চ্যাটবট কীভাবে মানুষের প্রশ্ন বুঝে উত্তর তৈরি করে? কৃত্রিম বুদ্ধিমত্তার ভাষা বোঝার পুরো প্রক্রিয়া

চ্যাটবটের সঙ্গে কথা বলার অভিজ্ঞতা এখন এতটাই স্বাভাবিক হয়ে উঠেছে যে অনেক সময় মনে হয় পর্দার অন্য পাশে বুঝি সত্যিই কোনো মানুষ বসে আছে। আপনি লিখলেন, “আগামীকাল বৃষ্টি হলে বাইরে যাওয়ার আগে কী প্রস্তুতি নেওয়া উচিত?” আর কয়েক মুহূর্তের মধ্যেই চ্যাটবট এমন একটি উত্তর দিল, যেখানে ছাতা নেওয়া, আবহাওয়ার পূর্বাভাস দেখা, যাতায়াতের সময় বাড়তি সময় রাখা কিংবা প্রয়োজনীয় জিনিস জলরোধী ব্যাগে রাখার পরামর্শ রয়েছে। বাইরে থেকে ঘটনাটি খুব সহজ মনে হলেও এর পেছনে কাজ করে ভাষা বিশ্লেষণ, গাণিতিক উপস্থাপন, প্রসঙ্গ নির্ণয়, শব্দগুলোর পারস্পরিক সম্পর্ক বোঝা এবং সম্ভাবনার ভিত্তিতে উত্তর গঠনের অত্যন্ত জটিল একটি প্রক্রিয়া।

প্রথমেই একটি গুরুত্বপূর্ণ বিষয় পরিষ্কার করা দরকার। আধুনিক কৃত্রিম বুদ্ধিমত্তাভিত্তিক চ্যাটবট মানুষের মতো করে ভাষা “বোঝে” কি না, সেটি নির্ভর করে আমরা বোঝা বলতে কী বোঝাচ্ছি তার ওপর। মানুষের ভাষা বোঝার সঙ্গে ব্যক্তিগত অভিজ্ঞতা, ইন্দ্রিয়, আবেগ, স্মৃতি, সামাজিক পরিবেশ এবং বাস্তব জগতের প্রত্যক্ষ উপলব্ধি জড়িত। একটি ভাষাভিত্তিক চ্যাটবট সাধারণত এভাবে পৃথিবী অনুভব করে না। বরং বিপুল পরিমাণ ভাষাগত উদাহরণ থেকে শেখা সম্পর্ক, কাঠামো ও নিদর্শনের ভিত্তিতে কোন প্রসঙ্গে কোন ধরনের ভাষা অর্থপূর্ণ হতে পারে, সেটি গাণিতিকভাবে নির্ণয় করে।

কেউ যখন চ্যাটবটে একটি প্রশ্ন লেখেন, কম্পিউটারের কাছে সেটি শুরুতে মানুষের মতো অর্থপূর্ণ বাক্য নয়। কম্পিউটার মূলত সংখ্যা নিয়ে কাজ করে। তাই মানুষের লেখা ভাষাকে প্রথমে এমন একটি রূপে পরিবর্তন করতে হয়, যেটি গাণিতিক ব্যবস্থায় প্রক্রিয়াকরণ করা সম্ভব। এখানেই আসে শব্দাংশে বিভাজনের প্রক্রিয়া। একটি সম্পূর্ণ বাক্যকে ছোট ছোট ভাষাগত এককে ভাগ করা হয়। এই একক কখনো একটি পূর্ণ শব্দ হতে পারে, কখনো শব্দের অংশ, আবার কখনো বিরামচিহ্ন বা অন্য কোনো ভাষাগত অংশও হতে পারে।

ধরা যাক, কেউ লিখলেন, “বাংলাদেশের রাজধানী কোথায়?” মানুষ বাক্যটিকে কয়েকটি শব্দ হিসেবেই দেখবে। কিন্তু ভাষা মডেল এটিকে নিজের নির্ধারিত ছোট ছোট এককে বিভক্ত করতে পারে। প্রতিটি এককের জন্য একটি নির্দিষ্ট সংখ্যাগত পরিচয় থাকে। ফলে মানুষের লেখা বাক্যটি ধীরে ধীরে সংখ্যার একটি ধারায় রূপান্তরিত হয়। এই পরিবর্তনের কারণেই ভাষাকে গাণিতিকভাবে বিশ্লেষণ করা সম্ভব হয়।

তবে শুধু প্রতিটি শব্দ বা শব্দাংশকে একটি সংখ্যা দিলেই তার অর্থ বোঝা যায় না। যেমন “আম” শব্দটি একটি ফল বোঝায়, কিন্তু কেবল একটি সংখ্যাগত পরিচয় থেকে কম্পিউটার বুঝতে পারবে না যে আমের সঙ্গে ফল, গাছ, মিষ্টি স্বাদ কিংবা বাংলাদেশের গ্রীষ্মকালের সম্পর্ক রয়েছে। তাই ভাষাগত এককগুলোর জন্য আরও সমৃদ্ধ সংখ্যাগত উপস্থাপন তৈরি করা হয়। এই উপস্থাপনে একটি শব্দ বা শব্দাংশ বহু সংখ্যার সমন্বয়ে একটি গাণিতিক অবস্থান পায়। কাছাকাছি অর্থ, ব্যবহার বা প্রসঙ্গের ভাষাগত উপাদানের মধ্যে এই সংখ্যাগত জগতে বিভিন্ন ধরনের সম্পর্ক তৈরি হতে পারে।

এরপর আসে প্রসঙ্গ। একই শব্দ ভিন্ন বাক্যে ভিন্ন অর্থ প্রকাশ করতে পারে। যেমন “হার” শব্দটি “গলায় সোনার হার” বাক্যে অলংকার বোঝায়, কিন্তু “খেলায় দলের হার” বাক্যে পরাজয় বোঝায়। একজন মানুষ আশপাশের শব্দ দেখে মুহূর্তেই পার্থক্যটি বুঝতে পারে। আধুনিক ভাষা মডেলও বাক্যের অন্যান্য অংশের সঙ্গে শব্দটির সম্পর্ক বিশ্লেষণ করে কোন অর্থটি ওই প্রসঙ্গে বেশি যুক্তিসংগত, তার একটি কার্যকর সংখ্যাগত উপস্থাপন তৈরি করে।

এই কাজে আধুনিক ভাষা মডেলের অন্যতম গুরুত্বপূর্ণ ব্যবস্থা হলো মনোযোগভিত্তিক সম্পর্ক নির্ণয়। এর মাধ্যমে বাক্যের একটি অংশ অন্য অংশগুলোর সঙ্গে কতটা সম্পর্কিত, তা হিসাব করা যায়। ধরুন প্রশ্নটি হলো, “রহিম করিমকে বইটি দেওয়ার পর সে বাড়ি চলে গেল।” এখানে “সে” কাকে নির্দেশ করছে, সেটি নির্ণয়ের জন্য শুধু “সে” শব্দটি দেখলে হবে না। বাক্যের আগের অংশগুলোর সঙ্গে সম্পর্ক বিবেচনা করতে হবে। দীর্ঘ লেখার ক্ষেত্রেও একই নীতি অনেক বড় পরিসরে কাজ করে।

এই মনোযোগব্যবস্থা ভাষা মডেলকে শুধু পাশাপাশি থাকা শব্দ নয়, দূরে থাকা শব্দ বা বাক্যের মধ্যকার সম্পর্কও ধরতে সাহায্য করে। ধরুন আপনি একটি দীর্ঘ আলোচনার শুরুতে বললেন যে আপনার বাজেট সীমিত। কয়েকটি কথোপকথনের পর কোনো পণ্য সম্পর্কে পরামর্শ চাইলেন। যদি আগের কথাগুলো তখনও মডেলের উপলভ্য প্রসঙ্গের মধ্যে থাকে, তবে বাজেটের তথ্যটি পরবর্তী উত্তরের জন্য গুরুত্বপূর্ণ হয়ে উঠতে পারে। অর্থাৎ চ্যাটবট শুধু সর্বশেষ বাক্য নয়, উপলভ্য কথোপকথনের প্রাসঙ্গিক অংশগুলোও বিবেচনা করতে পারে।

তবে এটিকে মানুষের স্থায়ী স্মৃতির সঙ্গে সরাসরি তুলনা করা ঠিক নয়। একটি ভাষা মডেলের সামনে সাধারণত একটি নির্দিষ্ট পরিমাণ লেখা একসঙ্গে উপলভ্য থাকে। একে সহজভাবে প্রসঙ্গসীমা বলা যায়। এর মধ্যে ব্যবহারকারীর বর্তমান প্রশ্ন, আগের কথোপকথনের অংশ এবং প্রয়োজন অনুযায়ী অন্যান্য নির্দেশনা থাকতে পারে। মডেল এই উপলভ্য তথ্যের মধ্যকার সম্পর্ক বিশ্লেষণ করে উত্তর তৈরি করে। প্রসঙ্গের বাইরে চলে যাওয়া তথ্য স্বয়ংক্রিয়ভাবে সব সময় মনে থাকে না।

এখন প্রশ্ন হলো, চ্যাটবট এত কিছু শিখল কীভাবে? এর উত্তর রয়েছে প্রশিক্ষণে। বৃহৎ ভাষা মডেল তৈরির সময় বিপুল পরিমাণ ভাষাগত উপাদান থেকে ভাষার কাঠামো ও সম্পর্ক শেখানো হয়। প্রশিক্ষণের একটি মৌলিক ধারণা হলো কোনো ধারাবাহিক লেখায় পরবর্তী ভাষাগত এককটি কী হতে পারে তা অনুমান করা। উদাহরণ হিসেবে “সূর্য পূর্ব দিকে...” পর্যন্ত লেখা থাকলে পরবর্তী অংশে “ওঠে” আসার সম্ভাবনা অনেক প্রসঙ্গে বেশি। প্রথমদিকে মডেলের অনুমান দুর্বল থাকে। সঠিক উদাহরণের সঙ্গে অনুমানের পার্থক্য হিসাব করে তার অভ্যন্তরীণ অসংখ্য গাণিতিক মান সামান্য সামান্য পরিবর্তন করা হয়। এই প্রক্রিয়া বিপুল সংখ্যক উদাহরণের ওপর বারবার চলতে থাকে।

এই অভ্যন্তরীণ গাণিতিক মানগুলোকে সাধারণভাবে পরামিতি বলা হয়। একটি বৃহৎ ভাষা মডেলে বিপুলসংখ্যক পরামিতি থাকতে পারে। এগুলো কোনো সাধারণ অভিধানের মতো নয়, যেখানে প্রতিটি প্রশ্নের পাশে প্রস্তুত উত্তর লেখা থাকে। বরং ভাষার নানা সম্পর্ক, কাঠামো ও নিদর্শন অত্যন্ত বিস্তৃতভাবে এসব গাণিতিক মানের মধ্যে প্রতিফলিত হয়। তাই ব্যবহারকারী এমন প্রশ্ন করলেও যা হুবহু প্রশিক্ষণের কোনো বাক্যের সঙ্গে মেলে না, মডেল শেখা সম্পর্ক ব্যবহার করে নতুনভাবে উত্তর গঠন করতে পারে।

এখানে আরেকটি ভুল ধারণা দূর করা জরুরি। চ্যাটবট সাধারণত প্রতিটি প্রশ্ন পাওয়ার পর বিশাল কোনো ভাণ্ডারে সেই প্রশ্নের প্রস্তুত উত্তর খুঁজে বের করে কপি করে দেয় না। আধুনিক উৎপাদক ভাষা মডেলের মূল কাজ হলো উপলভ্য প্রসঙ্গ এবং প্রশিক্ষণে শেখা ভাষাগত সম্পর্কের ভিত্তিতে উত্তরটি ধাপে ধাপে তৈরি করা। অবশ্য কোনো বিশেষ চ্যাটবটকে আলাদা অনুসন্ধানব্যবস্থা, নথিভাণ্ডার, তথ্যভাণ্ডার বা অন্য কোনো উপকরণের সঙ্গে যুক্ত করা হতে পারে। সে ক্ষেত্রে উত্তর তৈরির আগে বা মাঝখানে বাইরের তথ্যও ব্যবহার করা সম্ভব।

ব্যবহারকারীর প্রশ্ন প্রক্রিয়াকরণের সময় মডেল শুধু আলাদা শব্দ নয়, প্রশ্নের সামগ্রিক উদ্দেশ্য ধরার চেষ্টা করে। “পৃথিবী থেকে চাঁদের দূরত্ব কত?” একটি তথ্যভিত্তিক প্রশ্ন। “পাঁচ বছরের শিশুকে চাঁদ সম্পর্কে বোঝাও” একটি ব্যাখ্যামূলক অনুরোধ। আবার “চাঁদ নিয়ে একটি গল্প লেখো” সৃজনশীল কাজ। তিন ক্ষেত্রেই “চাঁদ” রয়েছে, কিন্তু প্রত্যাশিত উত্তরের ধরন সম্পূর্ণ আলাদা। ভালো চ্যাটবটের কাজ কেবল বিষয় শনাক্ত করা নয়; ব্যবহারকারী আসলে কী ধরনের ফলাফল চাইছেন সেটিও প্রসঙ্গ থেকে নির্ণয় করা।

ব্যবহারকারীর নির্দেশনা যত স্পষ্ট হয়, সাধারণত কাঙ্ক্ষিত উত্তর পাওয়ার সম্ভাবনাও তত বাড়ে। “বাংলাদেশ নিয়ে লিখো” অত্যন্ত বিস্তৃত নির্দেশনা। কিন্তু “অষ্টম শ্রেণির শিক্ষার্থীর জন্য সহজ বাংলায় বাংলাদেশের নদী নিয়ে তিনশ শব্দের ব্যাখ্যা লেখো”—এখানে বিষয়, পাঠক, ভাষার জটিলতা, দৈর্ঘ্য এবং কাজের ধরন অনেকটাই নির্দিষ্ট। মডেল এসব শর্তকে প্রসঙ্গের অংশ হিসেবে বিবেচনা করে পরবর্তী ভাষাগত একক নির্বাচন করে।

উত্তর তৈরির প্রকৃত প্রক্রিয়াটি বিশেষভাবে আকর্ষণীয়। ধরুন মডেল উত্তর শুরু করেছে, “বাংলাদেশ দক্ষিণ এশিয়ার...”। এখন তাকে পরবর্তী ভাষাগত একক নির্বাচন করতে হবে। মডেল সম্ভাব্য বহু এককের জন্য সম্ভাব্যতার একটি বণ্টন তৈরি করে। কোনো একটির সম্ভাবনা বেশি, অন্যগুলোর কম। নির্দিষ্ট নির্বাচনপদ্ধতি অনুসারে একটি উপযুক্ত একক বেছে নেওয়া হয়। এরপর নতুন নির্বাচিত অংশটিও প্রসঙ্গে যুক্ত হয় এবং আবার পরবর্তী এককের সম্ভাবনা হিসাব করা হয়। এভাবেই একটির পর একটি ভাষাগত একক নির্বাচন করতে করতে সম্পূর্ণ বাক্য, অনুচ্ছেদ এবং দীর্ঘ উত্তর তৈরি হয়।

এই কারণেই একই প্রশ্নের উত্তর প্রতিবার হুবহু একই হওয়া বাধ্যতামূলক নয়। সম্ভাব্য একাধিক গ্রহণযোগ্য শব্দ, বাক্যগঠন কিংবা ব্যাখ্যার পথ থাকতে পারে। উত্তর তৈরির সময় বৈচিত্র্য কতটা থাকবে, সেটি ব্যবহৃত নির্বাচনপদ্ধতি ও সংশ্লিষ্ট বিন্যাসের ওপর নির্ভর করতে পারে। বেশি নিয়ন্ত্রিত নির্বাচন উত্তরকে তুলনামূলকভাবে স্থির করতে পারে, আর বেশি বৈচিত্র্যময় নির্বাচন সৃজনশীলতার মাত্রা বাড়াতে পারে।

আধুনিক বৃহৎ ভাষা মডেলের ভিত্তিতে বহুল ব্যবহৃত একটি স্থাপত্য হলো রূপান্তরকভিত্তিক ভাষা স্থাপত্য। এর বিশেষ শক্তি হলো একটি ধারাবাহিক লেখার বিভিন্ন অংশের পারস্পরিক সম্পর্ক দক্ষতার সঙ্গে বিশ্লেষণ করা। এর একাধিক স্তরের মধ্য দিয়ে তথ্য যাওয়ার সময় ভাষাগত উপস্থাপন ক্রমে পরিবর্তিত ও সমৃদ্ধ হয়। প্রথম দিকের স্তরগুলো অপেক্ষাকৃত সরল ভাষাগত সম্পর্ক ধরতে পারে, আর পরবর্তী স্তরগুলো প্রসঙ্গনির্ভর আরও জটিল সম্পর্কের উপস্থাপন তৈরি করতে পারে। বাস্তবে এই প্রক্রিয়া অত্যন্ত গাণিতিক এবং বহু মাত্রার।

চ্যাটবটের সাবলীল উত্তর দেখে মনে হতে পারে তার মাথার মধ্যে প্রতিটি বিষয়ের সুস্পষ্ট একটি তথ্যভাণ্ডার রয়েছে। বাস্তবতা আরও জটিল। ভাষা মডেলের জ্ঞান মূলত শেখা গাণিতিক সম্পর্কের মধ্যে ছড়িয়ে থাকে। এ কারণেই এটি অনেক বিষয়ে চমৎকার ব্যাখ্যা দিতে পারে, আবার কখনো আত্মবিশ্বাসের সঙ্গে ভুল তথ্যও তৈরি করতে পারে। ভাষাগতভাবে বিশ্বাসযোগ্য বাক্য তৈরি করা এবং বাস্তব পৃথিবীর সত্য নিশ্চিত করা এক বিষয় নয়।

এই সমস্যাকে প্রায়ই কল্পিত তথ্য উৎপাদন হিসেবে ব্যাখ্যা করা হয়। মডেল যখন পর্যাপ্ত নির্ভরযোগ্য তথ্য না থাকা সত্ত্বেও ভাষাগতভাবে সম্ভাব্য একটি উত্তর তৈরি করে, তখন ভুল নাম, তারিখ, ঘটনা, বই, গবেষণা কিংবা ব্যাখ্যা তৈরি হতে পারে। কারণ তার মৌলিক কাজ পরবর্তী উপযুক্ত ভাষাগত অংশ অনুমান করা; প্রতিটি বাক্যের সত্যতা বাস্তব জগতের সঙ্গে স্বয়ংক্রিয়ভাবে যাচাই করা নয়। এই সীমাবদ্ধতার কারণেই চিকিৎসা, আইন, অর্থনীতি, সাম্প্রতিক সংবাদ বা গুরুত্বপূর্ণ সিদ্ধান্তের ক্ষেত্রে নির্ভরযোগ্য উৎস দিয়ে তথ্য যাচাই করা জরুরি।

আরও উন্নত চ্যাটবট এই সীমাবদ্ধতা কমানোর জন্য বাইরের উপকরণ ব্যবহার করতে পারে। উদাহরণ হিসেবে, ব্যবহারকারী সাম্প্রতিক কোনো তথ্য জানতে চাইলে ব্যবস্থা প্রথমে অনুসন্ধান করে প্রাসঙ্গিক তথ্য সংগ্রহ করতে পারে। এরপর সেই তথ্য ভাষা মডেলের প্রসঙ্গে দেওয়া হলে মডেল নিজের প্রশিক্ষণকালীন স্মৃতির ওপর পুরোপুরি নির্ভর না করে নতুন তথ্যের ভিত্তিতে উত্তর গঠন করতে পারে। একইভাবে কোনো প্রতিষ্ঠানের নিজস্ব নথি, পণ্যের তালিকা বা সহায়তা নির্দেশিকা থেকে প্রাসঙ্গিক অংশ বের করে মডেলকে দেওয়া যায়। ফলে সাধারণ ভাষা মডেলকে একটি নির্দিষ্ট প্রতিষ্ঠানের কার্যকর সহায়ক চ্যাটবটে রূপান্তর করা সম্ভব।

আধুনিক চ্যাটবটকে কার্যকর করতে শুধু প্রাথমিক ভাষা প্রশিক্ষণই যথেষ্ট নয়। মানুষের নির্দেশনা ভালোভাবে অনুসরণ করা, অপ্রাসঙ্গিক উত্তর কমানো, ক্ষতিকর অনুরোধ সামলানো এবং ব্যবহারকারীর উদ্দেশ্যের সঙ্গে উত্তরকে সামঞ্জস্যপূর্ণ করার জন্য অতিরিক্ত প্রশিক্ষণ ও মূল্যায়নের প্রয়োজন হয়। মানুষ বিভিন্ন উত্তরের মান বিচার করতে পারে, কাঙ্ক্ষিত আচরণের উদাহরণ দিতে পারে এবং সেই প্রতিক্রিয়া ব্যবহার করে ব্যবস্থাকে আরও উপযোগী করা যায়।

নিরাপত্তাও এই ব্যবস্থার গুরুত্বপূর্ণ অংশ। একটি চ্যাটবটকে এমনভাবে তৈরি করা হতে পারে যাতে ব্যক্তিগত তথ্যের অপব্যবহার, বিপজ্জনক নির্দেশনা, প্রতারণা বা অন্যান্য ক্ষতিকর কাজে সহায়তা সীমিত করা যায়। এজন্য শুধু ভাষা মডেলের শেখা আচরণ নয়, অতিরিক্ত নীতি, শ্রেণিবিন্যাসব্যবস্থা এবং নিরাপত্তামূলক নিয়ন্ত্রণও ব্যবহার করা হতে পারে। ফলে ব্যবহারকারীর প্রশ্ন থেকে দৃশ্যমান উত্তর পর্যন্ত যাত্রাটি অনেক ক্ষেত্রে শুধু একটি ভাষা মডেলের কাজ নয়; পুরো ব্যবস্থার একাধিক উপাদান এতে অংশ নিতে পারে।

বাংলা ভাষার ক্ষেত্রেও একই মৌলিক প্রযুক্তি কাজ করে, তবে ভাষাভেদে বাস্তব চ্যালেঞ্জ রয়েছে। বাংলা শব্দের রূপান্তর, যুক্তবর্ণ, বানানের বৈচিত্র্য, বাংলা ও ইংরেজির মিশ্র ব্যবহার, আঞ্চলিক ভাষা এবং কথ্য প্রকাশভঙ্গি প্রশ্ন বিশ্লেষণকে জটিল করতে পারে। যেমন “আমি কাল যাব” বাক্যে “কাল” প্রসঙ্গ অনুসারে আগামী দিন বোঝাতে পারে, আবার অন্য বাক্যে অতীতের দিনকেও নির্দেশ করতে পারে। ভাষা মডেলকে আশপাশের শব্দ এবং সম্পূর্ণ কথোপকথন থেকে সম্ভাব্য অর্থ নির্ধারণ করতে হয়।

মানুষের প্রশ্নে আবার অনেক কিছু সরাসরি লেখা থাকে না। কেউ যদি আগের বাক্যে বলেন, “আমি ঢাকা থেকে কক্সবাজার যেতে চাই,” তারপর জিজ্ঞেস করেন, “বাসে কতক্ষণ লাগতে পারে?” দ্বিতীয় বাক্যে ঢাকা বা কক্সবাজারের নাম নেই। তবুও সঠিক উত্তর দিতে হলে আগের বাক্যের তথ্যের সঙ্গে নতুন প্রশ্নের সম্পর্ক স্থাপন করতে হবে। এই ধারাবাহিক প্রসঙ্গ ধরে রাখার ক্ষমতাই সাধারণ প্রশ্নোত্তর ব্যবস্থার তুলনায় আধুনিক কথোপকথনভিত্তিক কৃত্রিম বুদ্ধিমত্তাকে অনেক বেশি স্বাভাবিক করে তুলেছে।

তবে মানুষের সঙ্গে চ্যাটবটের মৌলিক পার্থক্য ভুলে গেলে প্রযুক্তিটিকে ভুলভাবে মূল্যায়ন করার ঝুঁকি থাকে। মানুষ একটি গরম কাপ ধরলে তাপ অনুভব করে, বৃষ্টিতে ভিজলে তার বাস্তব অভিজ্ঞতা হয়, শৈশবের ঘটনা ব্যক্তিগত স্মৃতি হিসেবে মনে রাখতে পারে এবং নিজের সামাজিক জীবনের অভিজ্ঞতা থেকে অর্থ তৈরি করে। ভাষা মডেলের ক্ষেত্রে “গরম”, “বৃষ্টি”, “শৈশব” বা “স্মৃতি” মূলত শেখা ভাষাগত ও ধারণাগত সম্পর্কের অংশ। সে এসব নিয়ে অত্যন্ত স্বাভাবিক ভাষায় আলোচনা করতে পারলেও তার প্রক্রিয়াটি মানুষের জৈবিক অভিজ্ঞতার সমতুল্য নয়।

তবু এই গাণিতিক ব্যবস্থার ক্ষমতা অসাধারণ। বিপুল পরিমাণ ভাষাগত নিদর্শন শেখার ফলে একটি উন্নত চ্যাটবট প্রশ্নের বিষয় শনাক্ত করতে পারে, নির্দেশনার ধরন বুঝতে পারে, আগের প্রসঙ্গ ব্যবহার করতে পারে, জটিল ধারণা সহজ ভাষায় ব্যাখ্যা করতে পারে, একই তথ্য বিভিন্ন পাঠকের উপযোগী করে লিখতে পারে এবং নতুন বাক্যের দীর্ঘ ধারা তৈরি করতে পারে। এর শক্তি কোনো একক প্রস্তুত উত্তরের ভাণ্ডারে নয়; বরং ভাষার অসংখ্য সম্পর্ককে গাণিতিকভাবে ধারণ করে নতুন পরিস্থিতিতে সেগুলো প্রয়োগ করার ক্ষমতায়।

সব মিলিয়ে চ্যাটবটের উত্তর তৈরির পথকে একটি ধারাবাহিক রূপান্তর হিসেবে দেখা যায়। মানুষ প্রথমে স্বাভাবিক ভাষায় প্রশ্ন লেখে। সেই লেখা ছোট ভাষাগত এককে বিভক্ত হয়, এককগুলো সংখ্যাগত উপস্থাপনে রূপ নেয়, বিভিন্ন অংশের পারস্পরিক সম্পর্ক ও প্রসঙ্গ বিশ্লেষিত হয়, প্রশিক্ষণে শেখা নিদর্শনের সঙ্গে সেই প্রসঙ্গের গাণিতিক সম্পর্ক তৈরি হয় এবং এরপর সম্ভাবনার ভিত্তিতে একটির পর একটি ভাষাগত অংশ নির্বাচন করে উত্তর গড়ে ওঠে। প্রয়োজন হলে এর সঙ্গে বাইরের তথ্য অনুসন্ধান, নথি উদ্ধার এবং নিরাপত্তামূলক নিয়ন্ত্রণও যুক্ত হয়।

তাই চ্যাটবটের পর্দায় কয়েক সেকেন্ডে দেখা একটি উত্তর আসলে কোনো সাধারণ “প্রশ্ন ঢুকল, প্রস্তুত উত্তর বের হলো” ব্যবস্থা নয়। এর আড়ালে রয়েছে ভাষাকে সংখ্যায় রূপান্তর, বিপুলসংখ্যক গাণিতিক পরামিতি, প্রসঙ্গনির্ভর মনোযোগ, বহু স্তরের গণনা এবং ধারাবাহিক সম্ভাবনা নির্ণয়ের সমন্বিত প্রক্রিয়া। মানুষের কাছে শেষ ফলাফলটি একটি স্বাভাবিক কথোপকথন হলেও যন্ত্রের ভেতরে সেটি মূলত সংখ্যার ওপর পরিচালিত বিশাল এক গণনাযাত্রা। আর এই বৈপরীত্যই আধুনিক চ্যাটবট প্রযুক্তির সবচেয়ে বিস্ময়কর দিক—যন্ত্র মানুষের মতো ভাষা অনুভব না করেও ভাষার কাঠামো ও সম্পর্ক এত গভীরভাবে আয়ত্ত করতে পারে যে তার তৈরি উত্তর অনেক ক্ষেত্রেই মানুষের কথোপকথনের অত্যন্ত কাছাকাছি মনে হয়।