PaLM API এর সাথে লার্জ ল্যাঙ্গুয়েজ মডেল (LLMs) ব্যবহার করার জন্য একটি শিক্ষানবিস গাইড

আপনি কি একটি ব্যক্তিগতকৃত কভার লেটার লেখার উপায় খুঁজছেন যা আপনাকে আপনার স্বপ্নের চাকরিতে সাহায্য করবে? যদি তাই হয়, আপনি একটি কভার লেটার নির্মাতা তৈরি করতে PaLM API-এর সাথে একটি বড় ভাষা মডেল (LLM) ব্যবহার করতে আগ্রহী হতে পারেন।

বড় ভাষা মডেল (LLM) হল কৃত্রিম বুদ্ধিমত্তা (AI) যা পাঠ্য তৈরি করতে পারে, ভাষা অনুবাদ করতে পারে, বিভিন্ন সৃজনশীল পাঠ্য বিন্যাস লিখতে পারে এবং অনানুষ্ঠানিকভাবে আপনার প্রশ্নের উত্তর দিতে পারে। টি হেই এত শক্তিশালী যে তারা এমনকি নতুন সরঞ্জাম এবং অ্যাপ্লিকেশন তৈরি করতে ব্যবহার করা যেতে পারে।

এরকম একটি টুল হল PaLM API, যা ডেভেলপারদের এলএলএম অ্যাক্সেস করতে এবং ব্যবহার করতে দেয়।

এই গাইডটি আপনাকে দেখাবে কিভাবে একটি কভার লেটার বিল্ডার তৈরি করতে PaLM API (প্রাক-প্রশিক্ষিত এবং বড়-স্কেল ল্যাঙ্গুয়েজ মডেল API) ব্যবহার করতে হয়। এই টুলটি আপনাকে চাকরির আবেদনের জন্য ব্যক্তিগতকৃত কভার লেটার তৈরি করতে সাহায্য করতে পারে।

এলএলএম কি?

বড় ভাষা মডেল (LLM) হল উন্নত কৃত্রিম বুদ্ধিমত্তা (AI) সিস্টেম যা বিশাল টেক্সট ডেটাসেটে প্রশিক্ষণপ্রাপ্ত। এটি তাদের শিখতে সাহায্য করে যে কীভাবে শব্দ এবং বাক্যাংশগুলি একসাথে ফিট করে, তাদের বোধগম্য এবং সঠিক বাক্য তৈরি করতে দেয়।

এলএলএম হল এক ধরনের জেনারেটিভ এআই , যার মানে তারা নতুন কন্টেন্ট তৈরি করতে পারে।

এলএলএমগুলি সাধারণত ট্রান্সফরমার নামে এক ধরণের নিউরাল নেটওয়ার্ক ব্যবহার করে তৈরি করা হয়। ট্রান্সফরমারগুলি শব্দের মধ্যে দীর্ঘ-পরিসর নির্ভরতা শিখতে পারে, প্রাকৃতিক ভাষা বোঝার জন্য এবং তৈরি করার জন্য অপরিহার্য। ট্রান্সফরমার মডেলগুলি একাধিক স্তর নিয়ে গঠিত, যার প্রত্যেকটি আলাদা কাজ করে।

উদাহরণস্বরূপ, স্ব-মনোযোগ স্তর মডেলটিকে একটি বাক্যে বিভিন্ন শব্দের মধ্যে সম্পর্ক শিখতে দেয়।

LLM-এর একটি উদাহরণ হল GPT-3, OpenAI দ্বারা তৈরি। GPT-3 প্রচুর টেক্সট এবং কোড থেকে শিখেছে। এটি লিখতে, ভাষা অনুবাদ করতে, সৃজনশীল সামগ্রী তৈরি করতে এবং বন্ধুত্বপূর্ণ উপায়ে প্রশ্নের উত্তর দিতে পারে।

এলএলএমগুলি অত্যন্ত শক্তিশালী এবং আমরা কীভাবে কম্পিউটার ব্যবহার করি তা পরিবর্তন করতে পারে। তারা আরও ভাল হওয়ার সাথে সাথে তারা আমাদের বিভিন্ন উপায়ে সাহায্য করতে পারে:

• ভার্চুয়াল সহকারী: এলএলএমগুলি স্মার্ট সহকারী হয়ে উঠতে পারে যারা আমাদের বোঝে এবং মানুষের মতো কথা বলে। এটি ডিভাইসগুলিকে আরও সহজ করে তুলতে পারে। উদাহরণস্বরূপ, একটি LLM আপনাকে অ্যাপয়েন্টমেন্ট বুক করতে, রিজার্ভেশন করতে বা আপনার স্মার্ট হোম ডিভাইসগুলি নিয়ন্ত্রণ করতে সাহায্য করার জন্য একজন ভার্চুয়াল সহকারীকে শক্তি দিতে পারে।

• শিক্ষা: এলএলএম শিক্ষার্থীদের জন্য শেখার ব্যক্তিগত করতে পারে। তারা প্রবন্ধ গ্রেড করতে পারে এবং শিক্ষার্থীদের পরামর্শ দিতে পারে। উদাহরণস্বরূপ, একটি LLM একটি ছাত্রের জন্য একটি ব্যক্তিগতকৃত পড়ার তালিকা তৈরি করতে বা একটি ছাত্রের প্রবন্ধে প্রতিক্রিয়া প্রদান করতে ব্যবহার করা যেতে পারে।

• স্বাস্থ্যসেবা: এলএলএম মেডিকেল রেকর্ড পড়তে পারে এবং সম্ভাব্য স্বাস্থ্য সমস্যা খুঁজে পেতে পারে। তারা এমনকি নতুন চিকিত্সা করতে সাহায্য করতে পারে. উদাহরণস্বরূপ, একটি LLM একটি নির্দিষ্ট রোগের বিকাশের ঝুঁকিতে থাকা রোগীদের সনাক্ত করতে বা একটি নতুন ওষুধের চিকিত্সা বিকাশের জন্য ব্যবহার করা যেতে পারে।

• আর্থিক পরিষেবা: এলএলএম গ্রাহকদের পরামর্শ দিতে পারে এবং প্রতারণামূলক লেনদেন সনাক্ত করতে পারে। উদাহরণস্বরূপ, একটি LLM গ্রাহকদের সঠিক বিনিয়োগ পোর্টফোলিও চয়ন করতে বা প্রতারণামূলক ক্রেডিট কার্ড লেনদেন সনাক্ত করতে সহায়তা করতে পারে।

কিভাবে একটি বড় ভাষা মডেল কাজ করে?

একটি এলএলএম প্রথমে একটি ভাষার শব্দ এবং বাক্যাংশের মধ্যে পরিসংখ্যানগত সম্পর্ক শিখে কাজ করে। এটি পাঠ্য এবং কোডের একটি বিশাল ডেটাসেটে মডেলকে প্রশিক্ষণ দিয়ে করা হয়। একবার মডেলটি এই সম্পর্কগুলি শিখে গেলে, এটি যে পাঠ্যটিতে প্রশিক্ষিত হয়েছিল তার অনুরূপ নতুন পাঠ্য তৈরি করতে পারে।

1. এলএলএম পাঠ্য এবং কোডের একটি বিশাল ডেটাসেটের উপর প্রশিক্ষিত। এই ডেটাসেটে বই এবং নিবন্ধ থেকে কোড সংগ্রহস্থল এবং সোশ্যাল মিডিয়া পোস্টগুলি অন্তর্ভুক্ত রয়েছে৷

   
   

2. এলএলএম ডেটাসেটে শব্দ এবং বাক্যাংশের মধ্যে পরিসংখ্যানগত সম্পর্ক শিখে। এর অর্থ হল এটি শিখেছে যে কোন শব্দগুলি একসাথে উপস্থিত হওয়ার সম্ভাবনা বেশি এবং শব্দের ক্রম অনুসারে বাক্যটির অর্থ কীভাবে পরিবর্তিত হতে পারে।

   
   

3. একবার এলএলএম এই সম্পর্কগুলি শিখে গেলে, এটি নতুন পাঠ্য তৈরি করতে পারে। এটি করার জন্য, এটি একটি বীজ পাঠ দিয়ে শুরু হয়, যেমন কয়েকটি শব্দ বা একটি বাক্য। তারপর, এটি বাক্যটির পরবর্তী শব্দের পূর্বাভাস দিতে শিখেছে পরিসংখ্যানগত সম্পর্ক ব্যবহার করে। এটি একটি নতুন বাক্য তৈরি না হওয়া পর্যন্ত এটি করতে থাকে।

এলএলএম কীভাবে পাঠ্য তৈরি করতে পারে তার একটি উদাহরণ এখানে রয়েছে:

 `Seed text: "The cat sat on the mat." LLM prediction: "The cat sat on the mat and stared at the bird."`

এই উদাহরণে, এলএলএম শিখেছে যে "বিড়াল" এবং "স্যাট" শব্দগুলি প্রায়শই "অন" শব্দ দ্বারা অনুসরণ করা হয়। এটি আরও শিখেছে যে "ম্যাট" প্রায়শই "এবং" দ্বারা অনুসরণ করা হয়। এই সম্পর্কের উপর ভিত্তি করে, LLM ভবিষ্যদ্বাণী করে যে বাক্যটির পরবর্তী শব্দটি হল "এবং।"

এটি তারপরে পরবর্তী শব্দের ভবিষ্যদ্বাণী করতে থাকে, "তাকিয়েছে।"

এখানে একটি ডায়াগ্রাম যা একটি এলএলএম কীভাবে কাজ করে তা ব্যাখ্যা করে:

এলএলএম একটি নিউরাল নেটওয়ার্ক দ্বারা গঠিত। নিউরাল নেটওয়ার্ক হল একটি জটিল গাণিতিক মডেল যা ডেটাতে প্যাটার্ন চিনতে শিখতে পারে। এলএলএম-এর ক্ষেত্রে, নিউরাল নেটওয়ার্ক শব্দ এবং বাক্যাংশের মধ্যে পরিসংখ্যানগত সম্পর্ক চিনতে শেখে।

নিউরাল নেটওয়ার্ক পাঠ্য এবং কোডের একটি বিশাল ডেটাসেটে প্রশিক্ষিত। ডেটাসেটটি একবারে একটি শব্দ নিউরাল নেটওয়ার্কে দেওয়া হয়। নিউরাল নেটওয়ার্ক তারপর অনুক্রমের পরবর্তী শব্দ ভবিষ্যদ্বাণী করার চেষ্টা করে।

ভবিষ্যদ্বাণীর যথার্থতা পরিমাপ করা হয়, এবং নিউরাল নেটওয়ার্কের সঠিকতা উন্নত করতে আপডেট করা হয়।

এই প্রক্রিয়াটি অনেকবার পুনরাবৃত্তি হয় যতক্ষণ না নিউরাল নেটওয়ার্ক ক্রমানুসারে পরবর্তী শব্দটি সঠিকভাবে ভবিষ্যদ্বাণী করতে শিখেছে।

বড় ভাষা মডেল কি জন্য ব্যবহৃত হয়?

• টেক্সট জেনারেশন: এলএলএম টেক্সট জেনারেট করতে পারে, যেমন কবিতা, কোড, স্ক্রিপ্ট, মিউজিক্যাল পিস, ইমেল, লেটার ইত্যাদি। উদাহরণস্বরূপ, বার্ড নামক এলএলএম বিভিন্ন সৃজনশীল টেক্সট ফরম্যাট তৈরি করতে পারে। এটি আপনার সমস্ত প্রয়োজনীয়তা পূরণ করার জন্য যথাসাধ্য চেষ্টা করবে।

• অনুবাদ: এলএলএম এক ভাষা থেকে অন্য ভাষাতে পাঠ্য অনুবাদ করতে পারে। উদাহরণস্বরূপ, গুগল ট্রান্সলেট এলএলএম ইংরেজি থেকে ফরাসি, স্প্যানিশ, জার্মান, চীনা, জাপানি এবং অন্যান্য অনেক ভাষায় পাঠ্য অনুবাদ করতে পারে।

• প্রশ্নের উত্তর: এলএলএম বিভিন্ন বিষয়ের প্রশ্নের উত্তর দিতে পারে, এমনকি যদি সেগুলি খোলামেলা, চ্যালেঞ্জিং বা অদ্ভুত হয়। উদাহরণস্বরূপ, LaMDA LLM আবহাওয়া, ইতিহাস বা বর্তমান ঘটনা সম্পর্কে প্রশ্নের উত্তর দিতে পারে।

• সংক্ষিপ্তকরণ: এলএলএম দীর্ঘ টেক্সট, যেমন সংবাদ নিবন্ধ বা গবেষণা পত্রের সারসংক্ষেপ করতে পারে। উদাহরণস্বরূপ, BARD নামক এলএলএম একটি গবেষণা পত্রকে কয়েকটি বাক্যে সংক্ষিপ্ত করতে পারে।

• কোড জেনারেশন: এলএলএম পাইথন, জাভা বা সি++ কোড তৈরি করতে পারে। উদাহরণস্বরূপ, গিটহাব কপিলট এলএলএম সঠিক এবং দক্ষ কোড তৈরি করতে পারে।

সৃজনশীল লেখা: এলএলএম সৃজনশীল পাঠ্য তৈরি করতে পারে, যেমন কবিতা, ছোট গল্প বা স্ক্রিপ্ট। উদাহরণস্বরূপ, GPT-3 নামক এলএলএম মৌলিক এবং সৃজনশীল কবিতা তৈরি করতে ব্যবহার করা যেতে পারে।

PaLM API দিয়ে শুরু করা

PaLM API (পাথওয়েস ল্যাঙ্গুয়েজ মডেল API) হল একটি ক্লাউড-ভিত্তিক API যা ডেভেলপারদের Google এর PaLM 2 বড় ভাষা মডেল (LLM) অ্যাক্সেস করতে দেয়। PaLM 2 একটি শক্তিশালী এলএলএম যা বিভিন্ন কাজের জন্য ব্যবহার করা যেতে পারে, যার মধ্যে রয়েছে:

• পাঠ্য প্রজন্ম: PaLM API বিভিন্ন উপায়ে পাঠ্য তৈরি করতে পারে। আপনি পাঠ্য বা চ্যাট পরিষেবাগুলি ব্যবহার করতে পারেন। পাঠ্য পরিষেবা অনেক উদ্দেশ্যে পাঠ্য তৈরি করতে পারে, যেমন পাঠ্যের সংক্ষিপ্তকরণ, সৃজনশীল বিষয়বস্তু লেখা এবং সহায়কভাবে আপনার প্রশ্নের উত্তর দেওয়া। চ্যাট পরিষেবা চ্যাটবট এবং অন্যান্য কথোপকথন অ্যাপগুলির জন্য পাঠ্য তৈরি করতে পারে।

  
  

• প্রোগ্রামিং ভাষা: PaLM API Node.js, Python, Android Kotlin, Swift, এবং Java সমর্থন করে। এই টিউটোরিয়ালে, আপনি Node.js Text উদাহরণ ব্যবহার করবেন।

  
  

• ডকুমেন্টেশন: PaLM API হল ওপেন সোর্স, এটি যে কেউ ব্যবহার করতে এবং উন্নত করার জন্য উপলব্ধ করে। এটি ভালভাবে নথিভুক্ত, তাই এটি কীভাবে ব্যবহার করতে হয় তা বিকাশকারীদের পক্ষে শিখতে সহজ৷

  
  

PaLM API দিয়ে শুরু করতে, আপনাকে নিম্নলিখিত পদক্ষেপগুলি করতে হবে:

1: একটি Google ক্লাউড প্ল্যাটফর্ম অ্যাকাউন্ট তৈরি করুন।

আপনি Google ক্লাউড প্ল্যাটফর্ম ওয়েবসাইটে গিয়ে এটি করতে পারেন: https://cloud.google.com/ ।

2: একটি API কী পান। API ব্যবহার করতে, আপনার একটি API কী প্রয়োজন। একবার আপনি অপেক্ষা তালিকার মধ্য দিয়ে গেলে, আপনি MakerSuite-এ এক ক্লিকে একটি কী তৈরি করতে পারেন৷ এই লিঙ্কের মাধ্যমে https://makersuite.google.com/waitlist

3: PaLM API ক্লায়েন্ট লাইব্রেরি ইনস্টল করুন। PaLM API ক্লায়েন্ট লাইব্রেরি হল একটি কোড সেট যা আপনি PaLM API এর সাথে ইন্টারঅ্যাক্ট করতে ব্যবহার করতে পারেন। আপনি নিম্নলিখিত কমান্ডটি চালিয়ে এটি ইনস্টল করতে পারেন:

 npm init -y npm install google-auth-library

পরবর্তী, জেনারেটিভ ল্যাঙ্গুয়েজ ক্লায়েন্ট লাইব্রেরি ইনস্টল করুন:

 npm install @google-ai/generativelanguage

4: প্রয়োজনীয় মডিউল আমদানি করা

 const { TextServiceClient } = require("@google-ai/generativelanguage").v1beta2; const { GoogleAuth } = require("google-auth-library");

এই ধাপে, কোড require ফাংশন ব্যবহার করে প্রয়োজনীয় মডিউল আমদানি করে। এটি @google-ai/generativelanguage লাইব্রেরি থেকে TextServiceClient ক্লাস এবং google-auth-library থেকে GoogleAuth ক্লাস আমদানি করে।

5: কনস্ট্যান্ট সেট আপ করা

 const MODEL_NAME = "models/text-bison-001"; const API_KEY = process.env.API_KEY;

এখানে, কোড দুটি ধ্রুবক সেট আপ করে: MODEL_NAME , যা আপনি যে টেক্সট জেনারেশন মডেলটি ব্যবহার করতে চান তার নাম নির্দিষ্ট করে এবং API_KEY , যা পরিবেশ ভেরিয়েবল থেকে API কী পুনরুদ্ধার করে।

6: একটি TextServiceClient ইন্সট্যান্স তৈরি করা

 const client = new TextServiceClient({ authClient: new GoogleAuth().fromAPIKey(API_KEY), });

এই ধাপটি TextServiceClient ক্লাসের একটি উদাহরণ তৈরি করে। এটি GoogleAuth ক্লাস ব্যবহার করে প্রমাণীকরণ সহ ক্লায়েন্টকে আরম্ভ করে, যা পরিবেশ ভেরিয়েবল থেকে প্রাপ্ত API কী দিয়ে তাৎক্ষণিক হয়।

7: প্রম্পট সংজ্ঞায়িত করা

 const prompt = "Write a simple and short cover letter for a technical writer";

এখানে, কোডটি prompt নামে একটি ভেরিয়েবলকে সংজ্ঞায়িত করে যা প্রাথমিক পাঠ্য ধারণ করে যা পাঠ্য তৈরির জন্য ইনপুট হিসাবে ব্যবহৃত হবে।

8: টেক্সট তৈরি করা

 client .generateText({ model: MODEL_NAME, prompt: { text: prompt, }, }) .then((result) => { console.log(JSON.stringify(result)); });

এই ধাপে, কোডটি টেক্সট তৈরি করতে client ইনস্ট্যান্স ব্যবহার করে। এটি ক্লায়েন্ট ইনস্ট্যান্সে generateText পদ্ধতিকে কল করে। এটি মডেল নাম ( MODEL_NAME ) এবং প্রম্পট টেক্সট ( prompt ) সহ একটি বস্তুকে বৈশিষ্ট্য হিসাবে পাস করে।

generateText পদ্ধতিটি then পদ্ধতি ব্যবহার করে পরিচালিত একটি প্রতিশ্রুতি প্রদান করে। জেএসওএন স্ট্রিং-এ রূপান্তরিত হওয়ার পরে জেনারেট করা ফলাফল ব্লকের ভিতরে কনসোলে লগ ইন করা হয়।

তারপর স্ক্রিপ্ট চালান:

 node index.js

আপনি এই অনুরূপ একটি ফলাফল পাবেন:

 [{"candidates":[{"safetyRatings":[{"category":"HARM_CATEGORY_DEROGATORY","probability":"NEGLIGIBLE"},{"category":"HARM_CATEGORY_TOXICITY","probability":"NEGLIGIBLE"},{"category":"HARM_CATEGORY_VIOLENCE","probability":"NEGLIGIBLE"},{"category":"HARM_CATEGORY_SEXUAL","probability":"NEGLIGIBLE"},{"category":"HARM_CATEGORY_MEDICAL","probability":"NEGLIGIBLE"},{"category":"HARM_CATEGORY_DANGEROUS","probability":"NEGLIGIBLE"}],"output":"Dear [Hiring Manager name],\n\nI am writing to express my interest in the Technical Writer position at [Company name]. I have been working as a technical writer for the past five years, and I have a proven track record of success in developing and delivering clear, concise, and engaging technical documentation.\n\nIn my previous role at [Previous company name], I was responsible for writing a wide range of technical documentation, including user guides, API documentation, and training materials. I have a strong understanding of the technical writing process, and I am proficient in a variety of writing and editing tools.\n\nI am also an excellent communicator, and I am able to effectively translate complex technical information into language that is easy for both technical and non-technical audiences to understand. I am confident that I have the skills and experience that you are looking for in a Technical Writer.\n\nI am eager to learn more about the Technical Writer position at [Company name], and I am confident that I would be a valuable asset to your team. I am available for an interview at your earliest convenience.\n\nThank you for your time and consideration.\n\nSincerely,\n[Your name]","citationMetadata":{"citationSources":[{"startIndex":1068,"_startIndex":"startIndex","endIndex":1196,"_endIndex":"endIndex","uri":"https://www.upwork.com/resources/cover-letter-tips","_uri":"uri","license":"","_license":"license"}]},"_citationMetadata":"citationMetadata"}],"filters":[],"safetyFeedback":[]},null,null]

উপসংহারে, এই টিউটোরিয়ালটি আপনাকে PaLM API-এর সাথে বৃহৎ ভাষা মডেল (LLMs) ব্যবহারের মৌলিক বিষয়গুলির সাথে পরিচয় করিয়ে দিয়েছে। আপনি শিখেছেন কিভাবে:

• LLM এবং PaLM API-এর সম্ভাব্যতা বুঝুন
• PaLM API ব্যবহার করে একটি কাস্টমাইজড কভার লেটার জেনারেটর তৈরি করুন
• টেক্সট তৈরি করতে, ভাষা অনুবাদ করতে এবং প্রশ্নের উত্তর দিতে LLMs ব্যবহার করুন
• Node.js এবং ক্লায়েন্ট লাইব্রেরির সাথে PaLM API একত্রিত করুন

আপনি এলএলএম এবং এপিআইগুলির সাথে যা করতে পারেন তার এটি মাত্র শুরু৷ আপনি যখন এই প্রযুক্তিগুলি অন্বেষণ করতে থাকবেন, আপনি সমস্যাগুলি সমাধান করতে, নতুন অভিজ্ঞতা তৈরি করতে এবং ভবিষ্যত গঠনের জন্য সেগুলি ব্যবহার করার আরও বেশি উপায় আবিষ্কার করবেন৷