চোখের পলকেই মুখ চেনে স্মার্টফোন! নেপথ্যে কাজ করছে এআই-এর কোন জাদু?

স্মার্টফোন হাতে নিয়ে স্ক্রিনের দিকে তাকালেই লক খুলে যায় মুহূর্তের মধ্যে। কোনো পাসওয়ার্ড লেখার প্রয়োজন হয় না, চাপতে হয় না কোনো বোতামও। ক্যামেরা চালু করলে কিংবা ফেস আনলক ব্যবহার করার সময় মনে হয় ফোন যেন চোখের এক পলকেই আপনাকে চিনে ফেলেছে! আপাতদৃষ্টিতে এই বিষয়টিকে খুব সহজ মনে হলেও, এর পেছনে কাজ করে অত্যাধুনিক প্রযুক্তি—যেমন কম্পিউটার ভিশন, কৃত্রিম বুদ্ধিমত্তা (AI), মেশিন লার্নিং এবং শক্তিশালী প্রসেসিং হার্ডওয়্যার।

মানুষের মস্তিষ্ক যেভাবে খুব সহজেই একটি পরিচিত চেহারা চিনতে পারে, ক্যামেরার জন্য কিন্তু কাজটা তেমন নয়। ক্যামেরা মূলত চারপাশের আলোকে বৈদ্যুতিক সংকেতে রূপান্তর করে অসংখ্য 'পিক্সেল' তৈরি করে। প্রতিটি পিক্সেলের মধ্যে থাকে রং ও উজ্জ্বলতার তথ্য। ফলে ক্যামেরার কাছে একটি মুখ মূলত সংখ্যার এক বিশাল সমষ্টি। কৃত্রিম বুদ্ধিমত্তা এই সংখ্যার জটিল বিন্যাস থেকেই মানুষের চোখের অবস্থান, নাকের গঠন, চোয়ালের রেখা এবং ফেসিয়াল ল্যান্ডমার্কগুলো খুঁজে বের করে। এই জটিল গাণিতিক বিশ্লেষণের জন্য ব্যবহার করা হয় নিউরাল নেটওয়ার্ক এবং ডিপ লার্নিংয়ের মতো প্রযুক্তি।

স্মার্টফোনে চেহারা শনাক্তকরণের পেছনে মূলত দুটি প্রযুক্তি কাজ করে—ফেস ডিটেকশন এবং ফেস রিকগনিশন। ফেস ডিটেকশনের কাজ হলো ছবির মধ্যে মানুষের মুখ কোথায় আছে তা চিহ্নিত করা। অন্যদিকে, ফেস রিকগনিশন বা ভেরিফিকেশন যাচাই করে যে, চিহ্নিত মুখটি ফোনের প্রকৃত মালিকের কি না। আপনি যখন প্রথমবার ফোনে ফেস আনলক সেটআপ করেন, তখন সিস্টেমটি আপনার মুখের একটি ডিজিটাল ও গাণিতিক মানচিত্র তৈরি করে রাখে। পরবর্তীতে ফোনের দিকে তাকালে নতুন সংগৃহীত তথ্যের সঙ্গে সংরক্ষিত ডেটার মিল খোঁজা হয় এবং মিল পাওয়া গেলেই লক খুলে যায়।

অনেকের মনেই প্রশ্ন জাগে, যমজ ভাই বা বোনেরা কি একে অপরের ফোন ফেস আনলক দিয়ে খুলতে পারবে? এর উত্তর নির্ভর করে ফোনে ব্যবহৃত ক্যামেরার ধরণ ও প্রযুক্তির ওপর। যেসব ফোনে সাধারণ দ্বিমাত্রিক (2D) ক্যামেরা ব্যবহার করা হয়, সেখানে যমজদের আলাদা করা কঠিন হতে পারে। তবে আধুনিক ও ফ্ল্যাগশিপ ফোনগুলোতে ডেপথ সেন্সিং, ইনফ্রারেড এবং থ্রি-ডি (3D) ফেস ম্যাপিং ব্যবহার করা হয়। এগুলো কেবল দ্বিমাত্রিক ছবি নেয় না, বরং চেহারার ত্রিমাত্রিক গঠন ও গভীরতা মেপে দেখে। ফলে এসব উন্নত সিস্টেমে যমজদের দিয়ে ফোন আনলক করা প্রায় অসম্ভব।

আপনি যখন মাথা ঘোড়ান, তখনও ক্যামেরার স্ক্রিনে থাকা বক্সটি আপনার মুখের সঙ্গেই নড়াচড়া করে। এআই প্রতিটি নতুন ফ্রেমে মুখটি কোথায় যেতে পারে তা দ্রুত অনুমান করতে পারে, তাই পুরো ছবিতে বারবার নতুন করে মুখ খুঁজতে হয় না। আর এই পুরো প্রক্রিয়াটি প্রতি সেকেন্ডে বহুবার সম্পন্ন হয় ফোনের প্রসেসরে থাকা এনপিইউ (Neural Processing Unit) বা এআই অ্যাকসিলারেটরের সহায়তায়। আমাদের কাছে যা কেবল একঝলক তাকানো, তার আড়ালেই কাজ করে যায় ক্যামেরা, গণিত এবং কৃত্রিম বুদ্ধিমত্তার এক বিস্ময়কর বিজ্ঞান।