Deep Cogito পেল ৪.৩ কোটি ডলার—AI-র নতুন লড়াই post-training-এ

সান ফ্রান্সিসকোভিত্তিক AI গবেষণাগার Deep Cogito ২০২৬ সালের ২৬ আগস্ট ৪.৩ কোটি ডলারের—অর্থাৎ ৪৩ মিলিয়ন ডলারের—Series A ঘোষণা করেছে। Deep Cogito-র আনুষ্ঠানিক ঘোষণায় বলা হয়েছে, TQ Ventures-এর নেতৃত্বাধীন রাউন্ডে Benchmark, Nexus Venture Partners, Atreides Management, South Park Commons ও Zscaler অংশ নিয়েছে; এতে মোট বাইরের অর্থায়ন ৫.৬ কোটি ডলার ছাড়িয়েছে।

SiliconANGLE-এর স্বাধীন প্রতিবেদন একই অঙ্ক, funding stage, lead investor ও অংশগ্রহণকারীদের নিশ্চিত করেছে। নতুন মূলধন গবেষণা ও প্রকৌশল দল বাড়ানো, model-training infrastructure সম্প্রসারণ, ভবিষ্যৎ Cogito model প্রকাশ এবং proprietary data-ভিত্তিক enterprise ব্যবসা বিস্তারে ব্যবহারের পরিকল্পনা রয়েছে।

Series A-র কেন্দ্রে কেন post-training

Deep Cogito-র বিনিয়োগটি আরেকটি foundation model শুরু থেকে pre-train করার ঘোষণা নয়। কোম্পানিটি এমন একটি প্রযুক্তি ও ব্যবসায়িক স্তর বড় করতে চাইছে, যেখানে আগে থেকে শেখানো model-কে reinforcement learning, evaluation, feedback ও distillation-এর মাধ্যমে নির্দিষ্ট কাজের জন্য আরও সক্ষম করা হয়। এই বিস্তৃত পর্বই post-training।

কোম্পানির post-training engine দুই ধরনের output তৈরি করে: Cogito open-weight model পরিবার এবং enterprise-এর নিজস্ব data, decision ও outcome দিয়ে প্রশিক্ষিত বিশেষায়িত model। দ্বিতীয় ক্ষেত্রে প্রস্তাবটি শুধু prompt-এর সঙ্গে প্রতিষ্ঠানের নথি জুড়ে দেওয়া নয়; লক্ষ্য হলো সংশ্লিষ্ট product বা workflow-এর কাঙ্ক্ষিত আচরণ model-এর weights-এ শেখানো।

গবেষণার একটি দিক Iterated Distillation and Amplification বা IDA। এতে model-কে অতিরিক্ত computation ব্যবহার করে সরাসরি পাওয়া উত্তরের চেয়ে ভালো ফল তৈরির সুযোগ দেওয়া হয়, পরে সেই উন্নতি weights-এ distill করার চেষ্টা চলে। এটি ধারাবাহিক self-improvement-এর গবেষণাগত লক্ষ্য—model ইতিমধ্যে স্বয়ংক্রিয়ভাবে সীমাহীন উন্নতি করতে পারে, এমন প্রমাণ নয়।

Pre-training, fine-tuning ও post-training-এর খরচ কোথায় আলাদা

Pre-training পর্যায়ে বিপুল সাধারণ data থেকে base model-এর ভাষা, জ্ঞান ও pattern শেখানো হয়। বড় compute cluster, দীর্ঘ training run, data preparation এবং বিশেষজ্ঞ গবেষণা দলের প্রধান ব্যয় এখানে কেন্দ্রীভূত। কোনো enterprise application তৈরির জন্য প্রত্যেক প্রতিষ্ঠানকে এই ধাপ শুরু থেকে করতে হয় না; বিদ্যমান open-weight বা licensed foundation model নেওয়া যায়।

Fine-tuning তুলনায় সংকীর্ণ অভিযোজন। নির্বাচিত উদাহরণ ব্যবহার করে model-এর weights বদলে নির্দিষ্ট ভাষা, format বা task শেখানো হয়। এটি post-training-এর একটি কৌশল হতে পারে, তবে শব্দ দুটি সমার্থক নয়: post-training-এর মধ্যে supervised fine-tuning ছাড়াও reinforcement learning, preference বা outcome feedback, reasoning supervision, evaluation এবং distillation থাকতে পারে।

অর্থনৈতিক পার্থক্যটি এককালীন base-model build ও চলমান learning loop-এর মধ্যে। Post-training ব্যবসায় পরিষ্কার outcome data সংগ্রহ, evaluator বা reward তৈরি, training compute, নিরাপত্তা পরীক্ষা, deployment এবং নতুন production result অনুযায়ী পুনঃপ্রশিক্ষণের খরচ বারবার আসে। Deep Cogito-র Series A মূলত এই পুনরাবৃত্ত স্তরকে গবেষণা থেকে enterprise infrastructure-এ নেওয়ার বাজি।

Enterprise-এর data ও model ownership-এর প্রতিশ্রুতি

সাধারণ frontier model নানা কাজ করতে পারলেও কোনো প্রতিষ্ঠানের নিজস্ব product taxonomy, সিদ্ধান্তের নিয়ম বা সাফল্যের মাপকাঠি স্বাভাবিকভাবে জানে না। Deep Cogito-র প্রস্তাব হলো proprietary data ও outcome ব্যবহার করে সংশ্লিষ্ট প্রতিষ্ঠানের product-কেন্দ্রিক specialized intelligence তৈরি করা।

Dealroom-এর লেনদেন বিশ্লেষণ model ownership-কে এই ব্যবসায়িক প্রস্তাবের কেন্দ্র হিসেবে চিহ্নিত করেছে এবং Zscaler-কে রাউন্ডের বিনিয়োগকারী হিসেবে উল্লেখ করেছে। Zscaler আগে Deep Cogito-র গ্রাহক হিসেবে কাজ শুরু করেছিল এবং এই রাউন্ডে strategic investor হয়েছে।

এখানে “ownership” একটি গুরুত্বপূর্ণ কিন্তু অসম্পূর্ণভাবে সংজ্ঞায়িত দাবি। প্রকাশিত তথ্যে weights হস্তান্তর, একক deployment, derivative model-এর নিয়ন্ত্রণ কিংবা licensing terms-এর পূর্ণ চুক্তিগত ব্যাখ্যা নেই। ফলে গ্রাহকের নিয়ন্ত্রণ কতটা হবে, তা নির্দিষ্ট চুক্তি ছাড়া নিশ্চিত করা যায় না।

নিজস্ব model asset-এ উন্নতি জমা হলে enterprise তৃতীয় পক্ষের prompt layer-এর ওপর নির্ভরতা কমাতে পারে। বিপরীতে base model পরিবর্তন, data governance, evaluation pipeline, inference infrastructure ও পুনঃপ্রশিক্ষণের দায়ও বাড়তে পারে। Model ownership তাই নিজে থেকেই কম মোট ব্যয়ের নিশ্চয়তা নয়; নিয়ন্ত্রণের মূল্য ও পুনরাবৃত্ত infrastructure ব্যয়ের সমীকরণ গ্রাহকভেদে আলাদা হবে।

Business outcome-এ পরীক্ষাই হবে আসল প্রমাণ

Post-training engine-এর সাফল্য শুধু সাধারণ benchmark score দিয়ে বোঝা যাবে না। Enterprise deployment-এ একই task set-এর ওপর base model ও specialized model তুলনা করে task success rate, unsupported উত্তরের হার, নিরাপত্তা ব্যর্থতা, latency, প্রতি সফল কাজের inference cost এবং মানুষের সংশোধনের প্রয়োজন মাপতে হবে।

Outcome data-র মানও ফল নির্ধারণ করবে। পুরোনো সিদ্ধান্তে পক্ষপাত থাকলে বা “সফল ফল” ভুলভাবে সংজ্ঞায়িত হলে reinforcement learning সেই ত্রুটি শক্তিশালী করতে পারে। Production পরিবেশ বদলালে একবারের ভালো evaluation স্থায়ী নিশ্চয়তা দেয় না; monitoring ও নতুন data দিয়ে পুনর্মূল্যায়ন post-training-এর চলমান ব্যয়ের অংশ।

Deep Cogito-কে শেষ পর্যন্ত দেখাতে হবে, তার পদ্ধতি সাধারণ fine-tuning বা prompt-based customization-এর চেয়ে পরিমাপযোগ্য বাড়তি ফল দেয় এবং সেই উন্নতির মূল্য অতিরিক্ত training ও পরিচালন ব্যয়ের চেয়ে বেশি। এখন পর্যন্ত pricing, valuation, enterprise revenue কিংবা তুলনামূলক customer benchmark প্রকাশ করা হয়নি। তাই ৪.৩ কোটি ডলারের Series A post-training স্তরে বিনিয়োগকারীদের আগ্রহের স্পষ্ট প্রমাণ হলেও Deep Cogito-র পদ্ধতির অর্থনৈতিক শ্রেষ্ঠত্বের চূড়ান্ত প্রমাণ নয়।