গুগল জেমিনি: এটি কী, সংস্করণ এবং গুগলের এআই যা কিছু করতে পারে

হোম » অ্যান্ড্রয়েড » গুগল জেমিনি: এটি কী, এর সংস্করণসমূহ এবং গুগলের এই এআই যা যা করতে পারে

গুগল জেমিনি কৃত্রিম বুদ্ধিমত্তার ক্ষেত্রে গুগলের একটি বড় অগ্রগতিতে পরিণত হয়েছে ; এটি এমন একগুচ্ছ মডেল যার লক্ষ্য সর্বত্র বিরাজ করা: মোবাইলে, সার্চে, প্রোডাক্টিভিটি অ্যাপে, ক্লাউডে এবং ডেভেলপার টুলসে। এটি শুধু "আরেকটি চ্যাটবট" নয়, বরং এটি একটি সম্পূর্ণ প্ল্যাটফর্ম যা অ্যাসিস্ট্যান্ট তৈরি করতে, কনটেন্ট তৈরি করতে, জটিল তথ্য নিয়ে যুক্তি দাঁড় করাতে এবং এমনকি একই সাথে ভিডিও, অডিও ও ছবি ব্যাখ্যা করার জন্য ডিজাইন করা হয়েছে।

সাম্প্রতিক মাসগুলোতে আমরা দেখেছি, জেমিনিকে গুগলের নিজস্ব অ্যাপ, ওয়ার্কস্পেস, এআই ওভারভিউ সহ সার্চ এবং ডেভেলপার ও ব্যবসায়ীদের জন্য তৈরি বিভিন্ন প্রোডাক্টের সাথে ইন্টিগ্রেট করা হয়েছে । একই সাথে, গুগল এর নতুন সংস্করণ (১.০, ১.৫, ২, ২.৫ এবং এখন ৩), ফ্ল্যাশ ও ন্যানোর মতো বিশেষায়িত মডেল এবং ডিপ রিসার্চ, ভিডিও জেনারেশন ও ২০ লক্ষ টোকেন পর্যন্ত বিশাল কনটেক্সটের মতো উন্নত ফিচারসহ পেইড প্ল্যান প্রকাশ করে চলেছে।

গুগল জেমিনি কী এবং কেন এটি এত গুরুত্বপূর্ণ?

গুগল জেমিনি হলো গুগলের সবচেয়ে উন্নত জেনারেটিভ এআই মডেলের একটি পরিবার , যা ল্যাঙ্গুয়েজ মডেল (LMM)-এর শীর্ষ স্তরে প্রতিযোগিতা করার জন্য এবং সর্বোপরি, এর সমগ্র এআই কৌশলের ভিত্তি হিসেবে কাজ করার জন্য ডিজাইন করা হয়েছে। এটি PaLM-এর সরাসরি উত্তরসূরি, যে মডেলটি Bard-কে শক্তি যুগিয়েছিল, এবং বর্তমানে এটিই জেমিনি চ্যাটবট, স্বয়ং জেমিনি অ্যাপ এবং গুগল ইকোসিস্টেমের মধ্যে থাকা অনেক ইন্টেলিজেন্ট অভিজ্ঞতার পেছনের প্রযুক্তি।

পূর্ববর্তী প্রজন্মের মডেলগুলোর থেকে ভিন্ন, জেমিনিকে একেবারে গোড়া থেকেই একটি মাল্টিমোডাল মডেল হিসেবে ডিজাইন করা হয়েছে । এর মানে হলো, এটি শুধু টেক্সটই নয়, বরং ছবি, অডিও, ভিডিও এবং কোডও প্রসেস করে এবং এই সমস্ত ফরম্যাটকে স্বাভাবিকভাবেই একীভূত করে। এটি এমন কোনো টেক্সট-ভিত্তিক মডেল নয়, যাতে পরে ভিশন বা অডিও মডিউল যোগ করা হয়; বরং এর প্রশিক্ষণে গোড়া থেকেই এই সবকিছু অন্তর্ভুক্ত থাকে।

গুগল দেখিয়েছে যে, অনেক এআই বেঞ্চমার্কে জেমিনি অন্যান্য শীর্ষস্থানীয় মডেলকে ছাড়িয়ে যেতে পারে , বিশেষ করে স্বাভাবিক ভাষা বোঝা, জটিল সমস্যা সমাধান, কোড তৈরি এবং মাল্টিমোডাল বিশ্লেষণে। জেমিনি আলট্রার মতো সংস্করণগুলো এমনকি MMLU-এর মতো পরীক্ষায় মানব বিশেষজ্ঞদের দলকেও ছাড়িয়ে গেছে, যা সাধারণ জ্ঞান এবং যুক্তিবোধ মূল্যায়ন করে।

কোম্পানির কৌশলগত উদ্দেশ্য সুস্পষ্ট: জেমিনি ব্র্যান্ডের অধীনে এআই মডেল এবং ব্যবহারকারীর অভিজ্ঞতা উভয়কে একীভূত করা । বার্ড এখন আর কোনো ব্র্যান্ডের নাম নয়, এবং এখন থেকে আমরা যখন গুগল এআই নিয়ে কথা বলব, তখন আমরা সরাসরি জেমিনিকেই বোঝাব, সেটা অভ্যন্তরীণ প্রযুক্তি হোক বা আমাদের ফোন বা ওয়েবে ব্যবহৃত অ্যাসিস্ট্যান্টই হোক।

বার্ড থেকে মিথুন: নাম পরিবর্তন, মনোযোগের পরিবর্তন

একসময় বার্ড ছিল গুগলের কথোপকথনমূলক এআই-এর পরিচিত মুখ , কিন্তু এটি আসলে PaLM মডেলগুলোর ওপর একটি ইন্টারফেস লেয়ার মাত্র। জেমিনি চালুর মাধ্যমে গুগল তার বার্তা আদান-প্রদানকে সরল করার এবং চ্যাটবট ব্র্যান্ডকে মডেল ব্র্যান্ড থেকে আলাদা করা বন্ধ করার সিদ্ধান্ত নিয়েছে।

এই পদক্ষেপে সবকিছুর জন্য একই শব্দ, “জেমিনি,” ব্যবহার করা হচ্ছে : তাদের ডেটা সেন্টারে প্রশিক্ষিত ল্যাঙ্গুয়েজ মডেল থেকে শুরু করে ডেভেলপারদের ব্যবহৃত এপিআই এবং ব্যবহারকারীর মোবাইল ডিভাইসে খোলা অ্যাপ পর্যন্ত। এই একত্রীকরণ প্রস্তাবটিকে আরও স্পষ্ট করে তোলে এবং বিচ্ছিন্ন পণ্যের পরিবর্তে একটি একক এআই প্ল্যাটফর্মের ধারণাকে শক্তিশালী করে।

নাম পরিবর্তনের পাশাপাশি, বার্ড থেকে জেমিনিতে রূপান্তরটি উল্লেখযোগ্য প্রযুক্তিগত উন্নতি নিয়ে এসেছে । বার্ডকে পর্যায়ক্রমে PaLM থেকে জেমিনি প্রো-তে স্থানান্তরিত করা হয়েছিল, এবং তারপরে জেমিনি অ্যাডভান্সড চালু করা হয়েছিল (যা এখন গুগল এআই প্রো/আল্ট্রা-এর সাথে সমন্বিত), যা জটিল কাজ, দীর্ঘমেয়াদী প্রকল্প এবং আরও উচ্চ স্তরের যুক্তির জন্য সবচেয়ে শক্তিশালী মডেলগুলিতে অ্যাক্সেস প্রদান করে।

এই বিবর্তন নতুন মাল্টিমোডাল সক্ষমতাগুলোকে আরও স্বাভাবিকভাবে একীভূত হওয়ার সুযোগ করে দিয়েছে । যেখানে বার্ড মূলত টেক্সটের উপর বেশি মনোযোগ দিত এবং এর ভিজ্যুয়াল ফাংশন ছিল সীমিত, সেখানে জেমিনি একটিমাত্র কথোপকথনের মধ্যেই দীর্ঘ ডকুমেন্ট, বিস্তারিত ছবি, অডিও, দীর্ঘ ভিডিও, এমনকি এই সবকিছুর সংমিশ্রণও বুঝতে প্রস্তুত।

গুগল জেমিনি ভার্সন: আল্ট্রা, প্রো, ফ্ল্যাশ এবং ন্যানো

জেমিনি পরিবারটি বিভিন্ন ব্যবহার এবং ক্ষমতার স্তরের জন্য ডিজাইন করা বেশ কয়েকটি মডেলে বিভক্ত । সবগুলোই সাধারণ ব্যবহারকারীর জন্য তৈরি নয়; অনেকগুলোই অ্যাপ, এপিআই, বা গুগল এআই স্টুডিও বা ভার্টেক্স এআই-এর মতো পরিষেবার মাধ্যমে ব্যবহৃত কম্পোনেন্ট।

জেমিনি আল্ট্রা হলো প্রথম প্রজন্মের (জেমিনি ১.০ আল্ট্রা) সবচেয়ে শক্তিশালী সংস্করণ এবং এটি ফ্ল্যাগশিপ বেঞ্চমার্ক হিসেবে ব্যবহৃত হয়ে আসছে। এটি বিশেষভাবে কঠিন কাজগুলোর জন্য ডিজাইন করা হয়েছে: যেমন—গভীর যুক্তি, উন্নত গাণিতিক সমস্যা, জটিল প্রোগ্রামিং এবং বিপুল পরিমাণ তথ্যের বিশ্লেষণ। GSM8K (গণিত), HumanEval (কোডিং) এবং MMLU (ভাষা বোধগম্যতা)-এর মতো পরীক্ষাগুলোতে জেমিনি আল্ট্রা বিভিন্ন সূচকে GPT-4, Claude 2 এবং Llama 2-এর মতো মডেলগুলোকে ছাড়িয়ে গেছে , এমনকি MMLU-তে মানব বিশেষজ্ঞদেরও পরাজিত করেছে।

জেমিনি প্রো হলো একটি মধ্যবর্তী বিকল্প এবং সাধারণ মানুষের জন্য সহজলভ্য চ্যাটবটের ভিত্তি হিসেবে ব্যবহৃত মডেল। এটি জেমিনি অ্যাপ, গুগল এআই স্টুডিও এবং ভার্টেক্স এআই-এর মাধ্যমে ১.০ এবং ১.৫ সংস্করণে পাওয়া যায়। জেমিনি ১.৫ প্রো মাল্টিমোডাল এবং একই প্রম্পটে টেক্সট, ছবি, অডিও ও ভিডিও গ্রহণ করে। এটি সবচেয়ে উন্নত কনফিগারেশনে ২০ লক্ষ পর্যন্ত টোকেনসহ অত্যন্ত বড় কনটেক্সট উইন্ডোও প্রদান করে।

জেমিনি ১.৫ ফ্ল্যাশ হলো একটি হালকা ও দ্রুততর মডেল, যা খরচ কমানো এবং প্রায় তাৎক্ষণিক প্রতিক্রিয়ার জন্য অপ্টিমাইজ করা হয়েছে, এবং একই সাথে প্রায় ১০ লক্ষ টোকেনের একটি বিশাল কনটেক্সট উইন্ডো বজায় রাখে। এটি এমন সব অ্যাপ্লিকেশনের জন্য ডিজাইন করা হয়েছে যেগুলোতে উচ্চ গতি ও বিপুল পরিমাণ ডেটা প্রক্রিয়াকরণের প্রয়োজন হয় , যেমন সেইসব পরিষেবা যা প্রচুর পরিমাণে টেক্সট প্রসেস করে বা রিয়েল-টাইম প্রতিক্রিয়া প্রদান করে, এবং এর জন্য মাল্টিমোডাল সক্ষমতার সাথে কোনো আপস করা হয় না।

জেমিনি ন্যানো হলো এই মডেলটির একটি কম্প্যাক্ট সংস্করণ, যা স্মার্টফোনের মতো সীমিত রিসোর্সযুক্ত ডিভাইসে সরাসরি চালানোর জন্য ডিজাইন করা হয়েছে। এর মূল উদ্ভাবন হলো সার্ভারের সাথে অবিচ্ছিন্ন সংযোগ ছাড়াই স্থানীয়ভাবে কাজ করার ক্ষমতা , যা গোপনীয়তা বাড়ায়, ল্যাটেন্সি কমায় এবং অডিও সামারি, স্মার্ট সাজেশন ও ফোনেই টেক্সট তৈরির মতো সমন্বিত এআই ফিচারগুলো সক্ষম করে। উদাহরণস্বরূপ, এটি AICore সার্ভিসের মাধ্যমে পিক্সেল ৮ প্রো-তে সমন্বিত করা হয়েছে এবং থার্ড-পার্টি অ্যাপ দ্বারাও ব্যবহার করা যায়।

মিথুন রাশি ভেতরে কীভাবে কাজ করে এবং কী এটিকে আলাদা করে তোলে

জেমিনির মতো কৃত্রিম বুদ্ধিমত্তার মডেলগুলোকে ওয়েব, কোড রিপোজিটরি, ডকুমেন্ট, ছবি, অডিও এবং ভিডিও থেকে সংগৃহীত বিপুল পরিমাণ ডেটা ব্যবহার করে প্রশিক্ষণ দেওয়া হয় । প্রশিক্ষণের সময়, সিস্টেমটি বিভিন্ন প্যাটার্ন শেখে: যেমন—বাক্য কীভাবে গঠিত হয়, ধারণাগুলো কীভাবে সম্পর্কিত, ছবিতে বস্তুগুলো দেখতে কেমন, বা বিভিন্ন ভাষায় একটি শব্দের উচ্চারণ কেমন।

জেমিনির ক্ষেত্রে, গুগল জোর দিয়ে বলে যে এর ডিজাইনটি একেবারে গোড়া থেকেই মাল্টিমোডাল । প্রথমে একটি টেক্সট মডেলকে প্রশিক্ষণ দিয়ে, তারপর ছবি বা অডিওকে টেক্সটে রূপান্তরকারী মডিউল যোগ করার পরিবর্তে, মডেলটি একই সাথে একাধিক ডেটা উৎস থেকে শেখে। এটি ভিজ্যুয়াল, টেক্সচুয়াল এবং অডিও তথ্যকে আরও স্বাভাবিকভাবে একত্রিত করতে পারে—উদাহরণস্বরূপ, ডায়াগ্রাম, হাতে লেখা টেক্সট এবং গ্রাফিক্স সম্বলিত একটি স্ক্যান করা ডকুমেন্ট বিশ্লেষণ করে, অথবা একটি ভিডিওর ফ্রেম এবং অডিওর উপর ভিত্তি করে সে সম্পর্কে সিদ্ধান্ত নিয়ে।

এই ইকোসিস্টেমের অন্যতম আকর্ষণীয় একটি উপাদান হলো আলফাকোড২ (AlphaCode2), যা জেমিনি (Gemini)-তে সমন্বিত একটি কোড জেনারেশন সিস্টেম । এই মডিউলটি প্রোগ্রামিং এবং উন্নত গাণিতিক সমস্যা বোঝার ক্ষমতা বাড়ায়, যুক্তির মান উন্নত করে এবং এলএলএম (LLM)-এর সাধারণ 'হ্যালুসিনেশন' (কৃত্রিম কিন্তু বিশ্বাসযোগ্য উত্তর) হ্রাস করে। এর ফলে আরও নির্ভরযোগ্য কোড সমাধান এবং উন্নততর প্রোগ্রামিং সহায়তা পাওয়া যায়।

প্রাসঙ্গিক সক্ষমতা হলো জেমিনির অন্যতম প্রধান শক্তি । জেমিনি ১.৫ প্রো-এর মাধ্যমে গুগল ১০ লক্ষ টোকেনের কনটেক্সট উইন্ডো চালু করে, যা আট-নয়টি সম্পূর্ণ বই অথবা যথেষ্ট বিস্তারিত এক ঘণ্টার ভিডিওর সমতুল্য। পরবর্তীতে, জেমিনি অ্যাডভান্সড এবং গুগল এআই স্টুডিও-তে নির্দিষ্ট কিছু ব্যবহারের জন্য এর ক্ষমতা ২০ লক্ষ টোকেনে সম্প্রসারণের ঘোষণা দেওয়া হয়। এই পরিধি ব্যবহারকারীদের বিশাল ডকুমেন্ট, ট্রান্সক্রিপ্টের সেট, সম্পূর্ণ কোড রিপোজিটরি বা বড় নলেজ বেস আপলোড করে বিস্তারিত বিশ্লেষণ ও সারসংক্ষেপের জন্য অনুরোধ করার সুযোগ দেয়।

গুগলের মতে, তারা অভ্যন্তরীণভাবে ইতোমধ্যে ১০ মিলিয়নেরও বেশি টোকেন সম্বলিত কনটেক্সট উইন্ডো নিয়ে কাজ করেছে , যা এখনও সর্বজনীনভাবে উন্মুক্ত করা হয়নি, কিন্তু এটিই গবেষণার ভবিষ্যৎ গতিপথ নির্দেশ করে: এমন মডেল তৈরি করা যা কোনো কিছুকে ছোট ছোট অংশে ভাগ করার প্রয়োজন ছাড়াই কার্যত একবারে "সবকিছু পড়তে" এবং সে সম্পর্কে যুক্তি দাঁড় করাতে পারে।

মিথুন ১.৫, ফ্ল্যাশ এবং পরিবারের বিবর্তন

২০২৪ সালের মে মাসে, গুগল আই/ও ইভেন্টের সময়, কোম্পানিটি জেমিনি ১.৫ প্রো এবং নতুন ১.৫ ফ্ল্যাশ মডেলের মাধ্যমে একটি বড় অগ্রগতির ঘোষণা দেয় । এর মূল উদ্দেশ্য হলো একই পরিবারের মধ্যে বিভিন্ন বিকল্প প্রদান করা, যা উচ্চ-ক্ষমতাসম্পন্ন অ্যাপ্লিকেশন থেকে শুরু করে গতি ও দক্ষতার চাহিদা পর্যন্ত সবকিছু পূরণ করবে।

জেমিনি ১.৫ প্রো, গুগল এআই স্টুডিও-এর মাধ্যমে জেমিনি অ্যাডভান্সড ব্যবহারকারী এবং ডেভেলপারদের জন্য এর কনটেক্সট ধারণক্ষমতা ২০ লক্ষ টোকেনে উন্নীত করেছে । এর ফলে পূর্বের চিত্তাকর্ষক ১০ লক্ষ টোকেনের পরিসরটি দ্বিগুণ হয়েছে, যা এই নির্দিষ্ট দিকটিতে এটিকে GPT-4 বা Claude 3-এর মতো প্রতিযোগী মডেলগুলোর চেয়ে অনেক এগিয়ে রেখেছে।

অন্যদিকে, জেমিনি ১.৫ ফ্ল্যাশ একটি হালকা ও অত্যন্ত দ্রুতগতির মডেল হিসেবে এসেছে , যা এমন বৃহৎ পরিসরের ইন্টিগ্রেশনের জন্য ডিজাইন করা হয়েছে যেখানে প্রতি মিলিয়ন টোকেন প্রসেস করার খরচ একটি অত্যন্ত গুরুত্বপূর্ণ বিষয়। গুগল এমনকি এপিআই-এর মাধ্যমে প্রসেস করা ১ মিলিয়ন টোকেনের জন্য খুবই প্রতিযোগিতামূলক মূল্যের কথাও উল্লেখ করেছে, যার লক্ষ্য হলো কোম্পানিগুলোকে সাশ্রয়ীভাবে বিপুল পরিমাণ ডেটা নিয়ে কাজ করতে সক্ষম করা।

বিভিন্ন বেঞ্চমার্কে, জেমিনি ১.৫ প্রো এবং ১.৫ ফ্ল্যাশ উভয়ই জেমিনি ১.০ আলট্রা-এর সমতুল্য বা এমনকি উন্নততর পারফরম্যান্স অর্জন করে এবং বিশাল আকারের কনটেক্সট উইন্ডো পরিচালনা করার সময়েও উচ্চ মান বজায় রাখে। এটি প্রমাণ করে যে, বিষয়টি কেবল "আরও বেশি টোকেন যুক্ত করা"-র মধ্যে সীমাবদ্ধ নয়, বরং তথ্যের পরিমাণ যখন বিপুলভাবে বেড়ে যায়, তখন প্রসেসিং ক্ষমতা বজায় রাখাই আসল।

এই মডিউলার পদ্ধতির পরিপূরক হিসেবে ওপেন ও বিশেষায়িত এআই-এর ক্ষেত্রে গুগলের অন্যান্য প্রকাশনা রয়েছে, যেমন পালিজেমা (ওপেন সোর্স ভিশন মডেল) বা জেমা ২, যা ২বি, ৭বি এবং ২৭বি প্যারামিটারের বিভিন্ন সংস্করণে পাওয়া যায়। এর লক্ষ্য হলো ডেভেলপার এবং কোম্পানিগুলোকে তাদের নিজস্ব ব্যবহারের জন্য অপ্টিমাইজ করা মডেল পেতে এবং কিছু ক্ষেত্রে, তাদের নিজস্ব পরিকাঠামোতে সেগুলো স্থাপন করতে সক্ষম করা।

মিথুন ৩: নতুন প্রজন্ম এবং গুগলের দৃষ্টিভঙ্গি

জেমিনি ৩- এর আগমনের সাথে সাথে গুগল তাদের এখন পর্যন্ত সবচেয়ে বুদ্ধিমান মডেলটির প্রচার করছে । গুগল এবং অ্যালফাবেটের সিইও সুন্দর পিচাইয়ের মতে, জেমিনির প্রতিটি প্রজন্ম পূর্ববর্তীটির উপর ভিত্তি করে তৈরি হয়েছে, যা এর তথ্য ধারণের ক্ষমতা এবং যুক্তির গভীরতা উভয়ই প্রসারিত করেছে।

জেমিনি ১ উন্নত, মাল্টিমোডাল ডেটা ম্যানেজমেন্টের দ্বার উন্মোচন করেছিল; জেমিনি ২ সক্রিয় সক্ষমতার উপর মনোযোগ দিয়েছিল , যার অর্থ হলো এআই আরও জটিল কাজ সম্পাদন করতে পারত এবং শুধু বিচ্ছিন্ন উত্তর দেওয়ার পরিবর্তে উদ্দেশ্য নিয়ে কাজ করতে পারত। জেমিনি ২.৫ প্রো-এর মতো মডেলগুলো তাদের যুক্তিবোধের ক্ষমতার জন্য এলএমএরিনার মতো র‍্যাঙ্কিংয়ে মাস ধরে শীর্ষস্থান ধরে রেখেছে।

এখন, জেমিনি ৩-এর মাধ্যমে গুগল এই সিরিজের সমস্ত মূল বৈশিষ্ট্যকে এমন একটি মডেলে একত্রিত করতে চাইছে যা ব্যবহারকারীর প্রেক্ষাপট এবং উদ্দেশ্য আরও ভালোভাবে বুঝতে পারে । এর মূল ধারণাটি হলো, কাঙ্ক্ষিত ফলাফল পেতে আপনাকে কম বার্তা পাঠাতে হবে, কারণ আপনার অনুরোধ অস্পষ্ট হলেও বা একাধিক উদ্দেশ্য থাকলেও সিস্টেমটি শুরু থেকেই আপনি কী চান তা আরও ভালোভাবে বুঝতে পারবে।

গুগলের বার্তার আরেকটি গুরুত্বপূর্ণ অংশ হলো, জেমিনি এখন আর শুধু টেক্সট ও ছবি 'পড়ে' না, বরং এর লক্ষ্য হলো 'পরিবেশকে পড়া' : একটি সৃজনশীল ধারণার সূক্ষ্মতা ব্যাখ্যা করা, একটি জটিল সমস্যার বিভিন্ন স্তর উপলব্ধি করা, অথবা পরিস্থিতির সুরের সাথে নিজেকে মানিয়ে নেওয়া। এই সক্ষমতাগুলো সার্চ (এআই মোড), জেমিনি অ্যাপ, এআই স্টুডিও, ভার্টেক্স এআই এবং নতুন এজেন্ট ডেভেলপমেন্ট প্ল্যাটফর্ম, গুগল অ্যান্টিগ্র্যাভিটির মতো প্রোডাক্টগুলোতে ব্যাপকভাবে প্রয়োগ করা হয়।

কোম্পানির শেয়ার করা তথ্য অনুযায়ী, জেমিনির ব্যবহার ব্যাপক : এআই-চালিত ‘ভিউ ইন সার্চ’ প্রতি মাসে প্রায় ২ বিলিয়ন ব্যবহারকারীর কাছে পৌঁছায়, জেমিনি অ্যাপের মাসিক ব্যবহারকারীর সংখ্যা ৬৫০ মিলিয়নেরও বেশি, গুগল ক্লাউডের ৭০%-এরও বেশি গ্রাহক জেনারেটিভ এআই ব্যবহার করেন এবং প্রায় ১৩ মিলিয়ন ডেভেলপার এই মডেলগুলো ব্যবহার করে বিভিন্ন সলিউশন তৈরি করেছেন। এই সবকিছুই গুগলের ‘ফুল-স্ট্যাক’ কৌশল দ্বারা সমর্থিত: এর নিজস্ব পরিকাঠামো থেকে শুরু করে এর মডেল ও টুলস সহ চূড়ান্ত পণ্য পর্যন্ত।

জেমিনি অ্যাপ দিয়ে আপনি প্রতিদিন কী কী করতে পারেন

জেমিনি অ্যাপটি বর্তমানে গুগলের এআই ব্যবহারের সবচেয়ে সরাসরি মাধ্যম , যা আপনার ফোনেই পাওয়া যায় এবং অনেক ক্ষেত্রে সরাসরি অপারেটিং সিস্টেমের সাথেই সমন্বিত থাকে। সক্রিয় করা হলে, এটি আপনার ফোনের প্রধান সহকারী হিসেবে গুগল অ্যাসিস্ট্যান্টকে প্রতিস্থাপনও করতে পারে (যদিও আপনি সেটিংস থেকে যেকোনো সময় এটি আগের অবস্থায় ফিরিয়ে আনতে পারেন) অথবা এটিকে অ্যাপলের অ্যাসিস্ট্যান্টের সাথে তুলনা করা যেতে পারে ।

এর অন্যতম আকর্ষণীয় একটি ফিচার হলো জেমিনি লাইভ , যা আপনাকে ক্যামেরা বা স্ক্রিন শেয়ার করার সময়েও আরও স্বাভাবিকভাবে কথা বলার সুযোগ দেয়। আপনি অ্যাপটি খুলে, লাইভ বোতামে ট্যাপ করে ক্যামেরা বা স্ক্রিনের বিষয়বস্তু রিয়েল টাইমে বিশ্লেষণ করতে বলতে পারেন —আপনি কোনো প্রেজেন্টেশন তৈরি করুন, কোনো জটিল চার্ট বুঝুন, বা চাকরির ইন্টারভিউয়ের জন্য অনুশীলন করুন, যাই করুন না কেন।

আরেকটি আকর্ষণীয় নতুন ফিচার হলো ক্যানভাস, একটি সৃজনশীল জায়গা যা আপনাকে একটি লিখিত ধারণা থেকে প্রোটোটাইপ তৈরি করতে সাহায্য করে । সেখান থেকে আপনি অ্যাপ, সাধারণ গেম, ওয়েবসাইট, ইনফোগ্রাফিক, অডিও সারাংশ বা ইন্টারেক্টিভ ডায়াগ্রামের খসড়া তৈরি করতে পারেন। এর মূল উদ্দেশ্য হলো শুধু লেখার মধ্যেই সীমাবদ্ধ না থেকে, জেমিনি আপনাকে এমন কাঠামো, ডিজাইন এবং ভিজ্যুয়াল উপকরণ তৈরি করতে সাহায্য করতে পারে যা আপনি পরবর্তীতে আরও পরিমার্জন করতে পারবেন।

গুগল ইকোসিস্টেমের সাথে সংযুক্তি এর অন্যতম শক্তি: জেমিনি সার্চ, ইউটিউব, গুগল ম্যাপস, জিমেইল, ডক্স, ড্রাইভ এবং অন্যান্য পরিষেবার সাথে যুক্ত হয় । এর ফলে, উদাহরণস্বরূপ, আপনি আপনার ইনবক্সে উন্নত অনুসন্ধান করতে, দীর্ঘ থ্রেডের সারাংশ চাইতে, ইমেলের খসড়া তৈরি করতে, নথি গোছাতে, অথবা ম্যাপের তথ্যের সাথে ওয়েবের সুপারিশ মিলিয়ে ভ্রমণের রুট তৈরি করতে পারেন।

অধ্যয়ন এবং প্রশিক্ষণের ক্ষেত্রে, জেমিনি কুইজ, ফ্ল্যাশকার্ড, বাস্তব উদাহরণ এবং ইন্টারেক্টিভ ভিজ্যুয়ালাইজেশন তৈরি করতে পারে । এটি ফাইলগুলিকে এক ধরণের পডকাস্টেও রূপান্তর করতে পারে, যা আপনি অন্য কাজ করার সময় নোট, রিপোর্ট বা প্রবন্ধ পর্যালোচনা করার জন্য যখন খুশি শুনতে পারেন।

ছবি, ভিডিও এবং সৃজনশীল সামগ্রী তৈরি করা

জেমিনি পরিবার শুধু টেক্সটেই থেমে থাকে না। গুগল অ্যাপটির সাথে সমন্বিত ইমেজ জেনারেশন মডেল তৈরি করেছে , যা ব্যবহারকারীদের সাধারণ বর্ণনা থেকে ইলাস্ট্রেশন, লোগো, পোস্টার বা ভিজ্যুয়াল কম্পোজিশন তৈরি করার সুযোগ দেয়।

অ্যাপটির মূল স্ক্রিন থেকে, আপনি "Create Image"-এ ট্যাপ করে টেমপ্লেট মেনু থেকে উপযুক্ত স্টাইলটি বেছে নিতে পারেন । সেখান থেকে, নতুন ডিজাইন তৈরি করতে কেবল টেক্সট টাইপ করুন অথবা রেফারেন্স ইমেজ একত্রিত করুন। আপনি অ্যানিমে এস্থেটিক্স থেকে শুরু করে অয়েল পেইন্টিং বা মিনিমালিস্ট ডিজাইনের মতো বিভিন্ন ধরনের স্টাইল নিয়ে পরীক্ষা করতে পারেন এবং ছবিটি তাৎক্ষণিকভাবে ডাউনলোড বা শেয়ার করতে পারেন।

একেবারে নতুন করে ছবি তৈরি করার পাশাপাশি, সবচেয়ে উন্নত মডেলগুলো আপনাকে সম্পাদনা, মিশ্রণ এবং কম্পোজিটিং করার সুযোগ দেয় : যেমন একাধিক ছবি একত্রিত করে পণ্যের মকআপ তৈরি করা, সুস্পষ্ট লেখা দিয়ে পোস্টার ডিজাইন করা, ভিজ্যুয়াল লেআউট সাজানো, অথবা একটি প্রাথমিক ধারণাকে বিভিন্ন রূপে রূপান্তরিত করা। এই সবকিছুই উচ্চমানের মডেলগুলো (যেমন জেমিনি প্রো এবং এর পরবর্তী সংস্করণগুলো) এবং ভিডিওর ক্ষেত্রে ভিও ৩.১ ফাস্ট-এর মতো মডেলগুলো সমর্থন করে।

এর আরও শক্তিশালী সাবস্ক্রিপশন প্ল্যানগুলিতে, জেমিনি ভিডিও তৈরি এবং গভীর গবেষণার সুবিধা প্রদান করে , যা বিশাল ডেটাসেট বিশ্লেষণ করে, সুসংগঠিত সারসংক্ষেপ প্রদান করে এবং ব্যবহৃত উৎসগুলোর সাথে লিঙ্ক যুক্ত করে। এর ফলে আপনি বিক্ষিপ্ত প্রতিবেদনের সংগ্রহ থেকে একটি সুচিন্তিত ও তথ্যসূত্র-সমৃদ্ধ বিশ্লেষণে যেতে পারেন।

জেমও চালু করা হয়েছে , যা অন্যান্য সিস্টেমের কাস্টম "জিপিটি"-এর সমতুল্য । মূলত, এগুলি হলো নির্দিষ্ট কাজের জন্য কনফিগার করা প্রোফাইল বা এজেন্ট, যেমন "গণিত শিক্ষক," "লেখা প্রশিক্ষক," বা "ইয়ামাহা গিটার বিশেষজ্ঞ।" আপনি আপনার নিজের জেম তৈরি করতে পারেন, সেগুলিকে আপনার জিমেইল বা গুগল ড্রাইভের সাথে সংযুক্ত করতে পারেন এবং আপনার কনফিগার করা অনুমতিগুলি সর্বদা মেনে চলে সেগুলিকে আপনার ব্যক্তিগত বা কর্মক্ষেত্রের তথ্যের সাথে কাজ করাতে পারেন।

সমগ্র গুগল ইকোসিস্টেম জুড়ে জেমিনি: অনুসন্ধান, কর্মক্ষেত্র এবং আরও অনেক কিছু

অ্যাপটির বাইরেও, গুগলের পরিকল্পনা হলো তাদের প্রায় সব প্রধান প্রোডাক্টেই জেমিনিকে অন্তর্ভুক্ত করা । ইতোমধ্যে ঘোষিত বা চলমান ইন্টিগ্রেশনগুলোর মধ্যে রয়েছে জিমেইল, ডকস, শিটস, স্লাইডস, গুগল অ্যাডস, গুগল ক্রোম এবং অবশ্যই সার্চ ইঞ্জিন।

উদাহরণস্বরূপ, জিমেইলে জেমিনি আপনাকে ইমেল রচনা করতে, খুব দীর্ঘ থ্রেডের সারসংক্ষেপ করতে এবং আপনার ইনবক্সে লুকানো তথ্য খুঁজে বের করতে সাহায্য করে । ডকস এবং অন্যান্য ওয়ার্কস্পেস টুলগুলিতে, এটি বিদ্যমান ফাইল, পূর্ববর্তী প্রেজেন্টেশন বা আপলোড করা ডকুমেন্ট থেকে টেক্সট, টেবিল, এক্সিকিউটিভ সামারি বা কন্টেন্টের ধারণার খসড়া তৈরি করতে পারে।

সার্চের ক্ষেত্রে সবচেয়ে বড় খবর হলো এআই ওভারভিউস , যা জেমিনি দ্বারা তৈরি করা ফলাফল এবং সার্চ রেজাল্ট পেজের শীর্ষে প্রদর্শিত হয়। এই ভিউগুলোতে সংক্ষিপ্ত তথ্যের সাথে বিভিন্ন ওয়েবসাইটের লিঙ্ক এবং প্রাসঙ্গিক ক্ষেত্রে ম্যাপস বা অন্যান্য পরিষেবা থেকে প্রাপ্ত ডেটা একত্রিত করা হয়। এটি প্রচলিত "দশটি নীল লিঙ্ক" পদ্ধতি থেকে একটি উল্লেখযোগ্য পরিবর্তন, কারণ এখন তথ্য বিন্যাসের ক্ষেত্রে এআই একটি সক্রিয় ভূমিকা পালন করে।

বিজ্ঞাপন এবং ব্যবসায়িক খাতে, জেমিনি গুগল অ্যাডস এবং গুগল ক্লাউডের সাথে সমন্বিত হয়ে ক্রিয়েটিভ জেনারেশন টুল, ক্যাম্পেইন অ্যানালিটিক্স, কনভারসেশনাল কাস্টমার সাপোর্ট এবং ভার্টেক্স এআই-এর উপর নির্মিত কাস্টম অ্যাপ্লিকেশন সরবরাহ করে। ৭০%-এরও বেশি ক্লাউড গ্রাহক ইতিমধ্যেই কোনো না কোনোভাবে এই জেনারেটিভ মডেলগুলো ব্যবহার করছেন।

ডেভেলপারদের জন্য, গুগল এআই স্টুডিও এবং ভার্টেক্স এআই হলো জেমিনি মডেলগুলিতে প্রবেশের প্রধান মাধ্যম । সেখান থেকে, আপনি এপিআই, এসডিকে এবং ইভ্যালুয়েশন টুল ব্যবহার করে জেমিনি ১.৫ প্রো, ফ্ল্যাশ বা এর অন্যান্য সংস্করণকে কাজে লাগিয়ে তৈরি সলিউশনগুলো পরীক্ষা, পরিমার্জন এবং ডেপ্লয় করতে পারেন। নতুন গুগল অ্যান্টিগ্র্যাভিটি প্ল্যাটফর্ম এই বিষয়টিকে আরও এক ধাপ এগিয়ে নিয়ে যায়, যা এমন এজেন্ট তৈরির উপর মনোযোগ দেয় যারা জটিল কাজ সম্পাদন করতে এবং বিভিন্ন কার্যক্রমের মধ্যে সমন্বয় সাধন করতে পারে।

গুগল এআই প্রো এবং আল্ট্রার মধ্যে পরিকল্পনা, দাম এবং পার্থক্য

খরচের বিষয়ে বলতে গেলে, জেমিনির কিছু অংশ বিনামূল্যে ব্যবহার করা যায়, আবার অন্যগুলোর জন্য সাবস্ক্রিপশনের প্রয়োজন হয় । উদাহরণস্বরূপ, জেমিনি ১.০ প্রো-এর মতো মডেলগুলো এখনও পাবলিক জেমিনি প্ল্যাটফর্মের মাধ্যমে সরাসরি কোনো খরচ ছাড়াই পাওয়া যায়, অন্যদিকে জেমিনি ১.৫ প্রো-ও গুগল এআই স্টুডিও-এর মাধ্যমে কিছু ক্ষেত্রে বিনামূল্যে পাওয়া যেত (বিশেষ করে এর পরীক্ষামূলক পর্যায়ে)।

যেসব ব্যবহারকারীর আরও বেশি ক্ষমতা, বিশাল কনটেক্সট এবং উন্নত গবেষণা ফিচারের প্রয়োজন, তাদের জন্য গুগল ‘গুগল এআই প্রো’ এবং ‘গুগল এআই আলট্রা’-এর মতো সাবস্ক্রিপশন প্ল্যান অফার করে , যেগুলোতে অন্যান্য সুবিধার পাশাপাশি সবচেয়ে সক্ষম মডেলগুলোতে (যেমন ৩ প্রো এবং জেমিনি ৩ ডিপ থিঙ্ক) বর্ধিত অ্যাক্সেস, ডিপ রিসার্চ এবং ভিও ৩.১ ফাস্ট-এর মাধ্যমে ভিডিও জেনারেশন অন্তর্ভুক্ত রয়েছে।

নির্দিষ্ট কিছু বাজারে, জেমিনি অ্যাডভান্সড (যা গুগল এআই প্রো-এর সাথে সমন্বিত) এর মতো প্ল্যানগুলির একটি নির্দিষ্ট মাসিক খরচ রয়েছে । এই প্ল্যানগুলি ১০ লক্ষ টোকেন উইন্ডোতে (বা সরবরাহের উপর নির্ভর করে আরও বেশি) অ্যাক্সেস, সেরা মডেলগুলির নিবিড় ব্যবহার এবং অনুরোধের সংখ্যা ও ডেটা ব্যবহারের পরিমাণের উপর উচ্চতর সীমা প্রদান করে।

এন্টারপ্রাইজ প্ল্যান, যেমন গুগল এআই আল্ট্রা ফর বিজনেস, গুগল ওয়ার্কস্পেস গ্রাহকদের জন্য অ্যাড-অন হিসেবে দেওয়া হয় । এর মাধ্যমে কোম্পানিগুলো তাদের ওয়ার্ক অ্যাকাউন্টে উন্নত এআই সক্ষমতা যোগ করতে পারে, যেখানে কর্পোরেট পরিবেশের উপযোগী করে নিরাপত্তা, কমপ্লায়েন্স এবং ব্যবস্থাপনার বিকল্পগুলো অন্তর্ভুক্ত থাকে।

যাই হোক, গুগল জেমিনি অ্যাপগুলোর জন্য নির্দিষ্ট গোপনীয়তা সংক্রান্ত নথি সংরক্ষণ করে , যেখানে ডেটা কীভাবে পরিচালনা করা হয়, মডেল উন্নত করতে কী ব্যবহার করা হয় এবং ব্যবহারকারীর কী নিয়ন্ত্রণ রয়েছে, তার বিস্তারিত বিবরণ দেওয়া থাকে। আপনার আপলোড করা কন্টেন্ট বা এআই-এর সাথে আপনার কথোপকথন কীভাবে পরিচালিত হয়, তা বোঝার জন্য জেমিনি অ্যাপগুলোর গোপনীয়তা বিজ্ঞপ্তি পর্যালোচনা করার পরামর্শ দেওয়া হয়।

অন্যান্য মডেল এবং ব্যবহারিক ব্যবহারের তুলনায় জেমিনির কর্মক্ষমতা

প্রকাশ্য মূল্যায়নে, জেমিনি আল্ট্রা বেশ কয়েকটি গুরুত্বপূর্ণ বেঞ্চমার্কে ক্লড ২, জিপিটি-৪, এবং লামা ২-এর মতো মডেলগুলোকে ছাড়িয়ে গেছে । উদাহরণস্বরূপ, এটি জিএসএম৮কে (গাণিতিক যুক্তি), হিউম্যানইভ্যাল (কোড জেনারেশন), এবং এমএমএলইউ (একাধিক জ্ঞান ক্ষেত্রে স্বাভাবিক ভাষা বোঝা)-তে উৎকৃষ্ট।

প্রকৃতপক্ষে, MMLU-তে জেমিনি আলট্রা এমনকি মানব বিশেষজ্ঞদের প্যানেলকেও ছাড়িয়ে যেতে সক্ষম হয়েছে , যা গুগল সাধারণ জ্ঞানের কাজগুলোতে মডেলটির পরিপক্কতার সূচক হিসেবে ব্যবহার করেছে। তবে, এটি সব ক্ষেত্রে জয়ী হয় না: হেলাসোয়াগ পরীক্ষায়, যা সাধারণ জ্ঞান এবং দৈনন্দিন ভাষা বোঝার উপর আলোকপাত করে, GPT-4 এখনও সামান্য ভালো ফলাফল অর্জন করে।

মাল্টিমোডাল ডোমেইনে, গুগলের অভ্যন্তরীণ পরীক্ষায় দেখা গেছে যে, ডকুমেন্ট বোঝা, ছবি বিশ্লেষণ এবং স্বয়ংক্রিয় স্পিচ রিকগনিশনের ক্ষেত্রে জেমিনি আল্ট্রা অন্যান্য মডেলের চেয়ে ভালো পারফর্ম করে । স্পিচ ট্রান্সলেশন, ইংরেজি ভিডিও সাবটাইটেলিং, মাল্টিমোডাল রিজনিং এবং ভিডিও-ভিত্তিক প্রশ্নের উত্তর দেওয়ার বেঞ্চমার্কেও এটি অন্যান্য এলএলএম-কে ছাড়িয়ে যায়, যদিও সংস্থাটি নিজেই স্বীকার করে যে এই ক্ষেত্রগুলিতে উন্নতির এখনও সুযোগ রয়েছে।

অন্যদিকে, জেমিনি ১.৫ প্রো এবং ১.৫ ফ্ল্যাশ অনেক ক্ষেত্রে জেমিনি ১.০ আল্ট্রা-এর প্রায় কাছাকাছি বা তার চেয়েও ভালো পারফরম্যান্স দেয় , সাথে এদের বড় কনটেক্সট উইন্ডোর বাড়তি সুবিধাও রয়েছে। এরা যত বেশি টোকেন হ্যান্ডেল করতে পারে, ততই উচ্চমানের বোধগম্যতা এবং জেনারেশন বজায় রাখে, যা দীর্ঘ ডকুমেন্ট বা অত্যন্ত বিস্তারিত প্রজেক্ট নিয়ে কাজ করার ক্ষেত্রে অপরিহার্য।

বাস্তব ক্ষেত্রে, এর ব্যবহার বিভিন্ন রকম হয়ে থাকে: শত শত স্লাইডের প্রেজেন্টেশন বিশ্লেষণ করা থেকে শুরু করে চুক্তিপত্র, প্রযুক্তিগত প্রতিবেদন, কোড রিপোজিটরি বা গবেষণা ফাইল পর্যালোচনা করা পর্যন্ত । উদাহরণস্বরূপ, আপনি একটি ১,৫০০ পৃষ্ঠার ডকুমেন্ট আপলোড করে সেই তথ্যের উপর ভিত্তি করে জেমিনিকে দিয়ে একাধিক ব্লগ পোস্টের আইডিয়া তৈরি করতে, শিরোনাম লিখতে, ওয়েবসাইটের কাঠামো প্রস্তাব করতে বা সোশ্যাল মিডিয়ার জন্য কপি তৈরি করতে বলতে পারেন।

ব্যবহারিক উদাহরণ: মিথুন রাশিকে ব্যক্তিগতকৃত করা এবং এর দৃষ্টিভঙ্গি কাজে লাগানো

এর ক্ষমতা আরও ভালোভাবে বোঝার জন্য, এমন একটি পরিস্থিতি কল্পনা করুন যেখানে আপনি গুগল এআই স্টুডিও-এর জেমিনি ব্যবহার করে একটি বিশেষায়িত অ্যাসিস্ট্যান্ট তৈরি করছেন । আপনি এটিকে একজন ইয়ামাহা গিটার বিশেষজ্ঞ হিসেবে কাজ করতে বলছেন এবং এর 'পার্সোনালিটি' এমনভাবে কনফিগার করছেন যাতে এটি প্রযুক্তিগত অথচ সহজবোধ্য ব্যাখ্যা দিতে পারে, সঙ্গীতের ধরনের ওপর ভিত্তি করে মডেল সুপারিশ করতে পারে এবং নতুনদের সাধারণ প্রশ্নের উত্তর দিতে পারে।

এরপর, আপনি বিভিন্ন গিটারের ছবি, প্রযুক্তিগত বিবরণ এবং রিভিউ থেকে নির্বাচিত অংশ প্রদান করেন । জেমিনি লিখিত এবং দৃশ্যমান উভয় তথ্যই বিশ্লেষণ করে: এটি আকার, মডেল, বডি ও নেকের বিবরণ শনাক্ত করে এবং সেগুলোকে তার পণ্য-সম্পর্কিত জ্ঞানের সাথে মিলিয়ে নেয়। এর থেকে, এটি এই ধরনের প্রশ্নের উত্তর দিতে পারে, যেমন, “জ্যাজ সঙ্গীতের জন্য কোনটি সবচেয়ে উপযুক্ত?”, “এই দুটি গিটারের মধ্যে পার্থক্য কী?”, অথবা “এই নির্দিষ্ট মডেলটির জন্য কী ধরনের রক্ষণাবেক্ষণ প্রয়োজন?”

এই উদাহরণটি দেখায় কিভাবে মাল্টিমোডালিটি জেমিনিকে শুধুমাত্র একটি টেক্সট-ভিত্তিক চ্যাটবটের চেয়েও বেশি কিছুতে রূপান্তরিত করে । এটি একটি অত্যন্ত বুদ্ধিমান সহকারীর মতো আচরণ করে যা ধারণা, ছবি এবং প্রেক্ষাপট বোঝে এবং খুব নির্দিষ্ট ক্ষেত্রে নিজেকে মানিয়ে নিতে পারে। এই একই যুক্তি অন্যান্য ক্ষেত্রেও প্রয়োগ করা যেতে পারে: আইনি নথি বিশ্লেষণ, প্রযুক্তিগত সহায়তা, কোড পর্যালোচনা, আর্থিক পরামর্শ বা শিক্ষামূলক বিষয়বস্তু তৈরি।

সময়ের সাথে সাথে, গুগল যখন জেমিনির সক্ষমতা প্রসারিত করতে থাকবে এবং জেমিনি ৩-এর মতো মডেলগুলোকে আরও উন্নত করবে, আমরা দৈনন্দিন জীবন ও পেশাগত ক্ষেত্রে এর আরও বেশি বাস্তব প্রয়োগ দেখতে পাব । সমন্বিত মোবাইল ফিচার থেকে শুরু করে প্রকল্প পরিচালনাকারী জটিল এজেন্ট পর্যন্ত, জেমিনি পরিবারের লক্ষ্য হলো তথ্য ও প্রযুক্তির সাথে আমাদের যোগাযোগের কেন্দ্রবিন্দুতে থাকা।

মডেল, অ্যাপ, ইন্টিগ্রেশন এবং সাবস্ক্রিপশন প্ল্যানের এই সম্পূর্ণ ইকোসিস্টেম গুগল জেমিনিকে একটি অত্যন্ত পরিপূর্ণ এআই প্ল্যাটফর্মে পরিণত করেছে, যা সাধারণ ব্যবহারকারী, ব্যবসা এবং ডেভেলপারদের জন্য সমাধান সরবরাহ করে । এটি টেক্সট, ছবি ও ভিডিও তৈরি করতে, বিশাল প্রেক্ষাপট নিয়ে যুক্তি দাঁড় করাতে এবং ক্লাউডে ও সরাসরি ডিভাইসে উভয় স্থানেই কাজ করতে সক্ষম।