AI, Machine Learning, Deep Learning — পার্থক্যটা কোথায়?

ChatGPT এসেছে যখন থেকে, "AI" শব্দটা প্রতিদিন শুনি। কিন্তু সাথে আরও দুটো term — "Machine Learning" এবং "Deep Learning" — এগুলো কী, কীভাবে আলাদা? বেশিরভাগ মানুষ এগুলো interchangeably use করে। কিন্তু এদের মধ্যে একটা hierarchical relationship আছে।

আজ এক বসায় সব ক্লিয়ার করি।

এক লাইনে পার্থক্য

AI হলো ছাতা (umbrella term)। Machine Learning হলো AI-র একটা subset। Deep Learning হলো ML-এর একটা subset।

মানে — প্রতিটা Deep Learning হলো Machine Learning, প্রতিটা Machine Learning হলো AI। কিন্তু উল্টোটা সত্য না।

Artificial Intelligence (AI) — Broadest Concept

AI হলো computer science-এর সেই শাখা যেখানে machine-কে এমন কাজ করতে শেখানো হয় যা সাধারণত মানুষের intelligence লাগে।

AI-র উদাহরণ যা ML না

অনেকে অবাক হয় শুনে যে AI মানেই Machine Learning না। Rule-based systems-ও AI। যেমন:

Deep Blue (১৯৯৭) — যেটা Kasparov-কে হারাল — সেটা rule-based ছিল, ML না
Expert systems — চিকিৎসা diagnosis software hand-coded rules দিয়ে
Game AI (Pac-Man-এর ghost behavior) — decision trees

এই systems "intelligent" কিন্তু data থেকে শেখে না।

Machine Learning (ML) — Data থেকে শেখা

ML হলো AI-র সেই approach যেখানে computer data থেকে pattern শেখে, hand-coded rules দিয়ে না।

Traditional Programming vs ML

Traditional programming:

Rules + Data → Answers

Machine Learning:

Data + Answers → Rules

একটা উদাহরণ: Email Spam Detection

Traditional approach: তুমি হাতে rule লিখবে — "যদি email-এ 'free money' থাকে, spam।" Spammer-রা বদলাবে, তুমি rule update করবে — endless cycle।

ML approach: তুমি ১০০,০০০টা email দাও already labeled (spam/not spam)। Algorithm pattern বের করে নিজেই।

ML-এর তিনটা ধরন

১. Supervised Learning — Label সহ data:

Spam detection
House price prediction
ছবিতে কুকুর/বিড়াল চেনা

২. Unsupervised Learning — শুধু data, কোনো label নেই:

Customer segmentation
Anomaly detection

৩. Reinforcement Learning — Trial and error:

Game playing AI (AlphaGo)
Robot control
Trading algorithms

Deep Learning (DL) — Neural Networks-এর জাদু

Deep Learning হলো ML-এর একটা specific technique — artificial neural networks ব্যবহার করে।

"Deep" শব্দটা আসে network-এর "depth" থেকে — মানে অনেকগুলো layer।

কেন Neural Networks?

Traditional ML algorithms ভালো কাজ করে structured data-তে। কিন্তু:

ছবি চেনার জন্য
ভাষা বোঝার জন্য
শব্দ processing-এর জন্য

এগুলোতে neural networks অনেক ভালো।

একটা analogy: ছবি চেনা

ধরো একটা model বানাচ্ছ যে বলবে ছবিতে কুকুর আছে কিনা।

Traditional ML: তুমি manually features বের করবে — "কান-এর shape", "চোখের distance"। সময়সাপেক্ষ।

Deep Learning: শুধু raw pixels দাও। Network প্রথম layer-এ edges শেখে, পরের layer-এ shapes, তারপর parts, তারপর পুরো face। Features automatically learn হয়।

Famous Examples

ChatGPT, Claude, Gemini — সব LLM Deep Learning
Face recognition — Phone unlock
Self-driving cars — Tesla, Waymo
AlphaFold — Protein structure prediction

কখন কোনটা ব্যবহার করবে?

Problem Type	Recommended
Small dataset, tabular	Traditional ML
Large dataset, tabular	Gradient boosting (XGBoost)
Images, video	Deep Learning (CNN)
Text, language	Deep Learning (Transformers)
Audio	Deep Learning
Time series	Both, depends

Real-world example

একটা bank যদি loan default predict করতে চায় (age, income, credit history use করে), Random Forest যথেষ্ট — Deep Learning overkill।

কিন্তু customer complaint emails analyze করতে চায়লে Deep Learning দরকার।

Summary

	AI	ML	DL
Scope	Broadest	Subset of AI	Subset of ML
How it works	Rules or learning	Data থেকে pattern	Neural networks
Data needed	Varies	Moderate	Lots
Compute	Low to high	Moderate	Very high (GPU)
Best for	Defined problems	Pattern recognition	Complex perception

পরের ধাপ

এই foundation এখন আপনার আছে। পরের আর্টিকেলে:

GPU কী এবং কেন AI-র জন্য এত গুরুত্বপূর্ণ
Neural Network কীভাবে কাজ করে

পড়তে থাকুন, share করুন।

—রেজোয়ান