Large Language Models

Today's Stories

1. 1

   Kroger কৃত্রিম বুদ্ধিমত্তা চালিত খাবার পরিকল্পনা সহায়ক চালু করেছে কেনাকাটা বৃদ্ধির জন্য

   কী ঘটেছে: Kroger একটি কৃত্রিম বুদ্ধিমত্তা (AI) কেনাকাটা সহায়ক চালু করেছে যা গ্রাহকদের খাবার পরিকল্পনা করতে এবং তাদের কার্টে পণ্য যোগ করতে সাহায্য করে, যা মুদি খাতে AI-চালিত বাণিজ্য সরঞ্জামে Kroger-এর প্রবেশকে চিহ্নিত করে। এটি কেন গুরুত্বপূর্ণ: এই AI সহায়ক Kroger-কে খাবার পরিকল্পনা এবং কেনাকাটাকে সহজ করে তুলে ঝুড়ির আকার এবং গ্রাহক সম্পৃক্ততা বৃদ্ধিতে সহায়তা করতে পারে—এটি এমন একটি পদক্ষেপ যা প্রকাশ করে কীভাবে খুচরা বিক্রেতারা ই-কমার্স বিকল্পগুলি বৃদ্ধি পাওয়ার সাথে সাথে প্রতিযোগিতা করতে এবং অনলাইন ও অফলাইন অভিজ্ঞতা উন্নত করতে AI-তে মনোনিবেশ করছেন।

   লক্ষ্য রাখুন: বিতরণের পরিধি, মূল্য নির্ধারণ, Kroger-এর অ্যাপ ও ওয়েবসাইটে উপলব্ধতা এবং এই সরঞ্জামটি গ্রাহক ব্যয় ও আনুগত্যে পরিমাপযোগ্য লাভ চালিত করে কিনা তা নির্দেশ করবে AI-চালিত খাবার পরিকল্পনা একটি মান গুদামজাত খুচরা বৈশিষ্ট্যে পরিণত হয় কিনা।

2. 2

   আইনি দলগুলির প্রযুক্তি-কেন্দ্রিক নয়, সমস্যা-কেন্দ্রিক কৃত্রিম বুদ্ধিমত্তা প্রয়োজন

   কী ঘটেছে: Altria-তে訴訟সহায়তা এবং প্রযুক্তির সিনিয়র ডিরেক্টর Kimberly Harlowe কর্পোরেট আইনি বিভাগের জন্য কৃত্রিম বুদ্ধিমত্তা কৌশলগতভাবে গ্রহণ করার একটি কাঠামো উপস্থাপন করেছেন। এই পদ্ধতিতে সরঞ্জাম নির্বাচনের আগে নির্দিষ্ট ব্যবসায়িক সমস্যা চিহ্নিত করাকে অগ্রাধিকার দেওয়া হয়, কৃত্রিম বুদ্ধিমত্তা বিকশিত হওয়ার সাথে সাথে সমাধান পরিবর্তন করার জন্য মডুলার অবকাঠামো ডিজাইন করা এবং অভ্যন্তরীণ-শুধুমাত্র স্বয়ংক্রিয়তার পরিবর্তে বাইরের আইনজীবী অংশীদারিত্বের মাধ্যমে স্কেলিং অন্তর্ভুক্ত রয়েছে। এটি কেন গুরুত্বপূর্ণ: প্রায় ৮৭ শতাংশ জেনারেল কাউন্সেল সক্রিয় কৃত্রিম বুদ্ধিমত্তা ব্যবহার রিপোর্ট করেন, তবে মাত্র অর্ধেকেরও কম একটি আনুষ্ঠানিক রোলআউট রোডম্যাপ আছে। একটি সমস্যা-চালিত কৌশল—উত্তরাধিকার নথি সংগঠিত করার মতো কম ঝুঁকির অভ্যন্তরীণ জয় থেকে শুরু করে তারপর বাইরের আইনজীবী কর্মপ্রবাহে স্কেলিং—আইনি নেতাদের সফ্টওয়্যার বৈশিষ্ট্য নয়, খরচ সাশ্রয় বা পুনরুদ্ধারকৃত ক্ষমতায় পিচ নঙ্গর করে নির্বাহী সমর্থন অর্জন করতে সাহায্য করে।

   দেখার মতো বিষয়: এই কাঠামোটি একটি 'প্লাগ-অ্যান্ড-প্লে স্থাপত্য' তৈরি করার উপর জোর দেয় যা বিভাগগুলিকে একক-বিক্রেতা ইকোসিস্টেমে লক করা এড়ায়, কারণ কৃত্রিম বুদ্ধিমত্তা সমাধান প্রতি ছয় মাসে পরিবর্তিত হয়। বাইরের আইনজীবীর জন্য উচ্চ-প্রভাব ব্যবহারের ক্ষেত্রগুলির মধ্যে স্বয়ংক্রিয় জমা দেওয়ার সংক্ষিপ্তসার এবং আবিষ্কার খসড়া অন্তর্ভুক্ত রয়েছে, সাফল্য আইন সংস্থাগুলিকে মানসম্পন্ন সরঞ্জামগুলির চারপাশে সারিবদ্ধ করতে এবং প্রতিটি পদক্ষেপে মানব পর্যালোচনা বজায় রাখার সাথে সম্পর্কিত।

3. 3

   Walmart কৃত্রিম বুদ্ধিমত্তা ব্যবহার করে আবহাওয়াজনিত বাধা পূর্বাভাস দেয় এবং ঝড়ের আগে মজুদ পুনর্নির্দেশিত করে

   কী ঘটেছে: Walmart ঐতিহাসিক আবহাওয়ার ধরন এবং রিয়েল-টাইম ডেটা বিবেচনা করে এমন পূর্বাভাসমূলক কৃত্রিম বুদ্ধিমত্তা এবং মেশিন লার্নিং মডেল স্থাপন করেছে যা গুরুতর আবহাওয়া কীভাবে তার সাপ্লাই চেইনকে প্রভাবিত করবে তা পূর্বাভাস দেয়। এই সিস্টেম পরিকল্পনাকারীদের ব্যাঘাত ঘটার আগে মজুদ পুনর্অবস্থান করতে, ট্রানজিট সময় সামঞ্জস্য করতে এবং শিপমেন্টগুলি প্রভাবিত হয়নি এমন অবস্থানে পুনর্নির্দেশিত করতে সহায়তা করে। খুচরবিক্রেতা একটি "বুদ্ধিমান পরিপূর্ণতা ইঞ্জিন" ও ব্যবহার করে যা আবহাওয়া ঘটনাগুলির সময় ডেলিভারি পথ পুনরায় গণনা করে এবং কানাডায় একটি ঝড় পুনর্নির্দেশন এজেন্ট পরিচালনা করে যা দশ দিনের পূর্বাভাসগুলি হাইওয়ে এবং ফেরি বন্ধের সাথে ক্রস-রেফারেন্স করে। এটি কেন গুরুত্বপূর্ণ: গুরুতর আবহাওয়া অপরিহার্য জিনিসের চাহিদা বৃদ্ধি করতে পারে (যেমন ভারী বৃষ্টির সময় ছাতা), পরিপূর্ণতা কেন্দ্রের ক্ষমতা হ্রাস করতে পারে এবং মূল পথগুলি বন্ধ করতে পারে—বিশেষত প্রত্যন্ত অঞ্চলে যেখানে ফেরি বাতিলগুলি দোকানে পৌঁছানোর একমাত্র উপায় হতে পারে। এই প্রভাবগুলির প্রতি প্রতিক্রিয়াশীল হওয়ার পরিবর্তে সেগুলি পূর্বাভাস দিয়ে, Walmart সময়মতো ডেলিভারি বজায় রাখতে এবং দোকানগুলি স্টক করে রাখতে পারে এবং একই সাথে ক্যালিফোর্নিয়া এবং কলোরাডোতে বনের আগুনের মতো জরুরি অবস্থার সময় চালক নিরাপত্তা রক্ষা করতে পারে।

   কী নজরে রাখতে হবে: Walmart শুধুমাত্র স্বল্পমেয়াদী আবহাওয়া সংকটগুলি পরিচালনা করার জন্য নয়, দীর্ঘমেয়াদে তার নেটওয়ার্ক ডিজাইন অপ্টিমাইজ করতে একই কৃত্রিম বুদ্ধিমত্তা পদ্ধতি ব্যবহার করছে। সাপ্লাই চেইন প্রযুক্তির সিনিয়র ভাইস প্রেসিডেন্ট Indira Uppuluri উল্লেখ করেছেন যে কোম্পানি এমন সিমুলেশনগুলির মাধ্যমে "দীর্ঘমেয়াদে তার সাপ্লাই চেইন উন্নত করার পদ্ধতি শিখছে" যা নেটওয়ার্কটি কীভাবে কাজ করে তার কাঠামোগত পরিবর্তন প্রকাশ করতে পারে।

4. 4

   HR প্রযুক্তি স্টার্টআপ PeopleX কৃত্রিম বুদ্ধিমত্তা চালিত সাংগঠনিক রূপান্তরের লক্ষ্য রাখছে

   কী ঘটেছে: HR প্রযুক্তি কোম্পানি PeopleX নিজেকে কৃত্রিম বুদ্ধিমত্তা এজেন্টের চারপাশে অবস্থান করছে যা সাংগঠনিক কাঠামোকে পুনর্নির্মাণ করবে, কোম্পানির নেতৃত্ব আগামী পাঁচ বছরের জন্য দৃষ্টিভঙ্গি সম্পর্কে মন্তব্য অনুযায়ী। এটি কেন গুরুত্বপূর্ণ: কৃত্রিম বুদ্ধিমত্তা সমন্বিত মানব সম্পদের দিকে এই পরিবর্তন সংকেত দেয় যে HR কার্যাবলী—যা ঐতিহ্যগতভাবে প্রশাসনিক হিসাবে দেখা হয়েছে—কোম্পানিগুলি কীভাবে পরিচালনা করে এবং প্রতিযোগিতা করে তার মূল হয়ে উঠছে। এটি একটি বৃহত্তর প্রবণতা প্রতিফলিত করে যেখানে প্রতিভা ব্যবস্থাপনা এবং সাংগঠনিক ডিজাইন কৌশলগত অগ্রাধিকার হিসাবে বিবেচিত হয়, খরচ কেন্দ্র নয়।

   যা দেখতে হবে: PeopleX-এর কৃত্রিম বুদ্ধিমত্তা এজেন্ট স্থাপনের নির্দিষ্ট ক্ষমতা এবং সময়সীমা বিস্তারিতভাবে জানানো বাকি রয়েছে, কিন্তু কোম্পানির দৃষ্টিভঙ্গি পরামর্শ দেয় যে HR দলগুলিকে আগামী পাঁচ বছরের মধ্যে নিয়োগ, কাঠামো এবং কর্মশক্তি পরিকল্পনা পুনর্বিবেচনা করতে হবে।

5. 5

   Meta এবং Microsoft উভয়েই ক্রমবর্ধমান AI খরচের সম্মুখীন, লাভজনকতার ধারায় পার্থক্য

   কী ঘটেছে: Microsoft এবং Meta বুধবার তাদের আর্থিক প্রতিবেদন প্রকাশ করেছে যা দেখায় উভয় কোম্পানি AI অবকাঠামোতে ভারী বিনিয়োগ করছে। Microsoft উচ্চতর খরচ সত্ত্বেও তার লাভ বৃদ্ধি করেছে, যখন Meta আয়ে তীব্র হ্রাস রিপোর্ট করেছে। কেন এটি গুরুত্বপূর্ণ: লাভজনকতার এই পার্থক্য দুটি প্রযুক্তি দানবের মধ্যে AI বিনিয়োগের ভিন্ন রিটার্ন নির্দেশ করে। বিনিয়োগকারী এবং ব্যবসায়িক নেতারা যারা AI স্থাপনার প্রবণতা পর্যবেক্ষণ করছেন তাদের জন্য, Microsoft এর AI ব্যয়কে লাভ বৃদ্ধির সাথে সমন্বয় করার ক্ষমতা তার AI কাজের শক্তিশালী মুদ্রীকরণ নির্দেশ করতে পারে, যখন Meta এর আয় হ্রাস পরামর্শ দেয় কোম্পানি এখনও তার AI বিনিয়োগ থেকে তুলনীয় আর্থিক রিটার্ন উপলব্ধি করছে না।

   লক্ষ্য রাখার বিষয়: উভয় কোম্পানির AI ব্যয়ের চলমান গতিপথ এবং সেই ব্যয়কে রাজস্ব বৃদ্ধিতে রূপান্তরিত করার তাদের ক্ষমতা এন্টারপ্রাইজ AI এবং ক্লাউড সেবা বাজারে প্রতিযোগিতামূলক অবস্থান গঠন করবে।

6. 6

   ৬টি LLM স্থাপনা ফর্ম্যাটের তুলনা: গতি বনাম হার্ডওয়্যার নমনীয়তা

   কী ঘটেছে: ছয়টি উৎপাদন LLM স্থাপনা ফর্ম্যাটের প্রযুক্তিগত বিশ্লেষণ—Pickle, safetensors, GGUF, ONNX, MLX এবং TensorRT—প্রতিটির অনুমান গতি এবং হার্ডওয়্যার সামঞ্জস্যের মধ্যে আলাদা আলাদা ট্রেডঅফ রয়েছে। Pickle এবং safetensors যেকোনো জায়গায় চলে যেখানে Python চলে; GGUF কেবলমাত্র CPU মেশিনের জন্য ওজন এবং টোকেনাইজার বান্ডেল করে; ONNX মডেলগুলিকে ফ্রেমওয়ার্ক পরিবর্তন করতে দেয়; MLX Apple সিলিকনের জন্য অপ্টিমাইজ করে; TensorRT সর্বোচ্চ গতির জন্য নির্দিষ্ট NVIDIA GPU তে সংকলন করে। এটি কেন গুরুত্বপূর্ণ: দ্রুত মডেলগুলির জন্য হার্ডওয়্যার-নির্দিষ্ট পছন্দগুলি ফাইলে বেক করা প্রয়োজন, তাই একটি একক মডেল অবশ্যই যে প্রতিটি চিপ বা রানটাইম সমর্থন করতে হবে তার জন্য আলাদাভাবে পুনর্নির্মাণ করতে হবে। দলগুলিকে অনুমান বিলম্ব হ্রাস করার বিপরীতে মডেলটি প্রকৃতপক্ষে উৎপাদনে চালাতে পারে এমন হার্ডওয়্যারের ধরন সর্বাধিক করার বিপরীতে গতি-বনাম-সামঞ্জস্য মই নিচে যেতে কত দূর নিচে যেতে হবে তা চয়ন করতে হবে।

   পর্যবেক্ষণের বিষয়: নিবন্ধটি বিলম্ব বাজেট অনুমতি দেয় যে গতি-সামঞ্জস্য চার্টে স্থাপনা ফর্ম্যাট ধরে রাখার উপর জোর দেয়, কারণ দ্রুত সম্পাদনের দিকে প্রতিটি পদক্ষেপ এটি চালাতে পারে এমন হার্ডওয়্যার সংকীর্ণ করে। LLM স্থাপনকারী দলগুলি প্রতিক্রিয়া সময় হ্রাস করা এবং বহনযোগ্যতা সর্বাধিক করার মধ্যে একটি ক্রমাগত ট্রেডঅফের মুখোমুখি হয়।