সুপারিশ ব্যবস্থা: ডিজিটাল মাধ্যমে আমরা কী দেখব তা অ্যালগরিদম কীভাবে ঠিক করে?

ডিজিটাল পরিমণ্ডলে ব্যক্তিগত ফিডের অদৃশ্য বাছাই

আপনি যখনই ইউটিউব চালু করেন, ফেসবুকে স্ক্রোল করেন কিংবা কোনো অনলাইন দোকানে কেনাকাটা করতে ঢোকেন, তখনই আপনি লাখ লাখ কন্টেন্ট ও পণ্যের এক বিশাল ভাণ্ডারে প্রবেশ করেন। প্ল্যাটফর্মগুলো যদি এই বিপুল পরিমাণ কন্টেন্ট বর্ণানুক্রমিক বা প্রকাশের সময় অনুযায়ী সাজিয়ে রাখত, তবে পছন্দের কোনো ভিডিও বা দরকারি জিনিস খুঁজে পেতেই ঘণ্টার পর ঘণ্টা সময় নষ্ট হতো। তার বদলে আধুনিক ডিজিটাল প্ল্যাটফর্মগুলো এমনভাবে পর্দা সাজিয়ে আপনার সামনে হাজির করে, যেন পুরো অ্যাপটি কেবল আপনার ব্যক্তিগত রুচি ও পছন্দের কথা মাথায় রেখেই তৈরি করা হয়েছে। কোন গানটি আপনি শুনবেন, কোন পণ্যটি কিনবেন বা কোন ভিডিওটি আপনার দৃষ্টি আকর্ষণ করবে, তা সফটওয়্যার আগেই হিসাব করে রাখে।

এই স্বয়ংক্রিয় ব্যক্তিগত অভিজ্ঞতার পেছনে কাজ করে সুপারিশ ব্যবস্থা বা রেকমেন্ডেশন সিস্টেম (Recommendation System)। শুরুর দিকের সুপারিশ ব্যবস্থা মূলত কন্টেন্ট-ভিত্তিক ফিল্টারিং (Content-based Filtering) পদ্ধতির ওপর নির্ভর করত। উদাহরণস্বরূপ, আপনি যদি কোনো নির্দিষ্ট অভিনেতার অ্যাকশন চলচ্চিত্র দেখতেন, তবে সিস্টেমটি তার ডেটাবেস ঘেঁটে সেই একই অভিনেতার অন্যান্য অ্যাকশন ছবি আপনার সামনে নিয়ে আসত। এই পদ্ধতি যুক্তিসঙ্গত হলেও খুব দ্রুত এর সীমাবদ্ধতা ধরা পড়ে; কারণ এর মাধ্যমে বিভিন্ন ক্যাটাগরির মধ্যবর্তী অপ্রত্যাশিত সংযোগ আবিষ্কার করা কিংবা মানুষের বহুমুখী রুচির সঙ্গে খাপ খাইয়ে নেওয়া সম্ভব ছিল না।

ইন্টারনেট জগতে বৈপ্লবিক পরিবর্তন এনে দেয় সমমনা মানুষের পছন্দ মেলানোর প্রযুক্তি বা কোলাবোরেটিভ ফিল্টারিং (Collaborative Filtering)। এখানে কোনো কন্টেন্টকে আলাদাভাবে বিশ্লেষণ করার বদলে পুরো নেটওয়ার্কের লাখ লাখ মানুষের সামগ্রিক আচরণ পর্যালোচনা করা হয়। অ্যালগরিদম যদি লক্ষ্য করে যে আপনার মতো প্রায় একই ধরনের ভিডিও দেখা এবং পছন্দ করা হাজার হাজার মানুষ সম্পূর্ণ অচেনা একটি তথ্যচিত্রও খুব আগ্রহ নিয়ে দেখেছেন, তবে সিস্টেমটি সেই তথ্যচিত্রটি আপনার সামনে সুপারিশ করে। সফটওয়্যার গাণিতিকভাবে হিসাব করে বের করে যে রুচির সাদৃশ্যের কারণে আপনারও কন্টেন্টটি পছন্দ হওয়ার সম্ভাবনা অত্যন্ত বেশি।

বৃহৎ পরিসরে আধুনিক ধাপে ধাপে সুপারিশ ব্যবস্থা (মাল্টি-স্টেজ র‍্যাঙ্কিং পাইপলাইন) যেভাবে কাজ করে

ইউটিউব বা নেটফ্লিক্সের মতো প্ল্যাটফর্মে শত কোটি কন্টেন্টের মধ্য থেকে সেকেন্ডের ভগ্নাংশে সেরা দশটি কন্টেন্ট বেছে নিতে একটি বহু-ধাপ বিশিষ্ট ব্যবস্থা (মাল্টি-স্টেজ র‍্যাঙ্কিং পাইপলাইন বা Multi-stage Ranking Pipeline) অনুসরণ করা হয়:

• প্রাথমিক বাছাই বা ক্যান্ডিডেট জেনারেশন (Candidate Generation): শত কোটি কন্টেন্ট থেকে হালকা অ্যালগরিদম ব্যবহার করে চোখের পলকে মাত্র কয়েকশ বা হাজার খানেক সম্ভাব্য ভিডিও বা পোস্টের সংক্ষিপ্ত তালিকা তৈরি করা হয়।
• গভীর স্কোরিং বা ডিপ র‍্যাঙ্কিং (Deep Ranking & Scoring): প্রাথমিকভাবে বাছাই করা কন্টেন্টগুলোকে তুলনামূলকভাবে ভারী ও গভীর কৃত্রিম মস্তিষ্কের জালিকায় (ডিপ নিউরাল নেটওয়ার্ক) পাঠানো হয়; সেখানে প্রতিটি কন্টেন্টে ব্যবহারকারীর ক্লিক করার, শেষ পর্যন্ত দেখার বা কেনার সুনির্দিষ্ট সম্ভাবনা পুঙ্খানুপুঙ্খভাবে গণনা করে স্কোর দেওয়া হয়।
• বৈচিত্র্য রক্ষা বা রি-র‍্যাঙ্কিং (Re-ranking): সর্বোচ্চ স্কোর পাওয়া কন্টেন্টগুলোকে প্ল্যাটফর্মের নিয়ম অনুসারে পুনর্বিন্যাস করা হয়, যাতে ব্যবহারকারী কেবল একই ধরনের ভিডিও দেখতে দেখতে একঘেয়েমিতে না ভোগেন এবং নতুন বিষয় ও বিভিন্ন নির্মাতার কন্টেন্টের সুস্থ ভারসাম্য বজায় থাকে।
• নিরাপত্তা ও নীতিমালার মানদণ্ড: ব্যবহারকারীর পর্দায় চূড়ান্ত তালিকা দেখানোর ঠিক আগে স্বয়ংক্রিয় সুরক্ষা ব্যবস্থা প্রয়োগ করে স্প্যাম, ভুয়া তথ্য এবং নীতিমালার পরিপন্থী কন্টেন্ট সম্পূর্ণ বাতিল করা হয়।

পুরোনো নিয়মভিত্তিক সাধারণ শব্দ খোঁজা (কী-ওয়ার্ড সার্চ) এবং আধুনিক গাণিতিক মানচিত্রভিত্তিক (ভেক্টর এম্বেডিং বা Vector Embedding) সুপারিশের মধ্যে পার্থক্যটি অত্যন্ত স্পষ্ট। একটি পুরোনো ধাঁচের বই বিক্রির ওয়েবসাইটে রান্নার বই খুঁজতে হলে ব্যবহারকারীকে শিরোনামে সরাসরি 'রান্না' শব্দটি লিখে খুঁজতে হতো। অন্যদিকে আধুনিক সুপারিশ ব্যবস্থা ব্যবহারকারীর সমস্ত আগ্রহকে একটি বহুমাত্রিক গাণিতিক মানচিত্রে কাছাকাছি সাজিয়ে নেয়। ফলে কেউ যদি টক দই তৈরি, ঢালাই লোহার কড়াই পরিষ্কার এবং রান্নার ছুরি ধার দেওয়ার ভিডিও নিয়মিত দেখেন, তবে সিস্টেমটি তাদের আগ্রহের গাণিতিক নৈকট্য বুঝে স্বয়ংক্রিয়ভাবে একটি বিশেষায়িত ঐতিহ্যবাহী রুটি বানানোর বই সুপারিশ করে, যদিও তিনি সার্চ বক্সে কখনোই 'রুটি' শব্দটি লেখেননি।

তথ্যের ঘেরাটোপ (ফিল্টার বাবল), অতিরিক্ত আসক্তি এবং অ্যালগরিদমের ওপর নিয়ন্ত্রণ বজায় রাখার উপায়

সুপারিশ ব্যবস্থা মানুষের ডিজিটাল অভিজ্ঞতাকে অত্যন্ত সহজ ও দ্রুত করলেও, কেবল ব্যবহারকারীর মনোযোগ ও সময় ধরে রাখাকে একমাত্র লক্ষ্য বানালে কিছু ক্ষতিকর প্রবণতা তৈরি হয়:

• অ্যালগরিদমিক চরমপন্থা ও আসক্তি: উসকানিমূলক, চাঞ্চল্যকর ও চরমভাবাপন্ন কন্টেন্ট তাৎক্ষণিকভাবে মানুষের তীব্র কৌতূহল জাগায়; ফলে অনিয়ন্ত্রিত অ্যালগরিদম ব্যবহারকারীকে ধীরে ধীরে আরও বেশি বিতর্কিত উপাদানের দিকে ঠেলে দিতে পারে।
• তথ্যের ঘেরাটোপ বা ফিল্টার বাবলের বন্দিদশা (Filter Bubble): সিস্টেম যখন কেবল অতীতের পছন্দের অনুরূপ দৃষ্টিভঙ্গি বারবার দেখাতে থাকে, তখন ভিন্নমত ও নতুন ভাবনা অদৃশ্য হয়ে যায় এবং ব্যবহারকারী নিজের মতাদর্শিক বলয়ের মধ্যে আবদ্ধ হয়ে পড়েন।
• নতুনদের উপাত্ত ঘাটতি বা কোল্ড-স্টার্ট জটিলতা (Cold-start Problem): একদম নতুন ব্যবহারকারী কিংবা সদ্য আপলোড করা নতুন কন্টেন্টের অতীতে কোনো ব্যবহারের ডেটা না থাকায় অ্যালগরিদম সহজে সেগুলোর গুরুত্ব বুঝতে পারে না।
• ডিজিটাল স্বাধীনতা পুনরুদ্ধার: হিস্ট্রি বা দেখার ইতিহাস নিয়মিত মুছে ফেলা, ব্যক্তিগত ট্র্যাকিং বন্ধ রাখা এবং সক্রিয়ভাবে নতুন নতুন বিষয় অনুসন্ধান করে নিজের আগ্রহের তালিকায় বৈচিত্র্য আনার মাধ্যমে ব্যবহারকারী অ্যালগরিদমকে নিজের ইচ্ছেমতো পরিচালিত করতে পারেন।

সুপারিশ ব্যবস্থা কোনো অলৌকিক শক্তি নয় এবং এটি মানুষের মন পড়তে পারে না; এটি হলো মনোযোগ আকর্ষণের উদ্দেশ্যে অতীতের আচরণের তৈরি করা একটি গাণিতিক আয়না মাত্র। প্রাথমিক বাছাই ও র‍্যাঙ্কিংয়ের কারিগরি প্রক্রিয়াটি বুঝতে পারলে যে কেউ সচেতনভাবে ডিজিটাল মিডিয়া ব্যবহার করতে পারেন এবং অ্যালগরিদমের ক্রীড়নক না হয়ে তাকে নিজের বুদ্ধিবৃত্তিক অগ্রগতির সহায়ক হিসেবে গড়ে তুলতে পারেন।