মাল্টি-এজেন্ট ও মাল্টি-ইউজার HCAI সিনারিও
এই পাঠে যা শিখবেন
- মাল্টি-ইউজার HCAI সিনারিওর মূল চ্যালেঞ্জ — পরস্পরবিরোধী পছন্দ পরিচালনা
- মাল্টি-এজেন্ট HCAI সিনারিওর মূল চ্যালেঞ্জ — সমন্বয় ও ওভারসাইট
- একটি সত্যিকারের সিমুলেশন — শেয়ার্ড বনাম পার্সোনালাইজড নীতির প্রকৃত ফারাক
- এই দুই সিনারিওতে নতুন করে তৈরি হওয়া ডিজাইন প্রশ্ন চিহ্নিত করা
১ · একজন থেকে অনেকে — সিনারিওর জটিলতা বাড়ে
L01 থেকে L36 পর্যন্ত আমরা প্রায় সবসময় ধরে নিয়েছি একজন ব্যবহারকারী একটি AI সিস্টেমের সাথে মিথস্ক্রিয়া করছেন। কিন্তু বাস্তবে অনেক সিস্টেম এই সরল কাঠামো ভেঙে দেয় — একটি AI একসাথে অনেক মানুষকে সেবা দিতে পারে (যেমন একটি অফিসের শেয়ার্ড অ্যাসিস্ট্যান্ট), অথবা একটি কাজ সম্পন্ন করতে একাধিক AI এজেন্ট একসাথে কাজ করতে পারে (যেমন একটি "গবেষণা এজেন্ট" ও একটি "লেখা এজেন্ট" মিলে একটি রিপোর্ট তৈরি করা)। দুটো ক্ষেত্রেই সরল "এক মানুষ, এক AI" ধরে নেওয়া ডিজাইন প্যাটার্নগুলো (M3-এর ট্রাস্ট, M5-এর ওভারসাইট, L34-এর হ্যান্ডঅফ) নতুনভাবে চিন্তা করতে হয়।
২ · মাল্টি-ইউজার — একটি AI, একাধিক ব্যবহারকারী
দুইজন ব্যবহারকারীর চাহিদা ভিন্ন হতে পারে — একটি একক শেয়ার্ড সেটিং/সুপারিশ কারো জন্যই আদর্শ নাও হতে পারে (নিচের ডেমোতে গণনা করে দেখানো হয়েছে)।
একজন ব্যবহারকারীর ইতিহাস/পছন্দ কি অন্য সহ-ব্যবহারকারীর কাছে প্রকাশ পাবে? এটি একটি গভীর প্রাইভেসি প্রশ্ন যা AI Ethics কোর্সে বিস্তারিত কভার করা হয় — এখানে শুধু ডিজাইন-প্রভাব হিসেবে উল্লেখযোগ্য।
যদি সিস্টেম সময়ের সাথে সাথে শেখে, তাহলে যে ব্যবহারকারী বেশি ব্যবহার করেন বা বেশি স্পষ্টভাবে ফিডব্যাক দেন তিনি ধীরে ধীরে সিস্টেমকে নিজের পছন্দমতো "টেনে" নিতে পারেন — এটি একটি ন্যায্যতার প্রশ্ন তৈরি করে।
৩ · মাল্টি-এজেন্ট — একাধিক AI, একজন ব্যবহারকারী
একাধিক এজেন্ট ভিন্ন ভিন্ন সাজেশন দিতে পারে — মানুষকে এখন শুধু একটি AI-এর আউটপুট নয়, একাধিক আউটপুটের মধ্যে দ্বন্দ্ব মেলাতে হতে পারে।
L23-এ আমরা দেখেছি একজন মানুষের একটি AI-এর সিদ্ধান্ত ওভাররাইড করার অধিকার কতটা জরুরি — এজেন্ট সংখ্যা বাড়লে প্রতিটি এজেন্টের সিদ্ধান্ত আলাদাভাবে বোঝা ও নিয়ন্ত্রণ রাখা কগনিটিভভাবে অনেক বেশি কঠিন হয়ে যায় (M6-এর কগনিটিভ লোড সরাসরি প্রাসঙ্গিক)।
যদি একাধিক এজেন্ট মিলে একটি ভুল ফলাফল দেয়, কোন এজেন্টের সিদ্ধান্ত আসল কারণ তা আলাদা করা কঠিন হতে পারে — ইন্টারফেসকে স্বচ্ছভাবে দেখাতে হয় কোন অংশ কোন এজেন্ট করেছে।
৪ · একটি সত্যিকারের ডেমো — শেয়ার্ড বনাম পার্সোনালাইজড নীতি
ধরা যাক একটি অফিস মিটিং-রুমের স্মার্ট থার্মোস্ট্যাট দুইজন ব্যবহারকারীর তাপমাত্রা-পছন্দ একসাথে সামলাচ্ছে। ব্যবহারকারী A-এর আদর্শ তাপমাত্রা গড়ে ২০°C-এর আশেপাশে, ব্যবহারকারী B-এর প্রায় ২৪°C-এর আশেপাশে (প্রতিদিন সামান্য ওঠানামা করে)। শেয়ার্ড AI নীতি প্রতিদিন দুজনের পছন্দের গড় বেছে নেয় (একটিমাত্র সেটিং, দুজনের জন্যই)।
import random
random.seed(5)
N_DAYS = 30
user_a_ideal = [round(random.gauss(20.0, 0.8), 1) for _ in range(N_DAYS)]
user_b_ideal = [round(random.gauss(24.0, 0.8), 1) for _ in range(N_DAYS)]
# শেয়ার্ড AI নীতি: প্রতিদিন দুই ব্যবহারকারীর গড় পছন্দ বেছে নেয়
shared_setting = [round((a + b) / 2, 1) for a, b in zip(user_a_ideal, user_b_ideal)]
def avg_abs_gap(settings, ideals):
return sum(abs(s - i) for s, i in zip(settings, ideals)) / len(ideals)
shared_gap_a = avg_abs_gap(shared_setting, user_a_ideal)
shared_gap_b = avg_abs_gap(shared_setting, user_b_ideal)
# হাইপোথেটিক্যাল (আদর্শায়িত) পার্সোনালাইজড নীতি -- প্রতিটি ব্যবহারকারীর নিজস্ব ideal অনুসরণ করে
personalized_gap_a = avg_abs_gap(user_a_ideal, user_a_ideal)
personalized_gap_b = avg_abs_gap(user_b_ideal, user_b_ideal)
print(f"দিন সিমুলেট করা হয়েছে: {N_DAYS}")
print(f"শেয়ার্ড-সেটিং, A-এর ideal থেকে গড় ফারাক: {shared_gap_a:.2f}°C")
print(f"শেয়ার্ড-সেটিং, B-এর ideal থেকে গড় ফারাক: {shared_gap_b:.2f}°C")
print(f"পার্সোনালাইজড-সেটিং, A-এর ideal থেকে গড় ফারাক: {personalized_gap_a:.2f}°C")
print(f"পার্সোনালাইজড-সেটিং, B-এর ideal থেকে গড় ফারাক: {personalized_gap_b:.2f}°C")মাল্টি-ইউজার ও মাল্টি-এজেন্ট সিনারিওতে "একজন ব্যবহারকারী, একটি AI" মডেলের সরল ডিজাইন প্যাটার্নগুলো সরাসরি কাজ করে না। প্রশ্নগুলো বদলে যায়: "AI বিশ্বাসযোগ্য কিনা" থেকে "কার পছন্দ প্রাধান্য পাবে," এবং "মানুষ কি ওভাররাইড করতে পারবে" থেকে "মানুষ কি একাধিক এজেন্টের সিদ্ধান্তের মধ্যে দ্বন্দ্ব বুঝতে ও সমাধান করতে পারবে।"
ভাবনার প্রশ্ন
প্রতিটি প্রশ্ন নিজে কিছুক্ষণ ভাবুন — তারপর "→ উত্তর" চাপুন।
প্র ০১ উপরের ডেমোতে "গড় নেওয়া" নীতি দুজনকেই সমান পরিমাণে আপস করাচ্ছে — এটা কি সবসময় সবচেয়ে ন্যায্য পন্থা? কখন এটি সমস্যাজনক হতে পারে?
সবসময় নয়। "গড়" নেওয়া দুজনকে সমান আপস করালেও কারো জন্যই প্রকৃত সন্তুষ্টি দেয় না — বিশেষ করে যদি একজন ব্যবহারকারীর জন্য একটি নির্দিষ্ট রেঞ্জের বাইরে যাওয়া শুধু অস্বস্তিকর নয়, বরং কার্যকরভাবে ক্ষতিকর হয় (যেমন একজন প্রবীণ ব্যক্তির জন্য তাপমাত্রা স্বাস্থ্য-সংক্রান্ত)। এমন ক্ষেত্রে "সমান আপস" আসলে "ন্যায্য" নাও হতে পারে — কারো চাহিদা অন্যের চেয়ে বেশি গুরুত্বপূর্ণ হতে পারে, এবং একটি ভালো ডিজাইনে সেই পার্থক্য বিবেচনা করা দরকার, শুধু গাণিতিক গড় নয়।
প্র ০২ মাল্টি-এজেন্ট সিনারিওতে L23-এর "হিউম্যান ওভারসাইট ও ওভাররাইড" নীতি কেন এজেন্ট সংখ্যা বাড়ার সাথে সাথে কঠিন হয়ে যায়?
কারণ ওভারসাইটের জন্য মানুষকে প্রতিটি এজেন্টের সিদ্ধান্ত আলাদাভাবে বুঝতে হয়, এবং একাধিক এজেন্টের সিদ্ধান্ত একে অপরকে কীভাবে প্রভাবিত করে তাও ট্র্যাক করতে হয় — এটি M6-এর কগনিটিভ লোড ধারণার সরাসরি সম্প্রসারণ। একটি এজেন্টের আউটপুট যাচাই করা তুলনামূলক সহজ, কিন্তু তিন-চারটি সমন্বিত এজেন্টের মিলিত ফলাফল যাচাই করা অনেক বেশি মানসিক পরিশ্রম দাবি করে, বিশেষ করে যদি ইন্টারফেস স্পষ্টভাবে না দেখায় কোন অংশ কোন এজেন্ট থেকে এসেছে।
প্র ০৩ বাস্তব জীবনে মাল্টি-ইউজার বা মাল্টি-এজেন্ট AI সিস্টেমের একটি উদাহরণ চিন্তা করুন।
মাল্টি-ইউজারের উদাহরণ: একটি পারিবারিক স্ট্রিমিং সার্ভিসের রেকমেন্ডেশন সিস্টেম, যা একই অ্যাকাউন্টে একাধিক পরিবার-সদস্যের ভিন্ন রুচি একসাথে সামলাতে চেষ্টা করে (M11-এ L51-এ আরও দেখবেন)। মাল্টি-এজেন্টের উদাহরণ: একটি কাজের সহায়ক টুল যেখানে একটি এজেন্ট তথ্য খোঁজে আর আরেকটি এজেন্ট সেই তথ্য দিয়ে লেখা তৈরি করে, আর ব্যবহারকারীকে দুটোর মিলিত ফলাফল দেখানো হয়।
অনুশীলন
-
চিন্তা করুন: যদি শেয়ার্ড AI নীতি গড় নেওয়ার বদলে সবসময় শুধু ব্যবহারকারী A-এর ideal অনুসরণ
করে (B-কে সম্পূর্ণ উপেক্ষা করে), তাহলে A ও B-এর গড় ফারাক কেমন হবে বলে আপনার ধারণা?
A-এর ফারাক প্রায় শূন্যের কাছাকাছি হবে (কারণ নীতি হুবহু তার ideal অনুসরণ করছে), কিন্তু B-এর ফারাক অনেক বেশি বড় হবে (কারণ B-এর পছন্দ সম্পূর্ণ উপেক্ষিত) — গড়-নীতির তুলনায় B-এর জন্য পরিস্থিতি উল্লেখযোগ্যভাবে খারাপ হবে।
-
পরীক্ষা করুন: উপরের কোড সেলে
shared_setting-এর সংজ্ঞা পরিবর্তন করেshared_setting = user_a_idealলিখে (সবসময় A অনুসরণ করে) Run চেপে আপনার অনুমান যাচাই করুন।হ্যাঁ — A-এর ফারাক দাঁড়ায় ০.০০°C, কিন্তু B-এর ফারাক লাফিয়ে ৪.১৮°C-এ পৌঁছায় (মূল গড়-নীতির ২.১০°C-এর প্রায় দ্বিগুণ)। এটি ঠিক অনুমান ১-কে নিশ্চিত করে, এবং দেখায় কেন "একজনের পছন্দকে ডিফল্ট বানানো" মাল্টি-ইউজার সিস্টেমে একটি বিপজ্জনক ডিজাইন সিদ্ধান্ত — এটি সহজেই একজন ব্যবহারকারীকে সম্পূর্ণ অদৃশ্য করে দিতে পারে।
আরও পড়ুন · ABCL TECH-এ আপনার পরবর্তী পদক্ষেপ
- পরবর্তী পাঠ L38 কেস স্টাডি — বাস্তবে হিউম্যান-AI কোলাবোরেশন — এই মডিউলের সবকটি ধারণা একটি বাস্তবসম্মত হাইপোথেটিক্যাল ওয়ার্কফ্লোতে একসাথে দেখা।
- হিউম্যান ওভারসাইট ও ওভাররাইড করার অধিকার L23 একটি AI-এর ওভারসাইট ডিজাইনের ভিত্তি — এই পাঠে দেখলাম কীভাবে এজেন্ট সংখ্যা বাড়লে ওভারসাইট আরও জটিল হয়ে যায়।
- কোর্সের সম্পূর্ণ সিলেবাস দেখুন ৫৭টি পাঠ ব্যবহারকারী ও প্রেক্ষাপট, ট্রাস্ট ক্যালিব্রেশন, এক্সপ্লেইনেবিলিটি, হিউম্যান-ইন-দ্য-লুপ ডিজাইন, কগনিটিভ লোড, অ্যাক্সেসিবিলিটি, হিউম্যান-AI টিমিং, ইউজেবিলিটি ইভালুয়েশন, ইন্ডাস্ট্রি ফ্রেমওয়ার্ক ও ক্যাপস্টোন।