Resect AI পেল ২.৫ কোটি ডলার—hallucination কমানোর দাবি এখনো অযাচাইকৃত
Resect Artificial Intelligence ৩ সেপ্টেম্বর ২০২৬-এ ২.৫ কোটি ডলার বা ২৫ মিলিয়ন ডলারের অর্থায়ন নিয়ে stealth থেকে বেরিয়েছে। Resect AI-এর আনুষ্ঠানিক ঘোষণায় অর্থের উৎস হিসেবে নাম প্রকাশ না করা private-equity investor-দের উল্লেখ করা হয়েছে; সেই অর্থ গবেষণা ও উন্নয়ন, বাজার সম্প্রসারণ এবং সিয়াটল–পোর্টল্যান্ড অঞ্চলে কর্মী নিয়োগে ব্যবহারের কথা রয়েছে।
একই দিনে প্রকাশিত GeekWire-এর প্রতিবেদনে ২৫ মিলিয়ন ডলারের অর্থায়ন ও stealth থেকে বের হওয়ার ঘটনা নিশ্চিত করা হয়েছে। কিন্তু প্রতিষ্ঠানটির প্রযুক্তি inference চলাকালে মডেলের আচরণ বদলে hallucination কমাতে পারে—এটি এখনো কোম্পানির দাবি; স্বাধীন, পুনরুৎপাদনযোগ্য পরীক্ষার ফল প্রকাশিত হয়নি।
অর্থায়নের নিশ্চিত তথ্য যতটুকু
প্রকাশ্য নথিতে অর্থায়নের অঙ্ক ও উৎসের ধরন জানা গেলেও চুক্তির কাঠামো স্পষ্ট নয়। বিনিয়োগকারীদের নাম, lead investor, round-এর পর্যায়, কোম্পানির valuation কিংবা কত অংশের মালিকানা হস্তান্তর হয়েছে—কোনোটিই প্রকাশ করা হয়নি। তাই এটিকে seed, Series A বা অন্য কোনো নির্দিষ্ট venture round বলা নির্ভুল হবে না।
অর্থায়ন Resect AI-কে গবেষণা, পণ্য উন্নয়ন, বিক্রি ও নিয়োগে ব্যয় করার সামর্থ্য দেয়। তবে বিনিয়োগের অঙ্ক কোনো পণ্যের detection rate, false-positive rate বা বাস্তব ব্যবহারে ঝুঁকি কমানোর হার প্রমাণ করে না। অর্থদাতাদের সিদ্ধান্তে দল, মেধাস্বত্ব, বাজারের সম্ভাবনা এবং ভবিষ্যৎ পরিকল্পনাও ভূমিকা রাখতে পারে।
প্রতিষ্ঠানটির প্রায় ৩০ জন কর্মী রয়েছে এবং ২০২৬ সালের শেষ নাগাদ সেই সংখ্যা ৫০-এ নেওয়ার পরিকল্পনা করেছে। ওয়াশুগাল, ওয়াশিংটনের সদর দপ্তরের পাশাপাশি সিয়াটল এলাকায় engineering ও business hub খোলার পরিকল্পনাও রয়েছে; এগুলো পরিকল্পিত সম্প্রসারণ, সম্পন্ন নিয়োগ বা চালু কার্যালয় নয়।
প্রযুক্তিটি কী করার দাবি করছে
Resect AI বলছে, তার প্রযুক্তি কোনো LLM উত্তর তৈরি করার পরে শুধু output পরীক্ষা করবে না; inference চলাকালে মডেলের অভ্যন্তরীণ আচরণ পর্যবেক্ষণ করে সম্ভাব্য fabrication শনাক্ত ও পরিবর্তনের চেষ্টা করবে। ঘোষিত সক্ষমতার মধ্যে model behavior পর্যবেক্ষণ, শনাক্তকরণ, ব্যাখ্যা, audit এবং পরিবর্তন অন্তর্ভুক্ত।
এই পার্থক্যটি গুরুত্বপূর্ণ। একটি post-processing checker তৈরি হয়ে যাওয়া উত্তরের অসঙ্গতি ধরতে পারে; Resect AI-এর দাবি আরও বিস্তৃত—ভুল উত্তর বের হওয়ার আগেই মডেলের সিদ্ধান্তপ্রক্রিয়ায় হস্তক্ষেপ। প্রতিষ্ঠানটি audit trail তৈরির কথাও বলছে, যা enterprise governance-এ কাজে লাগতে পারে; তবে log তৈরি হওয়া এবং hallucination সত্যিই কমে যাওয়া দুটি আলাদা ফল।
ঘোষণার ভাষায় open-source offering ও enterprise product suite দুটিই আসন্ন। কোম্পানির সাইটে NeuroWave-এর জন্য waitlist ও demo request রয়েছে। ফলে ৩ সেপ্টেম্বরের ঘটনাটি ব্যাপকভাবে উপলভ্য ও স্বাধীনভাবে যাচাই করা production release নয়; এটি অর্থায়নসহ প্রতিষ্ঠানের প্রকাশ্য আত্মপ্রকাশ এবং বাজারে প্রবেশের ঘোষণা।
প্রকাশিত benchmark কেন মূল দাবির প্রমাণ নয়
RuntimeWire-এর যাচাইয়ে Resect AI-এর ০.৬ বিলিয়ন parameter-এর Veritas fact-checker model card-এ LLM-AggreFact পরীক্ষায় ৭২.৩০% average balanced accuracy এবং ভিত্তি Qwen3 model-এর জন্য ৬৪.৯৩% ফল পাওয়া যায়। এটি Resect AI-এর নিজের প্রকাশিত, নির্দিষ্ট fact-checking model-এর মূল্যায়ন—NeuroWave বা inference-এর ভেতরে আচরণ পরিবর্তনের enterprise ব্যবস্থার স্বাধীন পরীক্ষা নয়।
অতএব প্রকাশ্য প্রমাণ একেবারে শূন্য বলা ঠিক হবে না, কিন্তু প্রমাণের subject সীমিত। একটি fine-tuned fact-checker-এর নির্দিষ্ট test-set ফল থেকে আলাদা intervention layer কতটা নির্ভরযোগ্য, কত ধরনের model-এ চলে বা production traffic-এ কেমন কাজ করে—সেসব সিদ্ধান্তে পৌঁছানো যায় না।
মূল enterprise দাবিটির জন্য এখনো প্রকাশ্যভাবে dataset composition, model ও version-ভিত্তিক coverage, false positive ও false negative, intervention-এর পর সঠিক উত্তর সংরক্ষণের হার, latency ও compute cost, অথবা পুনরুৎপাদনযোগ্য end-to-end benchmark দেখা যায়নি। স্বাধীন গবেষক বা নাম প্রকাশ করা enterprise গ্রাহকের পরীক্ষাও প্রকাশিত উপকরণে নেই। এই সীমার মধ্যেই শিরোনামের “অযাচাইকৃত” শব্দটি প্রযোজ্য: দাবিটি মিথ্যা প্রমাণিত নয়, কিন্তু স্বাধীনভাবে প্রতিষ্ঠিতও নয়।
Enterprise ক্রেতার প্রমাণের তালিকা
বাংলাদেশ বা ভারতের কোনো ব্যাংক, স্বাস্থ্যসেবা প্রতিষ্ঠান, প্রকাশক কিংবা অন্য নিয়ন্ত্রিত ব্যবসার জন্য financing headline যথেষ্ট procurement evidence নয়। Resect AI-এর ব্যবস্থা pilot-এ নেওয়ার আগে পণ্যের একই version ও একই configuration ব্যবহার করে অন্তত নিচের প্রমাণগুলো চাওয়া দরকার:
- পরীক্ষার পরিধি: কোন LLM, model version, ভাষা, domain ও prompt distribution-এ মূল্যায়ন হয়েছে; বাংলা এবং code-mixed input অন্তর্ভুক্ত ছিল কি না।
- তুলনাযোগ্য baseline: একই test set-এ intervention ছাড়া মূল model, প্রচলিত output checker এবং Resect AI-সহ configuration-এর ফল।
- দুই ধরনের ভুল: কতটি hallucination শনাক্ত হয়েছে এবং কতটি সঠিক উত্তর ভুল করে আটকানো বা পরিবর্তন করা হয়েছে—দুটির পূর্ণ হিসাব।
- উত্তরের মান: intervention-এর পরে factuality বাড়লেও relevance, completeness বা instruction-following কমেছে কি না।
- কর্মক্ষমতার খরচ: প্রতিটি request-এ latency, compute ও আর্থিক ব্যয়ের পরিবর্তন এবং বেশি traffic-এ ফলের স্থিতিশীলতা।
- পুনরুৎপাদনযোগ্যতা: test set, scoring rubric, configuration ও software version দিয়ে তৃতীয় পক্ষ একই ফল পেতে পারে কি না।
- Audit ও data handling: log-এ কী থাকে, sensitive prompt ও output কোথায় সংরক্ষিত হয়, কারা access পায় এবং model update-এর পরে নিয়ন্ত্রণটি কীভাবে আবার যাচাই হয়।
একটি সামগ্রিক accuracy সংখ্যাও একা যথেষ্ট নয়। Pilot-এর failure taxonomy, গ্রহণযোগ্য error threshold এবং human-review নিয়ম আগে নির্ধারিত না থাকলে একই score ভিন্ন ব্যবহারে সম্পূর্ণ ভিন্ন ঝুঁকি তৈরি করতে পারে। বিশেষ করে ইংরেজি benchmark-এর ফল বাংলা workload-এ সরাসরি প্রযোজ্য ধরে নেওয়া যাবে না।
এখন নিশ্চিত গল্পটি হলো ৩ সেপ্টেম্বরের ২৫ মিলিয়ন ডলারের অর্থায়ন, stealth থেকে Resect AI-এর আত্মপ্রকাশ এবং model behavior পর্যবেক্ষণ ও পরিবর্তনের ঘোষিত পরিকল্পনা। পরবর্তী নির্ণায়ক প্রমাণ হবে পরীক্ষাযোগ্য product release, সম্পূর্ণ benchmark methodology, একাধিক model ও ভাষায় পুনরুৎপাদনযোগ্য ফল এবং স্বাধীন গবেষক বা enterprise pilot-এর মূল্যায়ন। সেগুলো না আসা পর্যন্ত hallucination কমানোর প্রতিশ্রুতি একটি সম্ভাবনাময় product claim—প্রতিষ্ঠিত কার্যকারিতা নয়।
আরও পড়ুন:
আমাদের নিউজলেটার নিন
সর্বশেষ Web3, AI ও ক্রিপ্টো সংবাদ সরাসরি আপনার ইনবক্সে পান।