Types of Machine Learning

Supervised Learning

আগের চ্যাপ্টারে লোন-অনুমোদনের যে উদাহরণটা দেখেছিলেন — হাজার হাজার আগের আবেদন, প্রতিটাতে আসল ফলাফল (শোধ হয়েছে নাকি খেলাপি) লেবেল করা, আর সিস্টেম সেখান থেকে প্যাটার্ন শিখে নেয় — সেটাই আসলে Machine Learning-এর সবচেয়ে কমন ধরন। এর নাম Supervised Learning।

"Supervised" শব্দটাই এখানে আসল ব্যাপার। ভাবুন, একজন স্টুডেন্ট এমন একটা বই থেকে অংক প্র্যাকটিস করছে যার পেছনে উত্তরমালা দেওয়া আছে। প্রতিটা প্রশ্নের সাথে সঠিক উত্তরটাও দেওয়া আছে। মডেল যদি ভুল উত্তর দেয়, তাহলে সেটা নিজের উত্তরকে সঠিক উত্তরের সাথে মিলিয়ে দেখতে পারে, আর পরেরবার ভালো করার জন্য নিজেকে অ্যাডজাস্ট করতে পারে। "গেস করো, সঠিক উত্তরের সাথে মেলাও, অ্যাডজাস্ট করো" — এই চক্রটাই "supervision" বলতে বোঝায়। প্রতিটা উদাহরণের জন্য "এটাই সঠিক উত্তর" — এই কাজটা কেউ (একজন মানুষ বা একটা লেবেলিং প্রসেস) আগেই করে রেখেছে।

গাণিতিকভাবে বললে, একটা supervised learning সমস্যায় মডেলকে দেওয়া হয় কিছু input-output জোড়া: $(x_1, y_1), (x_2, y_2), \ldots, (x_n, y_n)$ — যেখানে প্রতিটা $x_i$ হলো একটা ইনপুট (একটা ছবি, একটা লোন আবেদন, একটা ইমেইল) আর প্রতিটা $y_i$ হলো সেই ইনপুটের জানা সঠিক লেবেল। মডেলের কাজ হলো এমন একটা ফাংশন শেখা যেটা নতুন, অচেনা $x$ থেকে সঠিক $y$ প্রেডিক্ট করতে পারে।

Supervised learning নিজেই দুইটা রোজকার টাস্কে ভাগ হয় — কী ধরনের উত্তর প্রেডিক্ট করছেন তার উপর নির্ভর করে:

প্যাটার্নটা খেয়াল করুন: উত্তরটা যদি "একটা ফিক্সড সেট থেকে একটা বাক্স বেছে নাও" হয়, সেটা classification। উত্তরটা যদি "এমন একটা সংখ্যা দাও যেটা প্রায় যেকোনো কিছু হতে পারে" হয়, সেটা regression। মূল আইডিয়াটা — লেবেল করা উদাহরণ থেকে শেখা — দুই ক্ষেত্রেই একই; শুধু উত্তরের আকারটা বদলায়।

Unsupervised Learning

এবার ধরুন আপনার হাতে কোনো উত্তরমালাই নেই। আপনাকে দশ হাজার কাস্টমারের কেনাকাটার হিস্ট্রি দেওয়া হলো, কিন্তু কেউ এখনো "হাই-ভ্যালু কাস্টমার" বা "বাজেট শপার" বলে কোনো লেবেল লাগায়নি — এই ক্যাটাগরিগুলো এখনো এক্সিস্টই করে না। তাহলে কি একটা মেশিন এই ডেটা থেকে তবুও কিছু কাজে লাগার মতো জিনিস বের করতে পারবে?

হ্যাঁ পারবে — আর এটাই Unsupervised Learning: মডেলকে শুধু ইনপুট দেওয়া হয়, কোনো লেবেল না, আর তার কাজ হলো নিজে থেকেই ডেটার মধ্যে গঠন, প্যাটার্ন, বা গ্রুপিং খুঁজে বের করা — কী খুঁজতে হবে সেটা না বলেই।

ভাবুন কাউকে একটা বাক্স ভরা এলোমেলো বোতাম দিয়ে বলা হলো, "এগুলো গুছিয়ে ফেলো," কিন্তু কোনো নির্দেশনা ছাড়াই। কেউ আগে থেকে ক্যাটাগরি বলে দেয়নি ("বড় বোতাম," "মেটাল বোতাম," "চার-ছিদ্রের বোতাম") — কিন্তু একজন বুদ্ধিমান মানুষ স্বাভাবিকভাবেই একই রকম দেখতে বোতামগুলো একসাথে গ্রুপ করা শুরু করবে। এটাই unsupervised learning: গ্রুপিংটা নিজেই আবিষ্কার করা, কোনো জানা উত্তরের সাথে মিলিয়ে শেখা না।

সবচেয়ে কমন দুইটা unsupervised টাস্ক:

Unsupervised learning-ই সেই জিনিস যেটা "সিস্টেম এমন কিছু খুঁজে পেয়েছে যেটা আমি চাইওনি" — এই মুহূর্তগুলোর পেছনে থাকে: ব্যাংক ট্রানজেকশনে anomaly detection (এমন ট্রানজেকশন চিহ্নিত করা যেগুলো বাকি ডেটার মতো দেখতে না, জালিয়াতি আসলে কেমন দেখতে সেটা না জানিয়েই), অনেকগুলো নিউজ আর্টিকেলের মধ্যে টপিক আবিষ্কার, অথবা রেকমেন্ডেশন ইঞ্জিন যেটা লক্ষ্য করে "যারা X কেনে তারা Y-ও কেনার প্রবণতা রাখে" — এটা কেউ হাতে করে নিয়ম লিখে দেয়নি।

Semi-Supervised Learning

খুবই কমন একটা বাস্তব পরিস্থিতি: আপনার হাতে অল্প কিছু সঠিকভাবে লেবেল করা ডেটা আছে, আর তার চেয়ে অনেক অনেক বেশি লেবেল-হীন ডেটা আছে — কারণ লেবেল করা ব্যয়বহুল, কিন্তু raw ডেটা জোগাড় করা সস্তা। ধরুন একটা হাসপাতালে ৫০০টা এক্স-রে আছে যেগুলো একজন রেডিওলজিস্ট যত্ন করে ডায়াগনোজ করেছেন, কিন্তু আর্কাইভে আরও ৫০,০০০টা এক্স-রে পড়ে আছে যেগুলোতে কোনো ডায়াগনোসিস লাগানো হয়নি।

৫০,০০০টা লেবেল-হীন এক্স-রে ফেলে দেওয়াটা অপচয় মনে হয়, আবার শুধু ৫০০টা লেবেল করা এক্স-রে দিয়ে supervised learning করলে মডেল শেখার জন্য খুবই কম কিছু পায়। Semi-Supervised Learning হলো মাঝামাঝি একটা পথ: মূলত ছোট লেবেল করা সেট দিয়ে ট্রেইন করুন, কিন্তু বড় লেবেল-হীন সেটটাকেও ব্যবহার করুন যাতে মডেল ডেটার বড় আকৃতি আর গঠনটা বুঝতে পারে।

এটা বাস্তবে যেভাবে কাজ করে তার একটা কমন পদ্ধতি, যাকে বলে "self-training" বা "pseudo-labeling":

মূল আইডিয়াটা হলো, লেবেল-হীন ডেটাও কাজের তথ্য বহন করে — এটা মডেলকে দেখায় বাস্তব ইনপুট আসলে কেমন দেখতে, ডেটার স্বাভাবিক ক্লাস্টার আর সীমানাগুলো কোথায়, প্রতিটা পয়েন্টের "সঠিক উত্তর" না জেনেও। ছোট একটা বিশ্বাসযোগ্য সিগন্যালের সাথে প্রচুর গঠনগত তথ্য মিলিয়ে ব্যবহার করলে সাধারণত শুধু সেই ছোট সিগন্যাল একা ব্যবহারের চেয়ে ভালো ফল পাওয়া যায়।

Self-Supervised Learning

Self-supervised learning শুনতে semi-supervised learning-এর মতো লাগে, কিন্তু এটা আসলে ভিন্ন একটা সমস্যা সমাধান করে, আর দুটোর পার্থক্যটা স্পষ্টভাবে বোঝা দরকার যাতে মাথার মধ্যে গুলিয়ে না যায়।

Semi-supervised learning-এর জন্য শুরুতে তবুও কিছু সত্যিকারের, মানুষের দেওয়া লেবেল লাগে। Self-supervised learning-এর কোনো লেবেলই লাগে না। এর বদলে, এটা raw লেবেল-হীন ডেটা থেকে নিজেই নিজের লেবেল তৈরি করে নেয় — ইনপুটের একটা অংশ লুকিয়ে রেখে আর বাকি অংশ থেকে সেই লুকানো অংশটা প্রেডিক্ট করতে বলে।

টেক্সটের একটা সহজ উদাহরণ ভাবুন: "বিড়ালটা ___ এর উপর বসে আছে" — এই বাক্যের শেষ শব্দটা লুকিয়ে ফেলুন। এখানে কাউকে কিছু লেবেল করতে হয়নি — "লেবেলটা" (হারিয়ে যাওয়া শব্দ, "খাটের") আসলে মূল, অপরিবর্তিত টেক্সটেই আগে থেকে বসে ছিল। মডেলের কাজ হয়ে দাঁড়ায়: চারপাশের কনটেক্সট থেকে হারিয়ে যাওয়া শব্দটা প্রেডিক্ট করা। ইন্টারনেট থেকে সংগৃহীত লক্ষ লক্ষ কোটি বাক্যের উপর এটা করলে, মডেলটা বাধ্য হয়ে ব্যাকরণ, পৃথিবী সম্পর্কে তথ্য, আর শব্দগুলোর মধ্যেকার সম্পর্ক শিখে ফেলে — কোনো মানুষ একটাও উদাহরণ হাতে করে ট্যাগ না করেই।

এই একই কৌশল শুধু টেক্সটে না, অন্য ধরনের ডেটাতেও কাজ করে:

আজকাল যেসব বড় ল্যাঙ্গুয়েজ মডেল আর বড় ভিশন মডেলের কথা শোনেন (GPT, BERT, এবং একই রকম সিস্টেম) — এদের সবগুলোই self-supervised pretraining স্টেজ দিয়ে শুরু হয়। এটাই সম্ভব করে তোলে ইন্টারনেটের বিশাল লেবেল-হীন টেক্সট আর ছবির সমুদ্র থেকে এমন স্কেলে শেখা, যা কোনো মানুষের লেবেলিং টিম কখনো ম্যাচ করতে পারবে না।

Reinforcement Learning

এখন পর্যন্ত যত ধরনের learning দেখেছেন, সবগুলোর একটা কমন জিনিস আছে: মডেলটা একটা ফিক্সড ডেটাসেট থেকে শেখে যেটা ট্রেইনিং শুরুর আগেই তৈরি হয়ে আছে। Reinforcement Learning (RL) এই ধারণাটাকে পুরোপুরি ভেঙে দেয় — এখানে সঠিক উত্তরের কোনো ডেটাসেটই নেই। এর বদলে, একটা agent (এজেন্ট) একটা environment (পরিবেশ)-এর মধ্যে কাজ করে শেখে, প্রতিটা কাজের পর একটা reward (পুরস্কার) বা penalty (শাস্তি) পায়, আর ধীরে ধীরে বের করে ফেলে কোন কাজগুলো সময়ের সাথে ভালো ফলাফল বয়ে আনে।

ভাবুন একজন মানুষ কীভাবে এমন একটা নতুন ভিডিও গেম খেলতে শেখে যেটা সে আগে কখনো দেখেনি। কেউ তাকে প্রতিটা সম্ভাব্য গেম-পরিস্থিতির জন্য "সঠিক চাল"-এর একটা বই ধরিয়ে দেয় না। বরং সে জিনিস চেষ্টা করে — এখানে লাফ দাও, ওখানে অপেক্ষা করো, এখন অ্যাটাক করো — দেখে কী হয় (পয়েন্ট বাড়লো? লাইফ কমে গেলো?), আর যেসব কাজ ভালো ফলাফল এনেছে সেগুলো বেশি করে আর যেগুলো খারাপ ফলাফল এনেছে সেগুলো কম করে ধীরে ধীরে ভালো হয়ে ওঠে। এই ট্রায়াল-অ্যান্ড-রিওয়ার্ড চক্রটাই reinforcement learning-এর পুরো আইডিয়া।

RL-এ সবজায়গায় ব্যবহৃত হওয়া কিছু শব্দ:

এই চক্রটা বারবার চলতে থাকে — অনেক সময় সিমুলেশনে লক্ষ লক্ষ বার — যতক্ষণ না agent-এর policy নির্ভরযোগ্যভাবে ভালো কাজ বেছে নিতে পারে। AlphaGo-র মতো সিস্টেম ঠিক এভাবেই বিশ্বচ্যাম্পিয়নদের হারাতে শিখেছিল Go গেমে — কোনো গ্র্যান্ডমাস্টারের লেবেল করা "সঠিক" চালের ডেটাসেট দেখিয়ে না, বরং লক্ষ লক্ষ গেম খেলে (অনেকগুলো নিজের সাথেই), আর শুধুমাত্র জয়-পরাজয় থেকে শিখে কোন চালগুলো জেতার দিকে নিয়ে যায়।

Reinforcement learning ঠিক সেসব সমস্যার জন্য উপযুক্ত যেগুলো মূলত সিকোয়েন্সিয়াল সিদ্ধান্ত-গ্রহণ-এর ব্যাপার, এক-বার-প্রেডিকশনের না: গেম-খেলা AI, রোবোটিক্স, সেলফ-ড্রাইভিং কার কন্ট্রোল, আর রিসোর্স অ্যালোকেশন সিস্টেম (যেমন কোন বিজ্ঞাপন দেখাবে, বা ডেলিভারি ট্রাক কীভাবে রুট করবে ঠিক করা) — যেখানে একটার পর একটা সিদ্ধান্ত নিতে হয়, আর প্রতিটা সিদ্ধান্ত পরে কী হবে সেটাকে প্রভাবিত করে।

Which Problems Use Which Type?

এখন আপনার হাতে পাঁচ ধরনের learning আছে, আর এগুলোকে পাশাপাশি রেখে দেখাটা কাজে দেবে — কোনটা বেছে নেবেন সেটা ঠিক করার সবচেয়ে গুরুত্বপূর্ণ জিনিসটা দিয়ে: আসলে কী ধরনের supervision সিগন্যাল আপনার হাতে আছে।

আপনার সামনের সমস্যাটার জন্য কোন ধরনটা উপযুক্ত সেটা ঠিক করার একটা বাস্তব উপায়: নিজেকে জিজ্ঞেস করুন, আসলে আপনার হাতে কী আছে।

এটাও জানা ভালো, বাস্তব সিস্টেমে এগুলো সবসময় একে অপরের বিপরীত না। একটা আধুনিক ভয়েস অ্যাসিস্ট্যান্ট হয়তো প্রচুর raw অডিও আর টেক্সটের উপর self-supervised pretraining ব্যবহার করে, তারপর নির্দিষ্ট টাস্কের জন্য একটা ছোট লেবেল করা ডেটাসেটে supervised fine-tuning করে, আর ইউজারের ফিডব্যাকের উপর ভিত্তি করে কীভাবে রেসপন্স করবে সেটা ফাইন-টিউন করতে reinforcement learning ব্যবহার করে — একই পাইপলাইনে তিন ধরনের learning-ই একসাথে কাজ করছে।

Summary