ফেডারেটেড লার্নিং: মূল ব্যক্তিগত ডেটা জমা না নিয়েও কৃত্রিম বুদ্ধিমত্তা কীভাবে শেখে?

স্মার্টফোনে টাইপ করার সময় কীবোর্ড যখন আপনার পরবর্তী শব্দটি নির্ভুলভাবে অনুমান করে ফেলে, তখন মনে হতেই পারে আপনার সব ব্যক্তিগত বার্তা বুঝি কোনো প্রযুক্তি কোম্পানির দূরবর্তী সার্ভারে জমা হচ্ছে। বিগত বছরগুলোতে মেশিন লার্নিং বা কৃত্রিম বুদ্ধিমত্তার মডেলগুলোকে উন্নত করার প্রচলিত উপায় ছিল ব্যবহারকারীদের সমস্ত ব্যক্তিগত তথ্য এক জায়গায় জড়ো করা। কীবোর্ডের শব্দ অনুমান করা কিংবা চিকিৎসাকেন্দ্রে স্ক্যানের ছবি দেখে জটিল টিউমার শনাক্ত করার জন্য কোটি কোটি ব্যক্তিগত ফাইল ও বার্তা কেন্দ্রীয় ডেটাসেন্টারে আপলোড করা হতো। সেখানে প্রকৌশলীরা সংগৃহীত সমস্ত নথিপত্র একীভূত করে মানব মস্তিষ্কের স্নায়ুতন্ত্রের আদলে তৈরি এআইকে (নিউরাল নেটওয়ার্ক বা Neural Network) প্রশিক্ষণ দিতেন।

এই কেন্দ্রীয় পদ্ধতির মাধ্যমে শক্তিশালী সফটওয়্যার তৈরি হলেও তা মারাত্মক নিরাপত্তা ঝুঁকির জন্ম দেয়। কোটি মানুষের ব্যক্তিগত বার্তা, আর্থিক লেনদেনের স্বভাব এবং চিকিৎসা সংক্রান্ত স্পর্শকাতর তথ্য একটি একক ডেটাবেজে জমা রাখায় তা সাইবার আক্রমণকারী ও নজরদারির প্রধান লক্ষ্যে পরিণত হয়। এছাড়া কঠোর গোপনীয়তা নীতিমালার কারণে হাসপাতালের সংবেদনশীল স্বাস্থ্যনথি বা নাগরিকদের ব্যক্তিগত রেকর্ড এক দেশ থেকে অন্য দেশে স্থানান্তর করাও নীতিগতভাবে কঠিন হয়ে দাঁড়ায়।

২০১৬ সালে গবেষকেরা এই পুরো প্রশিক্ষণ কাঠামোকে আমূল বদলে দেওয়ার এক উপায় উদ্ভাবন করেন, যার নাম তথ্য গোপন রেখে যৌথ শিক্ষা (ফেডারেটেড লার্নিং বা Federated Learning)। সারা বিশ্বের সমস্ত গোপন ব্যক্তিগত তথ্যকে একটি কেন্দ্রীয় কম্পিউটারের কাছে টেনে আনার বদলে এই পদ্ধতিতে এআই প্রোগ্রামটিকেই ব্যবহারকারীর ডিভাইসে পাঠিয়ে দেওয়া হয়। আপনার হাতের স্মার্টফোন, ব্যক্তিগত ল্যাপটপ কিংবা হাসপাতালের অভ্যন্তরীণ সুরক্ষিত কম্পিউটার তার নিজের ভেতর সংরক্ষিত তথ্য দিয়ে মডেলটিকে প্রশিক্ষণ দেয়, এবং সেই ডেটা কখনোই নিজের যন্ত্র ছেড়ে ইন্টারনেটে যায় না।

সবার হিসাবের গড় বের করে মূল এআই উন্নত করার কৌশল (ফেডারেটেড অ্যাভারেজিং)

ফেডারেটেড লার্নিংয়ের এই প্রযুক্তিগত প্রক্রিয়াটি মূলত একটি সুশৃঙ্খল গাণিতিক চক্রের মাধ্যমে সম্পন্ন হয়:

• প্রাথমিক মডেল পাঠানো: কেন্দ্রীয় সমন্বয়ক সার্ভার এআই মডেলের প্রাথমিক নিয়ম বা সমীকরণ (যাকে প্যারামিটার বা Parameters বলা হয়) এমন সব ডিভাইসে পাঠায় যা চার্জে যুক্ত আছে, অব্যবহৃত অবস্থায় রয়েছে এবং দ্রুতগতির ওয়াই-ফাই নেটওয়ার্কে সংযুক্ত।
• ডিভাইসের ভেতরেই স্থানীয় প্রশিক্ষণ: ব্যবহারকারীর ফোন বা কম্পিউটার নিজস্ব তথ্যে মডেলটিকে সামান্য উন্নত করে এবং এই অগ্রগতির গাণিতিক সংকেত (যাকে গ্রেডিয়েন্ট বা Gradient বলা হয়) তৈরি করে।
• ব্যক্তিগত পরিচয় আড়ালের গাণিতিক সুর (ডিফারেনশিয়াল প্রাইভেসি): এই সংকেতের সাথে নির্দিষ্ট মাত্রার গাণিতিক কোলাহল বা বিভ্রান্তি (ডিফারেনশিয়াল প্রাইভেসি বা Differential Privacy) যুক্ত করা হয়, যাতে সেই সংখ্যাগুলো উল্টো বিশ্লেষণ করে কোনো সুনির্দিষ্ট বাক্য বা ফাইল পুনর্গঠন করা অসম্ভব হয়ে পড়ে।
• হিসাবের গড় বের করে মূল মডেল তৈরি: কেন্দ্রীয় সার্ভার হাজার হাজার ডিভাইস থেকে আসা এই গাণিতিক পরিবর্তনগুলো সংগ্রহ করে এবং সবগুলোর সমন্বিত গড় হিসাব (ফেডারেটেড অ্যাভারেজিং বা Federated Averaging) করে একটি উন্নত মূল মডেল তৈরি করে।

একটি সাধারণ ক্লাউড কীবোর্ড এবং আধুনিক ফেডারেটেড কীবোর্ডের বাস্তব কাজের পার্থক্য চিন্তা করলেই গোপনীয়তার এই সুরক্ষা স্পষ্ট হয়ে ওঠে। পুরোনো ক্লাউড ব্যবস্থায় আপনার ব্যাংক, পরিবার কিংবা চিকিৎসকের কাছে পাঠানো প্রতিটি বার্তার খসড়া ইন্টারনেটের মাধ্যমে কোম্পানির লগিং সার্ভারে চলে যেত, যা তথ্য ফাঁসের স্থায়ী ঝুঁকিতে থাকত। আর ফেডারেটেড লার্নিং ব্যবস্থায় আপনার ফোন নিজেই লক্ষ্য করে যে আপনি পরিবারের কোনো বিশেষ ডাকনাম বা আঞ্চলিক বাংলা শব্দ বেশি টাইপ করছেন। ফোনটি নিজের ডিভাইসেই শব্দ অনুমানের অংশটি পরিমার্জন করে এবং সার্ভারে কেবল কিছু সংকেতায়িত সংখ্যা পাঠায় যার অর্থ দাঁড়ায়: 'সাধারণ ব্যাকরণগত রূপান্তরের জন্য সম্ভাবনার মান ০.০০৩ শতাংশ সমন্বয় করো।' কেন্দ্রীয় সার্ভারের কোনো প্রকৌশলী কখনো জানতে পারেন না আপনি কার সাথে কী বিষয়ে কথা বলছিলেন।

প্রযুক্তিগত সীমাবদ্ধতা, ব্যান্ডউইথ এবং সুরক্ষার পরিধি

ফেডারেটেড লার্নিং ব্যক্তিগত গোপনীয়তা রক্ষার ক্ষেত্রে অত্যন্ত কার্যকর হলেও এটি কোনো ত্রুটিহীন জাদুকরী সমাধান নয়। এই পদ্ধতির বেশ কিছু প্রযুক্তিগত সীমাবদ্ধতা রয়েছে:

• প্রসেসিং শক্তি ও ব্যাটারির ব্যবহার: ডিভাইসের ভেতরে এআই মডেলের প্রশিক্ষণ চালাতে অতিরিক্ত বিদ্যুৎ খরচ হয় এবং যন্ত্র গরম হতে পারে; এই কারণেই কেবল রাতে চার্জে থাকা অলস সময়ে এই প্রক্রিয়াটি সম্পন্ন করা হয়।
• গাণিতিক সংকেত ফাঁসের ঝুঁকি: অত্যন্ত চতুর সাইবার আক্রমণকারীরা কোনো কোনো ক্ষেত্রে কাঁচা গ্রেডিয়েন্ট বিশ্লেষণ করে তথ্যের কিছু অংশ অনুমান করার চেষ্টা করতে পারে, যা ঠেকাতে সংকেতকে গোপন কোডে রূপান্তর (এনক্রিপশন বা Encryption) ও তথ্য গোপন রেখে যৌথ হিসাবের কৌশল (সিকিউর মাল্টিপার্টি কম্পিউটেশন বা Secure Multi-Party Computation) ব্যবহার করতে হয়।
• আঞ্চলিক ভাষার অমিল ও তথ্যের অসমতা: বিভিন্ন অঞ্চলের মানুষের ভাষা ও ব্যবহারের ধরন একেবারেই আলাদা হওয়ায় সবার ডিভাইসের ডেটা সমান মানের হয় না, যার ফলে বৈষম্য কমাতে জটিল গাণিতিক ভারসাম্য রক্ষা করতে হয়।
• নেটওয়ার্ক ডেটা খরচ: সাধারণ টেক্সটের চেয়ে এআই মডেলের গাণিতিক প্যারামিটার আদান-প্রদান করতে বেশি ইন্টারনেটের ব্যান্ডউইথ প্রয়োজন হয়, যার জন্য মডেল সংকোচন প্রযুক্তি প্রয়োগ করতে হয়।

ফেডারেটেড লার্নিংয়ের কার্যপ্রণালী জানা থাকলে সাধারণ ব্যবহারকারীরা বুঝতে পারেন যে এআই-এর আধুনিক সুবিধা উপভোগ করতে নিজের সমস্ত ব্যক্তিগত তথ্য বিসর্জন দেওয়া আবশ্যক নয়। আপনার স্মার্টফোনে অ্যাপ ইনস্টল করার সময় বা নতুন ডিভাইস কেনার ক্ষেত্রে যে সমস্ত সেবা ইন্টারনেটে ডেটা না পাঠিয়ে সরাসরি যন্ত্রের ভেতরে তথ্য প্রক্রিয়াকরণকে (অন-ডিভাইস কম্পিউটিং বা On-Device Computing) প্রাধান্য দেয়, সেগুলোকে অগ্রাধিকার দিয়ে আপনি নিজের ডিজিটাল ব্যক্তিগত পরিসরকে অনেক বেশি সুরক্ষিত রাখতে পারেন।