sci2sci পেল €১.২ মিলিয়ন—AI-র দাবি যাচাই মানেই ভুল শেষ নয়

Tech.eu-এর ৮ সেপ্টেম্বরের প্রতিবেদন অনুযায়ী, বার্লিনভিত্তিক sci2sci €১.২ মিলিয়নের pre-seed অর্থায়ন তুলেছে। Heliad ও IBB Ventures রাউন্ডটির যৌথ নেতৃত্ব দিয়েছে; Robin Capital ও Superangels-ও এতে অংশ নিয়েছে।

StartupCentrum-এর স্বাধীন বিবরণেও একই অর্থায়ন ও বিনিয়োগকারীদের নাম পাওয়া যায়। নতুন মূলধন engineering team সম্প্রসারণ, VectorCat ও Integrity Cortex-এর deployment গভীর করা, আরও biopharma গ্রাহকের কাছে পৌঁছানো এবং পরে banking-সহ অন্য নিয়ন্ত্রিত খাতে বিস্তারের জন্য ব্যবহারের পরিকল্পনা রয়েছে।

অর্থায়নের কেন্দ্রে Integrity Cortex

sci2sci এমন একটি সমস্যা ধরেছে যা নিয়ন্ত্রিত প্রতিষ্ঠানে সাধারণ chatbot-এর ব্যবহারকে ঝুঁকিপূর্ণ করে: AI কোনো উত্তর তৈরি করলেও reviewer-কে জানতে হয় উত্তরটির প্রতিটি দাবি কোথা থেকে এসেছে এবং কোন যুক্তিতে সিদ্ধান্তে পৌঁছানো হয়েছে। প্রতিষ্ঠানের বিচ্ছিন্ন নথি, laboratory record ও structured data পরস্পরের সঙ্গে না মিললে সাবলীল উত্তরও নির্ভরযোগ্য evidence হয়ে ওঠে না।

Integrity Cortex-এর আনুষ্ঠানিক পণ্যপাতায় ব্যবস্থাটিকে neurosymbolic verification layer হিসেবে বর্ণনা করা হয়েছে, যেখানে AI output-কে source-এর সঙ্গে যুক্ত করা, deterministic verification, dependency tracking এবং পূর্ণ audit trail রাখার কথা বলা হয়। এগুলো কোম্পানির প্রকাশিত সক্ষমতার দাবি—স্বাধীনভাবে যাচাই করা performance benchmark নয়।

প্রস্তাবিত workflow-তে neural component নথি থেকে fact, claim ও relationship শনাক্ত করে; symbolic component পরীক্ষা করে citation ও ঘোষিত premise থেকে conclusion-টি নিয়মমাফিক এসেছে কি না। কোনো source বদলালে তার ওপর নির্ভরশীল conclusion পুনরায় পর্যালোচনার জন্য সামনে আনার ব্যবস্থাও এর অংশ।

VectorCat-এর দায়িত্ব ভিন্ন। এটি cloud storage, network drive ও laboratory system-এ থাকা তথ্য সরিয়ে না এনে একটি searchable catalog-এর মাধ্যমে খুঁজে পাওয়ার উপযোগী করার data-integration layer। Integrity Cortex সেই তথ্যের ভিত্তিতে claim, derivation এবং মানুষের confirmation অনুসরণযোগ্য record-এ সাজাতে চায়।

RAG, source tracing ও symbolic rules কী প্রমাণ করে

Retrieval-augmented generation বা RAG প্রশ্নের সঙ্গে প্রাসঙ্গিক নথি খুঁজে language model-কে context দেয়। এটি প্রতিষ্ঠানের নিজস্ব corpus থেকে উত্তর তৈরিতে সাহায্য করতে পারে, কিন্তু retrieval সঠিক ও পূর্ণ নথি তুলেছে কি না, পুরোনো version ব্যবহার করেছে কি না অথবা পরস্পরবিরোধী record বাদ পড়েছে কি না—শুধু RAG তা মীমাংসা করে না।

Source tracing একটি বক্তব্যকে নির্দিষ্ট passage, document version বা human confirmation-এর সঙ্গে যুক্ত করে। এর ফলে provenance পরীক্ষা করা যায় এবং audit-এর সময় evidence chain অনুসরণ করা সহজ হয়। তবে trace করা source নিজেই সঠিক, হালনাগাদ, সম্পূর্ণ বা সিদ্ধান্তটির জন্য যথেষ্ট—এটি source tracing প্রমাণ করে না; ভুল নথিকেও নিখুঁতভাবে trace করা সম্ভব।

Symbolic rules ঘোষিত premise ও formal relationship পরীক্ষা করে। শর্ত পূরণ না হলে কোনো conclusion-কে ব্যর্থ বা অসম্পূর্ণ হিসেবে চিহ্নিত করা যায় এবং একই input ও rule দিয়ে হিসাব পুনরুৎপাদন করা সম্ভব। কিন্তু ভুলভাবে লেখা rule অথবা নথি থেকে ভুলভাবে গঠিত representation একই ভুল ফল ধারাবাহিকভাবে তৈরি করতে পারে।

শেষ স্তরটি domain validation। কোনো assay উপযুক্ত ছিল কি না, sample bias ফলকে প্রভাবিত করেছে কি না, clinical evidence যথেষ্ট কি না বা নির্দিষ্ট regulatory ব্যবহারে conclusion গ্রহণযোগ্য কি না—এসব বিচার সংশ্লিষ্ট বিশেষজ্ঞ ও প্রতিষ্ঠানের quality process-এর। Audit trail সেই বিচারকে নথিবদ্ধ করতে পারে; বিচারটির বৈজ্ঞানিক যথার্থতা নিজে প্রতিষ্ঠা করে না।

যাচাইযোগ্য output কেন ভুলহীন output নয়

Integrity Cortex যে verification-এর কথা বলে, তার কার্যকারিতা উপলভ্য source ও formal rule-এর সীমানায় আবদ্ধ। প্রয়োজনীয় নথি corpus-এ না থাকলে system অসম্পূর্ণ evidence নিয়ে কাজ করবে। আবার scientific text থেকে fact বা relationship ভুলভাবে extract হলে symbolic engine মূল বাস্তবতা নয়, সেই ভুল representation-ই পরীক্ষা করবে।

Rule set যে ঝুঁকি ধারণ করেনি, সেখানে verification pass করাও correctness-এর নিশ্চয়তা নয়। Citation উপস্থিত থাকার অর্থ claim ও record-এর সংযোগ দৃশ্যমান; source quality, experimental design, বাইরের evidence-এর সঙ্গে সামঞ্জস্য এবং উপযুক্ত interpretation আলাদা প্রশ্ন।

এই পার্থক্যের কারণেই hallucination শনাক্ত করার ব্যবস্থা এবং hallucination-এর শূন্য ঝুঁকি এক দাবি নয়। ফল নির্ভর করবে corpus coverage, source selection, extraction accuracy, rule design, version control, access control ও human review-এর ওপর। প্রকাশ্য উপকরণে এমন কোনো স্বাধীন peer-reviewed benchmark পাওয়া যায় না, যা সব ধরনের বৈজ্ঞানিক workflow-তে Integrity Cortex ভুল নির্মূল করে বলে প্রতিষ্ঠা করে।

বিনিয়োগকারী ও নিয়ন্ত্রিত ক্রেতার প্রশ্নতালিকা

ভারত, বাংলাদেশ ও ইউরোপের biopharma বা enterprise buyer-এর কাছে এই অর্থায়নের তাৎপর্য হলো sci2sci এখন engineering ও deployment সক্ষমতা বাড়ানোর সুযোগ পাচ্ছে। কিন্তু procurement বা বিনিয়োগ যাচাইয়ে “neurosymbolic” পরিচয়ের চেয়ে কোন evidence পরীক্ষা হচ্ছে, কোনটি হচ্ছে না এবং কোথায় মানুষের দায় শুরু হচ্ছে—সেগুলো বেশি গুরুত্বপূর্ণ।

• কোন document, database ও laboratory system বর্তমানে সংযুক্ত করা যায়, এবং বাদ পড়া source কীভাবে দৃশ্যমান হয়?
• প্রতিটি claim কি মূল passage, document version, timestamp ও human confirmation পর্যন্ত trace করা যায়?
• Retrieval, fact extraction, citation matching ও symbolic derivation-এর ফল কি আলাদাভাবে মাপা হয়?
• পরস্পরবিরোধী record পেলে system কি conflict দেখায়, নাকি একটি উত্তর বেছে নেয়?
• Rule কে লেখেন ও অনুমোদন করেন, এবং পরিবর্তনের version history কীভাবে সংরক্ষিত হয়?
• কোন পর্যায়ে domain expert-এর sign-off আবশ্যক এবং automated verification কোথায় থামে?
• Audit trail export, access control ও retention স্থানীয় quality system-এর সঙ্গে মানানসই কি না?

এখন নিশ্চিত বিষয় হলো অর্থায়ন, অংশগ্রহণকারী বিনিয়োগকারী এবং পণ্য সম্প্রসারণের পরিকল্পনা। Round valuation, বিনিয়োগকারীদের পৃথক allocation, নামসহ customer deployment কিংবা স্বাধীন performance benchmark প্রকাশিত হয়নি। ফলে নতুন মূলধন sci2sci-কে প্রযুক্তিটি বিস্তৃতভাবে প্রয়োগ ও মূল্যায়নের সুযোগ দেয়, কিন্তু পূর্ণ বৈজ্ঞানিক validation বা শূন্য hallucination এখনো প্রতিষ্ঠিত ফল নয়।