মেশিন লার্নিং ০৭

I keep saying that the sexy job in the next 10 years will be statisticians. And I’m not kidding.

– Hal Varian

এই ঘটনার পর পরই টার্গেট বাইরের ‘কমিউনিকেশন’ বন্ধ করে দেয় পুরোপুরি। বিশেষ করে – মিডিয়ার সাথে। নিজেদেরও গুটিয়ে নেয় অনেকখানি। এর পেছনে কিছুটা কাজ করেছে ওই মিডিয়া। এতো এতো তথ্য নিয়ে কি করে টার্গেট? গ্রাহকেরাও ক্ষুদ্ধ কিছুটা। ‘প্রাইভেসী’ বলে থাকলো না কিছু আর। ওই ঘটনার দু বছর আগের কথা। নিউ ইয়র্ক টাইমসের ‘চার্লস ডুহিগ’ কথা বলেছিলেন তাদের চীফ ডাটা সায়েন্টিস্টের সাথে। আলাপ করছিলেন হবু ‘বাচ্চা’ কাস্টমারদের নিয়ে। বাচ্চাদেরকে ঘিরেই রয়েছে বিলিয়ন ডলারের কয়েকটা ভার্টিকেলের ইন্ডাস্ট্রি। খেলনা বাদেই। কেই বা ছাড়তে চায় বলেন?

আর সেজন্যই আলাদা করে আছে বেবি রেজিস্ট্রি সার্ভিস। এই শপিং চেইনগুলোর। ওই নতুন ‘বাচ্চা’ কাস্টমারদেরকে ঘিরে। তবে, ওই বাচ্চাটা কবে আসছে পৃথিবীতে – সেটা ট্র্যাক করা যায় ওই মাতৃত্বকালীন সময় থেকে। যেমন ধরুন, লোশন কেনে সবাই। তবে, সুগন্ধি ছাড়া লোশন অর্ডার করছেন ১৩-২০ সপ্তাহের মা’রা। সেটা পাওয়া গেছে হিস্টরিক ডাটা থেকে। ওই বেবি রেজিস্ট্রির সাথে মিলিয়ে। হতে যাওয়া মা’রা প্রথম ২০ সপ্তাহে অর্ডার করেন কিছু ভিটামিন সাপ্লিমেন্ট। বিশেষ করে – ক্যালসিয়াম, ম্যাগনেশিয়াম আর জিঙ্ক। যখন অর্ডার পড়ে বেশি করে ‘গন্ধ ছাড়া সাবান’ + তুলার রোল প্যাক, বুঝতে হবে সময় অনেক অনেক কাছে। বাচ্চা কাস্টমারের আসার। এই পৃথিবীতে।

টার্গেট ওই দুহাজার নয়েই বুঝে ফেলতো কে ‘প্রেগন্যান্ট’ আর কে নয়। মেশিন লার্নিং থেকে বুঝে আলাদা করে ফেলেছিলো +/- ২৫ প্রোডাক্ট। এইটার সাথে ওইটা – অথবা ওইটার সাথে এইটা। আবার, এইটা বিয়োগ ওইটা। বেশি হলে এটা। কম হলে আরেকটা। হাজার পার্মুটেশন কম্বিনেশন করে বের করে ফেলেছিলো ওই মা এখন মাতৃত্বকালীন কোন সপ্তাহে। একটা উদাহরন দিয়েছিলো টার্গেট। ধরুন, ‘জেনি ওয়ার্ড’ একজন ‘কল্পিত’ কাস্টমার। বয়স ২৩। থাকে আটলান্টায়। একটা অর্ডার দিলো মার্চে। কোকা বাটার লোশন। সঙ্গে আরেকটা বড় ব্যাগ। সাইজে ঢুকতে পারে দুটো ডায়াপার। ডায়াপার অর্ডারে নেই কিন্তু। পকেট আছে কয়েকটা। ভিটামিন সাপ্লিমেন্ট নেয়ার মতো। অর্ডারে নেই ভিটামিন। উজ্জল নীল রঙয়ের একটা কাঁথাও ছিলো ওই অর্ডারে। মেশিন লার্নিং বলবে – ৮৭% ভাগ নিশ্চিত মহিলা প্রেগন্যান্ট। তার ‘ডিউ ডেট’ অগাস্টের শেষে। বাচ্চাটা হবে ছেলে।

[…]

Read Full Post »

গানের বাক্স: সেরা কিছু কান্ট্রি, উনিশ

গান শোনেন যারা, মানে বর্তমান জমানার, তাদের কাছে প্রস্তর যুগের মানুষ আমি। মিথ্যা বলিনি। আসলেই তাই। আশির দশকের গান ‘শোনেআলা’কে বলবেই বা কি এখনকার মিলেনিয়ালসরা? ‘আউটডেটেড’ হয়ে গিয়েছি বহু আগে। সত্যি বলছি। মেশিন লার্নিংয়ে রেকোমেন্ডার সিস্টেম আমার মেজাজের অ্যালবাম বাছাই করে ভালো। নতুন গায়ক গায়িকারাও মাঝে মধ্যে অবাক করে এই ‘আউটডেটেড’ আমাকে।

Then I’ll run to him, big hug, jump in
And I cry for her out the window
Some mamas and daddies are loving in a straight line
Take forever to hearten and take a long sweet ride
But some mamas and daddies
Let their heartstrings tear and tangle
And some of us get stuck in a love triangle

বাবা মার সম্পর্ক নিয়ে তটস্থ থাকে বাচ্চারা। বোঝেও আগে তারা। সবার আগে। এটাও ঠিক – খারাপ জিনিসটার প্রভাব সবার আগে পড়ে সন্তানদের ওপর। বড়রা বোঝেন না অথবা বুঝতে চান না ওই সময়টাতে। দুপাশের ওই টানাপোড়েনের গান দিয়ে বিদেয় হই আমি। গানটার কথার সাথে ভিডিওটা আমাকে কাঁদিয়েছে কিছুটা সময়। ধন্যবাদ রেয়লিনকে। একটা চমৎকার পার্সপেক্টিভ দেবার জন্য।

#audio_rhassan

Read Full Post »

মেশিন লার্নিং ০৬

Without big data analytics, companies are blind and deaf, wandering out onto the web like deer on a freeway.

– Geoffrey Moore

বই কিনতে গেলে আমাজনের বিকল্প নেই। এখনো। বিশেষ করে বাইরের বই। ওদের ‘রেকমেন্ডেশন’ ইঞ্জিন আমার মাথা থেকেও ভালো। আমি কি চাই, সেটা আমার থেকে জানে ভালো ও। নতুন কি কি কিনতে চাই সেটা প্রেডিক্ট করে। একদম মনের মতো করে। পনেরো বছর ধরে অ্যাকাউন্ট থাকাতে আমার খুঁটিনাটি জানে সে। ‘ক্রিপি’ মনে হতে পারে – মাঝে মধ্যে এমনিতেই ঢু মারি এই আমাজনে। কিছু কিনতে নয়, বরং ওর কারুকাজ দেখতে। কিভাবে অবাক করে সেটা দেখতে। এটাও একটা খেলা, ফেসবুকিং থেকে অনেক মজার। পনেরো বছরের হিস্ট্রি তো কম নয়। এই শপিং হিস্ট্রি নিয়ে মজার একটা ঘটনা হয়েছিলো শপিং চেইন টার্গেটে। পনেরো বছর আগে। জানেন বোধহয় ঘটনাটা, কি বলেন?

এটাও পনেরো বছর আগের ঘটনা। মিনিয়াপলিসের একটা শহরে। টার্গেটের দোকানে এসে হাজির রাগী এক বাবা। ‘ডাকো ম্যানেজারকে’ বলে হুঙ্কার দিলেন উনি। ম্যানেজার চলে এলেন দৌড়াতে দৌড়াতে। ‘দেখো কি পাঠিয়েছ তোমরা? বাসার মেইলে।’ বলে কাগজগুলো দেখালেন বাবা। বলে রাখি, বড় বড় সুপারশপগুলো নানা ধরনের অফার পাঠায় বাসার ঠিকানায়। কখনো বই হিসেবে। কখনো কখনো কুপন। একটা কিনলে আরেকটা ফ্রি স্টাইলে। বিশেষ করে আপনার শপিং হিস্ট্রি ধরে। স্বয়ংক্রিয়ভাবে। মানুষের হাত নেই ওখানে। যেমন, ব্যাট কিনলে বলের অফার পাঠাবে সুপারশপ। অথবা ব্যাটের লাইফ ধরে আরেকটা ব্যাটের অফার।

তো বাবা দেখালেন অফারগুলো যা পাঠানো হয়েছে তার ছোট মেয়েকে। তার ঠিকানায়। ‘এখনো হাইস্কুলে ও। প্রেগন্যান্ট বানাতে চাও নাকি আমার মেয়েকে?’ রাগ চড়লো বাবার। ম্যানেজার হাতে নিলেন অফারগুলো। সব মাতৃত্বকালীন কাপড়চোপড়ের বিজ্ঞাপন। বাচ্চাদের ফার্নিচার। সব জায়গায় বাচ্চাদের হাসিমুখের ছবি। ম্যানেজারের চোখ ছানাবড়া। পা ধরতে বাকি রাখলেন আর কি। মাফ চাইলেন বার বার। অটোমেটেড মেইলারের গুষ্টি উদ্ধার করলেন মনে মনে। বিপদে ফেলে কেউ এভাবে? বাবার মান ভাঙাতে আবার কল দিলেন ম্যানেজার। দুদিন পর। ওপার থেকে বাবার গলা। কিছুটা কুন্ঠিত। ‘মেয়ের সাথে কথা হয়েছে আমার। ব্যাপারটা জানতাম না আমি। এই অগাস্টে ওর ডিউ। দুঃখিত আমি।’

[…]

Read Full Post »

মেশিন লার্নিং ০৫

আপনি কতোটুকু শিখলেন সেটা বলে দেবে কম্পিটিশনের লিডারবোর্ড। মনে আছে অনলাইন গেমসের কথা? যে যতো স্কোর করবে সেটার হিসেব থাকে লিডারবোর্ডে। একটা অ্যাড বানিয়েছিল আইবিএম। বছর তিনেক আগে। এই ‘মেশিন লার্নিং’ নিয়ে। প্রথম যখন দেখি তখন মনে হয়েছিলো কিছুটা বানানো গল্প, আজ সেটা নয়। বরং, পুরো জিনিসটাই করে দেখাতে পারবে মেশিন লার্নিং। আমার সাথে যখন নামবেন শিখতে – তখন বুঝবেন মিথ্যা বলছি কি না। যাদের নেট কচ্ছপের মতো – তাদের জন্য বলি গল্পটা।

‘ক’ দেশের পুলিশ ডিপার্টমেন্টের কাজই পাল্টে গেলো মেশিন লার্নিংয়ের কল্যানে। হিস্ট্রিক্যাল ক্রাইম ডাটা অ্যানালাইজ করে ক্রিমিনালদের প্যাটার্ন বুঝে যেতো ওই দেশের আইন প্রয়োগকারী সংস্থা। সেটা জেনে ওই ‘মাইনোরিটি রিপোর্ট’ মুভির মতো আগে থেকেই ক্রাইম সিনে হাজির হয়ে যেতো পুলিশ।

অ্যাডে দেখা যাচ্ছে, দোকান ডাকাতি করতে গাড়ি থেকে নেমেছে এক মানুষ। দোকানের সামনে গিয়েই দেখা পুলিশের সাথে। দূর থেকেই চোখাচোখি হলো তাদের। পুলিশ একটা ‘ফ্রেন্ডলি জেসচার’ দিলো তার কফির কাপ তুলে। লোকটা ফিরে গেলো নিজের ডেরায় – ডাকাতি ফেলে। মানে, ঘটনাটা না ঘটতে দিয়েই সাহায্য করছে পুলিশ। এখনকার জঙ্গিবাদের উত্পত্তি খুঁজতেও মেশিন লার্নিংকে কাজে লাগাচ্ছে উন্নত দেশগুলো।

[…]

Read Full Post »

মেশিন লার্নিং ০৪

The goal is to turn data into information, and information into insight.

– Carly Fiorina, former executive, president, and chair of Hewlett-Packard

অনেকেই বলেছেন মেশিন লার্নিং শিখতে চান তারা। কি দরকার, বলুন। আমার উত্তর – কিছুই দরকার নেই জানার, দরকার খালি ‘রাইট অ্যাটিচ্যুড’। লম্বা সময় ধরে লেগে থাকার ইচ্ছে। দরকার – শিখতে চাওয়ার আকাঙ্ক্ষা। ইট’স আ ‘লঙ হল’ ফ্লাইট। মানুষ পারে না এমন কিছু নেই। আমার অভিজ্ঞতা বলে, ছেড়ে দেয় বেশির ভাগ মানুষ। একেবারে শেষে গিয়ে। পড়েছেন তো ওই গল্পটা? গুগল কীওয়ার্ড ‘থ্রী ফিট অ্যাওয়ে ফ্রম দ্য গোল্ড’। তবে, কি করতে চান ‘মেশিন লার্নিং’ দিয়ে সেটা না জানলে শেখাটা কষ্ট। শিখছেন না জেনে, সেটাই তো বড় কষ্ট। যেটা করি আমরা ইউনিভার্সিটিতে। কি করতে চান সেটাই বের করুন আগে। তারপর শিখুন। মন লাগবে কাজে।

ধার দেবো একটা আইডিয়া? জিনিসটা মাথায় ঘুরছে বেশ কয়েক মাস ধরে। ঢাকার ভাড়া বাসার মাসিক ভাড়ার প্রেডিকশন মডেল। আগেই বলে দেবো আপনার বাজেটে কোন এলাকার কোথায় যাবেন আপনি। কোন এলাকার কতো স্কয়ার ফিটে কতো ভাড়া হবে সেটাও চলে আসবে মেশিন লার্নিংয়ে। এছাড়াও হাজারো ভেক্টর আসবে এখানে। মেইন রাস্তা থেকে কতো দুরে, বাজার কতো কাছে, কাছের স্কুলের রেজাল্ট আর টাইমিং, কোচিংয়ের এক্সেসিবিলিটি, গৃহশিক্ষক থাকেন কোথায়, গ্যাস পানির সংযোগ, পার্ক কতো দুরে, এলাকাভিত্তিক বাসা পাল্টানোর প্যাকেজের দাম, ওই এলাকার রিকসা ভাড়া, রিকসা গ্যারেজ কতো দুরে – এ ব্যাপারগুলো আসবে আমাদের মডেলে। তাই বলে, এলাকাভিত্তিক হাইজ্যাকের ধরণ, লোডশেডিং কিছুই বাদ যাবে না কিন্তু ওখান থেকে।

[…]

Read Full Post »

মেশিন লার্নিং ০৩

It is a capital mistake to theorize before one has data.

– Sherlock Holmes

সাতচল্লিশ বছর বয়সে ‘মেশিন লার্নিং’ শিখতে গিয়ে বুঝলাম আরেকটা ব্যাপার। সামরিক বাহিনীতে একটা জিনিস মানি সবসময়। ‘অন দ্য জব ট্রেনিং’। একদম ‘আসল’ কাজ করতে করতে শেখা। ‘সিমুলেশন’ টিমুলেশন নয়। আসল প্রোডাকশন এনভায়রনমেন্টে এক্সেস দেয়া। বিপদ তো হবে কিছুটা। তবে সেটার আউটপুট তৈরিকৃত সমস্যা থেকে কম। লঙ টার্মে এটা কাজে দেয় ভালো। বই ক্লাস বাদ, আসল কাজ করতে করতেই শিখি আমরা। উই লার্ন বাই ডুইং ইট।

আর সেকারণে ডাটা সায়েন্টিস্টদের পছন্দের জায়গা ‘ক্যাগল.কম’। ক্যাগল শুরু কিন্তু ‘কে’ দিয়ে। রিয়েল ওয়ার্ল্ড সমস্যা দেয়া আচ্ছে ওখানে। এ মুহুর্তে দেখছি একটা ‘ক্যান্সার’ রিলেটেড সমস্যাটা চলছে এক নম্বরে। দিয়েছে ইন্টেল। পুরস্কার এক লাখ ডলার। ফেলে দিন, ক্লাসে নম্বর পাওয়ার জন্য ওই ভুঁয়া প্রজেক্ট। বরং খুঁজে বের করুন ‘আসল’ প্রজেক্ট। ব্যাপারটা এমন – কাজ করে সাহায্য করো মানবতাকে। ফাঁকে আয় করো কিছু পয়সা।

আমরা জীবনে অনেক প্রজেক্ট তৈরী করি ‘রিয়েল ওয়ার্ল্ড’ এপ্লিকেশন না জেনে। আর তাই শিখি না অনেক কিছুই। ইন্ডাস্ট্রিতে আমার ‘মেন্টর’ আছেন বেশ কয়েকজন। একজন বলেছিলেন একটা কথা, প্রায় বিশ বছর আগে। ‘যাই শিখবেন – সেটার ‘রেভিনিউ ম্যাপিং’ করে নেবেন আগে। অতটুকুই শিখবেন যা বিক্রি করতে পারবেন মার্কেটপ্লেসে। পয়সাই অনুপ্রেরণা দেবে আরো কিছু শিখতে। বাড়তি সবকিছু নয়েজ।’

[…]

Read Full Post »

তৈরি তো? আর্টিফিসিয়াল ইন্টেলিজেন্স ০৪

Constant kindness can accomplish much. As the sun makes ice melt, kindness causes misunderstanding, mistrust and hostility to evaporate.

— Albert Schweitzer

এটা ঠিক যে ট্রান্সপোর্টেশন ইন্ডাস্ট্রি যেভাবে আর্টিফিশিয়াল ইন্টেলিজেন্সকে লাগাচ্ছে কাজে, সফলতা চলে এসেছে তাদের হাতের মুঠোয়। প্রায় পুরোপুরি। তবে ভেতরের কাহিনী কিছুটা ভিন্ন। প্রযুক্তি এগিয়েছে যতোখানি – মানসিকতা আগায়নি ততোটা। কথা বলছিলাম আমাদের মানসিকতা নিয়ে। মানুষের। ধরা যাক এই আমাকেই।

মাস কয়েক আগের কথা। সান-ফ্রান্সিসকোর এক রাস্তা। চালাচ্ছিলো আমার বন্ধু। হঠাৎ চোখে পড়লো পাশের গাড়ির ওপর। একটা সেলফ ড্রাইভিং কার। বসে আছেন মহিলা একজন। ড্রাইভিং সিটে। হাত তুলে সিগন্যাল দিলেন আমাদের। বোঝাতে। ওই ভিডিওটার মতো। ‘লুক মা, নো হ্যান্ডস!’ স্টিয়ারিং হুইল ঘুরছে নিজে নিজে। ভয় পেলাম বরং। দুটো গাড়ির গতি তখন বেশ বেশি। যা হয় ইন্টারস্টেটের রাস্তায়। চিন্তা হলো – যদি বাড়ি দেয় গাড়িটা? বন্ধুকে বললাম পিছিয়ে পড়তে। সেফটির চিন্তায়। হাসলো বন্ধু। এক্সেলেটর ছেড়ে দিলো কিছুটা। মানে হচ্ছে, সেলফ ড্রাইভিং কার প্রজেক্টে একটা বড় টাকা খরচ হবে মাইন্ডসেট পাল্টাতে। এই পুরোনো আমাদের।

যন্ত্রকে বিশ্বাস করা যাবে কিনা সেটা নিয়েই চলবে গল্প। বহুদিন ধরে। কিছুটা ‘ইগো’র ব্যাপার আছে এখানে। আমাদের মানুষের। যন্ত্রের ‘মোরাল ভ্যালু’ নিয়ে উঠবে কথা। ধরুন, গাড়িতে আছেন আপনি। চলছে গাড়ি। হঠাৎ করেই চলে এলো একজন মানুষ। গাড়ির সামনে। ক্রসিংয়ের লাল বাতি জ্বলার আগেই। ওই মানুষটাকে কাটাতে হলে আপনাকে টার্ন করতে হবে বাঁয়ে। অথচঃ বাঁয়েই আছে আরেকটা লরি। ওখানে লাগলে আপনার বিপদ। এখন কি করবে যন্ত্র?

আমার উত্তর – যেভাবে ওকে ট্রেনিং করাবেন মডেলের ডাটা দিয়ে। সেখানে মোরাল ভ্যালুর একটা কনস্ট্যান্ট থাকবে আগে থেকে। ওই ‘ফাইন লাইন’ থেকে কতোটুকু বিচ্যুতি নেবেন সেটা থাকবে মানুষের কাছে। আমার ধারণা, মানুষকে এই যন্ত্রকে বিশ্বাস করানোর জন্য বিশাল ক্যাম্পেইন চলবে অনেকদিন ধরে। সেখানে এখন আছে ইন্ডাস্ট্রি। ট্রান্সপোর্টেশন, অ্যাভিয়েশন, হাই-টেক সবাই মিলে। সরকার আসবে কিছু পরে। সরকার তো কিছু নয়, এর পেছনে আছে কিছু মানুষ।

ভয় কাটবে একসময়। মানুষ আর যন্ত্রের চালানোর হিসেব নিয়ে বসবে মানুষ। কার ক্ষয়ক্ষতি কেমন। স্বাভাবিকভাবেই চলে আসবে যন্ত্রের আধিপত্য। ভয় পাবার কিছু নেই এখানে। এটা হবেই। আমার কথা একটাই। যেখানে যার কাজ করার কথা, সেখানে কাজ করবে সেই। ‘ড্রাইভিং ট্রাইভিং’ যন্ত্রের কাজ। অনেক শহরের পাবলিক ট্রানজিট সিস্টেম চালায় মেশিন লার্নিং। শুরু হয়েছে ছোট ছোট মডেল দিয়ে। বড় বড় অ্যাভিয়েশন হাব চলছে ওই যন্ত্রের ওপর। লম্বা ফ্লাইটগুলো চলে গেছে অটো পাইলটে। সবাই জানে – মানুষের কাজ অন্য।

[…]

Read Full Post »

বিগ ডাটা: তেরো

৫৮.

প্রতিটা মানুষ কতক্ষণ কথা বলে, কোথায় কথা বলে, কার সাথে বেশি বলে, কয়জন তাকে রিং দেয়, কাদের কল কেটে দেয় সে, সারাদিন কোথায় থাকে, কার কার সাথে থাকে – মানে, কাজ করে কোথায়, ঘোরে কাদের সাথে, ঘুমায় কোথায়, কোন জায়গায় যায় বেশি, রিক্সায় যায় না গাড়িতে যায়, কয় টাকা রিচার্জ করে – সব আসে ওই মেশিন লার্নিংয়ে। ‘মিসড কল’ পার্টি কিনা সেটাও বোঝা যায় এই রেকর্ড থেকে। কয়টা এসএমএস যাচ্ছে আসছে সেটাও বোঝায় তার শিক্ষার মাত্রা।

৫৯.

ধরুন দেশের সবচেয়ে বড় নীতি নির্ধারণী কমিটিতে আছেন আপনি। প্ল্যান: তিনশো বাস নামাবেন রাস্তায়। বিশাল আরবান প্ল্যানিংয়ে শুরুতে ঢাকা শহরের মানুষগুলোর আয়ের ধারণা পেতে ‘অ্যাক্সেস’ দেয়া হলো আপনাকে। বিগ ডাটাতে। মোবাইল অপারেটরের নাম নম্বর ছাড়া ওই ‘সিডিআরে’।

৬০.

এর পাশাপাশি, মোবাইল টপ আপেও গল্প আছে অনেক। কতো তাড়াতাড়ি টপ-আপ করছে মানুষটা – সেটার একটা ধারণা পাওয়া যায় মেশিন লার্নিং থেকে। প্রতি টপ-আপে কতো টাকা ভরছে সে, সবচেয়ে বেশি আর কম রিচার্জের একটা যোগসুত্র পাওয়া যায় ওখান থেকে। রিচার্জ টাকার ওই ভ্যারিয়েশনের একটা ‘কোএফিসিয়েন্ট’ আমাদের ধারণা দেয় অনেক কিছু। কি ধরনের ভ্যালু অ্যাডেড সার্ভিস নিয়ে – কিভাবে সেটাকে চালাচ্ছে মানুষজন – সেটাও ধারণা দেয় তাদের আয়ের একটা হিসেব।

৬১.

মোবাইল ফোন কাজ করে ‘বেজ স্টেশন’ ধরে। মোবাইল টাওয়ারের পুরো রেডিয়াস ধরে চলে আসে অনেক জ্ঞান। ফলে, মানুষটা কাদের সাথে থাকে দিনে, মানে কাজ করে কোথায় – আর রাতে ঘুমায় কোন এলাকায় সেটাও ইন্ডিকেট করে তার আয়ের হিসেব। থাকে কোথায় – বস্তি না অ্যাপার্টমেন্ট – সেটাও আসে সঙ্গে। মানুষ দিনের বেলায় কোথায় থাকে সেটাই বড় ধারণা দেয় কতো টাকা আয় করে সে। সেখানে ‘রিজিওন’ ধরে বের করা যায় মানুষের গড়পরতা আয়। মানুষের ট্রাভেল প্যাটার্ন ধারণা দেয় অনেককিছুরই।

৬২.

বাড়তি হিসেবে – অপারেটরের ডিভাইস ম্যানেজারে পাওয়া যায় আরো অনেক গল্প। কি ডিভাইস, ক্যামেরা আছে কি না, আইফোন, না স্যামস্যাং নোট – নাকি নোকিয়া ১১১০ ধারণা দেয় মানুষটার আয়ের ধরন। ফোনগুলোর মধ্যে সিম পাল্টাপাল্টি হলে জানা যায় মানুষটার অন্য ফোনগুলোর হিসেব। তবে, সবকিছুই ‘অ্যানোনিমাস’ ডাটা। ‘অ্যানোমাইজড’ মেটা ডাটা হচ্ছে গ্রাহকের নাম নম্বর না নিয়ে শুধু মোট সংখ্যার একেক ধরনের পরিসংখ্যান। গ্রাহকের ‘প্রাইভেসি’র সমস্যা নেই এতে। আমাদের বের করতে হবে ঢাকা শহরের মানুষের আয়ের সক্ষমতা। বাস ভাড়া হিসেবে। ফেলে দেবো মেশিন লার্নিংয়ে। বিগ ডাটা থেকে।

[…]

Read Full Post »

বিগ ডাটা: বারো

৫৪.

দুহাজার দশের কথা। বিটিআরসিতে তখন আমি। বিদেশি একটা ইউনিভার্সিটি এলো কথা বলতে। দক্ষিণাঞ্চলের সাগরের তান্ডব তাদের রিসার্চের টপিক। কাহিনী কি? সাগরের সুনামিতে বিপদে পড়ে মানুষ। হারায় সবকিছু। ভাগ্যকে পুঁজি করে চলে আসে শহরে। শেষমেষ, জায়গা হয় বস্তিতে।

৫৫.

এখানে ঝামেলা হয় কয়েকটা। এক. সরকার জানতে পারে না কোথায় গিয়েছে তারা। তখন মার খায় পুনর্বাসনের ব্যাপারটা। তাদেরকে ফিরিয়ে আনার তাগিদ থাকে না কারোই। শেষে, চাপ তৈরি হয় শহরগুলোতে। দুই. মানুষটাকে কি ধরনের সহযোগিতা দিতে হবে সেটাও জানে না এইড এজেন্সীগুলো। তিন. মানুষগুলো কোথায় কোথায় ছড়িয়ে পড়ছে সেটার হিসেব থাকে না কারো কাছে। যদি কোন মহামারী হয় ওই এলাকা থেকে – সেটা ছড়াচ্ছে কোথায় কোথায় – সেটাও জানা দুস্কর।

৫৬.

কি দরকার আপনাদের? জিজ্ঞাসা করলাম তাদের। দরকার ‘এক্সেস’। মোবাইল কোম্পানির ডাটাতে। রিসার্চ টিমের দরকার কিছু ‘অ্যানোমাইজড’ মেটা ডাটা যা বের করে দেবে সবকিছু। প্রজ্ঞা হিসেবে। সরকারের কাজে।

৫৭.

দেখা গেছে মোবাইল ফোনের লগ মেটাডাটায় রয়ে যায় মানুষের স্বভাবজনিত প্রচুর ডিজিটাল ট্রেস। মোবাইল কোম্পানিগুলো তাদের বিলিংয়ের কাজে তৈরি করে ‘কল ডিটেল রেকর্ড’। এই ‘সিডিআর’ একটা নির্দোষ ফরম্যাট। তবে, মিলিয়ন ডাটার সাথে একে ‘অ্যানালাইজ’ করলে মানুষকে প্রজ্ঞা দেয় অন্য লেভেলে।

[…]

Read Full Post »

মেশিন লার্নিং ০১

To understand God’s thoughts we must study statistics, for these are the measure of his purpose.

― Florence Nightingale

জানতে চাইলাম বন্ধুর কাছে। বলতো, কি করছিস এই ‘মেশিন লার্নিং’ দিয়ে? মানে তোদের এই ডাটা সেন্টারে? বন্ধুর বন্ধুর বন্ধু কাজ করে ডাটা সেন্টারে। ওমা, অবাক হচ্ছেন? এটা তো নেটওয়ার্কিংয়ের যুগ। সবশেষে সবাই বন্ধু। যে যাই বলুক, আপনার থেকে আমার সম্পর্ক থাকবে ওই তিন ডিগ্রীতেই।

গিয়েছিলাম অ্যাশবার্ন বলে একটা শহরে। আরেক বন্ধুর কাছে। শহরটা পড়েছে নর্দান ভার্জিনিয়াতে। নিউ ইয়র্ক থেকে পৌঁছে দিয়েছিলো আরেক বন্ধু। ক্যাডেট কলেজের বন্ধু বলে কথা। গিয়ে পড়লেই হলো – বাকি চিন্তা তাদের।

শিকাগো থেকে নেমেছি ‘জেএফকে’তে। এয়ারপোর্ট থেকে তুলে বাসায় আমাকে খাইয়ে রওয়ানা দিয়েছি সবাই মিলে। পৌঁছেছি রাত একটায়। বন্ধুর বউ বলে কথা। ‘মুভিং হাউজে’ ওই রাতেই চব্বিশ ঘন্টার শপে বাজার করে খাওয়া দাওয়া। ছোট্টবেলার ঈদের দিনের মতো। এটাই হচ্ছে বন্ধুত্ব। বন্ধুর একটা কথা মনে কেটেছে বেশি। অতিথি হচ্ছে সৃষ্টিকর্তার ‘ব্লেসিংস’। সবাই পায় না। মানি কথাটা। এখন।

তবে বিপদ অন্যখানে। ওখানে যাবার আগে জানা ছিলো না – কি কারণে বিখ্যাত শহরটা। এখন জানি, ৭০ শতাংশের বেশি পৃথিবীর ইন্টারনেট ট্রাফিক যায় এই নর্দান ভার্জিনিয়া দিয়ে। এর কারণ বেশ কয়েকটা। দ্বিতীয় কারনটা জানে সবাই। আমাজনের ‘এডাব্লিউএস’ মানে আমাজন ওয়েব সার্ভিসের গোড়াপত্তন হয় এখানে। ২০০৬য়ে। এখন বলুন, কে নেই এই ‘এডাব্লিউএস’য়ে?

‘নেটফ্লিক্স’ই তো নিজেই খেয়ে ফেলেছে অনেক বড় স্পেস। আর, নেটফ্লিক্স চালায় মুভি, রিয়েলটাইমে। মানে আমাজনকে কতো বড় চ্যালেঞ্জ নিতে হয়েছে হাই-ডেফিনেশন মুভি মানুষের বাসায় ডেলিভারি দিতে। এখন বুঝি ‘এডাব্লিউএস’ বসে যাওয়া মানে পৃথিবীর অধিকাংশ ইন্টারনেট সাইটগুলো বসে যাওয়া। ইনস্টাগ্রাম, ইউনিলিভার, জিই অয়েল এন্ড গ্যাস, কেল্লগ, টিন্ডার, গিটহাব আরো কতো কি চলছে এই ক্লাউডে।

ইন্টারনেটের ‘হৃদয়’ হবার পেছনে ঘাটতে গিয়ে দেখা গেলো আরো অনেক কথা। বড় বড় ইন্টারনেট ইনফ্রাস্ট্রাকচার তৈরী হয়েছে এই শহরে। ওই আশির দশকে। মনে আছে এওল, আমেরিকা অনলাইনের কথা? ‘এমসিআই’ অথবা ‘ইউইউনেটে’র বিশাল ইনফ্রাস্ট্রাকচার শুরু হয়েছে এই শহরে। শহরটা দেখতে কিছুটা গ্রামের মতো। তবে, রাস্তার বাঁকে বাঁকে পুরানো পুরানো বিল্ডিং। জানালা ছাড়া। তাও আবার রাস্তা থেকে বেশ দুরে দুরে। দেখতে কিছুটা পুরানো ওয়্যারহাউসের মতো। ওগুলোই সব ডাটাসেন্টার। হাজারে হাজার।

উত্তর পেলাম প্রশ্নের। মেশিন লার্নিংয়ের। আমাদের হার্ডড্রাইভ নষ্ট হলে কি মনে হয় আমাদের? তাহলে কি হবে ডাটা সেন্টারের? মিররিং – রেইড ৫, যতোই গল্প থাকুক না কেন, হার্ডড্রাইভ হচ্ছে হার্ডড্রাইভ। বদ জিনিস বদই। স্টোরেজ হিসেবে হার্ডড্রাইভগুলো কখন ঝামেলা করবে সেটার ‘প্রেডিকশন’ নিয়ে কাজ করে এই মেশিন লার্নিং। এখন হার্ডড্রাইভ মানে, ‘মরবি তো মর – জানান দিয়ে মর’। ওই মরার আগেই পাল্টানোর সময় জানিয়ে দিচ্ছে এই মেশিন লার্নিং।

প্রথম কারণ? আপনি বলবেন – না আমি?

[…]

Read Full Post »