটিতে নানা কাজ করা যায়। গবেষকেরা একটি প্রদর্শনী ভিডিওও দেখিয়েছেন, যেখানে বাস্তব ওয়েবসাইটে ৪০টি কাজকে চার মিনিটে তুলে ধরা হয়েছে।

মূল ধারণাটি সহজ: প্রতিটি সেবার জন্য আলাদা সফটওয়্যার সংযোগ তৈরি না করে, এআইকে মানুষের দেখা একই স্ক্রিন বুঝতে এবং সেখানে থাকা নিয়ন্ত্রণব্যবস্থা পরিচালনা করতে সক্ষম করে তোলা।

KAIST তিনটি আকারের মডেল প্রকাশ করেছে। এর মধ্যে ৪ বিলিয়ন প্যারামিটারের একটি সংস্করণ ব্যক্তিগত কম্পিউটারেই সরাসরি চালানো যায়। মডেলটির ওজন, প্রশিক্ষণের তথ্য, কোরীয় মূল্যায়ন-উপাত্ত এবং Chrome এক্সটেনশনের কোডও প্রকাশ করা হয়েছে, ফলে ডেভেলপারদের কাছে সিস্টেমটি চালানো ও পরীক্ষা করার প্রয়োজনীয় উপকরণ রয়েছে।

এআই কীভাবে মানুষের মতো ওয়েবসাইট ব্যবহার করে?

KORMo-Web একটি এআই এজেন্ট—অর্থাৎ শুধু লিখিত উত্তর দেওয়ার বদলে কোনো অনুরোধ পূরণে পদক্ষেপ নেয়। ব্যবহারকারী নির্দেশ দিলে সিস্টেম ওয়েব স্ক্রিনটি বুঝে নিয়ন্ত্রণব্যবস্থা বেছে নেয় এবং অনুরোধ অনুযায়ী কাজ করতে সেখানে লেখা প্রবেশ করায়।

যেমন, কেনাকাটার কাজে সার্চ বক্স কোথায় তা বুঝে পণ্যের নাম লিখতে হয় এবং ফলাফল ঘেঁটে দেখতে হয়। অন্য কোনো এআই সেবার মাধ্যমে উপকরণ তৈরি করতে হলে তার ইনপুটের জায়গাটি খুঁজে অনুরোধ পাঠাতে হয় এবং উত্তর সামলাতে হয়।

বিজ্ঞাপন

অনেক সফটওয়্যার সেবায় অ্যাপ্লিকেশন প্রোগ্রামিং ইন্টারফেস বা API থাকে, যার মাধ্যমে অন্য কোনো প্রোগ্রাম তথ্য চাইতে বা কাজ করাতে পারে। KORMo-Web-এর লক্ষ্য এর বদলে দৃশ্যমান ওয়েবসাইটের মাধ্যমেই কাজ করা, যাতে প্রতিটি সেবার জন্য আলাদা সংযোগ তৈরির প্রয়োজন কমে।

প্রকল্পটি ব্যাখ্যা করতে গিয়ে লিম বলেন:

আমাদের লক্ষ্য হলো প্রতিটি সেবার জন্য একে একে বাহ্যিক অ্যাপ্লিকেশন প্রোগ্রামিং ইন্টারফেস (API) যুক্ত করা নয়; বরং এআই যেন মানুষের মতো স্ক্রিন বুঝতে পারে এবং সরাসরি কম্পিউটার ব্যবহার করতে পারে, তা নিশ্চিত করা,

এই পদ্ধতি এমন স্বয়ংক্রিয় ব্যবস্থার থেকেও আলাদা, যেগুলো মূলত কোনো পেজের অন্তর্নিহিত HTML বা ডকুমেন্ট অবজেক্ট মডেল (DOM)-এর ওপর নির্ভর করে। এসব কাঠামো ওয়েবপেজ কীভাবে সাজানো, তা বর্ণনা করে। KORMo-Web-এর প্রশিক্ষণে গুরুত্ব দেওয়া হয়েছে স্ক্রিনে যা দেখা যায় এবং মানুষ কীভাবে ওয়েবসাইট ব্যবহার করে, তার রেকর্ডের ওপর।

কাজ করতে বলার আগে দলটি কী শিখিয়েছে

গবেষকেরা কোরীয় ও ইংরেজি ওয়েব স্ক্রিনের ১ কোটির বেশি প্রশিক্ষণ-নমুনা তৈরি করেছেন। এর মধ্যে দক্ষিণ কোরিয়ায় বহুল ব্যবহৃত ওয়েবসাইটও রয়েছে। মডেলকে শুধু কোনো বোতাম বা টেক্সট ফিল্ডের অবস্থান শেখানোই ছিল না তাদের লক্ষ্য।

এই পর্যায়কে দলটি ‘অ্যাটমিক লেভেল ওয়েব প্রিট্রেনিং’ বলেছে। সহজভাবে বললে, এর অর্থ বড় কোনো কাজ করার আগে ওয়েবসাইটের ছোট ছোট বিষয় শেখা: মেনু কোথায়, বোতাম কী করে, ইনপুট ফিল্ডে কী দেওয়া যায় এবং কোনো নিয়ন্ত্রণব্যবস্থা কোন অবস্থায় আছে।

একটি বোতাম দেখতে কেমন এবং সেটির কাজ কী—এ দুটি সম্পর্কিত হলেও আলাদা তথ্য। সঠিক নিয়ন্ত্রণব্যবস্থা শনাক্ত করার পাশাপাশি, সেটি ব্যবহার করলে কীভাবে ব্যবহারকারীর কাজ এগোবে, তা এজেন্টকে বুঝতে হয়। এসব বিষয়ে প্রশিক্ষণ তাকে পদক্ষেপ বেছে নেওয়ার ভিত্তি দেয়।

এরপর গবেষকেরা কোরীয় ও ইংরেজি ভাষায় ১ লাখের বেশি ওয়েব ইন্টারঅ্যাকশনের রেকর্ড যুক্ত করেন। এই পদক্ষেপগুলোর ধারাবাহিকতাকে ট্র্যাজেক্টরি বলা হয়। এগুলো দেখায়, ওয়েবসাইট ব্যবহারের প্রক্রিয়া একটি ক্লিকেই শেষ না হয়ে কীভাবে কয়েকটি ধাপে এগোয়।

প্রশিক্ষণের এই দুটি পর্যায় ভিন্ন ভিন্ন প্রয়োজন মেটায়। স্ক্রিনের নমুনা এজেন্টকে সামনে যা আছে তা শনাক্ত ও বুঝতে শেখায়। ইন্টারঅ্যাকশনের রেকর্ড শেখায়, কীভাবে ধারাবাহিক কয়েকটি পদক্ষেপ কোনো নির্দেশ থেকে একটি সম্পন্ন কাজে পৌঁছাতে পারে।

বিজ্ঞাপন

৪২.৩% সাফল্যের হার বলতে কী বোঝায়?

৪ বিলিয়ন প্যারামিটারের সংস্করণ KORMo-Web-4B, বাস্তব ওয়েবসাইটে এজেন্টদের কাজ করানোর মূল্যায়ন Online-Mind2Web-এ ইংরেজি ও কোরীয়—দুই ভাষাতেই ৪২.৩% কাজ সফলভাবে সম্পন্ন করেছে।

সরকারি KORMo-Web-4B প্রকাশনা পৃষ্ঠায় মূল্যায়ন-পদ্ধতি ও পূর্ণ ফলাফল দেওয়া হয়েছে। সব মডেল একই ৬১২টি লাইভ-ওয়েবসাইটের কাজ করেছে: ইংরেজিতে ৩০০টি এবং কোরীয় ভাষায় ৩১২টি। প্রতিটি মডেল নিজস্ব প্রম্পট ও পদক্ষেপের ধরন ব্যবহার করেছে, তবে GPT-6 হিসেবে চিহ্নিত একই ভাষা মডেল বিচারক সব পরীক্ষার ফল মূল্যায়ন করেছে। সাফল্যের হার হিসাবের সময় মোট কাজের সংখ্যাকে ভিত্তি ধরা হয়েছে, তাই ক্র্যাশ করা বা ফাঁকা ফল দেওয়া পরীক্ষাগুলো ব্যর্থ হিসেবে গণ্য হয়েছে। পৃষ্ঠাটিতে পূর্ণ পরীক্ষাব্যবস্থার বিবরণ, সিস্টেম প্রম্পট এবং টুল স্কিমার লিংকও রয়েছে।

ইংরেজি ও কোরীয় ভাষার সাফল্যের হার যথাক্রমে: Qwen3.5-4B—২০.০% ও ১৩.৫%; Fara-1.5-4B—২০.৭% ও ৭.৭%; UI-TARS-1.5-7B—২২.৩% ও ২০.২%; OpenWebRL-4B—৩২.৭% ও ১৫.৪%; KORMo-Web-4B—৪২.৩% ও ৪২.৩%; এবং KORMo-Web-9B—৫১.০% ও ৪৮.১%।

গবেষকেরা বলেছেন, তুলনায় অন্তর্ভুক্ত যেসব এজেন্টের মডেল ওজন জনসাধারণের জন্য উন্মুক্ত, তাদের মধ্যে এটিই সর্বোচ্চ ফল। আগের সেরা তুলনামূলক ফলের চেয়ে মডেলটি ইংরেজিতে ৯.৬ শতাংশ পয়েন্ট এবং কোরীয় ভাষায় ২২.১ শতাংশ পয়েন্ট বেশি পেয়েছে।

এই ব্যবধান থেকে বোঝা যায়, আগের সেরা ফল ছিল ইংরেজিতে ৩২.৭% এবং কোরীয় ভাষায় ২০.২%। ফলে কোরীয় ভাষায় উন্নতি অনেক বেশি; KORMo-Web-এর স্কোর আগের তুলনামূলক স্কোরের দ্বিগুণেরও বেশি।

শতাংশ পয়েন্ট দিয়ে দুটি শতকরা হারের ব্যবধান বোঝানো হয়। যেমন, ২০.২% থেকে ৪২.৩%-এ যাওয়া মানে ২২.১ শতাংশ পয়েন্ট বৃদ্ধি। এই পরিমাপ থেকে বোঝা যায়, এই নির্দিষ্ট মূল্যায়নে কোরীয় ভাষার ফল কতটা উল্লেখযোগ্য পরিবর্তন তুলে ধরেছে।

সাফল্যের হার ব্যবহারকারীদের নির্ভরযোগ্যতার একটি ব্যবহারিক মাপকাঠিও দেয়: ৪২.৩% হারে দেওয়া অর্ধেকেরও কম কাজ সফলভাবে সম্পন্ন হয়েছে। বাকি ৫৭.৭% কাজ সফল হিসেবে গণ্য হয়নি। ফলে কাজের ফল যাচাই না করেই ব্যবহারকারীরা নিয়মিতভাবে এজেন্টের হাতে কাজ ছেড়ে দিতে পারার আগে উন্নতির যথেষ্ট সুযোগ রয়েছে।

কোরীয় ভাষার মূল্যায়ন-উপাত্ত কেন গুরুত্বপূর্ণ

KAIST গ্রাফিক্যাল ইউজার ইন্টারফেস এজেন্টের চারটি বড় বেঞ্চমার্ক থেকে অভিযোজিত কোরীয় ভাষার মূল্যায়ন-উপাত্তও প্রকাশ করেছে। গ্রাফিক্যাল ইউজার ইন্টারফেস হলো বোতাম, মেনু ও টেক্সট বক্সের মতো দৃশ্যমান নিয়ন্ত্রণব্যবস্থা, যার মাধ্যমে মানুষ সফটওয়্যার পরিচালনা করে।

কোরীয় ওয়েব পরিবেশের উপযোগী করে মানুষ এই মূল্যায়ন-উপাত্ত তৈরি করেছেন। ফলে উন্নয়নে প্রাধান্য পাওয়া ইংরেজি পরিবেশের পাশাপাশি, স্থানীয় ওয়েবসাইট ও ভাষার ব্যবহারেও এজেন্ট পরীক্ষা করার সুযোগ গবেষকেরা পাবেন।

Online-Mind2Web-এ সমান ৪২.৩% স্কোর পাওয়া কার্যকর, কারণ এতে প্রতিবেদনে দেওয়া মূল্যায়ন অনুযায়ী কোরীয় ও ইংরেজি ভাষার পারফরম্যান্স পাশাপাশি তুলনা করা যায়। আগের তুলনামূলক ফলের চেয়ে কোরীয় ভাষায় বড় ব্যবধানও এই প্রকাশনায় স্থানীয় ভাষার অংশটিকে বিশেষভাবে গুরুত্বপূর্ণ করে তুলেছে।

বিজ্ঞাপন

মূল্যায়ন-উপাত্ত প্রকাশের ফলে অন্য ডেভেলপাররা একই ধরনের কাজ দিয়ে নিজেদের সিস্টেম পরীক্ষা করতে পারবেন। প্রশিক্ষণের উপাত্ত ও ইন্টারঅ্যাকশনের রেকর্ডের সঙ্গে এগুলো যুক্ত হলে প্রশিক্ষণ প্রক্রিয়ার কোন অংশ পারফরম্যান্স উন্নত করে, তা অনুসন্ধানের ভিত্তি আরও স্পষ্ট হবে।

তিনটি মডেল ও সেগুলো চালানোর সরঞ্জাম

এই প্রকাশনায় ৪ বিলিয়ন, ৯ বিলিয়ন ও ১১ বিলিয়ন প্যারামিটারের মডেল রয়েছে। প্যারামিটার হলো প্রশিক্ষণের সময় মডেল যে অভ্যন্তরীণ সংখ্যাগত মান শেখে; মডেলের আকার বোঝাতে এই সংখ্যা সাধারণত ব্যবহার করা হয়।

৪B ও ৯B সংস্করণ Qwen3.5-এর ওপর ভিত্তি করে তৈরি। KORMo-Web-11B নামে ১১B সংস্করণটি শুরু হয়েছে KAIST-এর নিজস্ব KORMo ফাউন্ডেশন মডেল পরিবার থেকে। ফাউন্ডেশন মডেল হলো ব্যাপকভাবে প্রশিক্ষিত এআই ব্যবস্থা, যেটিকে পরে আরও নির্দিষ্ট ভূমিকার জন্য প্রশিক্ষণ দেওয়া যায়—এ ক্ষেত্রে ওয়েবসাইট পরিচালনার কাজের জন্য।

KORMo-Web-4B ব্যক্তিগত কম্পিউটারে সরাসরি চালানোর জন্য তৈরি। ব্যবহারকারীর নিজস্ব কম্পিউটারে ওয়েব সহকারী চালানোর লক্ষ্য—বড় কোনো দূরবর্তী ব্যবস্থার ওপর একচেটিয়াভাবে নির্ভর না করা—পূরণে এর ছোট আকার গুরুত্বপূর্ণ।

প্রকাশনায় শুধু মডেলই নেই। KAIST শিখে নেওয়া মডেল ওজন, বিপুল পরিমাণ ওয়েব প্রশিক্ষণ-উপাত্ত, ব্যবহারকারীর পদক্ষেপের ধারাবাহিকতা, কোরীয় ভাষার মূল্যায়ন-উপাত্ত, Chrome এক্সটেনশনের কোড, ইনস্টল করার নির্দেশনা, ভিডিও ও উদাহরণও দিচ্ছে।

কম্পিউটারের ন্যূনতম হার্ডওয়্যার-সংক্রান্ত শর্ত গবেষকেরা নির্দিষ্ট করেননি। কেনাকাটা, ইমেইল পাঠানো বা মন্তব্যের মতো জনসমক্ষে যোগাযোগের আগে ব্যবহারকারীর অনুমোদন প্রয়োজন কি না, তা সরকারি প্রকাশনা পৃষ্ঠায় উল্লেখ নেই। অর্থ ব্যয় বা অন্যদের সঙ্গে যোগাযোগের কাজে এজেন্ট ব্যবহারের কথা ভাবছেন, এমন যে কারও জন্য এই তথ্যগুলো গুরুত্বপূর্ণ।

প্রদর্শনী থেকে কার্যকরভাবে কাজ অর্পণ

প্রদর্শনীতে পরিচিত কয়েক ধরনের কাজ দেখানো হয়েছে: ChatGPT দিয়ে উপস্থাপনার উপকরণ তৈরি, সাম্প্রতিক গবেষণা খুঁজতে Claude ব্যবহার, Notion-এ ফলাফল সাজানো এবং কেনাকাটার ওয়েবসাইটে পণ্য খোঁজা। ইমেইলের খসড়া তৈরি ও অনলাইন কমিউনিটিতে কাজের মাধ্যমে সিস্টেমটি এমন ক্ষেত্রেও ব্যবহৃত হয়, যেখানে এর তৈরি করা বিষয়বস্তু অন্যদের কাছে পৌঁছাতে পারে।

চার মিনিটের ভিডিওতে ৪০টি ওয়েবসাইটের কাজ সংক্ষেপে দেখানো হয়েছে। সম্ভাব্য ব্যবহারকারীদের জন্য আলাদাভাবে জানানো কাজ সফলভাবে সম্পন্নের হার এবং নির্দিষ্ট কোনো কাজ করতে কতটা যাচাই দরকার—এসবই নির্ভরযোগ্যতা বোঝার বেশি কার্যকর মাপকাঠি।

বিজ্ঞাপন

পাঠানোর আগে ইমেইলের খসড়া পর্যালোচনা করা যায়। কোনো পণ্যের অনুসন্ধানের ফল ব্যবহারকারীর বাজেট ও চাহিদার সঙ্গে মিলিয়ে দেখা যায়। তবে মন্তব্য প্রকাশ বা কেনাকাটা সম্পন্ন করার ক্ষেত্রে কখন ব্যবহারকারীর অনুমোদন লাগবে, তা স্পষ্ট করে ঠিক করতে হয়। তাই কাজের উপযোগিতা যেমন গুরুত্বপূর্ণ, তেমনি সঠিক নিয়ন্ত্রণব্যবস্থায় ক্লিক করার সক্ষমতাও গুরুত্বপূর্ণ।

ব্যক্তিগত কম্পিউটারে এ ধরনের সহায়তা নিয়ে আসার লক্ষ্য সম্পর্কে লিম বলেন:

আগামী দিনে আমরা এমন পরিবেশ তৈরি করতে চাই, যেখানে ব্যক্তিগত কম্পিউটারে ইনস্টল করা একটি ছোট এআই ব্যবহারকারীর হয়ে নানা ধরনের ওয়েবসাইটের কাজ করতে পারবে।

KORMo-Web এই লক্ষ্যকে এমন একটি রূপ দিয়েছে, যা অন্যরা পরীক্ষা ও চালাতে পারবেন: প্রকাশিত তিনটি মডেল, বিস্তৃত প্রশিক্ষণ-উপকরণ এবং কোরীয় ভাষায় পরীক্ষার সরঞ্জাম। বর্তমান ফলাফলে বাস্তব ওয়েবসাইটের কাজ সম্পন্ন করার অগ্রগতি দেখা গেলেও, প্রতিবেদনে মূল্যায়ন করা অর্ধেকেরও কম কাজ সফলভাবে সম্পন্ন হয়েছে।

মূল বিষয়গুলো

  • ওয়েবসাইটের দৃশ্যমান নিয়ন্ত্রণব্যবস্থা পরিচালনা করতে পারে এমন এআই এজেন্ট KORMo-Web-এর ঘোষণা KAIST দিয়েছে ১৭ নভেম্বর, ২০২৬-এ।
  • প্রশিক্ষণে কোরীয় ও ইংরেজি ওয়েব স্ক্রিনের ১ কোটির বেশি নমুনা এবং ১ লাখের বেশি ইন্টারঅ্যাকশনের রেকর্ড ব্যবহার করা হয়েছে।
  • Online-Mind2Web-এ 4B মডেলটি দুই ভাষাতেই ৪২.৩% কাজ সফলভাবে সম্পন্ন করেছে।
  • আগের সেরা তুলনামূলক মডেলের চেয়ে এর ব্যবধান ইংরেজিতে ৯.৬ শতাংশ পয়েন্ট এবং কোরীয় ভাষায় ২২.১ শতাংশ পয়েন্ট।
  • প্রকাশনায় তিন আকারের মডেল, কোরীয় ভাষার মূল্যায়ন-উপাত্ত, প্রশিক্ষণ-উপকরণ এবং Chrome এক্সটেনশনের কোড রয়েছে।
  • সবচেয়ে ছোট মডেলটি ব্যক্তিগত কম্পিউটারে চালানো যায়, তবে এর প্রতিবেদিত সাফল্যের হার থেকে বোঝা যায়, ব্যবহারকারীদের এখনও অনেক কাজ যাচাই করতে হবে।
এই নিবন্ধটি শেয়ার করুন

আপনার পছন্দ হতে পারে