বিশ্লেষণাত্মক জ্যামিতি — কৃত্রিম বুদ্ধিমত্তার জন্য অলক্ষিত বাধা
আধুনিক মডেলগুলো জ্যামিতিক সমস্যা সমাধানে বেশ ভালো দক্ষতা অর্জন করেছে, যেখানে চিত্রগুলো ইতিমধ্যেই অঙ্কনে দেখানো থাকে। বিশ্লেষণাত্মক জ্যামিতির ক্ষেত্রে পরিস্থিতি অনেক বেশি জটিল: এখানে বস্তুগুলো সমীকরণ, স্থানাঙ্ক এবং স্পর্শ বা ছেদের শর্ত দ্বারা সংজ্ঞায়িত। এই ধরনের সিস্টেম প্রশিক্ষণের জন্য লেবেলযুক্ত উদাহরণ প্রয়োজন — সমস্যা, পাঠ্য, নির্ভুল চিত্র এবং উত্তর। আর এই ক্ষেত্রেই বড় সমস্যা: প্রস্তুত ডেটাসেট প্রায় নেই বললেই চলে, আর স্বয়ংক্রিয়ভাবে সেগুলো তৈরি করাও অত্যন্ত কঠিন।
কেন শুধু টেমপ্লেট দিয়ে ছবি তৈরি করা যায় না? দেখা যাচ্ছে, ক্লাসিক্যাল সমস্যা নির্মাতারা শুধুমাত্র কঠোরভাবে নির্ধারিত স্ক্রিপ্ট নিয়ে কাজ করে। যত তাড়াতাড়ি «পূর্ণসংখ্যা স্থানাঙ্কে একটি বিন্দুতে পরাবৃত্তকে স্পর্শ করে এমন বৃত্ত»-এর মতো সীমাবদ্ধতা আসে, টেমপ্লেট ভেঙে পড়ে। অন্যদিকে, জেনারেটিভ নিউরাল নেটওয়ার্কগুলো বিশ্বাসযোগ্য ডায়াগ্রাম আঁকতে পারে, কিন্তু গাণিতিক নির্ভুলতার নিশ্চয়তা দেয় না: বক্ররেখাগুলো যেখানে প্রয়োজন সেখানে ছেদ নাও করতে পারে, আর স্পর্শ শুধুমাত্র দৃশ্যমান হতে পারে।
এমন একটি পদ্ধতির প্রয়োজন যা শুরু থেকেই আনুষ্ঠানিক নিয়মে ডায়াগ্রাম তৈরি করবে, ইন্টারনেটের «গড়পড়তা» ছবির উপর ভিত্তি করে নয়।
ফ্রেমওয়ার্কের কাঠামো: শর্ত থেকে নির্ভুল অঙ্কন পর্যন্ত
গবেষকরা FormalAnalyticGeo প্রস্তাব করেছেন — একটি সম্পূর্ণ স্বয়ংক্রিয় পাইপলাইন যা নিউরাল নেটওয়ার্ককে সিম্বলিক যাচাইয়ের সাথে একত্রিত করে। জেনারেটিভ মডেলের উপর ছবি তৈরির দায়িত্ব না রেখে, সিস্টেমটি সমস্যাটিকে একটি মধ্যবর্তী আনুষ্ঠানিক বর্ণনায় রূপান্তরিত করে এবং তারপরই ডায়াগ্রাম রেন্ডার করে। এটি কাজের পুরো সময় জুড়ে জ্যামিতিক নির্ভুলতা নিয়ন্ত্রণে রাখতে সক্ষম করে।
CDL এবং SDF: পাঠ্য এবং চিত্রের মধ্যে সেতু
মূল ধারণা — শর্ত বর্ণনার ভাষা CDL (Condition Description Language)। এটি একটি মধ্যবর্তী উপস্থাপনা যা দুটি ভূমিকা পালন করে: এটি সমস্যার শর্তগুলোকে কাঠামোবদ্ধ করে, যা মুক্ত পাঠ্যে বর্ণিত, এবং একই সাথে অঙ্কনের জন্য প্রয়োজনীয় সমস্ত ডেটা ধারণ করে। এই বিন্যাসটি ঐতিহ্যবাহী প্যারামেট্রিক টেমপ্লেটের চেয়ে অনেক বেশি নমনীয়: এতে বিন্দু, সরলরেখা এবং কনিক ছেদের যেকোনো সংমিশ্রণ প্রকাশ করা যায়।
অঙ্কন করা হয় Signed Distance Field (SDF) প্রযুক্তিতে কাজ করা একটি ইঞ্জিন দিয়ে। প্রতিটি বস্তু তার সীমানা পর্যন্ত দূরত্বের ফাংশন দ্বারা বর্ণিত — বাইরের অংশ ধনাত্মক, ভিতরের অংশ ঋণাত্মক। এর ফলে বস্তুর পারস্পরিক অবস্থান সহজেই গণনা করা যায়: ছেদ, স্পর্শ, বক্ররেখায় বিন্দুর অবস্থান। SDF-ই সেই গাণিতিক নির্ভুলতা দেয়, যা সাধারণ জেনারেটিভ পদ্ধতিতে এতটাই অনুপস্থিত।
চারটি উপাদান: জেনারেশন, ফর্মালাইজেশন, পরিমাপ এবং নিয়ন্ত্রণ
ফ্রেমওয়ার্কের ভিতরে চারটি বিশেষায়িত LLM-উপাদান কাজ করে, প্রতিটির নিজস্ব কার্যকারিতা রয়েছে:
- Generator — সমস্যার শর্ত তৈরি করে, প্যারামিটার এবং জ্যামিতিক বিষয়বস্তু নির্বাচন করে।
- Formalizer — পাঠ্যকে CDL-এ অনুবাদ করে, অর্থাৎ মুক্ত বর্ণনাকে ইঞ্জিনের বোধগম্য আনুষ্ঠানিক কাঠামোতে রূপান্তরিত করে।
- Measurer — ইতিমধ্যে গণনা করা ডায়াগ্রাম বিশ্লেষণ করে এবং মানুষের ক্রিয়া অনুকরণ করে সেখান থেকে রেফারেন্স উত্তর «পরিমাপ» করে।
- Quality Verifier — পূর্ববর্তী তিনটি ধাপের প্রতিটির গুণমান পরীক্ষা করে: পাঠ্যের সঠিকতা, CDL-এর আনুষ্ঠানিক বৈধতা এবং চিত্রের সাথে উত্তরের সামঞ্জস্য।
Quality Verifier শুধু খারাপ উদাহরণ বাতিল করে না। এটি কাঠামোবদ্ধ প্রতিক্রিয়া তৈরি করে এবং প্রয়োজনীয় ধাপটি পুনরায় সম্পাদনের জন্য পাইপলাইন পাঠায়। এভাবে একটি বন্ধ লুপ তৈরি হয়, যেখানে কোনো মানুষ অংশগ্রহণ করে না: ফলাফল সমস্ত পরীক্ষায় উত্তীর্ণ না হওয়া পর্যন্ত ত্রুটিগুলো স্বয়ংক্রিয়ভাবে সংশোধিত হয়।
AnalyticGeo7K: বাস্তব তথ্যের উপর পরীক্ষা
ফ্রেমওয়ার্কটি বাস্তবে পরীক্ষা করার জন্য, লেখকরা AnalyticGeo7K ডেটাসেট সংগ্রহ ও পরিষ্কার করেছেন। এতে সাত হাজারেরও বেশি সমস্যা অন্তর্ভুক্ত, যার প্রতিটিতে চারটি উপাদান সামঞ্জস্যপূর্ণ: শর্ত, ডায়াগ্রাম, আনুষ্ঠানিক টীকা এবং উত্তর। পূর্ববর্তী ডেটাসেটগুলিতে এই ধরনের জটিলতার অভাব ছিল।
ফলাফল আশাব্যঞ্জক দেখাচ্ছে। ডায়াগ্রামের চাক্ষুষ পরিমাপের মাধ্যমে প্রাপ্ত রেফারেন্স উত্তরের মধ্যমা আপেক্ষিক ত্রুটি প্রায় ০.৭%। যদি সঠিক সিম্বলিক সমাধান থেকে পাঁচ শতাংশ পর্যন্ত ত্রুটি অনুমোদিত হয়, তাহলে এই ব্যবধানে সব সৃষ্ট উত্তরের ৮২.৩% পড়ে। এর অর্থ হল স্বয়ংক্রিয় পাইপলাইন শুধু বিশ্বাসযোগ্য নয়, বরং সত্যিই সঠিক সমস্যা এবং সূক্ষ্ম অঙ্কন তৈরি করতে সক্ষম।
পরবর্তী পদক্ষেপ
লেখকরা ফ্রেমওয়ার্ক এবং ডেটাসেট উভয়ই জনসাধারণের ব্যবহারের জন্য উন্মুক্ত করার পরিকল্পনা করছেন। এটি আকর্ষণীয় সম্ভাবনা উন্মোচন করে: শিক্ষকরা দ্রুত সীমাহীন সংখ্যক নতুন সমস্যা নির্ভুল চিত্রসহ পেতে সক্ষম হবেন, আর গবেষকরা গাণিতিক চিন্তাভাবনার জন্য মডেল প্রশিক্ষণে নতুন তথ্য ব্যবহার করতে পারবেন। তাছাড়া, স্থাপত্যটি নিশ্চিতভাবেই জ্যামিতির অন্যান্য শাখায় বা এমনকি সম্পর্কিত বিষয়েও স্থানান্তর করা সম্ভব হবে, যেখানে পাঠ্য, সূত্র এবং চিত্রের মধ্যে কঠোর সম্পর্ক গুরুত্বপূর্ণ।
ইতিমধ্যে FormalAnalyticGeo মূল বিষয়টি প্রদর্শন করে: নিউরাল নেটওয়ার্ক জেনারেশন এবং আনুষ্ঠানিক যাচাইয়ের সংমিশ্রণ মানসম্পন্ন মাল্টিমোডাল তথ্য তৈরি করতে সক্ষম করে কায়িক শ্রম ছাড়াই, এবং এই নীতিটি সম্ভবত ভবিষ্যতের শিক্ষামূলক উপকরণ জেনারেটরের জন্য মানদণ্ড হয়ে উঠবে।
