কন্ট্রোলনেট এবং স্টারকোডার: জেনারেটিভ এআই-এর জন্য রবলোক্স গবেষণার অগ্রগতি
আমরা কৃত্রিম বুদ্ধিমত্তা (AI) সহ সকল ক্ষেত্রেই দায়িত্বশীল এবং সম্প্রদায়-সংযুক্ত গবেষণা চালানোর জন্য গভীরভাবে প্রতিশ্রুতিবদ্ধ। স্বচ্ছতা, বাহ্যিক যাচাইকরণ, এবং সহযোগিতা ও স্পনসরশিপের মাধ্যমে একাডেমিক প্রতিষ্ঠানগুলোকে সমর্থন করে আমরা এটি অর্জন করি। এই পদ্ধতি আমাদের তিনটি ফোকাস এলাকায় সর্বোচ্চ অগ্রগতি অর্জনের গতি ত্বরান্বিত করতে সাহায্য করে: জেনারেটিভ AI, ডেটা সেন্টার স্কেলিং, এবং অনলাইন নিরাপত্তা। আজ, আমরা আমাদের দুটি জেনারেটিভ এআই গবেষণা প্রকল্পের অন্তর্দৃষ্টি এবং ফলাফল শেয়ার করছি। ControlNet হল একটি ওপেন-সোর্স নিউরাল নেটওয়ার্ক যা আরও সঠিক চিত্র আউটপুটের জন্য চিত্র তৈরি মডেলগুলিতে শর্তসাপেক্ষ নিয়ন্ত্রণ যোগ করে। StarCoder হল কোড জেনারেশনের জন্য একটি অত্যাধুনিক ওপেন-সোর্স লার্জ ল্যাঙ্গুয়েজ মডেল (LLM)।
উভয় প্রকল্পই একাডেমিক এবং শিল্পের সহযোগিতায় তৈরি। উভয়ই আমাদের নির্মাতাদের জন্য—৩ডি শিল্পী এবং প্রোগ্রামারদের জন্য—অনেক বেশি শক্তিশালী সরঞ্জাম তৈরি করার দিকে মনোনিবেশ করছে। সবচেয়ে গুরুত্বপূর্ণ, এবং রূপান্তরমূলক গবেষণার মাধ্যমে দীর্ঘমেয়াদী দৃষ্টিভঙ্গিতে বিনিয়োগ করার আমাদের মিশনের সাথে সামঞ্জস্য রেখে, এই প্রকল্পগুলো মৌলিক বৈজ্ঞানিক বোঝাপড়া এবং বিভিন্ন অ্যাপ্লিকেশনের জন্য এআই নিয়ন্ত্রণের ক্ষেত্রে অগ্রগতির ইঙ্গিত দেয়। আমরা বিশ্বাস করি এই কাজটি Roblox-এর ভবিষ্যত এবং সামগ্রিকভাবে এই ক্ষেত্রের উপর উল্লেখযোগ্য প্রভাব ফেলবে এবং এটিকে উন্মুক্তভাবে শেয়ার করতে পেরে আমরা গর্বিত।
ControlNet
সাম্প্রতিক এআই অগ্রগতি — বিশেষ করে ডেটা-চালিত মেশিন লার্নিং (এমএল) পদ্ধতি যা গভীর নিউরাল নেটওয়ার্ক ব্যবহার করে — সৃষ্টির সরঞ্জামে নতুন উন্নতি এনেছে। এই উন্নতির মধ্যে রয়েছে আমাদের কোড অ্যাসিস্ট এবং ম্যাটেরিয়াল জেনারেটর ফিচারগুলো, যা আমাদের বিনামূল্যের টুল, Roblox Studio-তে সর্বসাধারণের জন্য উপলব্ধ। আধুনিক জেনারেটিভ এআই সিস্টেমে মডেল নামে ডেটা স্ট্রাকচার থাকে, যেগুলো বিলিয়ন বিলিয়ন প্রশিক্ষণ অপারেশনের মাধ্যমে পরিমার্জিত হয়। আজকের সবচেয়ে শক্তিশালী মডেলগুলো মাল্টিমোডাল, যার অর্থ তারা টেক্সট, ইমেজ এবং অডিওর মতো বিভিন্ন মিডিয়ার মিশ্রণে প্রশিক্ষিত। এর ফলে এগুলো কোনো ডেটাসেটের নির্দিষ্ট উপাদানের (যেমন রঙের প্যালেট বা বানান) সাথে অতিরিক্ত মানিয়ে না গিয়ে বিভিন্ন মিডিয়ার মধ্যে অন্তর্নিহিত সাধারণ অর্থ খুঁজে বের করতে পারে।
এই নতুন এআই সিস্টেমগুলির উল্লেখযোগ্য প্রকাশক্ষমতা রয়েছে, তবে সেই ক্ষমতা মূলত "প্রম্পট ইঞ্জিনিয়ারিং" এর মাধ্যমে পরিচালিত হয়। এর মানে হল ইনপুট টেক্সট পরিবর্তন করা, ঠিক যেমন সার্চ ইঞ্জিনের কোয়েরি পরিবর্তন করা হয় যখন এটি প্রত্যাশিত ফলাফল দেয় না। যদিও এটি কোনো নির্দেশনাহীন চ্যাটবটের মতো নতুন প্রযুক্তির সাথে খেলার একটি আকর্ষণীয় উপায় হতে পারে, তবে এটি বিষয়বস্তু তৈরি করার জন্য কার্যকর বা দক্ষ উপায় নয়। তাদের বরং এমন শক্তিশালী সরঞ্জাম দরকার, যেগুলো অনুমাননির্ভরতার পরিবর্তে সক্রিয় নিয়ন্ত্রণের মাধ্যমে কার্যকরভাবে ব্যবহার করা যায়।
কন্ট্রোলনেট প্রকল্প এই চ্যালেঞ্জগুলির কিছু সমাধানের দিকে একটি পদক্ষেপ। এটি প্রম্পট ইঞ্জিনিয়ারিংয়ের উপর নির্ভর না করে স্টেবল ডিফিউশন-এর মতো বড় প্রাক-প্রশিক্ষিত এআই মডেলের শক্তি কাজে লাগানোর একটি কার্যকর উপায় প্রদান করে। কন্ট্রোলনেট শুধুমাত্র টেক্সট প্রম্পটের বাইরে অতিরিক্ত ইনপুট শর্ত প্রদানের মাধ্যমে শিল্পীকে আরও নিয়ন্ত্রণ দেয়। Roblox গবেষক এবং স্ট্যানফোর্ড বিশ্ববিদ্যালয়ের অধ্যাপক মনীশ আগরওয়াল এবং স্ট্যানফোর্ড গবেষক লভমিন ঝাং আমাদের যৌথ কন্ট্রোলনেট প্রকল্পের লক্ষ্যগুলিকে এভাবে সংজ্ঞায়িত করেছেন:
- জেনারেটিভ এআই টুলগুলোর জন্য আরও উন্নত ব্যবহারকারী ইন্টারফেস তৈরি করা। অস্পষ্ট প্রম্পট ম্যানিপুলেশন থেকে সরে এসে ধারণা বা সৃজনশীল কনসেপ্ট যোগাযোগের আরও স্বাভাবিক উপায় তৈরি করা।
- "একটি ছবি 'এর মতো' বা 'এর শৈলীতে' তৈরি করার বাইরে আরও সুনির্দিষ্ট স্থানিক নিয়ন্ত্রণ প্রদান করা, যাতে নির্মাতার মনে যেই ছবি আছে ঠিক সেটিই বাস্তবায়ন করা যায়।
- জেনারেটিভ এআই প্রশিক্ষণকে একটি আরও কম্পিউট-দক্ষ প্রক্রিয়ায় রূপান্তর করা, যা দ্রুত চলে, কম মেমোরি ব্যবহার করে এবং কম বৈদ্যুতিক শক্তি খরচ করে।
- ইমেজ জেনারেটিভ এআইকে একটি পুনর্ব্যবহারযোগ্য বিল্ডিং ব্লকে প্রসারিত করুন। এটিকে পরবর্তীতে মানসম্মত ইমেজ প্রসেসিং এবং 3D রেন্ডারিং পাইপলাইনের সাথে একীভূত করা যাবে।
স্রষ্টাদের স্থানগত নিয়ন্ত্রণের জন্য একটি অতিরিক্ত চিত্র প্রদানের সুযোগ দিয়ে, ControlNet চূড়ান্ত তৈরি হওয়া চিত্রের উপর আরও বেশি নিয়ন্ত্রণ প্রদান করে। উদাহরণস্বরূপ, বিদ্যমান একটি টেক্সট-টু-ইমেজ জেনারেটরে "শিংযুক্ত পুরুষ হরিণ" প্রম্পট বিভিন্ন ধরনের চিত্র তৈরি করেছে, যা নিচে দেখানো হয়েছে:
এই ছবিগুলো পূর্বের এআই সমাধান দিয়ে তৈরি, আকর্ষণীয় হলেও দুর্ভাগ্যবশত এগুলো মূলত এলোমেলো ফলাফল—কোনও নিয়ন্ত্রণ নেই। পূর্বের সেই ছবি তৈরি করা সিস্টেমগুলোতে আউটপুট নিয়ন্ত্রণ করার কোনো উপায় নেই, টেক্সট প্রম্পট সংশোধন করা ছাড়া।
ControlNet-এর মাধ্যমে নির্মাতার এখন অনেক বেশি নিয়ন্ত্রণ ক্ষমতা রয়েছে। ControlNet ব্যবহার করার একটি উপায় হলো একটি প্রম্পট এবং একটি উৎস চিত্র উভয়ই প্রদান করা, যাতে অনুসরণ করার সাধারণ আকৃতি নির্ধারণ করা যায়। এই ক্ষেত্রে, ফলাফলস্বরূপ চিত্রগুলো বৈচিত্র্যময় হবে, তবে সবচেয়ে গুরুত্বপূর্ণ বিষয় হলো সেগুলো নির্দিষ্ট আকৃতি বজায় রাখবে:
স্রষ্টা আরও নির্দিষ্ট করতে পারতেন এজগুলির একটি সেট, কোনো প্রম্পট ছাড়াই একটি চিত্র, অথবা সিস্টেমে অভিব্যক্তিমূলক ইনপুট প্রদানের আরও অনেক উপায়।
একটি ControlNet তৈরি করতে, আমরা একটি বৃহৎ ডিফিউশন মডেলের নেটওয়ার্কের ওজন দুটি সংস্করণে ক্লোন করি। একটি হলো প্রশিক্ষণযোগ্য নেটওয়ার্ক (এটি নিয়ন্ত্রণ প্রদান করে; এটিই "ControlNet") এবং অন্যটি হলো লকড নেটওয়ার্ক। লকড নেটওয়ার্ক বিলিয়ন বিলিয়ন ছবি থেকে শেখা দক্ষতা সংরক্ষণ করে এবং এটি যেকোনো পূর্ববর্তী ইমেজ জেনারেটর হতে পারে। এরপর আমরা অতিরিক্ত ছবি থেকে শর্তসাপেক্ষ নিয়ন্ত্রণ শেখার জন্য টাস্ক-নির্দিষ্ট ডেটা সেটে প্রশিক্ষণযোগ্য নেটওয়ার্কটিকে প্রশিক্ষণ দিই। প্রশিক্ষণযোগ্য এবং লকড কপিগুলো একটি অনন্য ধরনের কনভোলিউশন লেয়ারের মাধ্যমে সংযুক্ত, যাকে আমরা জিরো কনভোলিউশন বলি, যেখানে কনভোলিউশন ওজনের মান ধাপে ধাপে শূন্য থেকে শেখার মাধ্যমে অপ্টিমাইজড প্যারামিটারে বৃদ্ধি পায়; এর অর্থ হলো, শুরুতে এদের কোনো প্রভাব থাকে না এবং সিস্টেম লকড নেটওয়ার্কে প্রয়োগ করার জন্য সর্বোত্তম নিয়ন্ত্রণ স্তর নির্ধারণ করে।
যেহেতু মূল ওয়েটগুলো লকড নেটওয়ার্কের মাধ্যমে সংরক্ষিত থাকে, মডেলটি বিভিন্ন আকারের প্রশিক্ষণ ডেটাসেটের সাথে ভালোভাবে কাজ করে। এবং জিরো কনভলিউশন লেয়ারটি প্রক্রিয়াটিকে অনেক দ্রুত করে তোলে — শূন্য থেকে নতুন লেয়ার প্রশিক্ষণের তুলনায় এটি ডিফিউশন মডেল ফাইন-টিউনিংয়ের কাছাকাছি।
আমরা ইমেজ জেনারেশনের জন্য এই কৌশলটির ব্যাপক যাচাই-বাছাই করেছি। ControlNet শুধুমাত্র আউটপুট ইমেজের গুণমানই উন্নত করে না, এটি একটি নির্দিষ্ট কাজের জন্য একটি নেটওয়ার্ক প্রশিক্ষণকে আরও দক্ষ করে তোলে এবং এভাবে আমাদের লক্ষ লক্ষ নির্মাতার জন্য বড় পরিসরে এটিকে ব্যবহারিক করে তোলে। পরীক্ষায়, ControlNet এমন বিকল্প পরিস্থিতিগুলির তুলনায় ১০ গুণ পর্যন্ত দক্ষতা বৃদ্ধি প্রদান করে, যেখানে একটি মডেলকে সম্পূর্ণরূপে পুনরায় প্রশিক্ষণ দিতে হয়। এই দক্ষতা অত্যন্ত গুরুত্বপূর্ণ, কারণ প্রচলিত সফটওয়্যার ডেভেলপমেন্টের তুলনায় নতুন মডেল তৈরি করার প্রক্রিয়াটি সময়সাপেক্ষ এবং বেশি সম্পদ-নির্ভর। প্রশিক্ষণকে আরও দক্ষ করে তোলা বিদ্যুৎ সাশ্রয় করে, খরচ কমায় এবং নতুন কার্যকারিতা যোগ করার হার বৃদ্ধি করে।
ControlNet-এর অনন্য কাঠামোর কারণে এটি বিভিন্ন আকারের প্রশিক্ষণ ডেটাসেট এবং অনেক ধরনের মিডিয়ার সাথে ভালোভাবে কাজ করে। ফটো, হাতে আঁকা স্ক্রিবল এবং ওপেনপোজ পোজ ডিটেকশনসহ বিভিন্ন ধরনের নিয়ন্ত্রণ পদ্ধতিতে ControlNet কাজ করতে সক্ষম। আমরা বিশ্বাস করি যে জেনারেটিভ এআই কন্টেন্টের জন্য বিভিন্ন ধরনের মিডিয়ায় ControlNet প্রয়োগ করা যেতে পারে। এই গবেষণাটি উন্মুক্ত এবং সম্প্রদায়ের জন্য পরীক্ষামূলকভাবে ব্যবহার ও আরও উন্নয়নের জন্য সর্বসাধারণের জন্য উপলব্ধ, এবং এর মাধ্যমে আরও আবিষ্কার করার সাথে সাথে আমরা আরও তথ্য উপস্থাপন করে যাব।
স্টারকোডার
জেনারেটিভ এআই ছবি, অডিও, টেক্সট, প্রোগ্রাম সোর্স কোড বা যেকোনো ধরনের সমৃদ্ধ মিডিয়া তৈরি করতে ব্যবহার করা যেতে পারে। তবে বিভিন্ন মিডিয়ার ক্ষেত্রে, সবচেয়ে সফল অ্যাপ্লিকেশনগুলো সাধারণত সেগুলোই, যেগুলোর আউটপুট বিষয়গতভাবে মূল্যায়ন করা হয়। উদাহরণস্বরূপ, একটি ছবি তখনই সফল হয় যখন তা একজন মানব দর্শকের কাছে আকর্ষণীয় হয়। চিত্রের কিছু ত্রুটি, যেমন প্রান্তে অদ্ভুত বৈশিষ্ট্য বা হাতে অতিরিক্ত আঙুল থাকা, যদি সামগ্রিক চিত্রটি আকর্ষণীয় হয় তবে তা নজরে নাও পড়তে পারে। একইভাবে, একটি কবিতা বা ছোটগল্পে ব্যাকরণগত ত্রুটি বা কিছু যৌক্তিক ফাঁক থাকতে পারে, কিন্তু যদি সারমর্ম আকর্ষণীয় হয়, আমরা সেগুলো ক্ষমা করে দিই।
ব্যক্তিগত মানদণ্ড বিবেচনা করার আরেকটি উপায় হল ফলাফল ক্ষেত্রটি অবিরত। একটি ফলাফল অন্যটির চেয়ে ভালো হতে পারে, কিন্তু এমন কোনো নির্দিষ্ট সীমা নেই যার পর ফলাফল সম্পূর্ণরূপে গ্রহণযোগ্য বা অগ্রহণযোগ্য হয়ে যায়। অন্যান্য ক্ষেত্র এবং মিডিয়ার ফর্মের জন্য আউটপুট বস্তুনিষ্ঠভাবে বিচার করা হয়। উদাহরণস্বরূপ, একটি জেনারেটিভ এআই প্রোগ্রামিং সহকারী দ্বারা তৈরি করা সোর্স কোড হয় সঠিক, নয়তো ভুল। যদি কোডটি কোনো পরীক্ষায় উত্তীর্ণ হতে না পারে, তাহলে তা ব্যর্থ হয়, এমনকি তা একটি বৈধ সমাধানের কোডের মতোই কেন না হোক। এটি একটি বিচ্ছিন্ন ফলাফল ক্ষেত্র। একটি বিচ্ছিন্ন ক্ষেত্রের তুলনায় সফল হওয়া কঠিন, কারণ মানদণ্ডগুলো আরও কঠোর এবং ক্রমান্বয়ে একটি ভাল সমাধানের দিকে এগিয়ে যাওয়া যায় না—কোডটি ভেঙে থাকে যতক্ষণ না হঠাৎ করেই তা কাজ করতে শুরু করে।
টেক্সট আউটপুটের জন্য ব্যবহৃত এলএলএমগুলো চ্যাটবটের মতো বিষয়ভিত্তিক, ধারাবাহিক অ্যাপ্লিকেশনগুলোর জন্য ভালো কাজ করে। এগুলো ইংরেজি ও ফরাসির মতো অনেক মানব ভাষায় গদ্য রচনার ক্ষেত্রেও ভালো কাজ করে বলে মনে হয়। তবে, বিদ্যমান এলএলএমগুলো প্রোগ্রামিং ভাষার ক্ষেত্রে মানব ভাষার মতো ভালো কাজ করে না বলে মনে হয়। কোড হল গণিতের একটি রূপ, যা প্রাকৃতিক ভাষার তুলনায় অর্থ প্রকাশের একটি সম্পূর্ণ ভিন্ন, বস্তুনিষ্ঠ উপায়। এটি ধারাবাহিক ফলাফল ক্ষেত্রের পরিবর্তে একটি বিচ্ছিন্ন ফলাফল ক্ষেত্র। Roblox নির্মাতাদের জন্য প্রোগ্রামিং ভাষার কোড জেনারেশনের সর্বোচ্চ গুণমান অর্জনের জন্য, আমাদের এমন পদ্ধতি প্রয়োজন যা এই বিচ্ছিন্ন, বস্তুনিষ্ঠ ক্ষেত্রে LLM-গুলোকে কার্যকরভাবে প্রয়োগ করতে পারে। আমাদের এমন মজবুত পদ্ধতিও প্রয়োজন যা নির্দিষ্ট কোনো ভাষার সিনট্যাক্স, যেমন Lua, JavaScript বা Python-এর ওপর নির্ভর না করে কোডের কার্যকারিতা প্রকাশ করতে পারে।
StarCoder, কোড জেনারেশনের জন্য একটি নতুন অত্যাধুনিক ওপেন-সোর্স LLM, এই প্রযুক্তিগত চ্যালেঞ্জের ক্ষেত্রে একটি বড় অগ্রগতি এবং এটি সবার জন্য একটি সত্যিকারের ওপেন LLM। StarCoder হল BigCode গবেষণা কনসোর্টিয়ামের একটি ফলাফল, যাতে একাডেমিক এবং শিল্প গবেষণা ল্যাবে ৬০০-এরও বেশি সদস্য জড়িত। Roblox গবেষক এবং নর্থইস্টার্ন ইউনিভার্সিটির অধ্যাপক অরুণ গুহ StarCoder তৈরি করতে এই দলকে নেতৃত্ব দিতে সাহায্য করেন। এই প্রথম প্রকাশিত ফলাফলগুলি একচেটিয়াভাবে কোডের দিকে মনোনিবেশ করে, কারণ বিষয়গত পদ্ধতির আপেক্ষিক সাফল্যের প্রেক্ষিতে এই ক্ষেত্রটিতেই নতুন বৃদ্ধির সবচেয়ে বেশি প্রয়োজন।
বিস্তৃত এআই ইকোসিস্টেম এবং Roblox কমিউনিটিকে সমর্থনকারী LLM-এর মাধ্যমে জেনারেটিভ এআই প্রদান করতে, আমাদের এমন মডেল প্রয়োজন যা শুধুমাত্র যথাযথভাবে লাইসেন্সপ্রাপ্ত এবং দায়িত্বশীলভাবে সংগৃহীত ডেটাসেটে প্রশিক্ষিত। এগুলির উপর কোনো বিধিনিষেধবিহীন লাইসেন্স থাকা উচিত, যাতে যে কেউ এগুলি ব্যবহার করতে, এর উপর ভিত্তি করে নতুন কিছু তৈরি করতে এবং ইকোসিস্টেমে অবদান রাখতে পারে। আজকাল, সবচেয়ে শক্তিশালী LLM-গুলো মালিকানাধীন (proprietary) বা সীমিত বাণিজ্যিক ব্যবহারের জন্য লাইসেন্সপ্রাপ্ত, যা গবেষকদের মডেলটির উপর পরীক্ষা-নিরীক্ষা করার ক্ষমতাকে নিষিদ্ধ বা সীমিত করে। এর বিপরীতে, স্টারকোডার একটি সত্যিকারের মুক্ত মডেল, যা শিল্প ও একাডেমিক গবেষকদের এক জোটের মাধ্যমে তৈরি এবং যে কোনো পরিসরে বাণিজ্যিক প্রয়োগের জন্য কোনো বিধিনিষেধ ছাড়াই লাইসেন্সপ্রাপ্ত। স্টারকোডার শুধুমাত্র দায়িত্বশীলভাবে সংগৃহীত, যথাযথভাবে লাইসেন্সপ্রাপ্ত সামগ্রীর উপর প্রশিক্ষিত। মডেলটি প্রথমেই পাবলিক কোডের উপর প্রশিক্ষিত হয়েছিল এবং যারা তাদের কোড প্রশিক্ষণের জন্য ব্যবহার করতে দিতে চান না তাদের জন্য একটি অপ্ট-আউট প্রক্রিয়া উপলব্ধ।
আজ, স্টারকোডার পাইথন, সি++, এবং জাভা সহ ৮৬টি ভিন্ন প্রোগ্রামিং ভাষায় কাজ করে। গবেষণাপত্র প্রকাশের সময় পর্যন্ত, এটি একাধিক ভাষা সমর্থনকারী প্রতিটি ওপেন-কোড এলএলএমকে ছাড়িয়ে গিয়েছিল এবং অনেক বন্ধ, মালিকানাধীন মডেলের সাথেও প্রতিযোগিতামূলক ছিল।
স্টারকোডার এলএলএম ইকোসিস্টেমে একটি অবদান, তবে আমাদের গবেষণার লক্ষ্য অনেক গভীর। এই গবেষণার সবচেয়ে বড় প্রভাব হল কোড, টেক্সট, ইমেজ, স্পিচ, ভিডিও সহ বস্তুনিষ্ঠ ও বিষয়গত উভয় ধরনের মাল্টিমোডাল মডেলের সেম্যান্টিক মডেলিংকে এগিয়ে নেওয়া এবং ডোমেইন-ট্রান্সফার কৌশলের মাধ্যমে প্রশিক্ষণের দক্ষতা বৃদ্ধি করা। আমরা সোর্স কোড জেনারেশনের মতো বস্তুনিষ্ঠ কাজের জন্য জেনারেটিভ এআই-এর রক্ষণাবেক্ষণযোগ্যতা এবং নিয়ন্ত্রণযোগ্যতা সম্পর্কে গভীর অন্তর্দৃষ্টি লাভেরও আশা করি। উদীয়মান প্রযুক্তির একটি আকর্ষণীয় প্রদর্শনী এবং একটি নিরাপদ, নির্ভরযোগ্য ও দক্ষ পণ্য যা তার ব্যবহারকারী সম্প্রদায়ের জন্য মূল্য নিয়ে আসে, তার মধ্যে বড় পার্থক্য রয়েছে। আমাদের এমএল মডেলগুলির জন্য, আমরা মেমরি ফুটপ্রিন্ট, শক্তি সংরক্ষণ এবং কার্যনির্বাহী সময়ের জন্য কর্মক্ষমতা অপ্টিমাইজ করি। আমরা একটি শক্তিশালী অবকাঠামোও তৈরি করেছি, এআই কোরকে সিস্টেমের বাকি অংশের সাথে সংযুক্ত করতে সফটওয়্যার দিয়ে ঘিরেছি, এবং নতুন ফিচার যোগ হওয়ার সাথে সাথে ঘন ঘন আপডেটের জন্য একটি নির্বিঘ্ন সিস্টেম তৈরি করেছি।
রোবলোক্সের বিজ্ঞানী ও প্রকৌশলীদের বৈজ্ঞানিক সম্প্রদায়ের কিছু সেরা মেধাবীর সাথে একত্রিত করা আমাদের যুগান্তকারী প্রযুক্তি অর্জনের একটি মূল উপাদান। আমরা এই প্রাথমিক ফলাফলগুলো শেয়ার করতে পেরে গর্বিত এবং গবেষণা সম্প্রদায়কে আমাদের সাথে যুক্ত হয়ে এই অগ্রগতিগুলোকে আরও এগিয়ে নিতে আমন্ত্রণ জানাই।
