Motional আর MIT করল সেলফ-ড্রাইভিং কারের রহস্য ফাঁস

সমস্যাটা আসলে কী?

আধুনিক সেলফ-ড্রাইভিং কার চলে নিউরাল নেটওয়ার্ক দিয়ে, যা প্রচুর পরিমাণ ড্রাইভিং ডেটা থেকে শেখে। এই সিস্টেমগুলো কাজ ভালোই করে, কিন্তু কেন একটা সিদ্ধান্ত নিলো তা ব্যাখ্যা করে না। একেই বলে “ব্ল্যাক বক্স” সমস্যা — ভেতরে কী ঘটছে, কেউ জানে না।

CW-Net: সমাধানের নাম

মোশনাল আর MIT-র কম্পিউটার সায়েন্স অ্যান্ড আর্টিফিশিয়াল ইন্টেলিজেন্স ল্যাবরেটরির যৌথ প্রকল্পে তৈরি হয়েছে কনসেপ্ট-র‍্যাপার নেটওয়ার্ক (CW-Net)। এই এক্সপ্লেইনেবল এআই সিস্টেমটি নিউরাল নেটওয়ার্কের জটিল হিসাবকে সহজ, মানুষের বোঝার মতো ধারণায় রূপান্তরিত করে — যেমন “থেমে থাকা গাড়ির কাছাকাছি” বা “সাইক্লিস্টের কাছে”। ড্যাশবোর্ডে সরাসরি এসব দেখা যাবে।

সবচেয়ে গুরুত্বপূর্ণ বিষয় হলো, এই ব্যাখ্যাগুলো পরে বানানো নয়। গাড়ির সিদ্ধান্ত-গ্রহণ ব্যবস্থা সরাসরি এই কনসেপ্টগুলোর ওপর ভিত্তি করেই কাজ করে, তাই প্রতিটি ব্রেকের কারণ ট্রেস করা সম্ভব।

মোশনালের সিইও লরা মেজর (Laura Major) বলেছেন:

“সাধারণ এন্ড-টু-এন্ড পদ্ধতি ৮০-৯০ শতাংশ, এমনকি ৯৫ শতাংশ পর্যন্ত ভালো ফল দিতে পারে, কিন্তু ড্রাইভার সরিয়ে নেওয়া বা শহর, কমিউনিটি ও গ্রাহকদের আস্থা অর্জনের জন্য সেটা যথেষ্ট নয়।”

লাস ভেগাসের রাস্তায় বাস্তব পরীক্ষা

গবেষণাগারের সিমুলেশনেই আটকে না থেকে, দলটি লাস ভেগাসের পাবলিক রাস্তা ও প্রাইভেট টেস্ট ট্র্যাকে সেফটি অপারেটরসহ CW-Net পরীক্ষা করেছে। দুটি ঘটনা বিশেষভাবে চোখে পড়ার মতো:

• একটি ট্রাফিক কোনের কাছে গাড়ি বারবার থামছিল। কোন সরিয়ে নেওয়ার পরও গাড়ি থামলো — CW-Net দেখালো, সিস্টেমটি আসলে একটি “কাল্পনিক” থেমে থাকা গাড়ি দেখছিল, যা ট্রেনিং ডেটার সমস্যা থেকে এসেছিল।
• একটি সাইক্লিস্টের জন্য গাড়ি থেমেছিল ঠিকই, কিন্তু CW-Net প্রকাশ করলো যে মূল প্ল্যানিং সিস্টেম আসলে সাইক্লিস্টের কারণে থামেনি — থেমেছিল একটি ব্যাকআপ সেফটি সিস্টেমের কারণে।

পারফরম্যান্সে কতটা প্রভাব?

এক্সপ্লেইনেবিলিটি যোগ করলে সাধারণত গতি বা নির্ভুলতায় ঘাটতি আসে। কিন্তু বেঞ্চমার্ক পরীক্ষায় CW-Net-এর পারফরম্যান্স শীর্ষস্থানীয় অটোনোমাস ড্রাইভিং অ্যালগরিদমের তুলনায় মাত্র ১ শতাংশেরও কম কমেছে।

ভবিষ্যতের দিকনির্দেশ

মোশনাল মনে করছে, নিয়ন্ত্রক সংস্থাগুলো ক্রমেই এআই সিদ্ধান্তের স্বচ্ছতা চাইবে, তাই CW-Net-এর মতো টুল হয়ে উঠতে পারে ভবিষ্যতের বেসলাইন প্রয়োজনীয়তা। শুধু গাড়ি নয়, ড্রোন আর রোবোটিক সার্জারির মতো গুরুত্বপূর্ণ নিরাপত্তা ক্ষেত্রেও এই প্রযুক্তির প্রয়োজন হতে পারে।

মূল সূত্র: artificialintelligence-news.com