শব্দকোষ

baseline-এর সাথে একটিই পরিবর্তনের তুলনা, বা পূর্ণ পদ্ধতি থেকে একটি অংশ সরিয়ে তার অবদান মাপা। অজান্তে বদলানো দ্বিতীয় জিনিস (confound) আলাদা করতে হয়।

workflow-এ ধাপগুলো আগে থেকে ঠিক; agent পরিস্থিতি দেখে পরের ধাপ বাছে। agent-এ নমনীয়তা বেশি, ঝুঁকি ও খরচও বেশি।

এমন কম্পিউটার সিস্টেম যা মানুষের বুদ্ধিমত্তার প্রয়োজন বলে বিবেচিত কাজের আউটপুট দেয়। আউটপুটকে গণনা করা আচরণ হিসেবে বোঝা নিরাপদ।

প্রতিটি অবস্থান query দিয়ে অন্যদের key-এর সাথে মিল মাপে, softmax-এ ওজন বানায়, এবং value-গুলোর ওজনযুক্ত যোগ নেয়।

প্রতিটি অপারেশন গ্রাফে লিখে রেখে backward()-এ gradient স্বয়ংক্রিয় হিসাব। PyTorch gradient জমায়, তাই প্রতি ধাপে zero_grad লাগে।

নেটওয়ার্কের শেষ থেকে শুরুর দিকে chain rule প্রয়োগ করে প্রতিটি weight-এর gradient বের করার পদ্ধতি।

শব্দের মিল, শব্দটি কত বিরল (idf) ও নথির দৈর্ঘ্য দিয়ে স্কোর করা কীওয়ার্ড খোঁজার পদ্ধতি। বাংলা বিভক্তিতে দুর্বল হতে পারে।

ভিন্ন shape-এর array-এর মধ্যে স্বয়ংক্রিয় হিসাব; shape ডান দিক থেকে মেলে, প্রতিটি মাত্রা সমান বা ১ হতে হয়। ভুল দিকে নীরবে প্রসারিত হতে পারে।

সবচেয়ে ঘন ঘন পাশাপাশি থাকা জোড়া বারবার জুড়ে subword token বানানোর পদ্ধতি। কোন ভাষা কত token নেয়, তা training ডেটার উপর নির্ভর করে।

আগের উত্তর পুনর্ব্যবহারের চাবি। multi-tenant সিস্টেমে key-তে tenant ও তথ্যের ভার্সন রাখতে হয়; TTL ঠিক করে উত্তর কতক্ষণ বৈধ।

training-এর সংরক্ষিত অবস্থা: মডেলের weight, optimizer-এর state ও epoch। অচেনা উৎসের checkpoint খোলা নিরাপত্তা-ঝুঁকি হতে পারে।

নথিকে খোঁজার মতো ছোট অংশে ভাঙা; খুব বড় হলে অপ্রাসঙ্গিক টেক্সট আসে, খুব ছোট হলে প্রসঙ্গ হারায়।

upstream পরপর ব্যর্থ হলে কিছুক্ষণ তাকে না ডেকে fallback দেওয়া, তারপর একটি পরীক্ষামূলক ডাক দিয়ে আবার চালু।

convolution, activation ও প্রায়শই pooling স্তরের নেটওয়ার্ক—ছবির স্থানীয় প্যাটার্নের জন্য fully-connected-এর চেয়ে কম parameter।

ছবির প্রতিটি অবস্থানে ছোট kernel দিয়ে স্থানীয় weighted sum (ডট প্রোডাক্ট)। একই ওজন পুরো ছবিতে পুনব্যবহৃত হয়—weight sharing।

মূল্যায়নের ডেটার তথ্য কোনোভাবে training-এ ঢুকে যাওয়া; ফলে মাপ বাস্তবের চেয়ে ভালো দেখায়।

দুটি ভেক্টরের ঘরে ঘরে গুণফলের যোগফল। দৈর্ঘ্য দিয়ে ভাগ করলে cosine similarity: −১ থেকে ১, দিক কতটা মেলে তার মাপ।

শব্দ, token বা নথিকে ঘন ভেক্টরে রূপান্তর, যেখানে কাছাকাছি অর্থ কাছাকাছি ভেক্টরে থাকার কথা। ডেটার পক্ষপাতও এতে থেকে যায়।

সাময়িক ত্রুটিতে প্রতিবার দ্বিগুণ (সীমাসহ) অপেক্ষা, সাথে দৈব অংশ (jitter) যাতে সব ক্লায়েন্ট একসাথে না ফেরে।

একটি convolution filter প্রয়োগের পর পাওয়া ২D সাড়ার গ্রিড। অনেক filter থাকলে অনেক চ্যানেল/feature map হয়।

আগে প্রশিক্ষিত মডেলকে নির্দিষ্ট উদাহরণ বা মানুষের পছন্দের তুলনা দিয়ে আরও train করা। আচরণ বদলায়, কিন্তু নতুন তথ্যের নিশ্চয়তা দেয় না।

প্রতিটি parameter সামান্য বাড়ালে loss কতটা ও কোন দিকে বদলায়, তার ভেক্টর। chain rule দিয়ে জটিল function-এরও হিসাব করা যায়।

বারবার w ← w − η · gradient করে loss কমানোর পদ্ধতি; η হলো learning rate। খুব বড় η-তে লাফিয়ে যায়, খুব ছোট η-তে ধীর।

মডেল সাবলীলভাবে এমন তথ্য বলে যা ভিত্তিহীন বা ভুল—আত্মবিশ্বাস সত্যতা প্রমাণ করে না।

কীওয়ার্ড ও vector খোঁজার ফল একত্র করা (যেমন reciprocal rank fusion), যাতে একটির দুর্বলতা অন্যটি পূরণ করে।

শেখা প্যারামিটার দিয়ে নতুন ইনপুটে আউটপুট তৈরির পর্যায়—সাধারণত এসময় ওজন আপডেট হয় না।

বিশাল টেক্সট কর্পাসে প্রশিক্ষিত ভাষা মডেল যা পরবর্তী টোকেন অনুমান করে সাবলীল টেক্সট তৈরি করতে পারে।

মডেলের ভুল কতটা, তার একটি সংখ্যা—যেমন গড় বর্গ ত্রুটি বা cross-entropy। training এই সংখ্যাটি কমায়।

উদাহরণ (ডেটা) থেকে প্যাটার্ন শিখে পূর্বানুমান বা সিদ্ধান্ত নেওয়ার পদ্ধতি—হাতে লেখা সব নিয়মের বিকল্প।

সারি × কলামে সাজানো সংখ্যা; shape (২, ৩) মানে ২ সারি ৩ কলাম। matrix গুণে বামের কলাম ও ডানের সারির সংখ্যা মিলতে হয়।

একই সিস্টেম অনেক গ্রাহক-প্রতিষ্ঠানকে (tenant) সেবা দেয়; প্রতিটির ডেটা, সীমা ও খরচ আলাদা রাখা বাধ্যতামূলক।

weighted sum + bias, তারপর একটি অরৈখিক function (ReLU, tanh, sigmoid)। অরৈখিকতা না থাকলে অনেক layer-ও একটি রৈখিক মডেলের সমান।

gradient থেকে weight কীভাবে বদলাবে তার নিয়ম। SGD সরাসরি ধাপ নেয়; momentum ও Adam আগের gradient-এর স্মৃতি রাখে।

train ডেটায় খুব ভালো কিন্তু নতুন ডেটায় খারাপ—মডেল সাধারণ নিয়মের বদলে উদাহরণ মুখস্থ করেছে।

মডেলের ভেতরের সংখ্যা যা training-এ বদলায় (যেমন weight ও bias)। parameter-এর সংখ্যা মডেলের আকারের একটি মাপ, মানের নয়।

e^(গড় cross-entropy)। মোটামুটি “প্রতি token-এ মডেল কয়টি বিকল্পের মধ্যে দ্বিধায়”। একই tokenizer ও ডেটায় তুলনা করলে তবেই অর্থবহ।

স্থানীয় জানালার সারাংশ—সাধারণত সর্বোচ্চ (max) বা গড়। আউটপুট ছোট করে এবং ছোট সরণে কিছুটা স্থিতিশীলতা দেয়।

precision: “হ্যাঁ” বলাগুলোর কতটা সঠিক; recall: আসল “হ্যাঁ”-গুলোর কতটা ধরা পড়েছে। অসম শ্রেণিতে শুধু accuracy বিভ্রান্তিকর।

অবিশ্বস্ত টেক্সটে (ওয়েবপাতা, ইমেইল, পণ্যের বিবরণ) লুকানো নির্দেশ যা মডেলকে নিজের নিয়ম ভাঙাতে চায়। নির্দেশ ও ডেটা আলাদা রাখা ও অনুমতি সীমিত রাখা প্রতিরক্ষা।

একটি স্থির কেস-সেট যা প্রতিটি পরিবর্তনের পরে চালানো হয়, যাতে একটি ভুল ঠিক করতে গিয়ে অন্যটি ভেঙে না যায়।

প্রশ্নের সাথে প্রাসঙ্গিক নথির অংশ খুঁজে মডেলকে দেওয়া, যাতে উত্তর উৎসভিত্তিক ও উদ্ধৃতিযোগ্য হয়। ভালো খোঁজা ছাড়া ভালো উত্তর আসে না।

seed দৈব-সংখ্যার শুরু ঠিক করে; একই পদ্ধতি ভিন্ন seed-এ ভিন্ন ফল দেয়। তুলনায় একাধিক seed, গড় ± sd ও জোড়া-তুলনা লাগে।

SLO হলো নির্ভরযোগ্যতার লক্ষ্য (যেমন ৯৯% সফল); error budget হলো সেই লক্ষ্যে অনুমোদিত ব্যর্থতার পরিমাণ।

যেকোনো সংখ্যার তালিকাকে ০–১-এর সম্ভাবনায় রূপান্তর, যার যোগফল ১। সংখ্যাগত স্থিতির জন্য আগে সর্বোচ্চ মান বিয়োগ করা হয়।

মডেলের উত্তর নির্দিষ্ট আকারের JSON-এ চাওয়া এবং schema দিয়ে যাচাই করা; ব্যর্থ হলে retry বা নিরাপদ fallback।

temperature সম্ভাবনা কতটা চ্যাপ্টা বা তীক্ষ্ণ হবে ঠিক করে; top-p শুধু সবচেয়ে সম্ভাব্য token-গুলোর একটি অংশ থেকে বাছাই করে।

যেকোনো মাত্রার সংখ্যার array, সাথে dtype ও device (CPU/GPU)। PyTorch-এ tensor gradient-ও রাখতে পারে।

মডেল যে ছোট এককে টেক্সট ভাঙে। টোকেন সবসময় পূর্ণ শব্দ নয়—বাংলা ও ইংরেজিতে ভাঙা ভিন্ন হতে পারে।

মডেল একটি function-এর নাম ও আর্গুমেন্ট প্রস্তাব করে; প্রোগ্রাম তা যাচাই করে চালায়। গুরুত্বপূর্ণ কাজে মানুষের অনুমোদন লাগে।

শেখার ডেটা, সিদ্ধান্ত নেওয়ার ডেটা, আর শেষ মূল্যায়নের অদেখা ডেটা। test দেখে মডেল বদলালে test আর অদেখা থাকে না।

অন্য কাজে শেখা backbone (সাধারণ বৈশিষ্ট্য) রেখে নতুন কাজের head মানিয়ে নেওয়া। ছোট ডেটায় স্ক্র্যাচ ট্রেনিংয়ের চেয়ে প্রায়শই সস্তা ও স্থিতিশীল।

multi-head attention, feed-forward layer, residual ও normalization দিয়ে গঠিত block-এর স্তূপ—আধুনিক LLM-এর মূল স্থাপত্য।

প্রতিটি অক্ষর-চিহ্নের একটি সংখ্যা। বাংলায় একটি দৃশ্যমান অক্ষরে কয়েকটি কোড পয়েন্ট থাকতে পারে (ব্যঞ্জন + কার + নুক্তা)।

ক্রমযুক্ত সংখ্যার তালিকা, যেমন [০.২, −১, ৩]। ML-এ ইনপুট, embedding ও weight সবই ভেক্টর বা ভেক্টরের সংগ্রহ।

প্রজেক্টের জন্য আলাদা Python লাইব্রেরি-ফোল্ডার, যাতে ভার্সন পিন করে অন্য কম্পিউটারে একই পরিবেশ পাওয়া যায়।