পাঠ ০২ · ৩০-এর মধ্যে
Home / AI Courses / AI Foundations / AI-এর ইতিহাস

AI-এর ইতিহাস ও টুরিং পরীক্ষা

History of AI & the Turing Test
৭ মিনিট পড়া শুরু · Beginner সম্পূর্ণ বাংলায়

এই পাঠে যা শিখবেন

  • Turing Test কী এবং কেন এটি AI-এর গোড়া
  • AI-এর ৭০ বছরের ইতিহাস — Dartmouth সম্মেলন থেকে আজকের LLM পর্যন্ত
  • "AI Winter" বলতে কী বোঝায় — কেন AI দু'বার মৃতপ্রায় হয়ে আবার ফিরে এসেছে

১ · ১৯৫০ — সব শুরু একটি প্রশ্ন থেকে

AI-এর ইতিহাস শুরু একটি প্রশ্ন থেকে। ১৯৫০ সালে ব্রিটিশ গণিতবিদ Alan TuringAlan Turing (১৯১২–১৯৫৪)আধুনিক কম্পিউটার বিজ্ঞানের জনক। দ্বিতীয় বিশ্বযুদ্ধে জার্মানদের Enigma কোড ভেঙে যুদ্ধ ছোট করতে সাহায্য করেন। কম্পিউটেশনের তাত্ত্বিক ভিত্তি (Turing Machine) তাঁরই কাজ। একটি গবেষণাপত্র প্রকাশ করেন — "Computing Machinery and Intelligence"। সেখানে তিনি একটি দার্শনিক প্রশ্ন করেছিলেন —

Turing-এর প্রশ্ন

"Can machines think?" — যন্ত্র কি চিন্তা করতে পারে?

কিন্তু "চিন্তা" শব্দটা সংজ্ঞা দেওয়া কঠিন। তাই Turing একটি ব্যবহারিক পরীক্ষা প্রস্তাব করলেন — যাকে আমরা আজ Turing Test বলি।

Turing Test কীভাবে কাজ করে?

একজন বিচারক টেক্সট মেসেজে দু'জনের সাথে কথা বলেন — একজন মানুষ, আরেকজন যন্ত্র (কিন্তু কে কোনটা সেটা বিচারক জানেন না)। ৫ মিনিট পরে যদি বিচারক আত্মবিশ্বাসের সাথে বলতে না পারেন কোনটা যন্ত্র ছিল — তবে যন্ত্রটি Turing Test পাশ করেছে।

ভাবুন — আপনি WhatsApp-এ একজনের সাথে চ্যাট করছেন, কিন্তু জানেন না সে মানুষ না AI. ৫ মিনিট পরে আপনি যদি নিশ্চিত না হতে পারেন — তবে সেই AI বিজয়ী। আজকের ChatGPT অনেক ক্ষেত্রে এই পরীক্ষা পাশ করে যাচ্ছে।
১৯৫০ Turing Test "যন্ত্র চিন্তা?" ১৯৫৬ Dartmouth "AI" নাম ১৯৭৪ ❄ AI Winter ১ ১৯৮০ Expert Systems ১৯৮৭ ❄ AI Winter ২ ২০১২ AlexNet → DL ২০১৭ Transformer ২০২২ ChatGPT প্রথম যুগ — আশাবাদ শীত-জোয়ার-শীত DL বিপ্লব আজ — বিকাশের মাঝে আপনি!
AI-এর ৭০ বছরের সময়রেখা — দু'বার পতন, তিন বার উত্থান। সবুজ = উত্থান, লাল = AI Winter, কমলা = মধ্যবর্তী।

২ · ১৯৫৬ — Dartmouth এবং "AI" শব্দের জন্ম

১৯৫৬ সালের গ্রীষ্মে আমেরিকার Dartmouth College-এ একটি ছোট গবেষণা সম্মেলন বসে। সেখানে যোগ দেন John McCarthy, Marvin Minsky, Claude Shannon ও আরও কয়েকজন গবেষক। এই সম্মেলনেই McCarthy প্রথমবার "Artificial Intelligence" শব্দটি ব্যবহার করেন।

তাঁরা মনে করতেন — ১০ বছরের মধ্যেই মানুষের মতো বুদ্ধিমান যন্ত্র বানানো যাবে। কিন্তু বাস্তবতা ভিন্ন ছিল।

৩ · প্রথম যুগ (১৯৫৬-১৯৭৪): আশাবাদের সময়

প্রথম দুই দশকে বেশ কিছু আকর্ষণীয় কাজ হয় —

  • ELIZAELIZA (১৯৬৬)MIT-র Joseph Weizenbaum-এর তৈরি প্রথম "চ্যাটবট"। সাইকোথেরাপিস্টের মতো প্রশ্ন ফিরিয়ে দিত — যেমন "আমি দুঃখিত" → "কেন তুমি দুঃখিত বলছ?"। বুদ্ধিমান ছিল না, কিন্তু মানুষ মুগ্ধ হয়েছিল। (১৯৬৬): প্রথম "চ্যাটবট" — সাইকোথেরাপিস্টের ভঙ্গিতে কথা বলতো। এটা সত্যি বুদ্ধিমান ছিল না, কিন্তু তবু মানুষ মুগ্ধ হয়।
  • PerceptronPerceptron (১৯৫৮)Frank Rosenblatt-এর তৈরি — মস্তিষ্কের একটি নিউরনের সরল গাণিতিক মডেল। এটিই আজকের সব Neural Network ও Deep Learning-এর "পূর্বপুরুষ"। বিস্তারিত T4 (Deep Learning) কোর্সে। (১৯৫৮): প্রথম "নিউরাল নেটওয়ার্ক" — মস্তিষ্কের একটি নিউরনের সরল মডেল।
  • Shakey the Robot (১৯৬৯): প্রথম রোবট যে নিজে পরিকল্পনা করে কাজ করতে পারত।

৪ · প্রথম AI Winter (১৯৭৪-১৯৮০): প্রথম পতন

প্রতিশ্রুতি ছিল বিশাল — কিন্তু কম্পিউটার তখন দুর্বল, ডেটাও কম। AI-এর গবেষকরা যা পারবে বলে দাবি করছিল, তা পারছিল না। সরকার ও বিনিয়োগকারীরা টাকা তুলে নিল। এই সময়টাকে বলা হয় প্রথম AI Winter।

"AI Winter" শব্দটা প্রকৃতির শীতকাল থেকে এসেছে — যখন গাছপালা মরে না, কিন্তু সুপ্ত থাকে। AI গবেষণাও মৃত্যুবরণ করেনি, শুধু থেমে ছিল।

৫ · ১৯৮০-এর দশক: Expert Systems-এর জোয়ার

১৯৮০-তে নতুন এক ধারণা — Expert SystemsExpert Systemএকজন মানব বিশেষজ্ঞের জ্ঞানকে if-then নিয়মে রূপান্তরিত করা প্রোগ্রাম। প্রতিটি নিয়ম মানুষকে হাতে লিখতে হত — তাই বড় হলে অগোছালো হয়ে পড়ত।। এগুলো হলো নিয়মভিত্তিক প্রোগ্রাম যা একজন বিশেষজ্ঞের জ্ঞান ধরে রাখার চেষ্টা করত। যেমন: MYCIN — একটি সিস্টেম যা ব্যাকটেরিয়া সংক্রমণ নির্ণয় করত। আবার আশা জাগে।

৬ · দ্বিতীয় AI Winter (১৯৮৭-১৯৯৩): আবার পতন

কিন্তু Expert Systems-ও সীমিত ছিল। প্রতিটি নিয়ম মানুষকে হাতে লিখতে হতো। সিস্টেম যত বড় হতো, ততই অগোছালো হতো। আবার বিনিয়োগ কমে গেল — দ্বিতীয় AI Winter.

৭ · ২০১২ — Deep Learning বিপ্লব

২০১২ সালের ImageNet প্রতিযোগিতায় AlexNetAlexNet (২০১২)Geoffrey Hinton-এর ছাত্র Alex Krizhevsky-র তৈরি — একটি ৮-স্তরের Convolutional Neural Network. NVIDIA GPU দিয়ে ট্রেইন। ১৫.৩% error rate — দ্বিতীয় সেরাকে ১০.৮% মার্জিনে হারায়। Deep Learning-এর "Big Bang" মুহূর্ত। নামক একটি নিউরাল নেটওয়ার্ক অবিশ্বাস্য ফলাফল আনে। ছবি চেনার ক্ষেত্রে এটি অন্য সব পদ্ধতিকে ১০% মার্জিনে হারিয়ে দেয়। এই দিন থেকেই Deep Learning-এর যুগ শুরু।

কেন এই সময়টা সফল হলো? — মনে আছে আগের পাঠে বলেছিলাম তিনটি জিনিস?

  1. ডেটা: ইন্টারনেটের কারণে কোটি কোটি লেবেল করা ছবি (ImageNet)
  2. কম্পিউটিং: NVIDIA-র GPU — যা সমান্তরাল গণনায় হাজার গুণ দ্রুত
  3. অ্যালগরিদম: Convolutional Neural Network (CNN), পরে Transformer

৮ · ২০১৭-আজ: Transformer ও LLM

২০১৭ সালে Google প্রকাশ করে "Attention Is All You Need" পেপার — যা TransformerTransformer (২০১৭)Google গবেষকদের আবিষ্কৃত একটি নতুন ধরনের Neural Network architecture. মূল উদ্ভাবন — "Self-Attention" পদ্ধতি, যা একটি বাক্যের প্রতিটি শব্দের অন্য সব শব্দের সাথে সম্পর্ক বুঝতে পারে। আজকের সব LLM-এর ভিত্তি। বিস্তারিত T5 (NLP & LLM) কোর্সে। architecture চালু করে। এর উপর ভিত্তি করেই আজকের সব বড় ভাষা মডেল — BERTBERT · Bidirectional Encoder Representations from Transformers২০১৮ সালে Google-এর প্রকাশিত ভাষা মডেল। বাক্যের দু'দিক (বাঁ ও ডান) থেকে প্রসঙ্গ বুঝতে পারে — সার্চ ইঞ্জিন ও ক্লাসিফিকেশনে ব্যাপকভাবে ব্যবহৃত।, GPTGPT · Generative Pre-trained TransformerOpenAI-এর তৈরি Transformer-ভিত্তিক ভাষা মডেলের পরিবার। GPT-1, GPT-2, GPT-3, GPT-4 — প্রতিটি প্রজন্মেই বড় ও বেশি দক্ষ। ChatGPT-এর পেছনের প্রযুক্তি।, ChatGPT, Claude, Gemini তৈরি হয়েছে।

২০২২ সালে OpenAI-এর ChatGPT প্রকাশের পর AI আবার মূলধারায় আসে — এবার সাধারণ মানুষের ব্যবহারের জন্য। ৫ দিনে ১০ লক্ষ ব্যবহারকারী।

ইতিহাস বলে — AI-এ hype ও winter পর্যায়ক্রমে আসে। আজকের যা অসাধারণ মনে হচ্ছে, ৫ বছরে তা সাধারণ হয়ে যাবে। নতুন চ্যালেঞ্জ আসবে। AI-এর ভবিষ্যৎ এখনো লেখা হচ্ছে।

ভাবনার প্রশ্ন

প্রতিটি প্রশ্ন নিজে কিছুক্ষণ ভাবুন — তারপর "→ উত্তর" চাপুন।

প্র ০১ Turing Test কেন আজও বিতর্কিত? একটি AI যদি Turing Test পাশ করে, সেটা কি প্রকৃত অর্থে "চিন্তা করছে" বলে প্রমাণ হয়?

না — এবং এটাই Turing Test-এর মূল সমালোচনা।

Turing-এর পরীক্ষা মাপে — যন্ত্র মানুষের আচরণ অনুকরণ করতে পারছে কি না। কিন্তু "চিন্তা" আসলে কী তা পরীক্ষা করে না। এটাই দার্শনিক John Searle-এর বিখ্যাত "Chinese Room" যুক্তি — কল্পনা করুন এমন একজন মানুষ একটি ঘরে বসে আছেন, যিনি চীনা ভাষা জানেন না। তাঁর কাছে একটি বিশাল রুলবুক আছে: "এই চীনা চিহ্ন এলে এই উত্তর দাও।" বাইরের লোক ভাববেন ভেতরের ব্যক্তি চীনা বোঝেন — কিন্তু আসলে শুধুই symbol manipulation.

ChatGPT সম্ভবত আজ Turing Test অনেক ক্ষেত্রে পাশ করে — কিন্তু সে কি "বোঝে"? AI গবেষকদের সাধারণ মত: না। সে শুধু কোটি কোটি লেখার প্যাটার্ন থেকে সম্ভাব্য পরবর্তী শব্দ অনুমান করে। বুদ্ধিমত্তার আরও সূক্ষ্ম পরীক্ষা — যেমন সাধারণ যুক্তি, পরিকল্পনা, দীর্ঘমেয়াদী লক্ষ্য — আজও দরকার।

প্র ০২ AI দু'বার "Winter"-এ ঢুকে আবার ফিরে এসেছে। আজকের AI hype-এর শেষেও কি তৃতীয় AI Winter হতে পারে? কোন সংকেতে বুঝবেন?

হ্যাঁ — সম্ভাবনা একদম উড়িয়ে দেওয়া যায় না। ইতিহাসের প্যাটার্ন বলে — যত বড় hype, তত বড় হতাশা।

আজকের সম্ভাব্য Winter-সংকেতগুলো —

  • প্রতিশ্রুতি বনাম বাস্তব ফল: AGI আসন্ন এমন প্রতিশ্রুতি অনেক, কিন্তু LLM-এর সীমা স্পষ্ট হচ্ছে — hallucinationHallucinationAI মডেল আত্মবিশ্বাসের সাথে ভুল বা বানানো তথ্য দেওয়াকে বলে। ChatGPT কখনো অস্তিত্বহীন বই, ভুল উদ্ধৃতি বা মিথ্যা ঘটনা বানিয়ে বলতে পারে।, যুক্তিতে দুর্বলতা।
  • ROI সংকট: OpenAI-র মতো কোম্পানি বছরে বিলিয়ন ডলার লোকসান করছে। লাভজনক না হলে — বিনিয়োগ শুকাবে।
  • Scaling-এর সীমা: বড় মডেল বানিয়ে আরও বড় ফল পাওয়া যায় — এই অনুমান ভেঙে পড়লে নতুন গবেষণা দরকার।
  • নিয়ন্ত্রণ ও বিধি-বিধান: EU AI Act, US Executive Order — কঠোর হলে দ্রুত গবেষণা কঠিন হবে।

কিন্তু কেন এবার ভিন্ন হতে পারে? আগের Winter-গুলোতে AI কোনো বাস্তব ব্যবসায়িক মূল্য তৈরি করেনি। এবার Google সার্চ, Netflix, Pathao-র মতো সব জায়গায় AI টাকা বানাচ্ছে। তাই সম্পূর্ণ পতন কঠিন — সম্ভবত একটি "AI Cooling" দেখা যাবে, পূর্ণ Winter নয়।

প্র ০৩ ২০১২-র AlexNet-এর সাফল্যকে কেন "Big Bang মুহূর্ত" বলা হয়? Neural Network-এর তত্ত্ব তো ৬০ বছরের পুরোনো ছিল।

এই প্রশ্নটি AI বোঝার অন্যতম গুরুত্বপূর্ণ অন্তর্দৃষ্টি। সঠিক উত্তর — AlexNet নতুন কোনো তত্ত্ব নয়, বরং তিনটি পুরোনো জিনিস একসাথে আনার ফল।

  • তত্ত্ব ছিল আগে থেকেই: CNN ১৯৮৯-এ Yann LeCun প্রবর্তন করেন। BackpropagationBackpropagationনিউরাল নেটওয়ার্ক প্রশিক্ষণের মূল অ্যালগরিদম। ভুল হলে সেই ভুল পেছন দিকে ছড়িয়ে দিয়ে প্রতিটি স্তরের ওজন (weights) সামান্য পরিবর্তন করে। সব আধুনিক DL-এর ভিত্তি। আরও পুরোনো (১৯৮৬)।
  • ডেটা আগে ছিল না: ১৯৯০-এর দশকে ৫০-৫০০ লেবেল-করা ছবি থাকত। ImageNet (২০০৯) প্রথম ১.৪ কোটি লেবেল-করা ছবি দেয়।
  • কম্পিউটিং আগে ছিল না: ২০১২-তে NVIDIA GPU ৫ বছর আগের CPU-র চেয়ে ১০০ গুণ দ্রুত। AlexNet-কে দু'টি GPU-তে ৫-৬ দিনে train করা গেল।
  • ছোট কারিগরি ফিক্স: ReLU activation, Dropout — সরল কিন্তু সমালোচনামূলক।

শেখার বিষয়: বিজ্ঞানে অনেক সময় তত্ত্ব আগে আসে, প্রয়োগ পরে। অপেক্ষায় থাকা ধারণাগুলো সঠিক সময় ও পরিবেশ পেলেই বিস্ফোরিত হয়। AI-এর পরবর্তী বিপ্লবও হয়তো কোনো পুরোনো ধারণার নতুন পুনর্জন্ম হবে।

প্র ০৪ ২০১৭-র Transformer-এর আগে NLP-তে RNN/LSTM ব্যবহৃত হতো। Transformer কেন গেম-চেঞ্জার হলো — এর কী কী মৌলিক সুবিধা?

Transformer-এর আগে ভাষা মডেলগুলো (RNNRNN · Recurrent Neural Networkক্রমিক ডেটা (যেমন বাক্য, সময় সিরিজ) বোঝার জন্য তৈরি নিউরাল নেটওয়ার্ক — যা পূর্ববর্তী ধাপের তথ্য মনে রাখে। দীর্ঘ ক্রমে ভুলে যাওয়ার সমস্যা ছিল।, LSTMLSTM · Long Short-Term MemoryRNN-এর উন্নত সংস্করণ (১৯৯৭) — যা দীর্ঘ ক্রমেও তথ্য মনে রাখতে পারে। Transformer আসার আগ পর্যন্ত NLP-র প্রধান হাতিয়ার।) একটি একটি শব্দ ক্রমান্বয়ে পড়ত — মানুষ পড়ার মতো, বাঁ থেকে ডানে। এতে দু'টি বড় সমস্যা ছিল —

  • সমান্তরালীকরণ অসম্ভব: দশম শব্দ পড়তে আগে ১-৯ পড়া লাগে। GPU-র সমান্তরাল শক্তি ব্যবহার করা যেত না।
  • দীর্ঘ-পরিসর সম্পর্ক ভুলে যেত: বাক্যের শুরুর শব্দ শেষে এসে ম্লান হয়ে যেত (vanishing gradientVanishing Gradientগভীর নিউরাল নেটওয়ার্কে পেছনের স্তরে যাওয়ার সময় শেখার সংকেত (gradient) অতি ক্ষুদ্র হয়ে মিলিয়ে যায় — ফলে শুরুর স্তরগুলো শিখতে পারে না। সমস্যা)।

Transformer-এর সমাধান — Self-AttentionSelf-AttentionTransformer-এর মূল কৌশল — একটি বাক্যের প্রতিটি শব্দ অন্য সব শব্দের দিকে কতটা "মনোযোগ" দেবে তা গণনা করে। ফলে দীর্ঘ-পরিসর সম্পর্ক সরাসরি ধরা পড়ে।. সব শব্দ একসাথে দেখে, প্রতিটি শব্দ অন্য সব শব্দের সাথে সরাসরি "attention" করে। ফলে —

  • একটি বাক্যের সব শব্দ একসাথে process করা যায় — GPU-র পূর্ণ ব্যবহার।
  • শুরুর শব্দ ও শেষের শব্দের সম্পর্ক সরাসরি ধরা পড়ে — দীর্ঘ context বোঝে।
  • Scaling সহজ — মডেল বড় করলেই ভালো হয়, যা GPT-3, GPT-4-এ প্রমাণিত।

এই architecture-এর সরলতা ও স্কেলযোগ্যতার কারণেই — আজকের সব বড় AI মডেল Transformer-ভিত্তিক। এটা T5 (NLP & LLM) কোর্সে গভীরভাবে দেখা হবে।

অনুশীলন

  1. সময়রেখা আঁকুন: একটি কাগজে AI-এর ৭০ বছরের ইতিহাসের সময়রেখা আঁকুন — গুরুত্বপূর্ণ ৭টি ঘটনা চিহ্নিত করুন।

    ৭টি অপরিহার্য মাইলফলক:

    • ১৯৫০: Alan Turing-এর "Computing Machinery and Intelligence" পেপার ও Turing Test.
    • ১৯৫৬: Dartmouth সম্মেলন — "Artificial Intelligence" নামকরণ।
    • ১৯৬৬: ELIZA — প্রথম চ্যাটবট।
    • ১৯৭৪: প্রথম AI Winter শুরু।
    • ১৯৮০-৮৭: Expert Systems-এর জোয়ার, এরপর দ্বিতীয় Winter.
    • ২০১২: AlexNet-এর ImageNet জয় — Deep Learning বিপ্লবের সূচনা।
    • ২০১৭: Transformer architecture প্রকাশ ("Attention Is All You Need")।
    • ২০২২: ChatGPT — AI মূলধারায়।

    আপনার সময়রেখায় এই ইভেন্টগুলো থাকলে — চমৎকার! পাঠের শুরুর SVG ফ্লোচার্টের সাথে মিলিয়ে দেখুন।

  2. চিন্তা করুন: ChatGPT কি Turing Test পাশ করতে পারবে? কেন/কেন না? সংক্ষেপে লিখুন।

    সংক্ষিপ্ত উত্তর: অনেক ক্ষেত্রে — হ্যাঁ। কিন্তু সব ক্ষেত্রে — না।

    ChatGPT সাবলীল বাক্যে কথা বলে, প্রসঙ্গ বুঝে উত্তর দেয়, কৌতুকও করতে পারে। সাধারণ ৫-মিনিটের কথোপকথনে অনেক বিচারক বিভ্রান্ত হবেন। বস্তুত — ২০২৩-এর একটি গবেষণায় GPT-4 প্রায় ৫০% সময় Turing Test পাশ করেছে।

    কিন্তু ব্যর্থ যেখানে:

    • সাধারণ যুক্তি — "৫টি কাপড় শুকাতে ১ ঘণ্টা লাগে, ১০টি শুকাতে কত?"
    • সাম্প্রতিক ঘটনা — তার training cutoff-এর পরের কিছু জানে না।
    • ব্যক্তিগত ইতিহাস — "তুমি গতকাল কী করেছ?" — উত্তর দিতে পারে না।
    • আবেগের সূক্ষ্মতা — মানুষের subtle ভঙ্গি ধরে রাখা কঠিন।

    মূল কথা: Turing Test-এ পাশ করা মানে "চিন্তা করা" নয় (প্র ০১-এর উত্তর দ্রষ্টব্য)। ChatGPT অনুকরণে দক্ষ — কিন্তু "বোঝে" না।

  3. খোঁজ করুন: "ELIZA Joseph Weizenbaum" Google-এ খোঁজ করুন। ELIZA কীভাবে কাজ করত — সেটা ৩-৪ বাক্যে লিখুন।

    ELIZA-র কাজের পদ্ধতি — সংক্ষেপে:

    ১৯৬৬ সালে MIT-র Joseph Weizenbaum তৈরি করেন ELIZA — একটি pattern-matching ভিত্তিক প্রোগ্রাম। মানুষ যা লিখত, সে সেখান থেকে keyword খুঁজে পূর্ব-নির্ধারিত নিয়মে উত্তর তৈরি করত।

    সবচেয়ে বিখ্যাত script ছিল "DOCTOR" — যা একজন Rogerian সাইকোথেরাপিস্টের মতো প্রশ্ন ফিরিয়ে দিত। যেমন — কেউ লিখল "আমি দুঃখিত", ELIZA উত্তর দিত "কেন তুমি দুঃখিত বলছ?"। যদি keyword "মা" পেত — উত্তর হত "তোমার পরিবার নিয়ে আরও বলো"।

    মজার বিষয়: Weizenbaum নিজেই অবাক হয়েছিলেন — কত মানুষ ELIZA-কে সত্যিকারের থেরাপিস্ট ভাবতে শুরু করেছিলেন। এমনকি তাঁর নিজের সচিব ELIZA-র সাথে কথা বলার সময় Weizenbaum-কে ঘর ছেড়ে যেতে বলেছিলেন। এই ঘটনা তাঁকে AI-এর নৈতিক প্রভাব নিয়ে চিন্তিত করে — পরে তিনি AI সমালোচকে পরিণত হন।

    শেখার বিষয়: ELIZA একদম "বুদ্ধিমান" ছিল না — শুধু pattern matching. কিন্তু মানুষের ELIZA-র প্রতি আবেগগত প্রতিক্রিয়া দেখায় — আমরা সহজেই যন্ত্রকে "মানুষ" ভেবে ফেলি। আজকের ChatGPT-র যুগে এই শিক্ষা আরও গুরুত্বপূর্ণ।

আরও পড়ুন · ABCL TECH-এ আপনার পরবর্তী পদক্ষেপ

কোড রানার কাজ না করলে? এই পাঠে কোডের ব্লক নেই — কিন্তু পরবর্তী পাঠ থেকে শুরু হবে। ব্রাউজারে কাজ না করলে Google Colab ব্যবহার করুন — Google-এর ফ্রি অনলাইন Python পরিবেশ, শুধু একটি Gmail অ্যাকাউন্ট লাগে।
এই পাঠে ভুল পেয়েছেন? জানান
পূর্ববর্তী পাঠ
পাঠ ০১ · AI কী এবং কেন গুরুত্বপূর্ণ