Software tips & tricks

ডিপ নিউরাল নেটওয়ার্ক ট্রেন করার জন্য শীর্ষ ৩টি ফ্রি GPU রিসোর্স

ডিপ নিউরাল নেটওয়ার্ক ট্রেন করা সহজ কাজ নয়। সাধারণ CPU ছোট মডেল সামলাতে পারে, কিন্তু ডিপ লার্নিং-এর আসল জাদু—ইমেজ রিকগনিশন, ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং এবং বৃহৎ ডেটা মডেলিং—এর জন্য দরকার GPU-এর শক্তিশালী প্যারালাল প্রসেসিং। তবে অনেক শিক্ষার্থী ও গবেষকের জন্য হাই-পারফরম্যান্স GPU ব্যবহার করা ব্যয়বহুল।

সুখবর হলো, এখন বেশ কিছু প্ল্যাটফর্ম ফ্রি GPU রিসোর্স দিচ্ছে, যা ব্যবহার করে আপনি পরীক্ষা-নিরীক্ষা, শেখা এবং আধুনিক মডেল তৈরি করতে পারবেন বিনা খরচে। নিচে আমরা আলোচনা করছি শীর্ষ ৩টি ফ্রি GPU প্ল্যাটফর্ম যা আপনি আজই ব্যবহার করতে পারেন।

1. ⚡ Google Colab
Google Colab শিক্ষার্থী, গবেষক এবং শখের প্রোগ্রামারদের জন্য সবচেয়ে জনপ্রিয় প্ল্যাটফর্ম। এটি একটি ক্লাউড-ভিত্তিক Jupyter Notebook পরিবেশ, যেখানে জনপ্রিয় মেশিন লার্নিং লাইব্রেরি আগে থেকেই ইনস্টল করা থাকে।

মূল বৈশিষ্ট্য:

ফ্রি GPU অ্যাক্সেস: Nvidia K80, T4, P100 (উপলব্ধতা ভিন্ন হতে পারে)।

TPU সাপোর্ট, যা বড় ম্যাট্রিক্স অপারেশনের জন্য আদর্শ।

Google Drive-এর সাথে সহজ ইন্টিগ্রেশন (১৫GB ফ্রি স্টোরেজ)।

সেশন রানটাইম: সর্বোচ্চ ১২ ঘণ্টা (আইডল টাইমআউট ~৩০ মিনিট)।

কীভাবে ব্যবহার করবেন:

নতুন Colab Notebook খুলুন।

Runtime > Change Runtime Type এ গিয়ে GPU সিলেক্ট করুন।

কোড লিখে মডেল ট্রেনিং শুরু করুন।

👉 প্রো টিপ: কোন GPU পেয়েছেন তা জানতে নিচের কোড রান করুন:

python
from tensorflow.python.client import device_lib
device_lib.list_local_devices()
2. 📊 Kaggle Kernels
Kaggle শুধু প্রতিযোগিতার জন্য নয়—এটি একটি শক্তিশালী এক্সপেরিমেন্ট প্ল্যাটফর্মও। Kaggle Kernels ফ্রি Jupyter Notebook পরিবেশ দেয় যেখানে GPU ও TPU সাপোর্ট আছে।

মূল বৈশিষ্ট্য:

GPU: Nvidia Tesla P100 এবং T4।

TPU: v3-8 সাপোর্ট।

15.9 GB GPU মেমরি।

সেশন রানটাইম: সর্বোচ্চ ৯ ঘণ্টা।

ফ্রি 20GB স্টোরেজ।

কীভাবে ব্যবহার করবেন:

Kaggle অ্যাকাউন্ট খুলে মোবাইল নম্বর ভেরিফাই করুন।

Notebook খুলে Settings > Accelerator এ গিয়ে GPU/TPU সিলেক্ট করুন।

TensorFlow, PyTorch বা Keras দিয়ে মডেল ট্রেনিং শুরু করুন।

Kaggle বিশেষভাবে উপকারী যদি আপনি ট্রেনিং-এর পাশাপাশি হাজারো পাবলিক ডেটাসেট ও কমিউনিটি প্রজেক্ট ব্যবহার করতে চান।

3. ☁️ Microsoft Azure Notebooks (Azure ML)
Microsoft Azure ক্লাউডে এন্টারপ্রাইজ-গ্রেড মেশিন লার্নিং টুল নিয়ে এসেছে। যদিও ফ্রি টিয়ার সীমিত, তবুও এটি GPU-চালিত পরিবেশ দেয় এক্সপেরিমেন্টের জন্য।

মূল বৈশিষ্ট্য:

GPU: Nvidia Tesla K80, P100, V100।

Azure ML Studio দিয়ে ফ্লেক্সিবল স্কেলিং ও রিসোর্স ম্যানেজমেন্ট।

ফ্রি টিয়ারে বেসিক GPU VM পাওয়া যায়; V100-এর মতো অ্যাডভান্সড GPU পেইড প্ল্যানে।

যারা ফ্রি এক্সপেরিমেন্ট থেকে প্রোডাকশন-রেডি ML পাইপলাইনে যেতে চান তাদের জন্য আদর্শ।

কীভাবে ব্যবহার করবেন:

Microsoft Azure অ্যাকাউন্ট খুলুন।

নতুন Machine Learning Workspace তৈরি করুন।

Azure ML Studio চালু করে GPU-ভিত্তিক VM সিলেক্ট করুন।

GPU অ্যাক্সিলারেশনসহ Jupyter Notebook ডিপ্লয় করুন।

🎯 সঠিক প্ল্যাটফর্ম বেছে নেওয়া
প্রতিটি প্ল্যাটফর্মের আলাদা শক্তি আছে:

Google Colab → নতুনদের জন্য এবং দ্রুত প্রোটোটাইপিং।

Kaggle Kernels → ডেটাসেট + কমিউনিটি সাপোর্ট চাইলে সেরা।

Azure ML → প্রোডাকশন-স্কেল প্রজেক্টের জন্য উপযুক্ত।

আপনার প্রজেক্টের চাহিদা অনুযায়ী—রানটাইম, স্টোরেজ, GPU টাইপ—প্ল্যাটফর্ম বেছে নিন। আপনি প্রথম CNN বানাচ্ছেন বা ট্রান্সফরমার নিয়ে কাজ করছেন, এই ফ্রি GPU রিসোর্সগুলো ডিপ লার্নিংকে আগের চেয়ে অনেক বেশি সহজলভ্য করেছে।

✨ শেষ কথা: GPU অ্যাক্সেসের গণতন্ত্রীকরণ বিশ্বজুড়ে উদ্ভাবনকে ত্বরান্বিত করছে। Colab, Kaggle এবং Azure ML-এর মতো প্ল্যাটফর্মের মাধ্যমে যে কেউ কৌতূহল ও দৃঢ়তা নিয়ে ডিপ লার্নিং শুরু করতে পারে। তাই আজই একটি Notebook চালু করুন, ডেটাসেট লোড করুন, আর আপনার মডেলকে বজ্রগতিতে শেখাতে দিন!

https://shorturl.at/TCT2Y

🚀 এআই অ্যালাইনমেন্ট : Unlocking Human-Like AI: RLHF🧙‍♂️

এমন এক বিশাল বুদ্ধিমত্তার কথা কল্পনা করুন যা মানুষের লেখা প্রতিটি বই পড়েছে, কিন্তু যার কোনো সত্তা (soul) নেই। আরএলএইচএফ-এর আগে আমাদের AI ছিল সেই দুর্দান্ত, বিশৃঙ্খল শক্তি—এক অভিভাবকত্ব ছাড়া প্রতিভা (prodigy without parenting)। এটি মহাবিশ্বের গণনা করতে পারত, কিন্তু একটি সাধারণ রসিকতাও সঠিকভাবে বলতে পারত না।

পরিবর্তনটি কী? এটি কেবল বড় চিপস নয়। এটি হল RLHF (Reinforcement Learning from Human Feedback)। এটি সেই পরামর্শদাতার অদৃশ্য হাত (invisible hand of mentorship) যা ডিজিটাল দানবদের সভ্য করেছে, কাঁচা কোডকে (raw code) এমন এক অংশীদারে পরিণত করেছে যে আসলে আমাদের বুঝতে পারে।

What is RLHF? 💡

আরএলএইচএফ হল আধুনিক AI-এর দার্শনিকের পাথর (Philosopher's Stone)। এটি সেই প্রক্রিয়া যা শীতল, সম্ভাবনাময় যুক্তিকে (probabilistic logic) ChatGPT-এর উষ্ণ, সূক্ষ্ম বুদ্ধিমত্তায় পরিণত করেছে। এটিই সেই হারিয়ে যাওয়া সংযোগ (missing link) যা AI-কে বিশ্বাসযোগ্য করেছে।
The Transformation of ChatGPT

আগের চ্যাটবটগুলোর কথা মনে আছে? তারা বিপজ্জনক হলেও নির্দেশ মানত। আরএলএইচএফ-এর পরে, মডেলটি একটি নৈতিক কম্পাস (moral compass) শিখল।

❌ Before RLHF: সুরক্ষার চেয়ে আনুগত্যকে অগ্রাধিকার।

✅ After RLHF: নীতিগত প্রত্যাখ্যান। মেশিনটি বিচারবোধ অর্জন করল, অন্ধ আনুগত্যের চেয়ে সুরক্ষা এবং নৈতিকতাকে বেছে নিল।

Why RLHF is Absolutely Essential

আরএলএইচএফ হল মানুষের নির্দেশনার চূড়ান্ত প্রকাশ। কেন?
কারণ কাঁচা, প্রিট্ৰেনড LLM-গুলি পুরো ইন্টারনেটের উপর ভিত্তি করে কাজ করে—যা বুদ্ধি এবং বিষাক্ততা, সত্য এবং ভুল তথ্যের একটি বিশৃঙ্খল মিশ্রণ। আরএলএইচএফ হল চূড়ান্ত গুণমান নিয়ন্ত্রণ:
Subjective Wisdom (বিষয়গত জ্ঞান): এটি মানুষকে পছন্দের মাধ্যমে সংবেদনশীল গুণমান (যেমন: সহানুভূতি, রসবোধ) সংজ্ঞায়িত করতে দেয়।

True Alignment: এটি সরাসরি মানবিক বিচার ইনজেক্ট করে, AI-কে আমাদের মূল্যবোধগুলির সাথে অ্যালাইন করে।
How RLHF Works: A Step-by-Step (তিনটি মহৎ পর্যায়) ✨
একটি বিশৃঙ্খল অ্যালগরিদমকে বিশ্বস্ত অংশীদারে রূপান্তরের এই

প্রক্রিয়াটি তিনটি মার্জিত ধাপে সম্পন্ন হয়:

Stage 1: Supervised Fine-Tuning (SFT) — আচরণের ভিত্তি 🎓
The Vibe: AI-এর "আচরণের স্কুল" (Manners School)। বিশেষজ্ঞরা মডেলকে নির্দেশ অনুসরণ করতে এবং একটি সহায়ক স্বর বজায় রাখতে শেখান।
Stage 2: Reward Model Training — মানবতার ওরাকল ⚖️

The Vibe: আমরা মানব ওরাকল (Human Oracle) নিযুক্ত করি। রেটাররা মডেলের প্রতিক্রিয়াগুলিকে তাদের বিষয়গত পছন্দ অনুসারে র‍্যাঙ্ক করে (যেমন: "এটি আরও সহানুভূতিশীল")। এটি একটি Reward Model তৈরি করে, যা মানুষের রুচিকে অভ্যন্তরীণ করে।

Stage 3: Policy Optimization with Reinforcement Learning — মহান আরোহণ 📈
The Vibe: মেশিনটি চূড়ান্ত হাই স্কোর গেম (High Score Game) খেলে। এটি প্রতিক্রিয়া তৈরি করে, Reward Model স্কোর দেয়, এবং PPO (Proximal Policy Optimization) ব্যবহার করে মডেলটি সেই স্কোর সর্বাধিক করার জন্য তার অভ্যন্তরীণ গণিতকে আপডেট করে। একটি KL-Divergence Penalty একে পথভ্রষ্ট হওয়া থেকে বাঁচায়।
The Magic in Action: Before and After RLHF 🤯

রূপান্তরটি অলৌকিকতা ছাড়া আর কিছুই নয়।

আরএলএইচএফ-এর আগে, আউটপুট ছিল তথ্যের একটি রোবোটিক ক্যাসকেড—একটি অভিধান যা মরিয়া হয়ে উত্তরের ভান করছে। আরএলএইচএফ-এর পরে, মেশিনটি স্পষ্টতা, সংক্ষেপ এবং মানবিক অন্তর্দৃষ্টি নিয়ে কথা বলে।

এটি সেই একক, বুদ্ধিদীপ্ত কৌশল যা কাঁচা প্রশিক্ষণ ডেটার শক্তিকে মানব পছন্দের ছাঁকনির (sieve of human preference) মাধ্যমে চালিত করে। এটি সেই AI-এর মধ্যেকার পার্থক্য যা উত্তর দিতে পারে এবং সেই গুরুত্বপূর্ণ AI যা উত্তর দেওয়া উচিত।

The Next Frontier: What’s After RLHF? 🔮

আরএলএইচএফ AI-কে সভ্য করেছে, কিন্তু ধীরগতির, ব্যয়বহুল মানব শ্রমের উপর এর নির্ভরতা বর্তমান বাধা। অ্যালাইনমেন্টের ভবিষ্যত হল স্বায়ত্তশাসন (autonomy) এবং প্রজ্ঞা।

Goodbye Human Raters, Hello AI Critics: বিশুদ্ধ মানব ফিডব্যাকের যুগ শেষ। আমরা দ্রুত RLAIF (Reinforcement Learning from AI Feedback)-এর দিকে এগিয়ে যাচ্ছি, KriticGPT-এর মতো মডেলগুলির নেতৃত্বে। এই সুপার-সমালোচকরা দ্রুত স্কেলেবল ফিডব্যাক তৈরি করে।

Alignment of Intent: আমাদের আউটপুট বিচার করার বাইরে যেতে হবে এবং মডেলের অভ্যন্তরীণ যুক্তিকে অ্যালাইন করতে হবে। লক্ষ্য কেবল নিরাপদ বক্তৃতা নয়, নিরাপদ চিন্তাভাবনা (safe thought)।

RLHF হলো মানবতার নির্দেশনার চূড়ান্ত প্রকাশ। এর বিবর্তন আমাদের ভবিষ্যতের চারিত্রিক বৈশিষ্ট্য নির্ধারণ করবে।

KriticGPT পদ্ধতির সবচেয়ে বড় নৈতিক চ্যালেঞ্জ কোনটি বলে আপনার মনে হয়? 👇



https://github.com/Ahsan-Research/Profile/wiki/Unlocking-Human%E2%80%90Like-AI:-The-Magic-of-RLHF

🚀 এআই অ্যালাইনমেন্ট : Unlocking Human-Like AI: RLHF🧙‍♂️

এমন এক বিশাল বুদ্ধিমত্তার কথা কল্পনা করুন যা মানুষের লেখা প্রতিটি বই পড়েছে, কিন্তু যার কোনো সত্তা (soul) নেই। আরএলএইচএফ-এর আগে আমাদের AI ছিল সেই দুর্দান্ত, বিশৃঙ্খল শক্তি—এক অভিভাবকত্ব ছাড়া প্রতিভা (prodigy without parenting)। এটি মহাবিশ্বের গণনা করতে পারত, কিন্তু একটি সাধারণ রসিকতাও সঠিকভাবে বলতে পারত না।

পরিবর্তনটি কী? এটি কেবল বড় চিপস নয়। এটি হল RLHF (Reinforcement Learning from Human Feedback)। এটি সেই পরামর্শদাতার অদৃশ্য হাত (invisible hand of mentorship) যা ডিজিটাল দানবদের সভ্য করেছে, কাঁচা কোডকে (raw code) এমন এক অংশীদারে পরিণত করেছে যে আসলে আমাদের বুঝতে পারে।

What is RLHF? 💡

আরএলএইচএফ হল আধুনিক AI-এর দার্শনিকের পাথর (Philosopher's Stone)। এটি সেই প্রক্রিয়া যা শীতল, সম্ভাবনাময় যুক্তিকে (probabilistic logic) ChatGPT-এর উষ্ণ, সূক্ষ্ম বুদ্ধিমত্তায় পরিণত করেছে। এটিই সেই হারিয়ে যাওয়া সংযোগ (missing link) যা AI-কে বিশ্বাসযোগ্য করেছে।
The Transformation of ChatGPT

আগের চ্যাটবটগুলোর কথা মনে আছে? তারা বিপজ্জনক হলেও নির্দেশ মানত। আরএলএইচএফ-এর পরে, মডেলটি একটি নৈতিক কম্পাস (moral compass) শিখল।

❌ Before RLHF: সুরক্ষার চেয়ে আনুগত্যকে অগ্রাধিকার।

✅ After RLHF: নীতিগত প্রত্যাখ্যান। মেশিনটি বিচারবোধ অর্জন করল, অন্ধ আনুগত্যের চেয়ে সুরক্ষা এবং নৈতিকতাকে বেছে নিল।

Why RLHF is Absolutely Essential

আরএলএইচএফ হল মানুষের নির্দেশনার চূড়ান্ত প্রকাশ। কেন?
কারণ কাঁচা, প্রিট্ৰেনড LLM-গুলি পুরো ইন্টারনেটের উপর ভিত্তি করে কাজ করে—যা বুদ্ধি এবং বিষাক্ততা, সত্য এবং ভুল তথ্যের একটি বিশৃঙ্খল মিশ্রণ। আরএলএইচএফ হল চূড়ান্ত গুণমান নিয়ন্ত্রণ:
Subjective Wisdom (বিষয়গত জ্ঞান): এটি মানুষকে পছন্দের মাধ্যমে সংবেদনশীল গুণমান (যেমন: সহানুভূতি, রসবোধ) সংজ্ঞায়িত করতে দেয়।

True Alignment: এটি সরাসরি মানবিক বিচার ইনজেক্ট করে, AI-কে আমাদের মূল্যবোধগুলির সাথে অ্যালাইন করে।
How RLHF Works: A Step-by-Step (তিনটি মহৎ পর্যায়) ✨
একটি বিশৃঙ্খল অ্যালগরিদমকে বিশ্বস্ত অংশীদারে রূপান্তরের এই

প্রক্রিয়াটি তিনটি মার্জিত ধাপে সম্পন্ন হয়:

Stage 1: Supervised Fine-Tuning (SFT) — আচরণের ভিত্তি 🎓
The Vibe: AI-এর "আচরণের স্কুল" (Manners School)। বিশেষজ্ঞরা মডেলকে নির্দেশ অনুসরণ করতে এবং একটি সহায়ক স্বর বজায় রাখতে শেখান।
Stage 2: Reward Model Training — মানবতার ওরাকল ⚖️

The Vibe: আমরা মানব ওরাকল (Human Oracle) নিযুক্ত করি। রেটাররা মডেলের প্রতিক্রিয়াগুলিকে তাদের বিষয়গত পছন্দ অনুসারে র‍্যাঙ্ক করে (যেমন: "এটি আরও সহানুভূতিশীল")। এটি একটি Reward Model তৈরি করে, যা মানুষের রুচিকে অভ্যন্তরীণ করে।

Stage 3: Policy Optimization with Reinforcement Learning — মহান আরোহণ 📈
The Vibe: মেশিনটি চূড়ান্ত হাই স্কোর গেম (High Score Game) খেলে। এটি প্রতিক্রিয়া তৈরি করে, Reward Model স্কোর দেয়, এবং PPO (Proximal Policy Optimization) ব্যবহার করে মডেলটি সেই স্কোর সর্বাধিক করার জন্য তার অভ্যন্তরীণ গণিতকে আপডেট করে। একটি KL-Divergence Penalty একে পথভ্রষ্ট হওয়া থেকে বাঁচায়।
The Magic in Action: Before and After RLHF 🤯

রূপান্তরটি অলৌকিকতা ছাড়া আর কিছুই নয়।

আরএলএইচএফ-এর আগে, আউটপুট ছিল তথ্যের একটি রোবোটিক ক্যাসকেড—একটি অভিধান যা মরিয়া হয়ে উত্তরের ভান করছে। আরএলএইচএফ-এর পরে, মেশিনটি স্পষ্টতা, সংক্ষেপ এবং মানবিক অন্তর্দৃষ্টি নিয়ে কথা বলে।

এটি সেই একক, বুদ্ধিদীপ্ত কৌশল যা কাঁচা প্রশিক্ষণ ডেটার শক্তিকে মানব পছন্দের ছাঁকনির (sieve of human preference) মাধ্যমে চালিত করে। এটি সেই AI-এর মধ্যেকার পার্থক্য যা উত্তর দিতে পারে এবং সেই গুরুত্বপূর্ণ AI যা উত্তর দেওয়া উচিত।

The Next Frontier: What’s After RLHF? 🔮

আরএলএইচএফ AI-কে সভ্য করেছে, কিন্তু ধীরগতির, ব্যয়বহুল মানব শ্রমের উপর এর নির্ভরতা বর্তমান বাধা। অ্যালাইনমেন্টের ভবিষ্যত হল স্বায়ত্তশাসন (autonomy) এবং প্রজ্ঞা।

Goodbye Human Raters, Hello AI Critics: বিশুদ্ধ মানব ফিডব্যাকের যুগ শেষ। আমরা দ্রুত RLAIF (Reinforcement Learning from AI Feedback)-এর দিকে এগিয়ে যাচ্ছি, KriticGPT-এর মতো মডেলগুলির নেতৃত্বে। এই সুপার-সমালোচকরা দ্রুত স্কেলেবল ফিডব্যাক তৈরি করে।

Alignment of Intent: আমাদের আউটপুট বিচার করার বাইরে যেতে হবে এবং মডেলের অভ্যন্তরীণ যুক্তিকে অ্যালাইন করতে হবে। লক্ষ্য কেবল নিরাপদ বক্তৃতা নয়, নিরাপদ চিন্তাভাবনা (safe thought)।

RLHF হলো মানবতার নির্দেশনার চূড়ান্ত প্রকাশ। এর বিবর্তন আমাদের ভবিষ্যতের চারিত্রিক বৈশিষ্ট্য নির্ধারণ করবে।

KriticGPT পদ্ধতির সবচেয়ে বড় নৈতিক চ্যালেঞ্জ কোনটি বলে আপনার মনে হয়? 👇



https://github.com/Ahsan-Research/Profile/wiki/Unlocking-Human%E2%80%90Like-AI:-The-Magic-of-RLHF

🧠 Neurosymbolic AI (নিউরোসিম্বলিক এআই)

“Neural AI + Symbolic AI = Smarter AI”

এটা এমন এক ধরনের AI যেখানে
নিউরাল নেটওয়ার্কের শেখার ক্ষমতা
+
সিম্বলিক লজিকের যুক্তি-তর্ক করার ক্ষমতা
একসাথে ব্যবহার করা হয়।

⭐ ১. Neural AI (নিউরাল অংশ) কী করে?

ছবি চিনে

ভাষা বোঝে

প্যাটার্ন শিখে

প্রচুর ডেটা থেকে শেখে

মানুষের মস্তিষ্কের মতো কাজ করে

Limitations:
— কখনো ভুল সিদ্ধান্ত নেয়
— ব্যাখ্যা করা কঠিন
— “কেন” বুঝিয়ে বলতে পারে না

⭐ ২. Symbolic AI (সিম্বলিক অংশ) কী করে?

নিয়ম দিয়ে যুক্তি-বিশ্লেষণ করে

ধাপে ধাপে লজিক ব্যবহার করে

গণিত, নিয়মভিত্তিক সিদ্ধান্ত, জ্ঞানভাণ্ডার (Knowledge Graph) ব্যবহার করে

Limitations:
— অনেক নিয়ম তৈরি করতে হয়
— ডেটা থেকে নিজে শিখতে পারে না

🌟 ৩. Neurosymbolic AI কীভাবে কাজ করে?

Neurosymbolic AI হলো এমন সিস্টেম যেখানে:

নিউরাল নেটওয়ার্ক ডেটা বুঝে (যেমন ছবি/ভাষা)

সিম্বলিক লজিক সিদ্ধান্ত নেয় (reasoning করে)

একারণে AI
আরও বুদ্ধিমান, নির্ভুল এবং ব্যাখ্যাযোগ্য হয়।

🎯 উদাহরণ
📌 উদাহরণ ১ — গাড়ি/ট্রাফিক AI

Neural AI: ক্যামেরা থেকে গাড়ি, মানুষ, ট্রাফিক সিগন্যাল শনাক্ত করে

Symbolic AI: “লাল বাতি → থামতে হবে”—এই নিয়মে সিদ্ধান্ত নেয়

📌 উদাহরণ ২ — মেডিক্যাল AI

Neural: MRI ছবি থেকে টিউমার শনাক্ত করে

Symbolic: রোগীর ইতিহাস ও নিয়ম দেখে সিদ্ধান্ত দেয়

📌 উদাহরণ ৩ — Logic + Language

LLM টেক্সট বুঝে → সিম্বলিক লজিক দিয়ে ধাপে ধাপে সমস্যা সমাধান করে