জেমিনি ৩.৫ ফ্ল্যাশের নেটিভ কম্পিউটার ইউজ আপডেট: সরাসরি স্ক্রিন নিয়ন্ত্রণের ক্ষমতা

ভূমিকা: মাউস ও কিবোর্ড সরাসরি নিয়ন্ত্রণ করবে জেমিনি

কৃত্রিম বুদ্ধিমত্তার প্রযুক্তি চ্যাট ভিত্তিক চ্যাটবট থেকে ক্রমশ স্বয়ংক্রিয় কাজের দিকে ধাবিত হচ্ছে। গুগল তাদের জেমিনি ৩.৫ ফ্ল্যাশ (Gemini 3.5 Flash) মডেলের জন্য একটি যুগান্তকারী 'কম্পিউটার ইউজ' (Computer Use) আপডেট অবমুক্ত করেছে। এই আপডেটের মাধ্যমে জেমিনি এখন সরাসরি কম্পিউটারের ইউজার ইন্টারফেস বা স্ক্রিন দেখতে পারবে এবং মানুষের মতো মাউস ক্লিক, স্ক্রোল ও টাইপ করতে সক্ষম হবে। ডেভেলপার ও অটোমেশন ক্রিয়েটরদের জন্য এটি অত্যন্ত রোমাঞ্চকর একটি অগ্রগতি।

এটি পূর্বের চেয়ে অনেক বেশি কার্যকরী কারণ এর জন্য আলাদা কোনো স্ক্রিন রেন্ডারিং টুলের প্রয়োজন নেই। জেমিনি নিজেই এর শক্তিশালী ভিশন ক্ষমতা দিয়ে ইন্টারফেসের প্রতিটি অংশ তাৎক্ষণিকভাবে রিড করতে পারে।

কম্পিউটার ইউজ যেভাবে কাজ করে

এটি একটি নেটিভ ইন্টিগ্রেশন, যা এআই এজেন্টগুলোর জটিল কাজ সম্পাদনকে আরও গতিশীল করে তোলে। জেমিনির স্ক্রিন রিডিং ও অ্যাকশন নেয়ার পুরো প্রক্রিয়াটি নিচে ব্যাখ্যা করা হলো:

১. স্ক্রিন বিশ্লেষণ ও লুপ মেকানিজম

কম্পিউটার ইউজ মূলত একটি লুপের মাধ্যমে কাজ করে। অ্যাপ্লিকেশনটি প্রথমে স্ক্রিনের একটি স্ক্রিনশট জেমিনি ৩.৫ ফ্ল্যাশ মডেলে পাঠায়। মডেলটি সেই ভিজ্যুয়াল ডাটা রিড বা বিশ্লেষণ করে বুঝতে পারে বাটনের অবস্থান বা ইনপুট ফিল্ড কোথায়। এরপর সে একটি ফাংশন কল আকারে মাউস মুভমেন্ট বা কিবোর্ড টাইপ নির্দেশ করে এবং সিস্টেম তা কার্যকর করে।

২. রিজনিং ইনটেন্ট বা কাজের ব্যাখ্যা

গুগল এই আপডেটে জেমিনির সিদ্ধান্ত গ্রহণ প্রক্রিয়ার স্বচ্ছতা বাড়াতে রিজনিং ইনটেন্ট (reasoning intent) যুক্ত করেছে। এর মানে হলো জেমিনি স্ক্রিনে কোনো অ্যাকশন নেওয়ার আগে লিখে প্রকাশ করবে সে কাজটি কেন করছে। এটি ডেভেলপারদের কোনো ত্রুটি বা এরর ডিবাগ করতে ব্যাপকভাবে সাহায্য করে।

নিরাপত্তা ও ব্যবহারের সুযোগ

যেহেতু এআই সরাসরি মাউস ও কিবোর্ড হ্যান্ডেল করতে পারে, গুগলের কাছে নিরাপত্তা ছিল প্রথম অগ্রাধিকার। এই কারণে জেমিনি ৩.৫ ফ্ল্যাশ-এ বেশ কিছু সেফটি ক্লাসিফায়ার ডিফাইন করা আছে যা ক্ষতিকর সাইট বা কোনো সংবেদনশীল অ্যাকশন স্বয়ংক্রিয়ভাবে ব্লক করে দেয়। বর্তমানে এটি ডেভেলপাররা জেমিনি এপিআই এবং এন্টারপ্রাইজ প্লাটফর্মের মাধ্যমে ব্যবহার করতে পারবেন।