প্রশ্ন লিখলেই ভূস্থানিক মডেল: Google PPE-তে বিশেষজ্ঞের কয়েক সপ্তাহ কমার দাবি
Google Research ২০২৬ সালের ২৭ আগস্ট Planetary Prediction Engine বা PPE উপস্থাপন করেছে। এটি Google Earth AI উদ্যোগের প্রাথমিক পর্যায়ের পরীক্ষামূলক গবেষণা ব্যবস্থা—সাধারণ ব্যবহারকারীর জন্য প্রকাশিত পণ্য নয়। Google Research-এর ঘোষণায় দাবি করা হয়েছে, PPE প্রাকৃতিক ভাষায় লেখা ভূস্থানিক পূর্বাভাসের প্রশ্ন থেকে তথ্য খোঁজা ও পরিষ্কার করা, feature তৈরি, model training ও evaluation এবং প্রতিবেদন প্রস্তুতের workflow স্বয়ংক্রিয়ভাবে চালায়।
প্রতিষ্ঠানটির ভাষ্য অনুযায়ী, বিশেষজ্ঞ দলের কয়েক সপ্তাহের manual data engineering-এর কাজ PPE কয়েক মিনিটে নামাতে পারে। তবে এটি কোনো প্রকাশিত সময়-পরিমাপের benchmark নয়; স্বাধীন পর্যালোচনাটিও দাবিটির দুই পাশের নির্দিষ্ট সময় প্রকাশ না হওয়ার কথা উল্লেখ করেছে। একই গবেষণায় ২১টি মার্কিন CDC স্বাস্থ্য সূচকে পূর্ণ PPE pipeline-এর গড় R² ৭৬.৮% এবং manual expert pipeline-এর ফল ৬০.০% বলে জানানো হয়েছে।
প্রশ্ন থেকে মডেল ও প্রতিবেদন যেভাবে তৈরি হয়
PPE-এর পার্থক্য শুধু দ্রুত model training নয়; dataset তৈরির আগের কাজও একই workflow-তে আনা হয়েছে। প্রথম ধাপে LLM-নিয়ন্ত্রিত ব্যবস্থা প্রশ্ন থেকে target variable, ভৌগোলিক সীমা, সময়সীমা, spatial granularity ও join key নির্ধারণ করে। তারপর সরাসরি signal এবং গবেষণায় সমর্থিত proxy signal-এর সম্ভাব্য তালিকা তৈরি করে।
ব্যবস্থাটি Data Commons ও Google Earth Engine থেকে প্রাসঙ্গিক covariate সংগ্রহ করে। সেখানে প্রয়োজনীয় signal না মিললে সরকারি portal ও academic repository-সহ উন্মুক্ত ওয়েবে খোঁজ চালাতে পারে। সংগৃহীত data-এর provenance, license এবং স্থান ও সময়ের সামঞ্জস্য বিবেচনা করে কোন variable রাখা হবে তা নির্ধারিত হয়।
পরের ধাপে tabular covariate-এর সঙ্গে Population Dynamics Foundation Model বা PDFM-এর জনসংখ্যা ও আর্থসামাজিক embedding এবং AlphaEarth-এর satellite-derived spatial feature যুক্ত হয়। Feature Gate target-এর গাণিতিক অংশ, একই survey থেকে সরাসরি তৈরি variable, target-এর downstream ফল এবং ভবিষ্যতের তথ্য বাদ দিয়ে leakage কমানোর চেষ্টা করে।
শেষ ধাপে regularized linear model, gradient-boosted decision tree ও multilayer perceptron-সহ একাধিক model family পরীক্ষা করা হয়। overfitting-এর ঝুঁকি ধরা পড়লে তুলনামূলক সংযত configuration দিয়ে পুনরায় training চালানোর ব্যবস্থাও আছে। নির্বাচিত model, prediction, evaluation metric ও data provenance নিয়ে তৈরি report-ই workflow-এর চূড়ান্ত output।
৭৬.৮% ফলটির অর্থ ও সীমা
প্রকাশিত ৭৬.৮% কোনো একক foundation model-এর accuracy নয়। ২৬ আগস্ট জমা দেওয়া মূল preprint-এর পরীক্ষায় Data Commons covariate, PDFM ও AlphaEarth embedding, স্বয়ংক্রিয় data selection এবং model search-সহ পূর্ণ stack ২১টি CDC health indicator-এ গড় R² ৭৬.৮% পেয়েছে; ৯৫% confidence interval ছিল ৭৬.১–৭৭.৬%, আর তুলনামূলক manual expert pipeline-এর গড় ছিল ৬০.০%।
R² লক্ষ্যমানের variation-এর কত অংশ model ব্যাখ্যা করছে তা মাপে; ৭৬.৮% রোগীকে সঠিকভাবে শনাক্ত করার হার এটি নয়। ফলটি মার্কিন census-tract-ভিত্তিক নির্দিষ্ট health target ও evaluation setup-এর, তাই একে সব রোগ, দেশ বা ভূগোলের সার্বজনীন accuracy score হিসেবে পড়া যাবে না।
Preprint-এ ভিন্ন কাজ ও ভূগোলের পরীক্ষাও আছে। নাইজেরিয়ার food-security downscaling-এ PPE রাজ্যস্তরের তথ্য থেকে local government area-স্তরের Food Consumption Group অনুমান করে R² ৬৬.১% পেয়েছে, যেখানে baseline ছিল ৩১.৫%। কঙ্গোর গণতান্ত্রিক প্রজাতন্ত্রে Ebola hotspot nowcasting-এ Recall@10 ছিল ৮৩.৩%: পাঁচটি সাপ্তাহিক forecast-এ পরে সংক্রমিত ১৮টি health zone-এর ১৫টি শীর্ষ ঝুঁকির তালিকায় আসে। Metric ও validation পদ্ধতি আলাদা হওয়ায় এই ফলগুলো CDC পরীক্ষার সঙ্গে একই accuracy scale-এ তুলনীয় নয়।
বাংলাদেশে input–model–validation মানচিত্র
প্রকাশিত benchmark-এ বাংলাদেশের কোনো task বা বাংলা ভাষার query evaluation নেই। ফলে বাংলাদেশের বন্যা, খাদ্য-নিরাপত্তা বা জনস্বাস্থ্যে একই ফল পাওয়া যাবে—এমন সিদ্ধান্ত বর্তমান প্রমাণ থেকে টানা যায় না। এখানে PPE-এর automation নয়, স্থানীয় target ও input-এর সংজ্ঞা এবং geographic holdout-এ ফলই হবে মূল পরীক্ষা।
বন্যার একটি স্থানীয় evaluation-এ নদীর gauge, বৃষ্টিপাত, elevation, বাঁধ ও drainage, বসতি এবং যাচাইযোগ্য ক্ষয়ক্ষতির label একই সময় ও প্রশাসনিক সীমানায় মেলাতে হবে। খাদ্য-নিরাপত্তায় বাজারদর, crop calendar, vegetation ও household survey; জনস্বাস্থ্যে case definition, পরীক্ষার হার, স্বাস্থ্যকেন্দ্রে পৌঁছানোর সুযোগ এবং population denominator-এর অসামঞ্জস্য model-এর ফল বদলে দিতে পারে।
Data থাকলেই spatial bias দূর হয় না। বেশি sensor বা ভালো reporting থাকা এলাকা training data-তে অতিরিক্ত প্রতিনিধিত্ব পেতে পারে; চর, হাওর, পাহাড় ও সীমান্ত অঞ্চলের sparse observation অনিশ্চয়তা বাড়াতে পারে। জেলা বা উপজেলার সীমানা বদল, একই নামের প্রশাসনিক এলাকা এবং বাংলা নামের ভিন্ন বানান ভুল join ও feature alignment তৈরি করতে পারে।
Random train-test split কাছাকাছি এলাকার মিলকে performance হিসেবে দেখাতে পারে। বাংলাদেশের জন্য শক্ত মূল্যায়নে সম্পূর্ণ অদেখা জেলা বা জলবায়ু অঞ্চল holdout রাখা, বর্ষা ও শুষ্ক মৌসুম আলাদা করে ফল মাপা এবং prediction-কে gauge, surveillance ও মাঠপর্যায়ের observation-এর সঙ্গে মিলিয়ে দেখা প্রয়োজন। Domain expert-কেও যাচাই করতে হবে, নির্বাচিত proxy বাস্তব signal ধরছে নাকি শুধু স্থান ও reporting practice-এর সাময়িক correlation।
কয়েক সপ্তাহ কমলেও মানুষের অনুমোদন বাদ যাচ্ছে না
PPE model-building pipeline দ্রুত চালানোর দাবি করে; ত্রাণ বণ্টন, রোগ নিয়ন্ত্রণ বা খাদ্য-সহায়তার সিদ্ধান্ত স্বয়ংক্রিয়ভাবে নেওয়ার প্রমাণ গবেষণাটি দেয় না। স্বাধীন সীমাবদ্ধতা পর্যালোচনায় গবেষণাটিকে first-party preprint evaluation হিসেবে চিহ্নিত করা হয়েছে: independent replication, peer-reviewed confirmation বা sustained production use-এর প্রমাণ এখনো নেই। একটি downscaling configuration-এ AlphaEarth feature যোগ করে ফল কমার কথাও সেখানে নথিবদ্ধ, অর্থাৎ বেশি data source সব target-এ স্বয়ংক্রিয় উন্নতি নিশ্চিত করে না।
বিশেষজ্ঞের কাজ তাই অদৃশ্য হচ্ছে না; data সংগ্রহ ও model configuration থেকে তার বড় অংশ problem specification, leakage audit এবং ফল অনুমোদনের দিকে সরে যাচ্ছে। কোন label গ্রহণযোগ্য, ভুল prediction-এর সামাজিক খরচ কত, কোন জনগোষ্ঠীর তথ্য কম এবং বাস্তব পরিস্থিতি বদলালে model কখন পুনর্মূল্যায়ন করতে হবে—এসব সিদ্ধান্ত R² বা Recall@10 একা দিতে পারে না।
এখন পর্যন্ত PPE-এর public API, source code, model weights, pricing বা সাধারণ access process ঘোষণা করা হয়নি। নিশ্চিত তথ্য হলো Google-এর গবেষণা architecture এবং লেখকদের প্রকাশিত benchmark। দক্ষিণ এশিয়ায় এর কার্যকারিতা বুঝতে পরবর্তী প্রয়োজন স্বাধীন replication, বাংলা query evaluation, sparse-data অঞ্চলে geographic holdout এবং স্থানীয় সংস্থার তত্ত্বাবধানে prospective validation।
আরও পড়ুন:
আমাদের নিউজলেটার নিন
সর্বশেষ Web3, AI ও ক্রিপ্টো সংবাদ সরাসরি আপনার ইনবক্সে পান।