এআইয়ের গোপন মূল্য: টাকা নয়, প্রতিষ্ঠান কি হারাচ্ছে নিজের ‘বুদ্ধিবৃত্তিক স্মৃতি’?
এআইয়ের গোপন মূল্য: টাকা নয়, প্রতিষ্ঠান কি হারাচ্ছে নিজের ‘বুদ্ধিবৃত্তিক স্মৃতি’?
সত্য নাডেলার ‘রিভার্স ইনফরমেশন প্যারাডক্স’ কেন করপোরেট এআই ব্যবহারের মালিকানা, গোপনীয়তা ও ক্ষমতার ভারসাম্য নিয়ে নতুন বিতর্ক তৈরি করেছে
প্রযুক্তি বিশ্লেষণ | সাপ্তাহিক ক্যালিফোর্নিয়ার চিঠি
কোনো প্রতিষ্ঠানের সবচেয়ে মূল্যবান সম্পদ সব সময় তার ব্যাংক হিসাবে থাকে না। সেটি ব্যালান্স শিটেও পুরোপুরি ধরা পড়ে না। কখনো তা লুকিয়ে থাকে একজন অভিজ্ঞ প্রকৌশলীর সিদ্ধান্তে, কোনো বিক্রয়কর্মীর গ্রাহক বোঝার ক্ষমতায়, একজন সম্পাদকের সংবাদবোধে, আইনজীবীর মামলা বিশ্লেষণের কৌশলে কিংবা বহু বছরের ভুল-সংশোধনের মধ্য দিয়ে তৈরি একটি প্রতিষ্ঠানের নিজস্ব কাজের সংস্কৃতিতে।
এই অদৃশ্য সম্পদের নাম—প্রাতিষ্ঠানিক জ্ঞান বা institutional knowledge।
এখন প্রশ্ন উঠেছে, কৃত্রিম বুদ্ধিমত্তাকে কার্যকর করে তুলতে গিয়ে প্রতিষ্ঠানগুলো কি সেই অমূল্য জ্ঞান ধীরে ধীরে এমন প্ল্যাটফর্মের ভেতরে জমা করছে, যার প্রযুক্তিগত অবকাঠামো ও ভবিষ্যৎ নীতির ওপর তাদের পূর্ণ নিয়ন্ত্রণ নেই?
মাইক্রোসফটের চেয়ারম্যান ও প্রধান নির্বাহী সত্য নাডেলা এই উদ্বেগকে নাম দিয়েছেন—“Reverse Information Paradox”, বাংলায় যাকে বলা যেতে পারে ‘উল্টো তথ্য-বৈপরীত্য’। ২০২৬ সালের জুলাইয়ে এক্সে প্রকাশিত নিবন্ধে তিনি যুক্তি দিয়েছেন, এআই কেনার সময় প্রতিষ্ঠান শুধু সাবস্ক্রিপশন বা কম্পিউটিং খরচ দেয় না; প্রযুক্তিটিকে সত্যিকার অর্থে উপযোগী করে তুলতে প্রতিষ্ঠানকে নিজের মালিকানাধীন জ্ঞানও প্রকাশ করতে হয়। (X (formerly Twitter))
নাডেলার ভাষায়, এআই ব্যবহারে প্রতিষ্ঠান এক অর্থে “দুইবার মূল্য দেয়”—প্রথমবার অর্থ দিয়ে, দ্বিতীয়বার সেই বিশেষ জ্ঞান দিয়ে, যা তাদের প্রতিযোগীদের কাছেও সহজলভ্য নয়। তাঁর বক্তব্য ইতিমধ্যে প্রযুক্তি ও ব্যবসায়িক মহলে ব্যাপক আলোচনা তৈরি করেছে। তবে সামাজিক মাধ্যমে প্রচারিত ভিউয়ের সংখ্যা দ্রুত পরিবর্তনশীল হওয়ায় নির্দিষ্ট সংখ্যা উদ্ধৃত করার ক্ষেত্রে সতর্ক থাকা প্রয়োজন; বিভিন্ন সংবাদমাধ্যমে কয়েক মিলিয়ন ভিউয়ের ভিন্ন ভিন্ন হিসাব প্রকাশিত হয়েছে। (The Times of India)
কেনেথ অ্যারো থেকে সত্য নাডেলা: একটি পুরোনো অর্থনৈতিক ধাঁধার নতুন রূপ
এই বিতর্কের শিকড় আধুনিক এআইয়ের জন্মের বহু আগে।
অর্থনীতিবিদ কেনেথ অ্যারো ১৯৬২ সালে প্রকাশিত তাঁর প্রভাবশালী গবেষণা “Economic Welfare and the Allocation of Resources for Invention”-এ জ্ঞান ও উদ্ভাবনকে বাজারজাত করার মৌলিক সমস্যাগুলো বিশ্লেষণ করেন। গবেষণাটি The Rate and Direction of Inventive Activity গ্রন্থে প্রকাশিত হয়েছিল। সেখানে অ্যারো দেখান, তথ্য সাধারণ পণ্যের মতো নয়; এর মূল্য অনিশ্চিত, একবার প্রকাশিত হলে তা সহজে নকল বা পুনর্ব্যবহার করা যায় এবং তথ্যের প্রান্তিক পরিবহন ব্যয় অনেক ক্ষেত্রে অত্যন্ত কম। (NBER)
পরবর্তী অর্থনৈতিক সাহিত্যে বিষয়টি “Arrow Information Paradox” নামে পরিচিতি পায়। সমস্যাটি সরল ভাষায় এমন:
কোনো বিক্রেতা যদি তথ্যের প্রকৃত মূল্য একজন সম্ভাব্য ক্রেতাকে বোঝাতে চান, তবে তাঁকে তথ্যটির অন্তত গুরুত্বপূর্ণ অংশ প্রকাশ করতে হবে। কিন্তু তথ্যটি প্রকাশিত হওয়ার পর ক্রেতা সেটি জেনে যায়; তখন সে আর আগের মতো মূল্য দিতে আগ্রহী নাও হতে পারে।
অর্থাৎ, ঐতিহ্যগত বাজারে ঝুঁকি ছিল তথ্যের বিক্রেতার।
নাডেলা বলছেন, এআইয়ের যুগে পরিস্থিতি উল্টে গেছে। এখন প্রতিষ্ঠান একটি মডেল বা এআই সেবা কিনছে, কিন্তু সেটিকে প্রতিষ্ঠানের বাস্তব কাজে দক্ষ করে তুলতে গিয়ে ক্রেতাকেই নিজের কাজের গোপন সূত্র উন্মুক্ত করতে হচ্ছে।
ঝুঁকি তাই এখন তথ্যের ক্রেতারও।
প্রতিষ্ঠান আসলে কী প্রকাশ করছে?
এখানে শুধু কোনো গোপন নথি কপি করে চ্যাটবটে পেস্ট করার কথা বলা হচ্ছে না। ঝুঁকিটি আরও গভীর।
একটি প্রতিষ্ঠান যখন নিয়মিত এআই ব্যবহার করে, তখন সিস্টেমটিকে বুঝিয়ে দিতে হয়—
কোন উত্তর গ্রহণযোগ্য;
কোন ভুলটি গুরুতর;
কোন গ্রাহককে কীভাবে উত্তর দিতে হবে;
কোন আইনি ধারাকে বেশি গুরুত্ব দিতে হবে;
কোন আর্থিক ঝুঁকি উপেক্ষা করা যাবে না;
কোন সংবাদকে প্রধান শিরোনাম করা উচিত;
কোন প্রকৌশল ত্রুটিকে জরুরি হিসেবে চিহ্নিত করতে হবে;
কোন ব্যতিক্রমে প্রতিষ্ঠানের সাধারণ নিয়ম বদলে যায়।
এই জ্ঞান একটি সাধারণ ডেটাসেটে পাওয়া যায় না। এটি তৈরি হয় বহু বছরের অভিজ্ঞতা, ব্যর্থতা, বিচারবোধ এবং মানুষের পারস্পরিক কাজের মধ্য দিয়ে।
প্রতিবার একজন বিশেষজ্ঞ যখন বলেন—“উত্তরটি ঠিক হয়নি”, “এই অংশটি বাদ দাও”, “এই পরিস্থিতিতে আমাদের নীতি আলাদা”, “এই ফলাফলকে সফল বলা যাবে না”—তখন তিনি শুধু এআইয়ের একটি উত্তর সংশোধন করছেন না। তিনি প্রতিষ্ঠানের কাছে সঠিক বলতে কী বোঝায়, তার একটি ক্ষুদ্র কিন্তু মূল্যবান সংজ্ঞা তৈরি করছেন।
এই সংশোধন, ইভ্যালুয়েশন সেট, এজেন্ট ট্রেস, মেমরি, টুল ব্যবহারের নিয়ম এবং সিদ্ধান্তের ক্রমকেই নাডেলা বৃহত্তর অর্থে “intelligence exhaust” হিসেবে বর্ণনা করেছেন—এআই ব্যবহারের সঙ্গে সঙ্গে তৈরি হওয়া বুদ্ধিবৃত্তিক অবশিষ্টাংশ। তাঁর আশঙ্কা, যথাযথ স্থাপত্য ও মালিকানা নিশ্চিত না করলে এই শেখার স্তর ধীরে ধীরে প্রতিষ্ঠানের নিয়ন্ত্রণের বাইরে চলে যেতে পারে। (Benzinga)
তবে এআই কি সত্যিই প্রতিটি প্রম্পট থেকে নিজেকে প্রশিক্ষণ দেয়?
এখানেই আলোচনায় সবচেয়ে গুরুত্বপূর্ণ সংশোধনটি প্রয়োজন।
সব এআই সেবা, সব অ্যাকাউন্ট এবং সব ধরনের ডেটা ব্যবহারের নীতি এক নয়। “আমি একটি প্রম্পট দিলাম, তাই মডেলটি সঙ্গে সঙ্গে আমার তথ্য শিখে নিল”—এমন সরল ধারণা প্রযুক্তিগতভাবে অনেক ক্ষেত্রেই ভুল।
ওপেনএআইয়ের বর্তমান নীতি অনুযায়ী, ChatGPT Enterprise, ChatGPT Business, ChatGPT Edu এবং API-তে পাঠানো প্রতিষ্ঠানের ইনপুট ও আউটপুট ডিফল্টভাবে মডেল প্রশিক্ষণে ব্যবহার করা হয় না। প্রতিষ্ঠান নিজের ইনপুট ও অনুমোদিত আউটপুটের অধিকারও ধরে রাখে। তবে কিছু API ডেটা সেবা পরিচালনা ও অপব্যবহার পর্যবেক্ষণের জন্য সীমিত সময় সংরক্ষিত হতে পারে; যোগ্য গ্রাহকেরা কিছু ক্ষেত্রে zero data retention-এর আবেদন করতে পারেন। (OpenAI)
একইভাবে মাইক্রোসফট জানিয়েছে, Azure-এর মাধ্যমে বিক্রি হওয়া মডেলে গ্রাহকের প্রম্পট, আউটপুট, এমবেডিং ও প্রশিক্ষণ-ডেটা অনুমতি ছাড়া ফাউন্ডেশন মডেল প্রশিক্ষণে ব্যবহৃত হয় না এবং অন্য গ্রাহক বা সংশ্লিষ্ট বাইরের মডেল সরবরাহকারীর কাছে উন্মুক্ত করা হয় না। Azure-এর নথি আরও বলছে, বেস মডেল নিজে stateless; প্রম্পট ও উত্তর সরাসরি মডেলের ভেতরে সংরক্ষিত থাকে না। (Microsoft Learn)
অতএব, মডেল ট্রেনিং, ডেটা প্রসেসিং, লগ সংরক্ষণ, অপব্যবহার পর্যবেক্ষণ, এজেন্ট মেমরি, ইভ্যালুয়েশন ব্যবস্থাপনা এবং প্রতিষ্ঠানের শেখার মালিকানা—এসবকে এক করে দেখলে বাস্তবতা বিকৃত হবে।
নাডেলার বক্তব্যের শক্তি ঠিক এখানেই। তিনি শুধু অভিযোগ করছেন না যে কোনো এআই কোম্পানি গোপনে সব গ্রাহকের তথ্য নিয়ে ফাউন্ডেশন মডেল প্রশিক্ষণ করছে। বরং তিনি আরও স্থাপত্যগত প্রশ্ন তুলছেন:
প্রতিষ্ঠানের এআই ব্যবহারের ফলে যে নতুন জ্ঞান তৈরি হচ্ছে, সেই জ্ঞানের নিয়ন্ত্রণ, বহনযোগ্যতা এবং ভবিষ্যৎ মূল্য কার হাতে থাকছে?
ক্লাউড ডেটা রাখত, এআই তৈরি করে ‘শেখার স্তর’
ক্লাউড কম্পিউটিংয়ের যুগে সবচেয়ে বড় উদ্বেগ ছিল—ডেটা কোথায় রাখা হচ্ছে, কে সেটি দেখতে পারে এবং কীভাবে এনক্রিপ্ট করা হচ্ছে।
এআই যুগে এই প্রশ্নগুলো এখনো জরুরি। কিন্তু এর সঙ্গে যুক্ত হয়েছে আরেকটি স্তর: প্রতিষ্ঠান তার ডেটা ব্যবহার করে কী শিখল, কোন প্রম্পট কার্যকর হলো, কোন উত্তর ব্যর্থ হলো, কোন ইভ্যালুয়েশন পাস করল, কোন মানবিক সংশোধন সিদ্ধান্তের মান বাড়াল—এই শেখার ইতিহাস কোথায় জমা হচ্ছে?
একটি প্রতিষ্ঠানের কাঁচা ডেটা হয়তো অন্য প্রতিষ্ঠানের কাছেও থাকতে পারে। কিন্তু সেই ডেটাকে কীভাবে ব্যাখ্যা করতে হয়, কোন ব্যতিক্রমগুলো গুরুত্বপূর্ণ এবং কোন ফলাফল ব্যবসায়িকভাবে গ্রহণযোগ্য—এই জ্ঞান সাধারণত অনন্য।
তাই আগামী দিনের প্রতিযোগিতায় শুধু সবচেয়ে বড় মডেলের মালিক জয়ী হবে না। এগিয়ে থাকবে সেই প্রতিষ্ঠান, যে নিজের—
কনটেক্সট;
ইভ্যালুয়েশন;
প্রম্পট ও ওয়ার্কফ্লো;
এজেন্টের কার্যপ্রণালি;
ফিডব্যাক;
অভিযোজিত মডেল;
এবং দীর্ঘমেয়াদি স্মৃতি
নিজের নিয়ন্ত্রণে রেখে ক্রমাগত উন্নত করতে পারবে।
‘লক-ইন’-এর নতুন চেহারা
প্রযুক্তি শিল্পে vendor lock-in নতুন নয়। কোনো প্রতিষ্ঠান একটি নির্দিষ্ট ক্লাউড, সফটওয়্যার বা ডেটাবেসের ওপর অতিরিক্ত নির্ভরশীল হয়ে পড়লে অন্য সেবায় যাওয়া ব্যয়বহুল ও জটিল হয়ে ওঠে।
কিন্তু এআইয়ের lock-in আরও সূক্ষ্ম হতে পারে।
ধরা যাক, একটি ব্যাংক তিন বছর ধরে একটি নির্দিষ্ট এআই প্ল্যাটফর্মে ঋণ-ঝুঁকি মূল্যায়নের জন্য হাজার হাজার সংশোধন, ইভ্যালুয়েশন ও সিদ্ধান্তের উদাহরণ তৈরি করেছে। ব্যাংকটি পরে অন্য মডেলে যেতে চাইলে শুধু নথি স্থানান্তর করলেই হবে না। তাকে বহন করতে হবে—
“সঠিক” সিদ্ধান্তের সংজ্ঞা;
বিশেষজ্ঞদের সংশোধনের ইতিহাস;
মডেল ব্যর্থতার শ্রেণিবিন্যাস;
টুল ব্যবহারের ক্রম;
ব্যতিক্রমী ঘটনার নিয়ম;
এবং মানুষের অনুমোদনের কাঠামো।
এই স্তর বহনযোগ্য না হলে প্রতিষ্ঠান প্রযুক্তি বদলাতে পারলেও নিজের সঞ্চিত এআই-শিক্ষার বড় অংশ হারাতে পারে।
অর্থাৎ, ভবিষ্যতের সবচেয়ে শক্তিশালী lock-in হয়তো ডেটার নয়—শেখার lock-in।
নাডেলার প্রস্তাব: পাঁচ ‘C’-এর কৌশল
নাডেলা প্রতিষ্ঠানগুলোর জন্য পাঁচটি নীতির কথা বলেছেন—Control, Capability, Choice, Cost এবং Compound। কিছু আলোচনায় প্রথমে “চারটি কাজ” বলা হলেও তাঁর কাঠামোটি আসলে পাঁচটি আন্তঃসম্পর্কিত উপাদানের ওপর দাঁড়ানো। (The Times of India)
১. Control — নিয়ন্ত্রণ
প্রতিষ্ঠানকে নিজস্ব ইভ্যালুয়েশন, ট্রেস, মেমরি, ফিডব্যাক ও সিদ্ধান্তের মানদণ্ডের মালিক হতে হবে।
কারণ মডেল কোন উত্তর দিল, সেটির চেয়ে বেশি মূল্যবান হতে পারে—প্রতিষ্ঠান কেন উত্তরটিকে গ্রহণ বা প্রত্যাখ্যান করল।
প্রয়োজনে প্রতিষ্ঠানকে নিজস্ব ডেটা-রিটেনশন নীতি, অ্যাক্সেস কন্ট্রোল, এনক্রিপশন, অডিট লগ ও মানবিক অনুমোদন ব্যবস্থা তৈরি করতে হবে।
২. Capability — নিজস্ব সক্ষমতা
সব প্রতিষ্ঠানকে শূন্য থেকে একটি বিশাল ভাষা মডেল বানাতে হবে—নাডেলার বক্তব্যের অর্থ তা নয়।
বরং প্রতিষ্ঠানের সংবেদনশীল জ্ঞানকে নিজের নিরাপত্তা-সীমার মধ্যে রেখে RAG, fine-tuning, private inference, domain model অথবা সুরক্ষিত এজেন্ট ব্যবস্থার মতো উপায়ে নিজস্ব সক্ষমতা তৈরি করতে হবে।
মূলনীতি হলো: মূল্যবান জ্ঞান ব্যবহৃত হবে, কিন্তু অপ্রয়োজনে সীমার বাইরে যাবে না।
৩. Choice — বিকল্পের স্বাধীনতা
একটি মাত্র মডেল বা সরবরাহকারীর ওপর সব কাজ নির্ভরশীল করে তোলা ঝুঁকিপূর্ণ।
প্রতিষ্ঠানের এমন architecture প্রয়োজন, যেখানে কাজের ধরন অনুযায়ী ভিন্ন মডেল ব্যবহার করা যাবে। কোনো একটি মডেলের মূল্য বেড়ে গেলে, নীতি বদলে গেলে, মান খারাপ হলে অথবা সেবা বন্ধ হলে যেন পুরো ব্যবস্থা ভেঙে না পড়ে।
এখানে open standards, portable prompts, model-agnostic evaluation এবং modular orchestration গুরুত্বপূর্ণ।
৪. Cost — ব্যয়ের ওপর নিয়ন্ত্রণ
সব কাজে সবচেয়ে বড় বা সবচেয়ে দামি মডেল ব্যবহার অর্থনৈতিকভাবে অযৌক্তিক।
সাধারণ শ্রেণিবিন্যাসের জন্য ছোট মডেল, জটিল বিশ্লেষণের জন্য শক্তিশালী মডেল এবং সংবেদনশীল কাজের জন্য private deployment—এভাবে কাজ ভাগ করলে ব্যয় কমে এবং নিয়ন্ত্রণ বাড়ে।
মডেল, কনটেক্সট, টুল ও টাস্ককে আলাদা স্তরে পরিচালনা করতে পারলে প্রতিষ্ঠান প্রয়োজন অনুযায়ী সবচেয়ে কার্যকর সমন্বয় বেছে নিতে পারে।
৫. Compound — সঞ্চিত শেখাকে পুঁজিতে রূপান্তর
প্রতিটি সংশোধন, সফল প্রম্পট, ব্যর্থতার উদাহরণ ও বিশেষজ্ঞের সিদ্ধান্ত যদি প্রতিষ্ঠানের নিজস্ব learning loop-এ ফিরে আসে, তবে সেই জ্ঞান সময়ের সঙ্গে compound করে—অর্থাৎ সুদের মতো বাড়তে থাকে।
তখন প্রতিষ্ঠান শুধু এআই ব্যবহার করে না; এআই ব্যবহারের মধ্য দিয়ে একটি নিজস্ব বুদ্ধিবৃত্তিক সম্পদ গড়ে তোলে।
সমালোচকদের প্রশ্ন: এই সতর্কতায় কি স্বার্থের সংঘাত আছে?
নাডেলার বক্তব্য তাৎপর্যপূর্ণ, কিন্তু একে সম্পূর্ণ নিরপেক্ষ প্রযুক্তি-দর্শন হিসেবে গ্রহণ করলেও কিছু প্রশ্ন থেকে যায়।
প্রথমত, মাইক্রোসফট নিজেই বিশ্বের অন্যতম বৃহৎ ক্লাউড ও এআই সরবরাহকারী। Azure AI, Microsoft 365 Copilot, GitHub Copilot এবং এআই অবকাঠামো থেকে কোম্পানিটি বিপুল ব্যবসায়িক সুবিধা পায়। ফলে গ্রাহকের শেখার নিয়ন্ত্রণ নিয়ে নাডেলার আহ্বান নৈতিক সতর্কতা হওয়ার পাশাপাশি মাইক্রোসফটের নিজস্ব enterprise cloud, private deployment ও orchestration পণ্যের পক্ষে একটি বাণিজ্যিক যুক্তিও তৈরি করে।
দ্বিতীয়ত, সব প্রতিষ্ঠান নিজস্ব মডেল, inference infrastructure বা sophisticated evaluation platform চালানোর মতো অর্থ, দক্ষতা ও জনবল রাখে না। বড় প্রতিষ্ঠানের জন্য “নিজের সীমার মধ্যে সক্ষমতা তৈরি করুন” বাস্তবসম্মত হলেও ছোট ব্যবসার জন্য তা ব্যয়বহুল হতে পারে।
তৃতীয়ত, সম্পূর্ণ self-hosted বা private model-ও স্বয়ংক্রিয়ভাবে নিরাপদ নয়। দুর্বল access control, prompt injection, অতিরিক্ত অনুমতি পাওয়া agent, অনিরাপদ plugin, ভুলভাবে কনফিগার করা vector database কিংবা কর্মীর অসতর্কতা—এসব কারণে নিজস্ব অবকাঠামোতেও গোপন তথ্য ফাঁস হতে পারে।
চতুর্থত, কোনো প্ল্যাটফর্মে তথ্য রাখা মানেই মালিকানা হারানো নয়। চুক্তি, ডেটা প্রসেসিং অ্যাডেন্ডাম, রিটেনশন নীতি, encryption, audit rights এবং opt-out ব্যবস্থার মাধ্যমে প্রতিষ্ঠান উল্লেখযোগ্য নিয়ন্ত্রণ বজায় রাখতে পারে।
অতএব, বিতর্কটি “ক্লাউড খারাপ, নিজস্ব সার্ভার ভালো”—এমন দ্বৈততায় সীমাবদ্ধ নয়। আসল প্রশ্ন হলো: প্রযুক্তিগত ও চুক্তিগতভাবে কে কী নিয়ন্ত্রণ করছে?
সমর্থকদের যুক্তি: কাগজে মালিকানা থাকলেই বাস্তব নিয়ন্ত্রণ আসে না
নাডেলার বক্তব্যের সমর্থকেরা বলেন, কোনো প্রতিষ্ঠানের চুক্তিতে “আপনি আপনার ডেটার মালিক” লেখা থাকলেও বাস্তবে তা যথেষ্ট নয়।
কারণ মালিকানা ও কার্যকর নিয়ন্ত্রণ আলাদা বিষয়।
একটি প্রতিষ্ঠান যদি নিজের ইভ্যালুয়েশন export করতে না পারে, agent trace বুঝতে না পারে, prompt history একটি নতুন মডেলে বহন করতে না পারে অথবা vendor বদলালে বিশেষজ্ঞদের তিন বছরের সংশোধন হারিয়ে ফেলে—তবে আইনগত মালিকানা থাকলেও কৌশলগত নিয়ন্ত্রণ সীমিত থেকে যায়।
এ কারণে এআই গভর্ন্যান্সে শুধু privacy policy পড়া নয়, আরও কিছু প্রশ্ন করা জরুরি:
আমাদের তথ্য কত দিন রাখা হয়?
কোন অঞ্চলে প্রক্রিয়াকরণ হয়?
মানব পর্যালোচনার সুযোগ আছে কি?
তৃতীয় পক্ষের tool বা app-এ কী তথ্য যায়?
memory কোথায় সংরক্ষিত?
evaluation set export করা যায় কি?
fine-tuned model কার জন্য উপলভ্য?
vendor পরিবর্তন করলে শেখার ইতিহাস কীভাবে স্থানান্তর হবে?
কর্মীদের ব্যক্তিগত AI account ব্যবহারের নীতি কী?
কোনো agent কতটুকু নথি, ইমেইল বা ডেটাবেস দেখতে পারে?
সবচেয়ে বড় ঝুঁকি: প্রযুক্তি নয়, নীতিহীন ব্যবহার
বাস্তবে বহু প্রতিষ্ঠানে বড় ধরনের তথ্যঝুঁকি তৈরি হয় কোনো গোপন মডেল-ট্রেনিং ষড়যন্ত্র থেকে নয়, বরং সাধারণ অব্যবস্থাপনা থেকে।
কর্মীরা ব্যক্তিগত এআই অ্যাকাউন্টে—
অপ্রকাশিত আর্থিক প্রতিবেদন;
গ্রাহকের ব্যক্তিগত তথ্য;
আইনি নথি;
সোর্স কোড;
পাসওয়ার্ড বা API key;
চিকিৎসা-সংক্রান্ত তথ্য;
সংবাদমাধ্যমের গোপন সূত্র;
ব্যবসায়িক দরপত্র;
কর্মী মূল্যায়ন
পেস্ট করে দিতে পারেন।
এখানে সমস্যাটি হলো “এআই” নয়; সমস্যাটি হলো অনুমোদনহীন shadow AI—প্রতিষ্ঠানের বাইরে কর্মীদের বিচ্ছিন্নভাবে এআই ব্যবহার।
তাই নিষেধাজ্ঞা দিয়ে সমস্যার সমাধান সব সময় হয় না। বরং কর্মীদের নিরাপদ, অনুমোদিত ও পর্যবেক্ষণযোগ্য এআই পরিবেশ দিতে হবে এবং কোন তথ্য কোন সিস্টেমে ব্যবহার করা যাবে, তা স্পষ্ট করতে হবে।
প্রতিষ্ঠানের জন্য বাস্তব করণীয়
তথ্যকে চার স্তরে ভাগ করুন
Public: প্রকাশ্য তথ্য, বিপণনসামগ্রী, প্রকাশিত প্রতিবেদন।
Internal: সাধারণ অভ্যন্তরীণ তথ্য, যা প্রকাশ্য নয় কিন্তু অত্যন্ত সংবেদনশীলও নয়।
Confidential: গ্রাহক তথ্য, আর্থিক পরিকল্পনা, চুক্তি, সোর্স কোড, মানবসম্পদ নথি।
Restricted: বাণিজ্য-গোপনীয়তা, ব্যক্তিগত স্বাস্থ্যতথ্য, পাসওয়ার্ড, নিরাপত্তা-চাবি, অধিগ্রহণ পরিকল্পনা, অপ্রকাশিত আইনি কৌশল।
প্রতিটি শ্রেণির জন্য নির্ধারণ করতে হবে—কোন এআই সেবা ব্যবহারযোগ্য এবং কোনটি নিষিদ্ধ।
ব্যক্তিগত ও এন্টারপ্রাইজ অ্যাকাউন্ট আলাদা করুন
সাধারণ ভোক্তা অ্যাকাউন্ট এবং ব্যবসায়িক বা এন্টারপ্রাইজ পরিকল্পনার গোপনীয়তা, প্রশাসনিক নিয়ন্ত্রণ ও ডেটা ব্যবহারের শর্ত এক নয়। কর্মীদের ব্যক্তিগত অ্যাকাউন্টে কোম্পানির গোপন তথ্য দেওয়া বন্ধ করতে হবে।
ইভ্যালুয়েশনকে মেধাসম্পদ হিসেবে দেখুন
কোনো এআই উত্তরকে প্রতিষ্ঠান কেন সঠিক বা ভুল বলছে—এই উদাহরণগুলো ভবিষ্যতে মডেল পাল্টানো, fine-tuning, quality assurance এবং প্রশিক্ষণের জন্য অত্যন্ত গুরুত্বপূর্ণ। এগুলোকে আলাদা, নিরাপদ ও exportable repository-তে রাখা উচিত।
মডেল নয়, learning layer নিজের করুন
প্রম্পট টেমপ্লেট, policy rules, retrieval logic, evaluation, tool permissions ও feedback history যেন একটি নির্দিষ্ট মডেলের সঙ্গে অচ্ছেদ্যভাবে যুক্ত না থাকে।
সর্বনিম্ন প্রয়োজনীয় অ্যাক্সেস দিন
একটি এজেন্টকে পুরো ইমেইল, ড্রাইভ বা গ্রাহক ডেটাবেসে প্রবেশাধিকার দেওয়ার বদলে কাজ সম্পন্ন করতে যতটুকু দরকার, ততটুকুই দেওয়া উচিত।
নিয়মিত red-team পরীক্ষা চালান
এজেন্টকে এমন প্রম্পট দিয়ে পরীক্ষা করতে হবে, যার মাধ্যমে সে গোপন নথি, system prompt, অন্য ব্যবহারকারীর তথ্য বা নিষিদ্ধ টুল ব্যবহারের চেষ্টা করে কি না।
চুক্তির ভাষা পরীক্ষা করুন
“ডেটা দিয়ে মডেল ট্রেন করা হয় না”—শুধু এই একটি বাক্য যথেষ্ট নয়। retention, subprocessors, support access, abuse monitoring, data residency, deletion, portability এবং breach notification সম্পর্কেও পরিষ্কার শর্ত দরকার।
‘Hit Refresh’ থেকে রিভার্স প্যারাডক্স: নাডেলার ধারাবাহিক দর্শন
সত্য নাডেলার ২০১৭ সালের বই “Hit Refresh”-এর কেন্দ্রীয় ধারণা ছিল পুনর্নবীকরণ—ব্যক্তি ও প্রতিষ্ঠানকে স্থির জ্ঞান নয়, শেখার ক্ষমতার ওপর দাঁড়াতে হবে। তাঁর বহুল আলোচিত “know-it-all” থেকে “learn-it-all” সংস্কৃতির আহ্বানও একই দর্শনের অংশ।
“Reverse Information Paradox” সেই ধারণার নতুন করপোরেট রূপ: প্রতিষ্ঠানের মূল শক্তি শুধু সে আজ কী জানে, তা নয়; বরং সে প্রতিদিন কীভাবে শেখে এবং সেই শেখা নিজের কাছে ধরে রাখতে পারে কি না।
অর্থাৎ, এআই যুগের প্রতিযোগিতা শুধু intelligence কেনার প্রতিযোগিতা নয়। এটি learning ownership বা শেখার মালিকানা রক্ষার প্রতিযোগিতা।
শেষ কথা: এআইকে জ্ঞান দেবেন—কিন্তু শর্তহীনভাবে নয়
কৃত্রিম বুদ্ধিমত্তা থেকে মূল্য পেতে হলে তাকে কনটেক্সট দিতে হবে। তাকে প্রতিষ্ঠানের ভাষা, লক্ষ্য, সীমাবদ্ধতা ও মানদণ্ড বুঝতে দিতে হবে। কোনো জ্ঞান না দিয়েই অত্যন্ত ব্যক্তিকৃত এআই পাওয়ার ধারণা বাস্তবসম্মত নয়।
কিন্তু সেই বিনিময় অন্ধ হতে পারে না।
প্রতিষ্ঠানকে জানতে হবে—সে কী দিচ্ছে, কোথায় দিচ্ছে, কত দিন রাখা হচ্ছে, কারা দেখতে পারে, কোন অংশ অন্য সিস্টেমে যাচ্ছে এবং এআই ব্যবহারের ফলে যে নতুন জ্ঞান তৈরি হচ্ছে তা ভবিষ্যতে প্রতিষ্ঠান নিজে ব্যবহার, স্থানান্তর ও নিয়ন্ত্রণ করতে পারবে কি না।
কেনেথ অ্যারোর যুগে প্রশ্ন ছিল: তথ্য প্রকাশ না করে তার মূল্য প্রমাণ করা সম্ভব কি?
এআইয়ের যুগে প্রশ্নটি আরও অস্বস্তিকর:
বুদ্ধিমত্তা কিনতে গিয়ে কোনো প্রতিষ্ঠান কি নিজের বুদ্ধিমত্তা তৈরির কারখানাটিই অন্যের হাতে তুলে দিচ্ছে?
এই প্রশ্নের উত্তর শুধু একটি privacy policy-তে পাওয়া যাবে না। উত্তর লুকিয়ে থাকবে প্রতিষ্ঠানের architecture, contracts, governance, employee practices এবং সর্বোপরি—তার নিজস্ব শেখাকে মেধাসম্পদ হিসেবে দেখার সক্ষমতায়।
কারণ আগামী দিনের সবচেয়ে মূল্যবান কোম্পানি সম্ভবত সেই কোম্পানি হবে না, যার কাছে সবচেয়ে বেশি ডেটা আছে। বরং সেই কোম্পানি হবে, যে অন্যদের চেয়ে দ্রুত শেখে—এবং নিজের শেখার মালিকানা নিজের কাছেই রাখে।
সম্পাদকীয় নোট: “প্রতিটি correction সরাসরি মডেলের ভেতরে ঢুকে যাচ্ছে”—মূল লেখার এই বাক্যটি প্রকাশ না করাই যথাযথ। সঠিক ভাষা হবে: এআই ব্যবহারের সময় correction ও evaluation প্রতিষ্ঠান বা সেবা-প্ল্যাটফর্মের learning layer-এ মূল্যবান জ্ঞান তৈরি করতে পারে; তবে সেটি ফাউন্ডেশন মডেল প্রশিক্ষণে ব্যবহৃত হচ্ছে কি না, তা নির্ভর করে নির্দিষ্ট পণ্য, অ্যাকাউন্ট, চুক্তি ও ডেটা নীতির ওপর।
#SatyaNadella #ReverseInformationParadox #ArtificialIntelligence #EnterpriseAI #ChatGPT #Microsoft #DataPrivacy #CyberSecurity #AIgovernance #TechNews #প্রযুক্তি #কৃত্রিমবুদ্ধিমত্তা #সাপ্তাহিকক্যালিফোর্নিয়ারচিঠি
এখনও কোনো মন্তব্য নেই। আলোচনাটি শুরু করুন।