গুগলে প্ৰকাশ কৰে VaultGemma: প্ৰশিক্ষণ ডাটাৰ উল্কাপাত ৰোধৰ বাবে গোপনীয়তা-কেন্দ্ৰিক AI মডেল

Google-এ VaultGemma নামৰ এখন নতুন AI ভাষা মডেল উন্মোচন কৰিছে, যি প্ৰশিক্ষণ তথ্যৰ গোপনীয়তা সুৰক্ষিত ৰাখিবলৈ বিশেষ প্ৰাইভে’চি-পৰিচৰিত কৌশলৰ সৈতে তৈয়াৰ কৰা হৈছে। VaultGemma এটা সৰু ভাষা মডেল (SLM) য’ত ১ বিলিয়ন পৰামিটাৰ আছে আৰু এই মডেল হৈছে বৰ্তমানলৈকে ডিফাৰেঞ্চিয়েল প্ৰাইভে’চি (DP)ৰ সৈতে প্ৰশিক্ষণ প্ৰাপ্ত সৰ্ববৃহৎ মডেল বুলি ধৰা হৈছে। Google-এ DeepMind AI ইউনিটৰ সৈতে মিলি নতুন স্কেলিং আইন প্ৰয়োগ কৰি মডেলটো বিকাশ কৰিছে, যাৰ দ্বাৰা শক্তিশালী প্ৰদৰ্শন নিশ্চিত কৰি কঠোৰ তথ্য গোপনীয়তা বজাই ৰাখিব পাৰি। VaultGemma ৰ ৱেইট বিনামূল্যে Hugging Face আৰু Kaggle-ৰ পৰা ডাউনলোড কৰিব পাৰি।

এই মডেল AI-ৰ যাত্ৰাত এক গুৰুত্বপূর্ণ অগ্ৰগতি প্ৰতিনিধিত্ব কৰে, য’ত শক্তিশালী আৰু গোপনীয়তাৰ দিশে নিৰ্মিত AI ব্যৱস্থা দুয়ো সংলগ্ন। ব্যৱহাৰকাৰী-স্তৰৰ তথ্য সুৰক্ষা সম্বলিত ফাইন-টিউনিং কৰাৰ পৰিৱৰ্তে, VaultGemma-ত ডিফাৰেঞ্চিয়েল প্ৰাইভে’চি প্ৰশিক্ষণৰ গভীৰ প্ৰাৰম্ভিক স্তৰত সংহত কৰা হৈছে। মডেলটোৰ প্ৰশিক্ষণৰ সময়ত কেলিব্ৰেটেড নইজ যোগ কৰা হৈছে যাতে মডেলৰ নিজৰ ডাটা স্মৰণ আৰু পুনৰুৎপাদন কৰিবলৈ নোৱাৰে। এইদৰে VaultGemma প্ৰাইভে’চি সুৰক্ষিত ৰাখি কার্যক্ষমতা বজাই ৰাখে।

ডিফাৰেঞ্চিয়েল প্ৰাইভে’চি প্ৰয়োগৰ ফলত কিছু চেলেঞ্জ সৃষ্টি হয়, যেনে প্ৰশিক্ষণ স্থিতিশীলতাত হ্ৰাস, বেছিভাগ ব্যাচৰ প্ৰয়োজন আৰু গণনা খৰচ বৃদ্ধি। এই সমস্যাসমূহ সমাধান কৰিবলৈ Google-এ নতুন স্কেলিং আইন বিকাশ কৰিছে, যাৰ মাধ্যমে ভিন্ন সীমাবদ্ধতাৰ অধীনত উত্তম প্ৰশিক্ষণ সংৰচনা নিৰ্ধাৰণ কৰিব পাৰি। এজন মূল বুজাপৰা হৈছে—ডিফাৰেঞ্চিয়েল প্ৰাইভে’চি ব্যৱহাৰ কৰাৰ ক্ষেত্ৰত, সৰু মডেল বৃহৎ ব্যাচৰ সৈতে প্ৰশিক্ষণ কৰা উত্তম। এইধৰণে কম্পিউট, প্ৰাইভে’চি আৰু ব্যৱহাৰিক ক্ষমতাৰ মাজত সঠিক সঁহাৰি ৰক্ষা কৰা হয়।

প্ৰদৰ্শনৰ দিশৰ পৰা VaultGemma GPT-2 মডেলৰ সমান ফলাফল প্ৰদৰ্শন কৰিছে, যাৰ তুলনাত মানদণ্ডসমূহ যেনে HellaSwag, BoolQ, PIQA, SocialIQA, TriviaQA, ARC-C, ARC-E আদিত। এই পৰীক্ষাই প্ৰমাণ কৰিছে যে ডিফাৰেঞ্চিয়েল প্ৰাইভে’চি সংহত কৰিলেও মডেলৰ কার্যক্ষমতা হ্ৰাস নহয়।

VaultGemma-ৰ প্ৰাইভে’চি সুৰক্ষিত ক্ষমতা পৰীক্ষা কৰিবলৈ, Google-এ প্ৰশিক্ষণ নথিৰ আংশিক টেক্সট প্ৰদান কৰি পৰীক্ষা কৰিছে। মডেলটোৱে নিৰ্দিষ্ট পাঠ পুনৰ উত্পাদন নকৰে, অৱশ্যে যদিহে বহু প্ৰশিক্ষণ শৃংখলাত কোনো তথ্যৰ প্ৰাসংগিকতা থাকে, তেন্তে VaultGemma সেই তথ্য প্ৰদান কৰিব পাৰে।

Google-এ জৰুৰী বুলি উল্লেখ কৰিছে যে AI-ত ডেটা গোপনীয়তা এতিয়াও এক বৃহৎ চেলেঞ্জ। ChatGPT আৰু Gemini যেনে LLM-সমূহ ব্যৱহাৰকাৰীৰ ব্যক্তিগত তথ্য উন্মোচন কৰিব পাৰে যদি যথাযথ সুৰক্ষা নাথাকে। VaultGemma-ত DP প্ৰয়োগে এনে ঝুঁকি কমাই।

অৱশেষত, Google-এ উল্লেখ কৰিছে যে DP প্ৰশিক্ষণৰ ক্ষেত্ৰত অধিক গৱেষণা কৰা প্ৰয়োজন, যাতে DP-প্ৰশিক্ষিত মডেল আৰু প্ৰচলিত নন-DP-প্ৰশিক্ষিত মডেলৰ ব্যৱহাৰিক ক্ষমতাৰ পাৰ্থক্য দূৰ কৰিব পৰা যায়। VaultGemma প্ৰমাণ কৰে যে প্ৰাইভে’চি আৰু কার্যক্ষমতা একেলগে সম্ভৱ, আৰু ভৱিষ্যতে সুৰক্ষিত, গোপনীয় আৰু কার্যক্ষম AI বিকাশৰ বাবে দিশ নিৰ্দেশ কৰে।