পাঠ ১০ · ৩০-এর মধ্যে · মডিউল ১ সমাপ্তি
Home / AI Courses / AI Foundations / মডিউল ১ পর্যালোচনা

মডিউল ১ পর্যালোচনা ও কুইজ

Module 1 review & quiz
১০ মিনিট ১০ প্রশ্নের কুইজ মডিউল সমাপ্তি

এই পাঠে যা করবেন

  • মডিউল ১-এর ৯টি পাঠের মূল ধারণা একনজরে দেখবেন
  • ১০টি প্রশ্নের কুইজে নিজেকে পরীক্ষা করবেন
  • মডিউল ২ — গণিত — শুরু করার জন্য প্রস্তুত হবেন

১ · যা আপনি ইতিমধ্যে শিখেছেন

প্রথম মডিউলে আমরা কোনো কোড ছাড়াই AI-এর মূল ধারণা ও প্রেক্ষাপট তৈরি করেছি। নিচের প্রতিটি কার্ড একেকটি পাঠের সারাংশ — কোনো বিষয়ে কনফিউজ লাগলে সরাসরি সেই পাঠে ফিরে যান।

L01

AI কী এবং কেন গুরুত্বপূর্ণ

সংজ্ঞা, কেন আজ এত গুরুত্বপূর্ণ, এবং সাধারণ ভুল ধারণাগুলো।

 L02

AI-এর ইতিহাস ও Turing Test

১৯৫০ থেকে আজ — Turing, Dartmouth, দু'টি AI Winter, Deep Learning বিপ্লব।

 L03

Symbolic vs Connectionist

নিয়মভিত্তিক বনাম নিউরাল-নেট-ভিত্তিক — দুই দর্শন, আজকের সংমিশ্রণ।

 L04

ANI, AGI, ASI

বুদ্ধিমত্তার তিন স্তর — আমরা কোথায়, কোথায় যাচ্ছি।

 L05

AI vs ML vs DL

DL ⊂ ML ⊂ AI — তিন বৃত্তের সম্পর্ক, কখন কোনটি ব্যবহার করবেন।

 L06

AI সমস্যার ধরন

Classification, Regression, Clustering, Ranking, Generation, RL.

 L07

বাস্তব জীবনে AI

স্বাস্থ্য, কৃষি, ব্যাংক, শিক্ষা — বাংলাদেশের বাস্তব উদাহরণসহ।

 L08

AI নৈতিকতা

Bias, Privacy, Deepfake, কর্মসংস্থান, ব্যাখ্যাযোগ্যতা — দায়িত্বের প্রশ্ন।

 L09

সীমাবদ্ধতা ও মিথ

Hallucination, common sense-এর অভাব, ৭টি জনপ্রিয় ভুল ধারণা।

২ · মডিউলের মূল উপলব্ধি — ৫টি বাক্যে

  • AI মানে যন্ত্রকে এমন কাজ করতে শেখানো — যা করতে মানুষের বুদ্ধি লাগে।
  • আজকের AI ANIANI — Artificial Narrow Intelligenceএকটি নির্দিষ্ট কাজে দক্ষ AI. ChatGPT, AlphaGo, Tesla Autopilot, Stable Diffusion — সব। AGI (general) ও ASI (super) এখনো অর্জিত হয়নি। পাঠ ০৪-এ বিস্তারিত। — একটি কাজে দক্ষ। AGI/ASI এখনো অর্জিত হয়নি।
  • Deep LearningDeep Learning (DL)ML-এর একটি বিশেষ পদ্ধতি — বহু-স্তরীয় (deep) neural network ব্যবহার করে। ছবি, ভাষা, কণ্ঠ, ভিডিও — সব unstructured ডেটায় অসাধারণ। আজকের প্রায় সব state-of-the-art AI (GPT, Stable Diffusion, AlphaFold) DL-ভিত্তিক। ML-এর একটি বিশেষ পদ্ধতি যা ছবি, ভাষা, কণ্ঠে অসাধারণ। এটি বিপ্লব ঘটিয়েছে কারণ — Data + Compute + Algorithms একসাথে এসেছে।
  • প্রতিটি বাস্তব সমস্যাকে AI-এর ভাষায় ফেলা যায় — ClassificationClassificationinput-কে কয়েকটি সীমিত শ্রেণির একটিতে ফেলা — spam/not-spam, কুকুর/বিড়াল/পাখি। output একটি label., RegressionRegressioninput থেকে একটি সংখ্যা পূর্বাভাস — দাম, তাপমাত্রা, বিক্রয়। output continuous value., ClusteringClusteringলেবেল ছাড়া ডেটাকে স্বাভাবিক গোষ্ঠীতে দল করা — গ্রাহক segment, অনুরূপ নথি একসাথে। Unsupervised learning., Ranking, Generation, বা RLRL · Reinforcement Learningagent পরিবেশে action নিয়ে reward পায়; দীর্ঘমেয়াদে cumulative reward সর্বোচ্চ করতে শেখে। AlphaGo, robotics, RLHF — সবই RL..
  • AI শক্তিশালী কিন্তু সীমিত — HallucinationHallucinationLLM আত্মবিশ্বাসের সাথে ভুল তথ্য তৈরি করে — যা সত্যের মতো শোনায়। RAG, citations, verification এ ঝুঁকি কমায়।, BiasBiasমডেল কিছু গোষ্ঠীর প্রতি অন্যায় পক্ষপাত দেখায় — সাধারণত pakshapati training data থেকে আসে। ও Common-sense-এর ঘাটতি জানা থাকলে আপনি একে সঠিকভাবে ব্যবহার করতে পারবেন।
মডিউল ১ — ধারণার মানচিত্র Module 1 conceptual map L01-02 · AI কী + ইতিহাস সংজ্ঞা · Turing · বিপ্লব L03 · দর্শন Symbolic ↔ Connectionist L04-05 · ক্ষমতা ও কাঠামো ANI/AGI/ASI · DL⊂ML⊂AI L06 · সমস্যার ধরন Class · Reg · Clust · Gen · RL L07 · বাস্তব ব্যবহার ৭ শিল্প · বাংলাদেশ L08 · নৈতিকতা Bias · Privacy · Deepfake L09 · সীমা ও মিথ Hallucination · Common sense ⚡ মডিউল ২ — গণিত Vector · Matrix · Gradient · Probability
মডিউল ১ — সংজ্ঞা থেকে দর্শন, ধরন থেকে নৈতিকতা — সব ভিত্তি গড়া হলো। মডিউল ২-এ এর গাণিতিক ভাষা।

মডিউল ১ — চূড়ান্ত কুইজ (১০ প্রশ্ন)

মডিউল ১-এর সব ধারণা থেকে। প্রতিটি প্রশ্নে একটি উত্তর বাছুন, তাৎক্ষণিক ফলাফল পাবেন।

প্র ০১ AI-এর সবচেয়ে কাছাকাছি সংজ্ঞা?
পাঠ ০১ — সংজ্ঞা: মানুষের বুদ্ধির অনুকরণ।
প্র ০২ Turing Test প্রস্তাব করেন কে?
পাঠ ০২ — ১৯৫০ সালে।
প্র ০৩ ChatGPT কোন ধারার AI?
পাঠ ০৩ — Transformer-ভিত্তিক বড় নিউরাল নেট।
প্র ০৪ আজকের সব AI কোন স্তরের?
পাঠ ০৪ — AGI এখনো অর্জিত হয়নি।
প্র ০৫ AI, ML, DL-এর সঠিক সম্পর্ক?
পাঠ ০৫ — DL ML-এর উপসেট, ML AI-এর উপসেট।
প্র ০৬ "ঢাকার একটি ফ্ল্যাটের দাম কত হবে?" — কোন ধরনের সমস্যা?
পাঠ ০৬ — উত্তর একটি সংখ্যা = Regression.
প্র ০৭ AlphaFold কী সমস্যা সমাধান করেছে?
পাঠ ০৭ — DeepMind-এর AlphaFold ৫০ বছরের জৈব-গবেষণার সমস্যা সমাধান করেছে।
প্র ০৮ Amazon-এর AI নিয়োগ-সরঞ্জাম কেন বাতিল হয়েছিল?
পাঠ ০৮ — পক্ষপাতের ক্লাসিক উদাহরণ।
প্র ০৯ AI "Hallucination" বলতে কী বোঝায়?
পাঠ ০৯ — তাই AI-এর সংখ্যা/তারিখ/রেফারেন্স যাচাই করতে হয়।
প্র ১০ ছোট structured ডেটাসেটStructured Dataসারণিবদ্ধ (rows × columns) সংগঠিত ডেটা — Excel/CSV/SQL টেবিলের মতো। বিপরীতে unstructured = ছবি, লেখা, ভিডিও। Structured-এ classical ML (Random Forest, XGBoost) সাধারণত DL-কে হারায়। (২,০০০ সারি) সাধারণত কোনটি ভালো?
পাঠ ০৫ — ছোট ডেটায় সরল ML রাজা।

মডিউল-ব্যাপী চিন্তার প্রশ্ন

একটি মডিউল শুধু তথ্য নয় — connections. নিচের প্রশ্নগুলো একাধিক পাঠকে একসাথে যুক্ত করে।

প্র ০১ মডিউল ১-এর ৯ পাঠকে যুক্ত করে — একটি বাংলাদেশী AI স্টার্টআপের পূর্ণ পরিকল্পনা ৫০০ শব্দে লিখুন। কোন সমস্যা, কোন AI ধরন, কী ডেটা, ব্যাখ্যা কীভাবে, ঝুঁকি কী?

এটি মডিউল ১-কে practical synthesis-এ পরিণত করার অনুশীলন। একটি উদাহরণ outline:

সমস্যা ও সম্ভাবনা (পাঠ ০৭): বাংলাদেশের ৪ কোটি কৃষকের অধিকাংশের কাছে কৃষি বিশেষজ্ঞের প্রবেশ নেই। ফসলের রোগ চিনতে দেরি = বিশাল ক্ষতি। স্টার্টআপ — "KrishiSathi": মোবাইলে পাতার ছবি তুললে রোগ চেনা ও সমাধান।

AI ধরন (পাঠ ০৬):

  • Image Classification: পাতার ছবি → ৫০টি সম্ভাব্য রোগের একটি (multi-class)।
  • Generation: বাংলায় চিকিৎসার নির্দেশ তৈরি (LLM-এর সাহায্য)।
  • Regression: ফলন ক্ষতির আনুমানিক হার।
  • Recommendation: কাছাকাছি কৃষি অফিস বা সার দোকান।

প্রকৌশল (পাঠ ০৩, ০৫): Connectionist + Symbolic মিশ্রণ। CNN (Deep Learning) — পাতার রোগ চেনায়। Symbolic rules — "X রোগে Y সার ব্যবহার করবেন না (আইনী)"। এ Combination = Neuro-Symbolic.

ডেটা:

  • ৫,০০০-১০,০০০ ছবি প্রতি রোগের — কৃষি বিশ্ববিদ্যালয়ের সাথে অংশীদারি।
  • বাংলাদেশের আবহাওয়া + অঞ্চলভিত্তিক মাটির ডেটা।

ব্যাখ্যাযোগ্যতা (পাঠ ০৮): প্রতিটি diagnosis-এ — "এই অংশে এই symptom দেখে চেনা গেছে" (GradCAM heatmap)। কৃষকের বিশ্বাস তৈরি।

ঝুঁকি (পাঠ ০৮, ০৯):

  • Hallucination: rare রোগে আত্মবিশ্বাসী ভুল। সমাধান: low-confidence-এ "বিশেষজ্ঞ পরামর্শ নিন"।
  • Distribution shift: চট্টগ্রামের ছবি ⇄ রংপুরের ছবি ভিন্ন। সমাধান: প্রতি অঞ্চলে validation.
  • Bias: বড় খামারের ছবি বেশি — ছোট কৃষকদের ক্ষেত্র miss.
  • Privacy: ছবিতে geo-location পাঠাবেন? কৃষকের সম্মতি জরুরি।
  • Liability: AI-এর ভুল পরামর্শে ফসল নষ্ট হলে দায় কার?

স্কেল (পাঠ ০৪): এটি ANI — শুধু রোগ নির্ণয়। AGI অপেক্ষা না করেই, এই ANI ৪ কোটি কৃষকের জীবন বদলাতে পারে।

গাণিতিক ভিত্তি (মডিউল ২-এ আসছে): CNN-এর কাজ বুঝতে আপনার দরকার Matrix multiplication, Gradient descent — যা পরের মডিউলে।

মূল উপলব্ধি: মডিউল ১-এর ৯ পাঠ আলাদা টপিক না — একটি বাস্তব AI প্রকৌশলীর মানসিক টুলকিট। প্রতিটি পাঠ এই synthesis-এ অবদান রাখে।

প্র ০২ "AGI ১০ বছরে আসবে" — এই দাবির বিরুদ্ধে মডিউল ১-এর কোন ৩টি পাঠের শিক্ষা যুক্তি দেয়? কোন ২টি পাঠ এই দাবিকে support করে?

এই প্রশ্ন মডিউল ১-এর একাধিক perspective একসাথে অনুশীলন করায়।

"১০ বছরে AGI অসম্ভব" — ৩ পাঠের যুক্তি:

  • পাঠ ০৪ (ANI/AGI/ASI): AGI definition দাবি — যেকোনো বুদ্ধির কাজে মানুষ-সমান। GPT-৪ অনেক পারে কিন্তু — embodiment, long-term planning, causal reasoning দুর্বল। একটি ৩-বছরের শিশু যা শিখে — কোনো LLM তা পারে না।
  • পাঠ ০৯ (সীমাবদ্ধতা): Hallucination, common sense ঘাটতি, brittleness — এগুলো architectural সমস্যা। শুধু scaling সমাধান করছে না। নতুন paradigm দরকার, যা rapid timeline-এ উদ্ভাবন কঠিন।
  • পাঠ ০২ (ইতিহাস): ১৯৫৬ Dartmouth conference-এ "১০ বছরে AI সমাধান" বলা হয়েছিল। ৭০ বছর পর ANI আছে, AGI নেই। AI গবেষকদের timeline-এ বিশ্বাস historically দুর্বল।

"১০ বছরে AGI সম্ভব" — ২ পাঠের যুক্তি:

  • পাঠ ০৫ (DL বিপ্লব): ২০১২-র AlexNet থেকে ২০২২-র ChatGPT — মাত্র ১০ বছর। Scaling laws এখনো plateau হয়নি। Compute exponentially বাড়ছে — Sam Altman যুক্তি এখানে।
  • পাঠ ০৭ (বাস্তব AI): AlphaFold বিজ্ঞানে নতুন কিছু আবিষ্কার করেছে। ChatGPT, Claude একাধিক domain-এ মানুষ-সমান কাজ। "Sparks of AGI" — Microsoft Research-এর GPT-4 paper যুক্তি দেয়।

সিদ্ধান্ত: মডিউল ১ একটি balanced view দেয় — অতি-আশাবাদ বা অতি-নিরাশাবাদ — দু'টিই ভুল। "১০ বছরে AGI" — সম্ভব কিন্তু uncertain. Scientific honesty: কেউ নিশ্চিত নয়।

প্র ০৩ মডিউল ১ থেকে আপনার সবচেয়ে অবাক করা উপলব্ধি কোনটি? AI সম্পর্কে কোন পুরোনো ধারণা ভেঙেছে?

এটি ব্যক্তিগত প্রশ্ন — সঠিক উত্তর নেই। তবে শিক্ষার্থীরা সাধারণত এই কয়েকটি বিষয়ে সবচেয়ে বেশি অবাক হন:

সাধারণ "ah-ha" মুহূর্ত:

  • "ChatGPT 'বুঝে' না": প্রায় সবাই ভাবেন ChatGPT সত্যিকার মানে বোঝে। আসলে — এটা শুধু "next token" predict করে। বিশাল pattern-matching. চেতনা নেই।
  • "AI সব AI না": Deep Blue, expert systems, এমনকি Google search — সবই AI কিন্তু ML না। জনগণের ধারণায় AI = neural network, যা ভুল।
  • "DL সবসময় সেরা না": XGBoost-এর মতো simple models এখনো tabular data-তে DL-কে হারিয়ে দেয়। DL hype-এর বাইরে practical reality.
  • "AI-র কারণ-প্রভাব ঘাটতি": Correlation আর causation-এর পার্থক্য AI বুঝে না। এতে অনেক বিভ্রান্তিকর সিদ্ধান্ত।
  • "AlphaFold বিজ্ঞান বদলেছে": AI শুধু "আমাদের কাজ করতে সাহায্য" না — মানব বিজ্ঞানে নতুন কিছু আবিষ্কার করতে পারে। ২০২৪-এ Nobel Prize.
  • "বাংলাদেশী context-এ AI আলাদা": পশ্চিমা AI সরাসরি import করা bias ও distribution shift-এ বিপজ্জনক। বাংলাদেশী data, বাংলা language, local equipment — সব আলাদা।
  • "AI-র environmental cost": ChatGPT-র প্রতিটি query Google search-এর ১০× বিদ্যুৎ। GPT-4 train করতে ১০০M ডলার + ৫০০ টন CO₂। "Free AI" বলে কিছু নেই।
  • "Hallucination = feature, bug না": LLM-এর architecture-এ probabilistic generation অন্তর্নিহিত। RAG, tool-use দরকারই — শুধু LLM যথেষ্ট না।

সঠিক উত্তরের শর্ত:

  • আপনার নিজস্ব প্রতিক্রিয়া হোন (generic উত্তর না)।
  • কোন পাঠের কোন তথ্য থেকে — specific reference.
  • কীভাবে এটি আপনার পরবর্তী AI সিদ্ধান্তে প্রভাব ফেলবে — practical link.

মূল কথা: মডিউল ১-এর সবচেয়ে বড় উপহার — "AI-কে clear-eyed দেখা।" Hype-ও না, dismissal-ও না — practical understanding.

আত্ম-পর্যালোচনা

  1. লিখুন: মডিউল ১ থেকে আপনার সবচেয়ে অবাক করা উপলব্ধি কোনটি? কেন?

    প্র ০৩-এ একাধিক সাধারণ "ah-ha" মুহূর্ত তালিকাভুক্ত। আপনার নিজস্ব উত্তরে — specific পাঠ ও tangible take-away থাকা উচিত।

    উদাহরণ ভাল উত্তর:

    "পাঠ ০৯-এ Hallucination-এর কারণ পড়ে অবাক হয়েছি। আগে ভাবতাম ChatGPT মাঝে মাঝে 'ভুল করে' — এখন বুঝি এটা bug না, architecture-এর অপরিহার্য অংশ। এর ফলে আমি যখন AI ব্যবহার করব — citations দিয়ে verify করব, RAG ব্যবহার করব এমন systems খুঁজব। এটাই critical-thinking-এর শুরু।"

  2. উদাহরণ দিন: AI সম্পর্কে যে ভুল ধারণা আপনার আগে ছিল — কোনটি এই মডিউলে ভেঙেছে?

    সাধারণ ভাঙা মিথ:

    • "ChatGPT সত্যিই বোঝে" → না, এটা pattern matcher (পাঠ ০৯)।
    • "DL সবসময় সেরা" → না, ছোট structured ডেটায় XGBoost জিতে (পাঠ ০৫)।
    • "AGI কাছেই" → ৭০ বছরের প্রতিশ্রুতি, এখনো অর্জিত হয়নি (পাঠ ০২, ০৪)।
    • "AI ভুল করে না" → করে — এবং আত্মবিশ্বাসে (পাঠ ০৯)।
    • "AI = একটাই জিনিস" → আসলে ৬টি ভিন্ন সমস্যার ধরন (পাঠ ০৬)।
  3. লক্ষ্য নির্ধারণ: এই কোর্স শেষ করে আপনি কী বানাতে চান বা শিখতে চান? এক বাক্যে লিখুন।

    স্পষ্ট লক্ষ্যের উদাহরণ:

    • "আমি একটি বাংলা চ্যাটবট বানাতে চাই — ছোট ব্যবসায়ের গ্রাহকসেবার জন্য।"
    • "আমি ML engineer হিসেবে চাকরি পেতে চাই — Bangladesh বা remote."
    • "আমার হাসপাতালে X-ray screening AI integrate করতে চাই।"
    • "কৃষকদের জন্য একটি ফসলের রোগ চেনার অ্যাপ বানাব।"
    • "আমার freelance কাজ AI দিয়ে ৫× দ্রুত করতে চাই।"

    ভাল লক্ষ্যের শর্ত: Specific, measurable, আপনার পরিস্থিতির সাথে relevant. "AI শিখতে চাই" — খুব vague. "৬ মাসে X বানাতে চাই" — সঠিক।

পরবর্তী মডিউল

মডিউল ২-এ আমরা প্রবেশ করব AI-এর গণিতের জগতে। চিন্তা নেই — সব সহজভাবে, ভিজ্যুয়ালাইজেশনসহ ব্যাখ্যা করা হবে। VectorVectorসংখ্যার একটি ক্রমিক তালিকা — যেমন [3, 5, 2]। AI-তে প্রতিটি ছবি, শব্দ, ব্যবহারকারী একটি vector হিসেবে represent করা হয়। দিক ও মাপ — দু'টিই বহন করে।, MatrixMatrixসংখ্যার ২-মাত্রিক টেবিল (rows × columns)। Neural network-এর প্রতিটি স্তরের weights একটি matrix. Matrix multiplication = AI-র মূল গণনা।, DerivativeDerivativeএকটি function কত দ্রুত বদলায় তার পরিমাপ। AI-তে — loss কমাতে কোন দিকে weights বদলাব, derivative বলে দেয়।, GradientGradientmulti-variable function-এর derivative — কোন দিকে গেলে সবচেয়ে দ্রুত বাড়ে/কমে। Gradient Descent algorithm এই দিকনির্দেশ ব্যবহার করে neural network train করে।, ProbabilityProbabilityকোনো ঘটনার ঘটার সম্ভাবনার পরিমাপ (০-১)। AI সিদ্ধান্ত প্রায়ই probability-ভিত্তিক — "৮৩% সম্ভাবনা এটি বিড়াল"। — এগুলোই AI-এর ভাষা।

আরও পড়ুন · ABCL TECH-এ আপনার পরবর্তী পদক্ষেপ

মডিউল ২-এর জন্য প্রস্তুতি: গণিতে দুর্বল হলেও চিন্তা নেই। প্রতিটি ধারণা ভিজ্যুয়াল ও বাংলায় ব্যাখ্যা করা হবে। কোডিং পরিবেশ চাইলে Google Colab ব্যবহার করুন।
এই পাঠে ভুল পেয়েছেন? জানান
পূর্ববর্তী পাঠ
পাঠ ০৯ · সীমাবদ্ধতা ও মিথ