আজকের এআই হাইপ সাইকেলের দীর্ঘ পথচলা

কৃত্রিম বুদ্ধিমত্তার বর্তমান জোয়ারকে হঠাৎ আসা কোনো ঝড়ের মতো মনে হতে পারে। তবে এটি আসলে কয়েক বছর আগে নেওয়া একটি নীরব সিদ্ধান্তের ফলাফল। ২০১৭ সালে, গুগলের গবেষকরা ‘অ্যাটেনশন ইজ অল ইউ নিড’ শিরোনামে একটি গবেষণাপত্র প্রকাশ করেন। এই গবেষণাপত্রটি ট্রান্সফরমার আর্কিটেকচার-এর সাথে পরিচয় করিয়ে দেয়। এই বিশেষ ডিজাইনটি মেশিনকে একটি বাক্যের সমস্ত শব্দের সাথে অন্য সব শব্দের সম্পর্ক একই সাথে প্রসেস করার সুযোগ করে দেয়, যা আগে একটি একটি করে করতে হতো। এটি সিকোয়েন্সিয়াল প্রসেসিংয়ের সীমাবদ্ধতা দূর করেছিল। আজ, চ্যাটজিপিটি থেকে ক্লড পর্যন্ত প্রতিটি বড় মডেল এই একক উদ্ভাবনের ওপর নির্ভর করে। এটি 2026 এর আশেপাশে ঘটেছিল। আমরা কোনো নতুন আবিষ্কার দেখছি না, বরং সাত বছর আগের একটি ধারণার স্কেলিং দেখছি। এই পরিবর্তন আমাদের সাধারণ প্যাটার্ন শনাক্তকরণ থেকে জটিল জেনারেশনের দিকে নিয়ে গেছে। এটি কম্পিউটারের সাথে আমাদের মিথস্ক্রিয়ার ধরন বদলে দিয়েছে। এখন মূল ফোকাস হলো এই সিস্টেমগুলোতে আমরা কতটা ডেটা এবং বিদ্যুৎ ঢালতে পারি। ফলাফলগুলো চিত্তাকর্ষক, কিন্তু ভিত্তিটি একই রয়ে গেছে। এই ইতিহাস বোঝা আমাদের মার্কেটিংয়ের আড়ালে থাকা সত্য দেখতে সাহায্য করে। এটি প্রমাণ করে যে আজকের টুলগুলো গত এক দশকে নেওয়া নির্দিষ্ট ইঞ্জিনিয়ারিং সিদ্ধান্তের যৌক্তিক পরিণতি।

প্রেডিকশন ইঞ্জিন এবং সম্ভাবনা

জেনারেটিভ এআই একটি বিশাল প্রেডিকশন ইঞ্জিন হিসেবে কাজ করে। এটি মানুষের মতো চিন্তা বা বুঝতে পারে না। এর পরিবর্তে, এটি একটি সিকোয়েন্সে পরবর্তী টোকেনের পরিসংখ্যানগত সম্ভাবনা গণনা করে। টোকেন সাধারণত একটি শব্দ বা শব্দের অংশ হয়। আপনি যখন কোনো মডেলকে প্রশ্ন করেন, তখন এটি প্রশিক্ষণের সময় শেখা বিলিয়ন বিলিয়ন প্যারামিটারের দিকে তাকায়। এরপর এটি তার ট্রেনিং ডেটায় দেখা প্যাটার্নের ওপর ভিত্তি করে অনুমান করে যে পরবর্তী শব্দটি কী হওয়া উচিত। এই প্রক্রিয়াটিকে প্রায়ই স্টোকাস্টিক প্যারট বলা হয়। এই শব্দটি ইঙ্গিত দেয় যে মেশিনটি অন্তর্নিহিত অর্থ না বুঝেই প্যাটার্নগুলো পুনরাবৃত্তি করছে। যারা আজ এই টুলগুলো ব্যবহার করছেন তাদের জন্য এই পার্থক্যটি বোঝা অত্যন্ত জরুরি। আপনি যদি এআই-কে সার্চ ইঞ্জিন হিসেবে দেখেন, তবে আপনি হতাশ হতে পারেন। এটি কোনো ডেটাবেসে তথ্য খুঁজছে না, বরং সম্ভাবনার ভিত্তিতে তথ্যের মতো দেখতে টেক্সট তৈরি করছে। এ কারণেই মডেলগুলো হ্যালুসিনেশন করতে পারে। এগুলো সাবলীল হওয়ার জন্য ডিজাইন করা হয়েছে, নির্ভুল হওয়ার জন্য নয়। ট্রেনিং ডেটা সাধারণত পাবলিক ইন্টারনেটের বিশাল ক্রল নিয়ে গঠিত। এর মধ্যে বই, আর্টিকেল, কোড এবং ফোরাম পোস্ট অন্তর্ভুক্ত। মডেলটি মানুষের ভাষার কাঠামো এবং প্রোগ্রামিংয়ের যুক্তি শেখে। এটি সেই উৎসগুলোতে থাকা পক্ষপাত এবং ভুলগুলোও গ্রহণ করে। এই প্রশিক্ষণের স্কেলই আধুনিক সিস্টেমগুলোকে অতীতের চ্যাটবট থেকে আলাদা করে তোলে। পুরোনো সিস্টেমগুলো কঠোর নিয়মের ওপর নির্ভর করত, কিন্তু আধুনিক সিস্টেমগুলো নমনীয় গণিতের ওপর নির্ভর করে। এই নমনীয়তা তাদের সৃজনশীল কাজ, কোডিং এবং অনুবাদ সহজে করতে সাহায্য করে। তবে মূল মেকানিজমটি একটি গাণিতিক অনুমানই রয়ে গেছে। এটি খুব পরিশীলিত একটি অনুমান, কিন্তু এটি কোনো সচেতন চিন্তাপ্রক্রিয়া নয়।

এই মডেলগুলো যেভাবে তথ্য প্রসেস করে তা তিনটি ধাপের একটি চক্র অনুসরণ করে:

• মডেলটি বিশাল ডেটাসেটে প্যাটার্ন শনাক্ত করে।
• এটি প্রেক্ষাপটের ওপর ভিত্তি করে বিভিন্ন টোকেনকে ওয়েট প্রদান করে।
• এটি সিকোয়েন্সে সবচেয়ে সম্ভাব্য পরবর্তী শব্দটি তৈরি করে।

কম্পিউটিংয়ের নতুন ভূগোল

এই প্রযুক্তির প্রভাব বিশ্বজুড়ে সমানভাবে বণ্টিত নয়। আমরা কিছু নির্দিষ্ট ভৌগোলিক কেন্দ্রে ক্ষমতার বিশাল কেন্দ্রীভবন দেখছি। বেশিরভাগ শীর্ষস্থানীয় মডেল যুক্তরাষ্ট্র বা চীনে তৈরি হয়। এটি অন্যান্য দেশের জন্য এক নতুন ধরনের নির্ভরশীলতা তৈরি করছে। ইউরোপ, আফ্রিকা এবং দক্ষিণ-পূর্ব এশিয়ার দেশগুলো এখন ডিজিটাল সার্বভৌমত্ব বজায় রাখা নিয়ে বিতর্ক করছে। তাদের সিদ্ধান্ত নিতে হবে যে তারা নিজেদের ব্যয়বহুল অবকাঠামো তৈরি করবে নাকি বিদেশি সরবরাহকারীদের ওপর নির্ভর করবে। প্রবেশের খরচ অত্যন্ত বেশি। একটি টপ-টিয়ার মডেল প্রশিক্ষণের জন্য হাজার হাজার বিশেষায়িত চিপ এবং প্রচুর বিদ্যুতের প্রয়োজন হয়। এটি ছোট কোম্পানি এবং উন্নয়নশীল দেশগুলোর জন্য একটি বাধা। সাংস্কৃতিক প্রতিনিধিত্বের বিষয়টিও রয়েছে। যেহেতু বেশিরভাগ ট্রেনিং ডেটা ইংরেজিতে, তাই এই মডেলগুলো প্রায়ই পশ্চিমা মূল্যবোধ এবং নিয়ম প্রতিফলিত করে। এটি এক ধরনের সাংস্কৃতিক সমতাকরণ ঘটাতে পারে। স্থানীয় ভাষা এবং ঐতিহ্যগুলো হয়তো দূরে তৈরি সিস্টেমগুলোর দ্বারা উপেক্ষিত বা ভুলভাবে উপস্থাপিত হতে পারে। অর্থনৈতিক দিক থেকে, এই পরিবর্তনটি সমান নাটকীয়। প্রতিটি টাইম জোনের কোম্পানিগুলো এই টুলগুলোকে কীভাবে ইন্টিগ্রেট করা যায় তা বোঝার চেষ্টা করছে। কিছু অঞ্চলে, এআই-কে প্রথাগত উন্নয়নের ধাপগুলো অতিক্রম করার উপায় হিসেবে দেখা হচ্ছে। অন্যদের কাছে, এটি স্থানীয় অর্থনীতি টিকিয়ে রাখা আউটসোর্সিং শিল্পের জন্য হুমকি। 2026 এ বাজারের বর্তমান অবস্থা একটি স্পষ্ট বিভাজন দেখাচ্ছে। বিশ্ব শ্রমবাজার আরও অস্থির হয়ে উঠছে কারণ বেসিক কোডিং এবং ডেটা এন্ট্রির মতো কাজগুলো অটোমেটেড হয়ে যাচ্ছে। এটি কেবল সিলিকন ভ্যালির গল্প নয়। এটি এমন একটি গল্প যে কীভাবে পৃথিবীর প্রতিটি অর্থনীতি অটোমেটেড কগনিটিভ লেবারের নতুন যুগের সাথে খাপ খাইয়ে নেবে। কিছু হার্ডওয়্যার নির্মাতার সিদ্ধান্ত এখন পুরো অঞ্চলের অর্থনৈতিক ভবিষ্যৎ নির্ধারণ করছে।

অটোমেটেড অ্যাসিস্ট্যান্টের সাথে জীবন

দৈনন্দিন প্রভাব বোঝার জন্য, মার্কাস নামের একজন মার্কেটিং ম্যানেজারের কথা চিন্তা করুন। দুই বছর আগে, মার্কাস তার সকালগুলো ইমেইল ড্রাফটিং এবং বিকেলগুলো গ্রাফিক ডিজাইনারদের সাথে সমন্বয়ে কাটাতেন। আজ, তার কাজের ধরন ভিন্ন। তিনি তার দিন শুরু করেন একটি রাফ প্রোডাক্ট ব্রিফ একটি লোকাল মডেলে ইনপুট দিয়ে। কয়েক সেকেন্ডের মধ্যে, তিনি পাঁচটি ভিন্ন ক্যাম্পেইন ডিরেকশন পেয়ে যান। তিনি সেগুলো হুবহু ব্যবহার করেন না। এর পরিবর্তে, তিনি পরবর্তী দুই ঘণ্টা আউটপুটটি রিফাইন করতে ব্যয় করেন। তিনি ব্র্যান্ড ভয়েস এবং তথ্যের ভুল পরীক্ষা করেন। একবার তিনি এমন একটি ড্রাফট পেয়েছিলেন যা এমন একটি প্রোডাক্ট ফিচার তৈরি করেছিল যার অস্তিত্বই নেই। এটিই কাজের নতুন বাস্তবতা। এটি শূন্য থেকে তৈরি করার চেয়ে এডিটিং এবং কিউরেশনের ওপর বেশি গুরুত্ব দেয়। মার্কাস এখন বেশি প্রোডাক্টিভ, কিন্তু তিনি ক্লান্তও বেশি। কাজের গতি বেড়ে গেছে। যেহেতু প্রাথমিক ড্রাফট তৈরি করতে কয়েক সেকেন্ড সময় লাগে, তাই তার ক্লায়েন্টরা কয়েক দিনের পরিবর্তে কয়েক ঘণ্টার মধ্যে চূড়ান্ত সংস্করণ আশা করে। এটি আরও বেশি উৎপাদনের জন্য ক্রমাগত চাপ সৃষ্টি করে। এটি উচ্চ গতির আউটপুটের একটি চক্র যা গভীর চিন্তার জন্য খুব কম জায়গা রাখে। অফিসের বাইরে, আমরা এটি সরকার এবং শিক্ষাক্ষেত্রে দেখছি। শিক্ষকরা এআই সহায়তার বিষয়টি মাথায় রেখে তাদের কারিকুলাম নতুন করে লিখছেন। তারা টেক-হোম প্রবন্ধ থেকে সরে এসে সরাসরি মৌখিক পরীক্ষার দিকে ঝুঁকছেন। স্থানীয় সরকারগুলো পাবলিক হিয়ারিংয়ের সারাংশ তৈরি এবং অভিবাসী সম্প্রদায়ের জন্য নথি অনুবাদ করতে এআই ব্যবহার করছে। এগুলো বাস্তব সুবিধা। গ্রামীণ ভারতের একটি হাসপাতালে, একজন ডাক্তার চোখের রোগ শনাক্ত করতে এআই টুল ব্যবহার করছেন। টুলটি একটি গ্লোবাল ডেটাসেটে প্রশিক্ষিত হলেও এটি স্থানীয় বিশেষজ্ঞের অভাব পূরণে সাহায্য করছে। এই উদাহরণগুলো দেখায় যে প্রযুক্তিটি অগমেন্টেশনের একটি টুল। এটি মানুষকে প্রতিস্থাপন করে না, তবে কাজের প্রকৃতি বদলে দেয়। চ্যালেঞ্জ হলো টুলটি প্রায়ই অনির্দেশ্য। আজ যে সিস্টেমটি নিখুঁতভাবে কাজ করে, ছোট একটি আপডেটের পর কাল তা ব্যর্থ হতে পারে। এই অস্থিরতা ব্যক্তিগত ক্রিয়েটর থেকে শুরু করে বড় কর্পোরেশন পর্যন্ত সবার জন্য একটি ধ্রুবক ব্যাকগ্রাউন্ড নয়েজ। আমরা সবাই এমন একটি টুল ব্যবহার করতে শিখছি যা আমাদের হাতে থাকা অবস্থাতেই তৈরি হচ্ছে। আরও বিস্তারিত জানার জন্য, আপনি আমাদের মূল সাইটে একটি কম্প্রিহেনসিভ এআই ইন্ডাস্ট্রি অ্যানালাইসিস পড়তে পারেন।

প্রেডিকশনের লুকানো মূল্য

আমাদের এই অগ্রগতির লুকানো খরচ সম্পর্কে কঠিন প্রশ্ন করতে হবে। প্রথমত, ডেটা মালিকানার প্রশ্ন। আমরা আজ যে মডেলগুলো ব্যবহার করি তার বেশিরভাগই ইন্টারনেটে থাকা ডেটা থেকে অনুমতি ছাড়াই সংগ্রহ করা হয়েছে। কোটি কোটি মানুষের সৃজনশীল কাজ ব্যবহার করে বিলিয়ন ডলারের পণ্য তৈরি করা কি নৈতিক, যারা সেই লাভের এক পয়সাও পাবে না? এটি একটি আইনি ধূসর এলাকা যা আদালত এখন সমাধান করতে শুরু করেছে। এরপর রয়েছে পরিবেশগত প্রভাব। এই মডেলগুলো প্রশিক্ষণ এবং চালানোর জন্য প্রয়োজনীয় শক্তি বিস্ময়কর। আমরা যখন বড় সিস্টেমের দিকে যাচ্ছি, তখন কার্বন ফুটপ্রিন্ট বাড়ছে। জলবায়ু সংকটের এই সময়ে আমরা কি এই শক্তির ব্যবহারকে সমর্থন করতে পারি? Nature-এ সাম্প্রতিক গবেষণাগুলো ডেটা সেন্টার ঠান্ডা করার জন্য প্রয়োজনীয় বিশাল পরিমাণ পানির ব্যবহারের ওপর আলোকপাত করেছে। আমাদের ব্ল্যাক বক্স সমস্যাটিও বিবেচনা করতে হবে। এমনকি যারা এই মডেলগুলো তৈরি করেন, তারাও পুরোপুরি বোঝেন না কেন তারা নির্দিষ্ট সিদ্ধান্ত নেয়। যদি একটি এআই লোন অ্যাপ্লিকেশন বা চাকরির ইন্টারভিউ প্রত্যাখ্যান করে, তবে আমরা কীভাবে সেই সিদ্ধান্ত অডিট করব? স্বচ্ছতার অভাব নাগরিক স্বাধীনতার জন্য একটি বড় ঝুঁকি। আমরা আমাদের অবকাঠামোকে এমন সিস্টেমের ওপর বিশ্বাস করছি যা আমরা পুরোপুরি ব্যাখ্যা করতে পারি না। প্রাতিষ্ঠানিক পচনের ঝুঁকিও রয়েছে। যদি আমরা আমাদের খবর, আইনি ব্রিফ এবং কোড তৈরি করতে এআই-এর ওপর নির্ভর করি, তবে মানুষের দক্ষতার কী হবে? আমরা এমন অবস্থায় পড়তে পারি যেখানে আমরা আর আউটপুটের গুণমান যাচাই করতে পারছি না কারণ আমরা নিজেরা কাজ করার দক্ষতা হারিয়ে ফেলেছি। এগুলো কেবল প্রযুক্তিগত বাধা নয়। এগুলো সমাজ কীভাবে সংগঠিত হয় তার মৌলিক চ্যালেঞ্জ। আমরা স্বল্পমেয়াদী দক্ষতার জন্য দীর্ঘমেয়াদী স্থিতিশীলতাকে বিসর্জন দিচ্ছি। আমাদের অবশ্যই জিজ্ঞাসা করতে হবে যে এটি এমন কোনো বিনিময় যা আমরা সত্যিই করতে প্রস্তুত কি না।

আপনার কি কোনো এআই গল্প, টুল, প্রবণতা, বা প্রশ্ন আছে যা আপনার মনে হয় আমাদের কভার করা উচিত? আপনার প্রবন্ধের ধারণা আমাদের পাঠান — আমরা তা শুনতে আগ্রহী।

লোকাল মডেলের অন্দরমহল

পাওয়ার ইউজারদের জন্য, ফোকাস এখন সাধারণ প্রম্পট থেকে জটিল ওয়ার্কফ্লো ইন্টিগ্রেশনের দিকে সরে গেছে। আসল মূল্য এখন আর চ্যাটবটের ওয়েব ইন্টারফেসে নেই। এটি আছে এপিআই-তে। ডেভেলপাররা এখন কঠোর রেট লিমিট এবং টোকেন খরচ ম্যানেজ করছেন। তারা বিশাল, সাধারণ উদ্দেশ্যমূলক মডেল থেকে ছোট, বিশেষায়িত মডেলের দিকে ঝুঁকছেন। এখানেই লোকাল স্টোরেজ এবং লোকাল এক্সিকিউশন কাজে আসে। Llama.cpp-এর মতো টুলগুলো ব্যবহারকারীদের তাদের নিজস্ব হার্ডওয়্যারে শক্তিশালী মডেল চালানোর সুযোগ দেয়। এটি গোপনীয়তার সমস্যা সমাধান করে এবং নিরবচ্ছিন্ন ইন্টারনেট সংযোগের ওপর নির্ভরশীলতা দূর করে। তবে, লোকালভাবে এই মডেলগুলো চালানোর জন্য উল্লেখযোগ্য VRAM প্রয়োজন। বেশিরভাগ ব্যবহারকারী দেখেন যে মাঝারি সাইজের মডেলগুলোর সাথে ভালো অভিজ্ঞতার জন্য ২৪জিবি হলো সর্বনিম্ন প্রয়োজনীয়তা। কোয়ান্টাইজেশনের ট্রেন্ডও রয়েছে। এটি এমন একটি কৌশল যা মডেলের ওয়েটের প্রিসিশন কমিয়ে সেটিকে দ্রুত চালাতে এবং কম মেমোরি ব্যবহার করতে সাহায্য করে। একটি ৪-বিট কোয়ান্টাইজড মডেল প্রায়শই ১৬-বিট ভার্সনের মতোই ভালো পারফর্ম করতে পারে, অথচ অনেক কম জায়গা নেয়। আমরা রিট্রিভাল অগমেন্টেড জেনারেশনের উত্থানও দেখছি। এটি একটি মডেলকে রেসপন্স তৈরি করার আগে ব্যবহারকারীর ব্যক্তিগত নথিগুলো দেখার সুযোগ দেয়। এটি নির্দিষ্ট, যাচাইকৃত তথ্যের ওপর ভিত্তি করে মডেলকে নোঙর করে হ্যালুসিনেশন কমায়। এটি একটি সাধারণ প্রেডিকশন ইঞ্জিন এবং একটি দরকারী বিজনেস টুলের মধ্যে সেতুবন্ধন। পরবর্তী ফ্রন্টিয়ার হলো কনটেক্সট উইন্ডো। আমরা এমন মডেল থেকে সরে এসেছি যা কয়েক পৃষ্ঠা টেক্সট মনে রাখতে পারত, এখন এমন মডেলে এসেছি যা পুরো লাইব্রেরি একসাথে প্রসেস করতে পারে। এটি বিশাল কোডবেস বা দীর্ঘ আইনি নথি বিশ্লেষণের সুযোগ দেয়। এখন চ্যালেঞ্জ হলো এই বড় ইনপুটগুলোর সাথে আসা ল্যাটেন্সি ম্যানেজ করা। আমরা এই সিস্টেমগুলো কী করতে পারে তার সীমা ঠেলে দিচ্ছি, এখন সফটওয়্যার আর বাধা নয়। বাধা হলো সিলিকনের শারীরিক সীমাবদ্ধতা এবং আলোর গতি। MIT Technology Review এবং IEEE Spectrum-এর রিপোর্টগুলো ইঙ্গিত দেয় যে হার্ডওয়্যার অপ্টিমাইজেশনই এখন এআই সক্ষমতার প্রাথমিক চালিকাশক্তি।

উন্নত ব্যবহারকারীরা বর্তমানে অপ্টিমাইজেশনের তিনটি প্রধান ক্ষেত্রে মনোযোগ দিচ্ছেন:

• কোয়ান্টাইজেশন লোকাল হার্ডওয়্যারের জন্য মেমোরির প্রয়োজনীয়তা কমায়।
• RAG সিস্টেম মডেলগুলোকে ব্যক্তিগত, যাচাইকৃত ডেটার সাথে সংযুক্ত করে।
• এপিআই ইন্টিগ্রেশন অটোমেটেড মাল্টি-স্টেপ ওয়ার্কফ্লোর সুযোগ দেয়।

অসমাপ্ত গল্প

এই বিন্দু পর্যন্ত আসার রাস্তাটি নির্দিষ্ট প্রযুক্তিগত সিদ্ধান্তের মাধ্যমে তৈরি হয়েছে। আমরা দক্ষতার চেয়ে স্কেল এবং যুক্তির চেয়ে সম্ভাবনাকে বেছে নিয়েছি। এটি আমাদের এমন টুল দিয়েছে যা জাদুকরী মনে হলেও গভীরভাবে ত্রুটিপূর্ণ। হাইপ সাইকেল একসময় ঠান্ডা হয়ে যাবে, কিন্তু প্রযুক্তিটি থেকে যাবে। আমরা এমন এক বিশ্বে রয়েছি যেখানে মানুষ এবং মেশিনের সৃষ্টির মধ্যে পার্থক্য স্থায়ীভাবে ঝাপসা হয়ে গেছে। খোলা প্রশ্ন হলো, অসীম এবং সস্তা কন্টেন্টের যুগে আমরা মূল্য কীভাবে নির্ধারণ করব। যদি একটি মেশিন কয়েক সেকেন্ডে কবিতা বা প্রোগ্রাম লিখতে পারে, তবে একই কাজ করার জন্য মানুষের প্রচেষ্টার মূল্য কী? আমরা এখনও উত্তরের সন্ধানে আছি। আপাতত, সেরা পদ্ধতি হলো কৌতূহল এবং সংশয়ের মিশ্রণ। আমাদের এই টুলগুলো ব্যবহার করা উচিত আমাদের সক্ষমতা বাড়ানোর জন্য, তবে তাদের সীমাবদ্ধতা সম্পর্কে সচেতন থাকতে হবে। এআই-এর ভবিষ্যৎ কোনো সমাপ্ত পণ্য নয়। এটি আমরা কী তৈরি করতে পারি এবং কী তৈরি করা উচিত তার মধ্যে একটি চলমান আলোচনা।

সম্পাদকের মন্তব্য: আমরা এই সাইটটি একটি বহুভাষিক এআই সংবাদ এবং নির্দেশিকা কেন্দ্র হিসাবে তৈরি করেছি তাদের জন্য যারা কম্পিউটার বিশেষজ্ঞ নন, কিন্তু তবুও কৃত্রিম বুদ্ধিমত্তা বুঝতে চান, এটিকে আরও আত্মবিশ্বাসের সাথে ব্যবহার করতে চান এবং যে ভবিষ্যত ইতিমধ্যেই আসছে, তা অনুসরণ করতে চান।