গত ছয় মাস ধরে, এজেন্ট হল AI শিল্পে সবচেয়ে ঘন ঘন উল্লেখিত ধারণাগুলির মধ্যে একটি।
প্রায় সব নির্মাতারা এজেন্ট সম্পর্কে কথা বলছেন। ধারণা এবং ডেমোর কোন ঘাটতি নেই, কিন্তু সত্যিকার অর্থে পণ্য-স্তরের বাস্তবায়ন অর্জনের জন্য, সর্বদা একটি সম্পূর্ণ কার্যকরী ব্যবস্থার অভাব থাকে – যা জটিল লক্ষ্যগুলি বুঝতে পারে, টাস্ক প্রক্রিয়াগুলিকে সংযুক্ত করার জন্য একাধিক সরঞ্জামগুলিতে কল করতে পারে এবং যেকোন সময়ে কাজ বাধা, পরিবর্তন এবং পুনরুদ্ধার সমর্থন করে, ব্যবহারকারীর কর্মপ্রবাহের সাথে সত্যিকার অর্থে ফিট করে৷
এইমাত্র, OpenAI আনুষ্ঠানিকভাবে ChatGPT এজেন্ট ফাংশন প্রকাশ করেছে।
অপারেটর + ডিপ রিসার্চ + চ্যাটজিপিটি অন্টোলজি একীভূত করার মাধ্যমে, ব্যবহারকারীদের শুধুমাত্র টাস্কটি বর্ণনা করতে হবে, এবং ChatGPT এজেন্ট স্বাধীনভাবে প্রয়োজনীয় টুল নির্ধারণ করতে পারে, স্বয়ংক্রিয়ভাবে ওয়েব পেজ অ্যাক্সেস করতে পারে, তথ্য বের করতে পারে, কোড চালাতে পারে, স্লাইড বা টেবিল তৈরি করতে পারে ইত্যাদি, এবং বাস্তব সময়ে পদক্ষেপগুলি প্রদর্শন করতে পারে, বাধাগুলি গ্রহণ করতে পারে এবং কার্যকর করার সময় নির্দেশাবলী পরিবর্তন করতে পারে।
সম্মেলনের পরে, ওপেনএআই সিইও স্যাম অল্টম্যান সোশ্যাল মিডিয়ায় লিখেছেন:
জটিল কাজগুলি সম্পূর্ণ করতে ChatGPT এজেন্টকে কম্পিউটার ব্যবহার করা দেখা আমার জন্য একটি সত্যিকারের "এজিআই অনুভব করার" মুহূর্ত ছিল; একটি কম্পিউটার চিন্তা, পরিকল্পনা, এবং চালানো দেখার মধ্যে বিশেষ কিছু ছিল।
হাইলাইটগুলি নিম্নরূপ:
- চ্যাটজিপিটি এজেন্ট অপারেটর, গভীর গবেষণা এবং চ্যাটজিপিটি অন্টোলজিকে একত্রিত করে একটি ইউনিফাইড ইন্টেলিজেন্ট এজেন্ট সিস্টেম তৈরি করতে।
- অন্তর্নির্মিত গ্রাফিক/টেক্সট ব্রাউজার, টার্মিনাল এবং API কলার এবং অন্যান্য সরঞ্জাম, মোবাইল ফোন ব্যবহার সমর্থন করে এবং টাস্ক সমাপ্তির পরে স্বয়ংক্রিয়ভাবে ফলাফল পুশ করে;
- তৃতীয় পক্ষের অ্যাপ্লিকেশনের সাথে সংযোগ করতে পারে যেমন Gmail এবং GitHub, ব্যবহারকারীর প্রকৃত কর্মপ্রবাহে গভীরভাবে এম্বেড করা;
- একাধিক বেঞ্চমার্ক পরীক্ষায় অগ্রণী, এর সামগ্রিক কর্মক্ষমতা শিল্পের সেরাদের মধ্যে রয়েছে;
- প্রো ব্যবহারকারীদের মাসিক কোটা রয়েছে 400টি কলের, এবং অন্যান্য অর্থপ্রদানকারী ব্যবহারকারীদের 40টি কলের মাসিক কোটা রয়েছে। চাহিদা অনুযায়ী কোটা বাড়ানো যেতে পারে।
চ্যাটজিপিটি এজেন্ট আনুষ্ঠানিকভাবে চালু হয়েছে, এটি কেনাকাটা করতে এবং পিপিটি লিখতে পারে, আপনার ব্রাউজারটি এআই দ্বারা দখল করা হবে
আজ থেকে, আপনি চ্যাট ইন্টারফেসের নীচের বাম কোণে "সরঞ্জাম" ড্রপ-ডাউন মেনু থেকে "এজেন্ট মোড" নির্বাচন করে যেকোনো কথোপকথনে এই বৈশিষ্ট্যটি সক্ষম করতে পারেন৷
আপনি যে টাস্কটি সম্পূর্ণ করতে চান তা সহজভাবে বর্ণনা করুন, এবং ChatGPT বুদ্ধিমত্তার সাথে সাইটটি ব্রাউজ করবে, ফলাফলগুলি ফিল্টার করবে, প্রয়োজনে নিরাপদে লগ ইন করার জন্য আপনাকে অনুরোধ করবে, কোড চালাবে, বিশ্লেষণ সম্পাদন করবে এবং এমনকি সম্পাদনাযোগ্য স্লাইড এবং স্প্রেডশীট আউটপুট করবে যা টাস্ক ফলাফলের সংক্ষিপ্তসার করবে।
সম্পূর্ণ সম্পাদন প্রক্রিয়াটি দৃশ্যমান – অপারেশন পদক্ষেপগুলি রিয়েল টাইমে স্ক্রিনে প্রদর্শিত হবে এবং ব্যবহারকারীরা বাধা দিতে, নির্দেশাবলী পরিবর্তন করতে বা এমনকি ম্যানুয়ালি "ব্রাউজার গ্রহণ" করতে পারে যাতে কাজটি সর্বদা আপনার লক্ষ্য এবং প্রয়োজনগুলি পূরণ করে তা নিশ্চিত করতে যে কোনও সময় অপারেশন চালিয়ে যেতে পারে৷
আজ সকালে একটি প্রদর্শনীতে, OpenAI বাস্তব-বিশ্বের পরিস্থিতিতে ChatGPT এজেন্টের প্রয়োগ ক্ষমতা প্রদর্শন করেছে।
উদাহরণস্বরূপ, আসন্ন বিবাহের জন্য প্রস্তুতি সবসময় একটি কঠিন সমস্যা হয়েছে। এখন, আপনাকে শুধুমাত্র একটি অনুরোধ পাঠাতে হবে, এবং ChatGPT এজেন্ট দ্রুত একটি ভার্চুয়াল পরিবেশ তৈরি করবে, স্বায়ত্তশাসিতভাবে একটি ব্রাউজার, টেক্সট পার্সার বা টার্মিনালকে কল করতে হবে কিনা তা নির্ধারণ করবে এবং বিবাহের তারিখ পুনরুদ্ধার করা শুরু করবে, স্থানের আবহাওয়া পরীক্ষা করবে, স্যুট সুপারিশ করবে এবং হোটেল নির্বাচন করবে। এই প্রক্রিয়া চলাকালীন, মডেলটি OpenAI গবেষকদের সাথে যোগাযোগ করতে পারে এবং উপযুক্ত নোডগুলিতে প্রয়োজনীয়তার নিশ্চিতকরণের অনুরোধ করতে পারে।
আরও গুরুত্বপূর্ণ, ব্যবহারকারীরা যে কোনও সময় কাজটি বাধাগ্রস্ত করতে পারে।
উদাহরণস্বরূপ, যখন এজেন্ট একটি স্যুটের সুপারিশ করছিলেন, তখন একজন OpenAI গবেষক অস্থায়ীভাবে একটি অনুরোধ ঢোকিয়েছিলেন: "আমাকে 9.5 আকারের কালো পোশাকের জুতা খুঁজে পেতে সাহায্য করুন।" মডেলটি অবিলম্বে বর্তমান কাজটি থামিয়ে দিয়েছে এবং নতুন অনুরোধটি পরিচালনা করতে পরিণত হয়েছে।
একইভাবে, এজেন্ট সক্রিয়ভাবে আপনার কাছ থেকে আরও তথ্যের অনুরোধ করবে যখন এটি প্রয়োজনীয় মনে করবে, এটি নিশ্চিত করে যে কাজটি সর্বদা আপনার লক্ষ্যগুলির সাথে সামঞ্জস্যপূর্ণ। যদি একটি টাস্ক প্রত্যাশিত থেকে বেশি সময় নেয় বা আটকে যায়, আপনি টাস্কটি থামাতে, একটি অগ্রগতি সারাংশের অনুরোধ করতে, বা কেবল টাস্কটি বন্ধ করতে এবং আপনার ইতিমধ্যেই আংশিক ফলাফল পেতে পারেন৷
"এই বাধাহীন, বহু-বৃত্তাকার কথোপকথনের প্রক্রিয়াটি এই সময়ের আমাদের মডেল প্রশিক্ষণের একটি মূল বিষয়," OpenAI গবেষক ব্যাখ্যা করেছেন।
এই ক্ষমতার পিছনে রয়েছে ChatGPT এজেন্ট দ্বারা তিনটি প্রধান সিস্টেমের একীভূত সংহতকরণ: অপারেটর ওয়েব পেজ ইন্টারঅ্যাকশন ক্ষমতা প্রদান করে, স্বয়ংক্রিয় স্ক্রলিং, ক্লিক এবং ফর্ম ফিলিং সমর্থন করে; তথ্য একীকরণ এবং বিশ্লেষণে গভীর গবেষণার উৎকর্ষ; এবং ChatGPT অনটোলজি প্রাকৃতিক ভাষা বোঝার এবং বুদ্ধিমান যুক্তির জন্য দায়ী।
ChatGPT এজেন্টকে রিইনফোর্সমেন্ট লার্নিং এর মাধ্যমে জটিল কাজে প্রশিক্ষিত করা হয়। অতীতে, তিনটির নিজস্ব ত্রুটি ছিল – আগেরটি গভীরভাবে বিশ্লেষণ করা কঠিন ছিল এবং পরবর্তীটি ওয়েব পৃষ্ঠাগুলি পরিচালনা করতে পারত না। এজেন্ট তিনটির সুবিধাগুলিকে একের মধ্যে একত্রিত করে এবং একটি সম্পূর্ণ এক্সিকিউশন সিস্টেম তৈরি করতে ব্রাউজার, টার্মিনাল এবং API কলারগুলির মতো সরঞ্জামগুলির দ্বারা পরিপূরক হয়৷
ব্যবহারকারীরা শুধুমাত্র ডেস্কটপে নয়, মোবাইল ফোনেও এজেন্ট মোড শুরু করতে পারে।
কাজটি সম্পন্ন হওয়ার পরে, ফলাফলের বিজ্ঞপ্তি স্বয়ংক্রিয়ভাবে পুশ করা হবে। দ্বিতীয় প্রদর্শনী টাস্কে, OpenAI গবেষকরা ChatGPT অ্যাপে টিম মাস্কট বার্নি ডুডলের স্টিকার প্যাটার্ন আপলোড করেছেন। এজেন্ট স্বয়ংক্রিয়ভাবে স্টিকার স্টাইল ডিজাইন করার জন্য ইমেজ জেনারেশন API-কে কল করে, মূল্য তুলনা, শৈলী নির্বাচন এবং শপিং কার্ট যোগ করার জন্য ব্রাউজারের মাধ্যমে ই-কমার্স প্ল্যাটফর্ম অ্যাক্সেস করে এবং অবশেষে কাস্টমাইজড স্টিকারগুলির জন্য অর্ডারের বিশদটি বাছাই করে।
অবশ্যই, প্রক্রিয়াটি নিরাপদ, নমনীয়, পরিষ্কার এবং নিয়ন্ত্রণযোগ্য তা নিশ্চিত করার জন্য, যখন এটি অর্থ প্রদানের ক্ষেত্রে আসে, ব্যবহারকারী শুধুমাত্র এটি সম্পূর্ণ করার জন্য ব্রাউজারটি ম্যানুয়ালি গ্রহণ করবে।
সংযোগকারীর মাধ্যমে, ব্যবহারকারীরা Gmail এবং GitHub-এর মতো দৈনন্দিন অ্যাপ্লিকেশনগুলিকে ChatGPT-এর সাথে সংযুক্ত করতে পারে, মডেলটিকে ইমেল, ক্যালেন্ডার বা কোড সংগ্রহস্থলের মতো প্রাসঙ্গিক বিষয়বস্তু পড়তে এবং আজকের মেলবক্স সামগ্রীর সংক্ষিপ্তসার বা পরের সপ্তাহে বিনামূল্যে মিটিংয়ের সময় খোঁজার মতো কাজগুলি সম্পাদন করতে দেয়৷
একটি আরও সাধারণ প্রয়োগের দৃশ্য হল যে ওপেনএআই গবেষকরা ChatGPT এজেন্টকে একাধিক বেঞ্চমার্কে এর কর্মক্ষমতা সংক্ষিপ্ত করতে এবং এটি একটি স্লাইড শোতে পরিণত করতে দিতে পারেন। কমান্ড পাওয়ার পর, এজেন্ট ডেটা ফাইলটি পড়ার জন্য Google ড্রাইভ সংযোগকারীকে কল করবে, চার্ট আঁকার জন্য টার্মিনালে কোড লিখবে এবং একটি সম্পূর্ণ PPT তৈরি করবে।
এই ধরনের অটোমেশন ক্ষমতা কার্যপ্রবাহের মধ্যে এজেন্টের গভীর এম্বেডিংয়ের প্রতিফলন।
যাইহোক, এটি দেখা যায় যে ChatGPT এজেন্ট দ্বারা উত্পন্ন পিপিটি ডিজাইনের নান্দনিকতার দিক থেকে সাধারণত গড়। অধিকন্তু, যদিও স্প্রেডশীটগুলি চ্যাটজিপিটি সম্পাদনা বা টেমপ্লেট হিসাবে ব্যবহার করার জন্য আপলোড করা যেতে পারে, উত্পন্ন পিপিটি বর্তমানে সেকেন্ডারি পরিবর্তন সমর্থন করে না।
এটা উল্লেখ করা উচিত যে OpenAI এজেন্টকে মানুষের মতো PPT বা Excel ফাইল খুলতে দেয় না এবং ক্লিক করে টেক্সট বক্স এবং সূত্র সন্নিবেশ করতে দেয় না, কিন্তু সরাসরি নথি তৈরি করতে কোড তৈরি করে। এই পদ্ধতির সুবিধা হল যে এটি কোড লেখার ক্ষেত্রে মডেলের প্রাকৃতিক সুবিধার সুবিধা নিতে পারে, সিমুলেটেড ক্লিক অপারেশনের কারণে অদক্ষতা বা ত্রুটিগুলি এড়াতে পারে এবং কম্পিউটিং সংস্থানগুলির খরচ কমাতে পারে।
তথ্যটি জানিয়েছে যে ChatGPT যদি সরাসরি PPT বা Excel ফাইলগুলি সম্পাদনা করতে চায়, তাহলে এটিকে একটি "ভার্চুয়াল মেশিন" (অর্থাৎ, ChatGPT-এর মাধ্যমে চলমান একটি ভার্চুয়াল কম্পিউটার পরিবেশ) চালু করতে হবে, যা আরও কম্পিউটিং সংস্থান গ্রহণ করবে।
সরাসরি কোড তৈরি করা হালকা এবং আরও দক্ষ। যদিও এটির প্রচুর সম্ভাবনা রয়েছে, এই বৈশিষ্ট্যটির পক্ষে স্বল্প মেয়াদে মাইক্রোসফ্ট অফিস বা গুগল ওয়ার্কস্পেসের উপর প্রভাব ফেলা কঠিন।
চ্যাটজিপিটি এজেন্ট বৈশিষ্ট্যের জন্য, প্রো ব্যবহারকারীরা আজই অ্যাক্সেস পাবেন; প্লাস এবং টিম ব্যবহারকারীরা আগামী কয়েক দিনের মধ্যে এটি অ্যাক্সেস করতে সক্ষম হবেন; এন্টারপ্রাইজ এবং শিক্ষা সংস্করণ আগামী সপ্তাহগুলিতে উপলব্ধ হবে।
প্রো ব্যবহারকারীরা প্রতি মাসে 400টি বার্তা ব্যবহার করতে পারে এবং অন্যান্য অর্থপ্রদানকারী ব্যবহারকারীরা প্রতি মাসে 40টি বার্তা ব্যবহার করতে পারে এবং নমনীয় ক্রেডিট প্ল্যানের মাধ্যমে আরও ক্রয় করতে পারে।
"রানিং স্কোর" রেকর্ডগুলি বোর্ড জুড়ে সতেজ হয়, এবং এজেন্ট যুদ্ধক্ষেত্র শক্তিশালী প্রতিপক্ষকে স্বাগত জানায়
চ্যাটজিপিটি এজেন্টের ক্ষমতার উন্নতিও "রানিং স্কোর" লিঙ্কে প্রতিফলিত হয়।
হিউম্যানিটি'স লাস্ট এক্সাম (HLE), ক্রস-ডিসিপ্লিনারি বিশেষজ্ঞ-স্তরের সমস্যাগুলি সমাধান করার জন্য AI এর ক্ষমতা মূল্যায়নের জন্য একটি মানদণ্ড, একজন এজেন্টের সাথে ChatGPT মডেল 41.6 এর পাস@1 স্কোর সহ একটি নতুন রেকর্ড তৈরি করেছে। সমান্তরাল কার্যকর করার কৌশল সক্রিয় করার পরে, স্কোরটি আরও উন্নত করে 44.4 করা হয়েছিল।
FrontierMath-এ, যা বর্তমানে সবচেয়ে চ্যালেঞ্জিং গণিতের বেঞ্চমার্ক হিসাবে বিবেচিত, অত্যন্ত কঠিন এবং পূর্বে প্রকাশ করা হয়নি এমন প্রশ্নের মুখোমুখি হয়ে, ChatGPT এজেন্ট 27.4% নির্ভুলতা হার অর্জন করেছে যখন টার্মিনাল কোড কার্যকর করার ক্ষমতা রয়েছে, যা আগের মডেলগুলির তুলনায় অনেক বেশি।
এই জটিল এবং উচ্চ-মূল্যের জ্ঞান কাজের টাস্কের অভ্যন্তরীণ বেঞ্চমার্ক পরীক্ষায়, ChatGPT এজেন্ট আউটপুট গুণমান অর্জন করেছে যা প্রায় অর্ধেক কাজের ক্ষেত্রে মানব স্তরের সাথে মিলে গেছে বা অতিক্রম করেছে এবং o3 এবং o4-মিনি মডেলের তুলনায় উল্লেখযোগ্যভাবে ভাল পারফর্ম করেছে।
ChatGPT এজেন্টরা বিনিয়োগ ব্যাংকিং মডেলিং কাজের অভ্যন্তরীণ বেঞ্চমার্কে গভীর গবেষণা এবং o3 মডেলগুলিকে উল্লেখযোগ্যভাবে ছাড়িয়ে গেছে। প্রতিটি কাজকে শত শত স্কোরিং মাপদণ্ডের উপর ভিত্তি করে মূল্যায়ন করা হয় যেমন সূত্র সঠিকতা এবং বিন্যাস।
উপরন্তু, BrowseComp বেঞ্চমার্কে, যা সর্বজনীনভাবে মডেলের তথ্য অনুসন্ধান ক্ষমতা মূল্যায়ন করে, এজেন্ট 68.9% নির্ভুলতার হারের সাথে একটি নতুন রেকর্ড স্থাপন করেছে, যা গভীর গবেষণার চেয়ে 17.4 শতাংশ পয়েন্ট বেশি। WebArena মূল্যায়নে, এর ওয়েব পেজ টাস্ক এক্সিকিউশন ক্ষমতাও o3 এর উপর ভিত্তি করে CUA মডেলের চেয়ে ভালো।
একটি প্ল্যাটফর্মের দৃষ্টিকোণ থেকে, এজেন্ট ক্ষমতার অন্তর্নিহিত ইন্টারফেস হল ব্রাউজার।
একটি সাম্প্রতিক সাক্ষাত্কারে, Perplexity AI এর CEO অরবিন্দ শ্রীনিবাস বলেছেন যে ব্রাউজারটি AI এর জন্য "হত্যাকারী অ্যাপ" হবে। তার মতে, ব্রাউজারে স্বাভাবিকভাবেই এআইকে সত্যিকারের ‘মুভ’ করার সব শর্ত রয়েছে।
প্রথাগত চ্যাটবটগুলির বিপরীতে, এআই এজেন্টের আদর্শ ফর্মটি একটি ডায়ালগ বক্সে পাঠ্য তৈরি করা নয়, তবে ব্যবহারিক ক্রিয়াকলাপ – ওয়েব পৃষ্ঠাগুলি অ্যাক্সেস করা, তথ্য আহরণ করা, ফর্মগুলি পূরণ করা, ক্রস-প্ল্যাটফর্ম অপারেশনগুলি সম্পাদন করা। এই সমস্ত কিছুর জন্য, ব্রাউজারটির প্রয়োজনীয় অপারেটিং অনুমতি এবং প্রসঙ্গ অধিগ্রহণের ক্ষমতা রয়েছে।
ব্রাউজার সরাসরি পৃষ্ঠাগুলি পড়তে পারে, ক্লিকগুলি অনুকরণ করতে পারে এবং প্রায় কোনও অতিরিক্ত অনুমোদন ছাড়াই স্বয়ংক্রিয়ভাবে কাজগুলি সম্পাদন করতে পারে।
এই প্রক্রিয়ায়, ব্যবহারকারী এবং AI একই ইন্টারেক্টিভ স্পেসে সহাবস্থান করে: AI স্বয়ংক্রিয়ভাবে কাজগুলি সম্পাদন করতে পারে, এবং ব্যবহারকারীরা ব্ল্যাক বক্স অপারেশন দ্বারা আনীত অনিশ্চয়তা এড়াতে যে কোনও সময় বাধা দিতে বা দখল করতে পারে। এই নিয়ন্ত্রণযোগ্যতা এবং স্বচ্ছতা এমন একটি ক্ষমতা যা অনেক বর্তমান প্রাসঙ্গিক প্রোটোকল এখনও অর্জন করা কঠিন বলে মনে করে।
এখন, ChatGPT এজেন্ট ক্ষমতা আনুষ্ঠানিকভাবে চালু হওয়ার সাথে, সমস্ত নির্মাতারা যারা এজেন্ট বলে দাবি করে তাদের তাদের পণ্যের পথ পুনরায় পরীক্ষা করতে হতে পারে।
যখন ChatGPT একটি ভাষা ইন্টারঅ্যাকশন টুল থেকে সহযোগিতা, সময়সূচী এবং টাস্ক-টেকিং ক্ষমতা সহ একটি এক্সিকিউশন সিস্টেমে রূপান্তরিত হয় এবং ব্যবহারকারীদের প্রকৃত কর্মপ্রবাহের সাথে সংযোগ স্থাপন করতে শুরু করে, তখন এজেন্টের ব্যবহারযোগ্যতা থ্রেশহোল্ড এই মুহুর্তে উল্লেখযোগ্যভাবে বৃদ্ধি পায়।
#iFanr: iFanr (WeChat ID: ifanr) এর অফিসিয়াল WeChat পাবলিক অ্যাকাউন্ট অনুসরণ করতে স্বাগতম, যেখানে যত তাড়াতাড়ি সম্ভব আরও উত্তেজনাপূর্ণ বিষয়বস্তু আপনার কাছে উপস্থাপন করা হবে।