ব্যক্তিগত রুট: কীভাবে ChatPlanner LLM-এর মাধ্যমে যাত্রীদের পছন্দ বিবেচনা করে

6 সেপ্টেম্বর 2026৫৫ প্রদর্শন

নতুন ChatPlanner ফ্রেমওয়ার্ক প্রশিক্ষিত ভাষা মডেল এবং RAG-কে একত্রিত করে কথোপকথনমূলক পছন্দগুলো চিনতে এবং সেগুলো রুট গণনায় অন্তর্ভুক্ত করতে। পরীক্ষায়, সিস্টেমটি সাধারণ প্ল্যানারদের চেয়ে বেশি উপযুক্ত বিকল্প খুঁজে পেয়েছে এবং গণনাগতভাবে কার্যকরী ছিল।

ব্যক্তিগত রুট: কীভাবে ChatPlanner LLM-এর মাধ্যমে যাত্রীদের পছন্দ বিবেচনা করে

কেন একটি "বোঝাপড়া" প্ল্যানার প্রয়োজন

প্রতিটি যাত্রী নিজের মতো করে রুট বেছে নেয়। কারও জন্য মূল বিষয় হলো দ্রুত পৌঁছানো, কারও জন্য কম ট্রান্সফার করা, তৃতীয়জন সচেতনভাবে বাস এড়িয়ে চলে বা হাঁটার পথ কমাতে চায়। সাধারণ নেভিগেশন অ্যাপ্লিকেশনগুলো সাধারণত সময় বা মূল্য অনুসারে সাজানো কয়েকটি নির্বিশেষ বিকল্প দেয়। ব্যক্তিগত পছন্দগুলো তখন পর্দার আড়ালে থেকে যায়।

এই পরিস্থিতি বদলানোর প্রস্তাব দেয় ChatPlanner ফ্রেমওয়ার্ক, যা arXiv:2606.15315 প্রিপ্রিন্টে বর্ণিত। লেখক — টিংটিং ইয়াং, চেনহাও জুয়ে এবং জুন চেন — এমন একটি পদ্ধতি তৈরি করেছেন যেখানে ব্যবহারকারী সাধারণ ভাষায় নিজের ইচ্ছা ব্যাখ্যা করে, এবং সিস্টেম সেগুলোকে রুটের প্রয়োজনীয়তায় রূপান্তরিত করে। এটি ক্লাসিক্যাল রাউটিংয়ের সীমানা উল্লেখযোগ্যভাবে প্রসারিত করে: যাত্রীর সাথে কথোপকথন সময়সূচি এবং পরিবহন মানচিত্রের মতোই গুরুত্বপূর্ণ ইনপুট সিগন্যাল হয়ে ওঠে।

সমাধানটি বড় ভাষার মডেলের চারপাশে নির্মিত এবং ইতিমধ্যে Transportation Research Part C জার্নালে জমা দেওয়া হয়েছে। কাজের পাঠ্য থেকে বোঝা যায়, এটি কেবল আরেকটি চ্যাট-বট নয়: মডেলটি সরাসরি রুট অনুসন্ধানের অপ্টিমাইজেশন লজিককে প্রভাবিত করে।

সমাধানের আর্কিটেকচার

ChatPlanner-এর কেন্দ্রে রয়েছে একটি কথোপকথন ইন্টারফেস যা প্রাকৃতিক ভাষায় অনুরোধ প্রক্রিয়া করে। ব্যবহারকারী এমন কিছু লিখতে পারেন যেমন "আমি দ্রুত চাই, কিন্তু মেট্রো ছাড়া" বা "দীর্ঘ অপেক্ষা আমি একদম সহ্য করতে পারি না"। ফ্রেমওয়ার্কের কাজ শুধু শব্দ চেনা নয়, বরং সেগুলো থেকে রাউটিং প্যারামিটার বের করা: সময়, ট্রান্সফারের সংখ্যা, চলাচলের পদ্ধতি এবং অন্যান্য বৈশিষ্ট্যের ক্ষেত্রে অগ্রাধিকার।

এর জন্য দুটি প্রক্রিয়ার সংমিশ্রণ ব্যবহার করা হয়:

  • সূক্ষ্ম-টিউন করা LLM — কাঠামোবদ্ধ আউটপুটের জন্য দায়ী এবং সাধারণ পছন্দের প্যাটার্ন চিনতে প্রশিক্ষিত। এটি "বোঝে" কীভাবে সাধারণত ইচ্ছাগুলো প্রকাশ করা হয় এবং সেগুলোকে একটি অভিন্ন ফর্ম্যাটে নিয়ে আসে।
  • Retrieval-Augmented Generation (RAG) — অনুরোধে প্রাসঙ্গিক কনটেক্সট যোগ করে। এটি অস্পষ্ট বা কথোপকথনমূলক অভিব্যক্তি সমাধান করতে এবং ক্রমাগত মূল্যায়ন — যেমন ট্রান্সফারের প্রতি বিরক্তির মাত্রা — আরও সঠিকভাবে ক্যালিব্রেট করতে সাহায্য করে।

প্রক্রিয়াকরণের ফলাফল হলো বিভিন্ন মানদণ্ডে পছন্দের স্কোর (preference scores) এর একটি সেট। এই স্কোরগুলো পরে পাবলিক ট্রান্সপোর্ট রাউটিং অ্যালগরিদমের লক্ষ্য ফাংশনে একীভূত হয়। অন্য কথায়, LLM প্রস্তুত রুট পুনরাবৃত্তি করে না, বরং সক্রিয়ভাবে এর নির্মাণে অংশ নেয়, নির্দিষ্ট যাত্রীর জন্য অপ্টিমাইজেশনকে মানিয়ে নেয়।

প্রশিক্ষণ: পার্সোনা এবং কনটেক্সট

মডেলের শেখার জন্য কিছু থাকার জন্য, লেখকরা আটটি পার্সোনা এবং পাঁচটি কনটেক্সট অন্তর্ভুক্ত ডেটাসেট তৈরি করেছেন। পার্সোনা হলো বিভিন্ন অগ্রাধিকার এবং অভ্যাসসম্পন্ন যাত্রীদের সাধারণীকৃত ধরন: যেমন, একজন শিক্ষার্থী যার জন্য মূল্য গুরুত্বপূর্ণ, সীমিত গতিশীলতাসম্পন্ন একজন বয়স্ক ব্যক্তি বা একজন ব্যবসায়িক ভ্রমণকারী যিনি প্রতিটি মিনিটকে মূল্য দেন। কনটেক্সটগুলো সাধারণ পরিস্থিতি বর্ণনা করে — বিমানবন্দরে যাত্রা, পিক আওয়ার, ভ্রমণমূলক হাঁটা ইত্যাদি।

এই চিহ্নিতকরণ শুধু প্রশিক্ষণের জন্যই গুরুত্বপূর্ণ নয়। এটি মূল্যায়নের রেফারেন্স স্ট্যান্ডার্ড — "রুব্রিক" — প্রতিষ্ঠার জন্য ব্যবহৃত হয়, যার সাথে সিস্টেমের উত্তর তুলনা করা হয়। এর মাধ্যমে বস্তুনিষ্ঠভাবে বিচার করা যায় যে ফ্রেমওয়ার্কটি কথোপকথন থেকে পছন্দ এবং রুটের প্যারামিটার কতটা সঠিকভাবে বের করেছে।

পরীক্ষা এবং ফলাফল

পদ্ধতির কার্যকারিতা নিশ্চিত করতে গবেষকরা চারটি পরীক্ষা পরিচালনা করেছেন। প্রতিটি একটি পৃথক দিক যাচাই করেছে:

  • সমাধানের সম্ভাব্যতা — সিস্টেম কি সর্বদা বাস্তব, কার্যকর রুট প্রস্তাব করে।
  • তথ্য নিষ্কাশন — রাউটিং প্যারামিটার এবং পছন্দগুলো কতটা নির্ভুলভাবে চেনা যায়।
  • সমাধান সেটের গুণমান এবং সম্পূর্ণতা — ফ্রেমওয়ার্ক কতগুলি উপযুক্ত বিকল্প তৈরি করে এবং সেগুলো কতটা ভালো।
  • বিলম্ব এবং গণনাগত সম্ভাব্যতা — সিস্টেম কি গ্রহণযোগ্য সময়ে উত্তর দিতে সক্ষম।

ফলাফল দেখিয়েছে যে ChatPlanner ধারাবাহিকভাবে সম্ভাব্য সমাধান তৈরি করে। সূক্ষ্ম-টিউনিং প্রয়োজনীয় আউটপুট কাঠামো দিয়েছে এবং সিস্টেমকে সাধারণ পছন্দের প্যাটার্ন শিখতে দিয়েছে। RAG, পালাক্রমে, নির্দিষ্ট অনুরোধের কনটেক্সট নিশ্চিত করেছে — এর সাহায্যে ভুল এবং কথোপকথনমূলক ফর্মুলেশন মোকাবিলা করা এবং মূল্যায়ন সঠিকভাবে ক্যালিব্রেট করা সম্ভব হয়েছে। সর্বোত্তম নির্ভুলতা উভয় পদ্ধতির যৌথ ব্যবহারে অর্জিত হয়: তথ্য নিষ্কাশন কেবল আরও নির্ভুল নয়, রুব্রিকের সাথেও সামঞ্জস্যপূর্ণ।

থিম্যাটিক কেস স্টাডিতে ফ্রেমওয়ার্কটি বিভিন্ন যাত্রীর ইচ্ছা পূরণকারী এবং ভ্রমণের বিভিন্ন দিক স্পর্শকারী সমাধান খুঁজে পেয়েছে। এছাড়াও, এই ধরনের রুট বিদ্যমান প্ল্যানারদের দ্বারা উপেক্ষিত ছিল। তদুপরি, ChatPlanner আরও বিকল্প দিয়েছে, যা ব্যবহারকারীকে অর্থপূর্ণ পছন্দের সুযোগ দেয়।

কর্মক্ষমতা

লেখকরা ব্যবহারিক প্রযোজ্যতার দিকে বিশেষ মনোযোগ দিয়েছেন। বিলম্বের পরিমাপ নিশ্চিত করে যে ফ্রেমওয়ার্কটি গণনাগতভাবে সম্ভব: ভারী ভাষার মডেল এবং অতিরিক্ত RAG প্রক্রিয়া থাকা সত্ত্বেও, সিস্টেমটি রিয়েল-টাইমে কাজ করতে পারে। এটি একটি গুরুত্বপূর্ণ যুক্তি যে পদ্ধতিটি ল্যাবেই সীমাবদ্ধ থাকবে না, বরং বাস্তব ভ্রমণ পরিকল্পনা পরিষেবার ভিত্তি হয়ে উঠতে সক্ষম।

উপসংহার

ChatPlanner গবেষণা একটি নতুন দৃষ্টান্তের দিকে একটি পদক্ষেপ, যেখানে প্রাকৃতিক ভাষা বোঝা এবং পরিবহন অপ্টিমাইজেশন আর আলাদাভাবে বিদ্যমান নেই। যাত্রীর কাছ থেকে স্পষ্ট প্যারামিটার নির্ধারণের দাবি করার পরিবর্তে, সিস্টেম নিজেই সেগুলো কথোপকথন থেকে বের করে। কথোপকথন অপ্টিমাইজেশন প্রক্রিয়ার একটি পূর্ণাঙ্গ অংশে পরিণত হয়, এবং রুট অনুসন্ধান — একটি ব্যক্তিগতকৃত পরিষেবায়।

আপাতত এটি একটি বৈজ্ঞানিক উন্নয়ন, তবে এর ফলাফল বিশ্বাসযোগ্য দেখায়: fine-tuning এবং RAG-এর সংমিশ্রণ উচ্চ নির্ভুলতা অর্জন করতে দেয়, এবং কর্মক্ষমতা গ্রহণযোগ্য থাকে। সম্ভবত, এই ধরনের ইন্টারফেস শীঘ্রই শহুরে পরিবহন অ্যাপ্লিকেশনগুলিতে উপস্থিত হবে, এবং রুট নির্বাচন কনসিয়ার্জের সাথে কথোপকথনের মতোই স্বাভাবিক হয়ে উঠবে।

সাধারণ প্রশ্নোত্তর

বিভিন্ন উপাদান

সব উপাদান
RL সিমুলেটরের ব্যর্থতা নির্ণয়ে ক্যানোনিক্যাল বহুপদী ইনভেরিয়েন্ট: এগুলো আসলে কোথায় কাজে লাগে
সংবাদ

RL সিমুলেটরের ব্যর্থতা নির্ণয়ে ক্যানোনিক্যাল বহুপদী ইনভেরিয়েন্ট: এগুলো আসলে কোথায় কাজে লাগে

এই কাজটি পরীক্ষা করে, প্রশিক্ষণযোগ্য গতিবিদ্যার মডেলগুলোতে পদার্থবিজ্ঞানের সূত্র অন্তর্ভুক্ত করা কতটা যুক্তিযুক্ত: ট্র্যাজেক্টরি থেকে আহরিত এবং গ্রোবনার ভিত্তির মাধ্যমে ক্যানোনিকাল রূপে আনা ইনভারিয়ান্টগুলো পূর্বাভাসে সামান্য উন্নতি আনে, তবে রোগনির্ণয়ে কার্যকর—এগুলো লঙ্ঘিত সীমাবদ্ধতাটি কোথায় ঘটেছে তা নির্দিষ্ট করতে এবং নির্দিষ্ট ভুল প্যারামিটার শনাক্ত করতে সাহায্য করে।

10 নভেম্বর 2026
AURA-Eval: কীভাবে যাচাই করবেন যে LLM এজেন্ট ঝুঁকি শনাক্ত করেছে এবং পরবর্তী পদক্ষেপ পরিবর্তন করেছে
সংবাদ

AURA-Eval: কীভাবে যাচাই করবেন যে LLM এজেন্ট ঝুঁকি শনাক্ত করেছে এবং পরবর্তী পদক্ষেপ পরিবর্তন করেছে

এই ফ্রেমওয়ার্ক LLM এজেন্টদের আচরণকে চূড়ান্ত রায় দিয়ে নয়, বরং গুরুত্বপূর্ণ মুহূর্তে ঝুঁকির প্রতিক্রিয়া দিয়ে মূল্যায়ন করে: টুল কলের ধারা মাঝপথে থামিয়ে দেওয়া হয়, এরপর মডেলকে তার যুক্তি ও কাজ চালিয়ে যেতে হয়; আর LLM বিচারকদের একটি প্যানেল ঝুঁকি শনাক্তকরণ, পদক্ষেপের ধরন ও নিরাপত্তা বিশ্লেষণ করে। R-Judge-এর 157টি ট্র্যাজেক্টরি থেকে সংগৃহীত 1249টি কাজে, 20টি মডেলের নিরাপদ পথ না থাকলে অনিরাপদ পদক্ষেপ নেওয়ার প্রবণতা বেড়ে যায়; আর কাজ সম্পন্ন হওয়ার আগে তদারকি তুলে নিলে শুরুতে নিরাপদ থাকা ঘটনাগুলোর 52,3% অনিরাপদ হয়ে ওঠে।

10 নভেম্বর 2026
চের্ন–সাইমনস রিজার্ভারের স্মৃতি: সংযোগের স্বায়ত্তশাসিত গতিবিদ্যা এবং ঘনত্ব পরিবহন
সংবাদ

চের্ন–সাইমনস রিজার্ভারের স্মৃতি: সংযোগের স্বায়ত্তশাসিত গতিবিদ্যা এবং ঘনত্ব পরিবহন

এই নিবন্ধে আলোচনা করা হয়েছে, কীভাবে একটি রিজার্ভয়ার ইনপুট সিগন্যালের ইতিহাস একই সঙ্গে ঘনত্বের বণ্টন এবং জ্যামিতিক স্বাধীনতার মাত্রায় সংরক্ষণ করে। চারটি প্রক্রিয়ার তুলনা দেখায় যে কারেন্ট একটি স্বতন্ত্র সংযুক্তি উপাদান তৈরি করে, যা ঘনত্বের পরবর্তী প্রতিক্রিয়া পরিবর্তন করে; আর পরিমাপ করা সব বৈশিষ্ট্য বিবেচনায় নিলে ইমপালসের ক্রম ডিকোড করার ক্ষেত্রে সামান্য উন্নতি হয়।

10 নভেম্বর 2026
ব্যক্তিগত রুট: কীভাবে ChatPlanner LLM-এর মাধ্যমে যাত্রীদের পছন্দ বিবেচনা করে