ControlNet And StarCoder: Roblox Research Advancements For Generative AI - Roblox Blog

প্লেটো দ্বারা প্রকাশিত

অনুসরণকারী: 0

আমরা কৃত্রিম বুদ্ধিমত্তা (AI) সহ সমস্ত ক্ষেত্রে নিযুক্ত দায়ী এবং সম্প্রদায়ের গবেষণা অনুসরণ করার জন্য গভীরভাবে প্রতিশ্রুতিবদ্ধ। আমরা স্বচ্ছতা, বাহ্যিক বৈধতা এবং সহযোগিতা এবং পৃষ্ঠপোষকতার মাধ্যমে একাডেমিক প্রতিষ্ঠানকে সহায়তা করার মাধ্যমে এটি অর্জন করি। এই পদ্ধতিটি আমাদের তিনটি ফোকাস এলাকায় সর্বাধিক অগ্রগতি অর্জনকে ত্বরান্বিত করতে দেয়: জেনারেটিভ এআই, ডেটা সেন্টার স্কেলিং এবং অনলাইন নিরাপত্তা। আজ, আমরা আমাদের দুটি জেনারেটিভ এআই গবেষণা প্রকল্পের অন্তর্দৃষ্টি এবং ফলাফল শেয়ার করছি। কন্ট্রোলনেট একটি ওপেন-সোর্স নিউরাল নেটওয়ার্ক যা আরও সুনির্দিষ্ট ইমেজ আউটপুটের জন্য ইমেজ জেনারেশন মডেলগুলিতে শর্তসাপেক্ষ নিয়ন্ত্রণ যোগ করে। স্টারকোডার কোড তৈরির জন্য একটি অত্যাধুনিক ওপেন সোর্স বড় ভাষা মডেল (LLM)।

উভয় প্রকল্পই একাডেমিক এবং শিল্প সহযোগিতা। উভয়ই আমাদের নির্মাতাদের জন্য মৌলিকভাবে আরও শক্তিশালী সরঞ্জামগুলির উপর দৃষ্টি নিবদ্ধ করে: 3D শিল্পী এবং প্রোগ্রামার। সবচেয়ে গুরুত্বপূর্ণ এবং রূপান্তরমূলক গবেষণার মাধ্যমে দীর্ঘ দৃষ্টিভঙ্গিতে বিনিয়োগের আমাদের মিশনের সাথে সংযুক্ত, এই প্রকল্পগুলি অনেকগুলি অ্যাপ্লিকেশনের জন্য মৌলিক বৈজ্ঞানিক বোঝাপড়া এবং AI নিয়ন্ত্রণে অগ্রগতির ইঙ্গিত প্রদর্শন করে। আমরা বিশ্বাস করি যে এই কাজটি Roblox এর ভবিষ্যত এবং সামগ্রিকভাবে ক্ষেত্রের উপর একটি উল্লেখযোগ্য প্রভাব ফেলতে পারে এবং এটি খোলাখুলিভাবে শেয়ার করতে পেরে গর্বিত।

কন্ট্রোলনেট

সাম্প্রতিক এআই ব্রেকথ্রুগুলি - বিশেষত ডেটা-চালিত মেশিন লার্নিং (এমএল) পদ্ধতিগুলি গভীর নিউরাল নেটওয়ার্কগুলি ব্যবহার করে - তৈরির সরঞ্জামগুলিতে নতুন অগ্রগতি চালিত করেছে৷ এই অগ্রগতি আমাদের অন্তর্ভুক্ত কোড সহায়তা এবং উপাদান জেনারেটর আমাদের বিনামূল্যের টুল, Roblox Studio-তে সর্বজনীনভাবে উপলব্ধ বৈশিষ্ট্য। আধুনিক জেনারেটিভ এআই সিস্টেমে ডেটা স্ট্রাকচার থাকে যাকে মডেল বলা হয় যা বিলিয়ন ট্রেনিং অপারেশনের মাধ্যমে পরিমার্জিত হয়। বর্তমানে সবচেয়ে শক্তিশালী মডেলগুলি হল মাল্টিমোডাল, যার অর্থ তারা পাঠ্য, ছবি এবং অডিওর মতো মিডিয়ার মিশ্রণে প্রশিক্ষিত। এটি তাদের একটি ডেটা সেটের নির্দিষ্ট উপাদান যেমন রঙের প্যালেট বা বানানগুলিতে অতিরিক্ত ফিটিং করার পরিবর্তে মিডিয়া জুড়ে সাধারণ অন্তর্নিহিত অর্থগুলি খুঁজে পেতে দেয়।

এই নতুন এআই সিস্টেমগুলির উল্লেখযোগ্য অভিব্যক্তিপূর্ণ শক্তি রয়েছে, তবে সেই শক্তিটি মূলত "প্রম্পট ইঞ্জিনিয়ারিং" এর মাধ্যমে পরিচালিত হয়। এটি করার অর্থ হল কেবল ইনপুট পাঠ্য পরিবর্তন করা, একটি সার্চ ইঞ্জিন কোয়েরি পরিমার্জন করার মতো যদি এটি আপনার প্রত্যাশা অনুযায়ী ফিরে না আসে। যদিও এটি একটি নতুন প্রযুক্তি যেমন একটি অনির্দেশিত চ্যাটবটের সাথে খেলার একটি আকর্ষণীয় উপায় হতে পারে, এটি সামগ্রী তৈরি করার একটি কার্যকর বা কার্যকর উপায় নয়। এর পরিবর্তে নির্মাতাদের পাওয়ার টুলের প্রয়োজন হয় যা তারা অনুমান করার পরিবর্তে সক্রিয় নিয়ন্ত্রণের মাধ্যমে কার্যকরভাবে ব্যবহার করতে পারে।

কন্ট্রোলনেট প্রকল্প এই চ্যালেঞ্জগুলির কিছু সমাধানের দিকে একটি পদক্ষেপ। এটি বৃহৎ প্রাক-প্রশিক্ষিত এআই মডেলের শক্তিকে কাজে লাগানোর একটি কার্যকর উপায় প্রদান করে যেমন স্থিতিশীল বিস্তার, প্রম্পট ইঞ্জিনিয়ারিংয়ের উপর নির্ভর না করে। কন্ট্রোলনেট শিল্পীকে শুধুমাত্র টেক্সট প্রম্পটের বাইরে অতিরিক্ত ইনপুট শর্ত প্রদান করার অনুমতি দিয়ে নিয়ন্ত্রণ বাড়ায়। Roblox গবেষক এবং স্ট্যানফোর্ড ইউনিভার্সিটির অধ্যাপক মনীশ আগ্রাওয়ালা এবং স্ট্যানফোর্ড গবেষক লভমিন ঝাং আমাদের যৌথ কন্ট্রোলনেট প্রকল্পের লক্ষ্যগুলি এইভাবে তৈরি করেছেন:

জেনারেটিভ এআই টুলের জন্য একটি ভালো ইউজার ইন্টারফেস ডেভেলপ করুন। অস্পষ্ট প্রম্পট ম্যানিপুলেশনের বাইরে যান এবং একটি ধারণা বা সৃজনশীল ধারণা যোগাযোগের আরও প্রাকৃতিক উপায় তৈরি করুন।
আরও সুনির্দিষ্ট স্থানিক নিয়ন্ত্রণ প্রদান করুন, "একটি চিত্রের মতো" বা "একটি চিত্রের শৈলীতে..." তৈরির বাইরে যেতে যাতে স্রষ্টার মনে যে চিত্রটি রয়েছে তা সঠিকভাবে উপলব্ধি করতে সক্ষম হয়৷
জেনারেটিভ এআই প্রশিক্ষণকে আরও কম্পিউট-দক্ষ প্রক্রিয়ায় রূপান্তর করুন যা আরও দ্রুত কার্যকর করে, কম মেমরির প্রয়োজন হয় এবং কম বৈদ্যুতিক শক্তি খরচ করে।
একটি পুনর্ব্যবহারযোগ্য বিল্ডিং ব্লকে ইমেজ জেনারেটিভ এআই প্রসারিত করুন। এটি তখন মানসম্মত চিত্র প্রক্রিয়াকরণ এবং 3D রেন্ডারিং পাইপলাইনের সাথে একত্রিত করা যেতে পারে।

স্পেশাল কন্ট্রোলের জন্য স্রষ্টাদের একটি অতিরিক্ত ইমেজ প্রদান করার অনুমতি দিয়ে, ControlNet চূড়ান্ত জেনারেট করা ইমেজের উপর আরও বেশি নিয়ন্ত্রণ প্রদান করে। উদাহরণস্বরূপ, একটি বিদ্যমান টেক্সট-টু-ইমেজ জেনারেটরে "পিঁপড়া সহ পুরুষ হরিণ" এর একটি প্রম্পট বিভিন্ন ধরণের চিত্র তৈরি করেছে, যা নীচে দেখানো হয়েছে:

পূর্ববর্তী AI সমাধানগুলির সাথে উত্পন্ন এই চিত্রগুলি আকর্ষণীয়, কিন্তু দুর্ভাগ্যবশত মূলত নির্বিচারে ফলাফল - কোন নিয়ন্ত্রণ নেই। টেক্সট প্রম্পট সংশোধন করা ছাড়া সেই আগের ইমেজ জেনারেটিং সিস্টেমে আউটপুট চালানোর কোনো উপায় নেই।

কন্ট্রোলনেটের সাথে, নির্মাতার এখন অনেক বেশি ক্ষমতা রয়েছে। ControlNet ব্যবহার করার একটি উপায় হল সাধারণ আকৃতিটি অনুসরণ করার জন্য একটি প্রম্পট এবং একটি উত্স চিত্র উভয়ই প্রদান করা। এই ক্ষেত্রে, ফলস্বরূপ চিত্রগুলি এখনও বৈচিত্র্য সরবরাহ করবে তবে, অত্যন্ত গুরুত্বপূর্ণভাবে, নির্দিষ্ট আকৃতি বজায় রাখে:

স্রষ্টা প্রান্তের একটি সেট, কোনো প্রম্পট ছাড়াই একটি চিত্র, বা সিস্টেমে অভিব্যক্তিপূর্ণ ইনপুট প্রদানের অন্যান্য উপায়ও নির্দিষ্ট করতে পারতেন।

একটি কন্ট্রোলনেট তৈরি করতে, আমরা একটি বড় ডিফিউশন মডেলের নেটওয়ার্কের মধ্যে ওজনগুলিকে দুটি সংস্করণে ক্লোন করি। একটি হল প্রশিক্ষণযোগ্য নেটওয়ার্ক (এটি নিয়ন্ত্রণ প্রদান করে; এটি "কন্ট্রোলনেট") এবং অন্যটি হল লক করা নেটওয়ার্ক. লক করা নেটওয়ার্ক বিলিয়ন ইমেজ থেকে শেখা ক্ষমতা সংরক্ষণ করে এবং এটি আগের যেকোনো ইমেজ জেনারেটর হতে পারে। আমরা তারপর অতিরিক্ত চিত্র থেকে শর্তসাপেক্ষ নিয়ন্ত্রণ শিখতে টাস্ক-নির্দিষ্ট ডেটা সেটগুলিতে প্রশিক্ষণযোগ্য নেটওয়ার্ককে প্রশিক্ষণ দিই। প্রশিক্ষনযোগ্য এবং লক করা কপিগুলি একটি অনন্য ধরণের কনভোলিউশন স্তরের সাথে সংযুক্ত থাকে যাকে আমরা কল করি শূন্য আবর্তন, যেখানে কনভোলিউশন ওজনগুলি ধীরে ধীরে শূন্য থেকে অপ্টিমাইজ করা প্যারামিটারে একটি শেখা পদ্ধতিতে বৃদ্ধি পায়, যার অর্থ প্রাথমিকভাবে তাদের কোনও প্রভাব নেই এবং সিস্টেমটি লক করা নেটওয়ার্কে প্রয়োগ করার জন্য সর্বোত্তম স্তরের নিয়ন্ত্রণ অর্জন করে।

যেহেতু মূল ওজনগুলি লক করা নেটওয়ার্কের মাধ্যমে সংরক্ষিত হয়, মডেলটি বিভিন্ন আকারের প্রশিক্ষণ ডেটা সেটগুলির সাথে ভাল কাজ করে৷ এবং শূন্য কনভোলিউশন লেয়ার প্রক্রিয়াটিকে আরও দ্রুত করে তোলে — স্ক্র্যাচ থেকে নতুন স্তরগুলিকে প্রশিক্ষণ দেওয়ার চেয়ে একটি ডিফিউশন মডেলকে ফাইন-টিউনিংয়ের কাছাকাছি।

আমরা ইমেজ জেনারেশনের জন্য এই কৌশলটির ব্যাপক যাচাই করেছি। কন্ট্রোলনেট শুধুমাত্র আউটপুট চিত্রের গুণমান উন্নত করে না। এটি একটি নির্দিষ্ট কাজের জন্য একটি নেটওয়ার্ক প্রশিক্ষণকে আরও দক্ষ করে তোলে এবং এইভাবে আমাদের লক্ষ লক্ষ নির্মাতাদের জন্য স্কেলে মোতায়েন করা ব্যবহারিক করে তোলে। পরীক্ষা-নিরীক্ষায়, কন্ট্রোলনেট বিকল্প পরিস্থিতিগুলির তুলনায় 10x দক্ষতা বৃদ্ধি করে যার জন্য একটি মডেলকে সম্পূর্ণরূপে পুনরায় প্রশিক্ষিত করা প্রয়োজন। এই দক্ষতা গুরুত্বপূর্ণ, কারণ নতুন মডেল তৈরির প্রক্রিয়াটি ঐতিহ্যগত সফ্টওয়্যার বিকাশের তুলনায় সময়সাপেক্ষ এবং সম্পদ-নিবিড়। প্রশিক্ষণকে আরও দক্ষ করা বিদ্যুৎ সংরক্ষণ করে, খরচ কমায় এবং নতুন কার্যকারিতা যোগ করার হার বাড়ায়।

কন্ট্রোলনেটের অনন্য কাঠামোর অর্থ হল এটি বিভিন্ন আকারের প্রশিক্ষণ ডেটা সেটের সাথে এবং বিভিন্ন ধরণের মিডিয়াতে ভাল কাজ করে। কন্ট্রোলনেট ফটো, হাতে আঁকা স্ক্রিবল এবং সহ বিভিন্ন ধরণের নিয়ন্ত্রণ পদ্ধতির সাথে কাজ করতে দেখা গেছে openpose ভঙ্গি সনাক্তকরণ। আমরা বিশ্বাস করি যে কন্ট্রোলনেট তৈরি করা AI সামগ্রীর জন্য বিভিন্ন ধরণের মিডিয়াতে প্রয়োগ করা যেতে পারে। এই গবেষণা উন্মুক্ত এবং সর্বজনীনভাবে উপলব্ধ সম্প্রদায়ের সাথে পরীক্ষা-নিরীক্ষা এবং গড়ে তোলার জন্য, এবং আমরা এটির সাথে আরও আবিষ্কার করার সাথে সাথে আরও তথ্য উপস্থাপন করা চালিয়ে যাব।

স্টারকোডার

জেনারেটিভ এআই ইমেজ, অডিও, টেক্সট, প্রোগ্রাম সোর্স কোড, বা অন্য কোন ধরনের সমৃদ্ধ মিডিয়া তৈরি করতে প্রয়োগ করা যেতে পারে। বিভিন্ন মিডিয়া জুড়ে, যাইহোক, সর্বাধিক সাফল্যের সাথে অ্যাপ্লিকেশনগুলি এমন হতে থাকে যার জন্য আউটপুটটি বিষয়ভিত্তিকভাবে বিচার করা হয়। উদাহরণস্বরূপ, একটি চিত্র সফল হয় যখন এটি একটি মানব দর্শকের কাছে আবেদন করে। চিত্রে কিছু ত্রুটি, যেমন প্রান্তে অদ্ভুত বৈশিষ্ট্য বা এমনকি একটি হাতের অতিরিক্ত আঙুল, সামগ্রিক চিত্রটি বাধ্যতামূলক হলে লক্ষ্য করা যাবে না। একইভাবে, একটি কবিতা বা ছোটগল্পে ব্যাকরণগত ত্রুটি বা কিছু যৌক্তিক লিপ থাকতে পারে, তবে সারাংশ যদি বাধ্যতামূলক হয় তবে আমরা সেগুলি ক্ষমা করার প্রবণতা রাখি।

বিষয়গত মানদণ্ড বিবেচনা করার আরেকটি উপায় হল ফলাফল স্থান অবিচ্ছিন্ন। একটি ফলাফল অন্যটির চেয়ে ভাল হতে পারে, তবে এমন কোনও নির্দিষ্ট থ্রেশহোল্ড নেই যেখানে ফলাফলটি সম্পূর্ণরূপে গ্রহণযোগ্য বা অগ্রহণযোগ্য। অন্যান্য ডোমেন এবং মিডিয়ার ফর্মগুলির জন্য আউটপুটটি উদ্দেশ্যমূলকভাবে বিচার করা হয়। উদাহরণস্বরূপ, একটি জেনারেটিভ এআই প্রোগ্রামিং সহকারী দ্বারা উত্পাদিত উত্স কোড হয় সঠিক বা না। যদি কোডটি একটি পরীক্ষায় উত্তীর্ণ হতে না পারে তবে এটি ব্যর্থ হয়, এমনকি যদি এটি একটি বৈধ সমাধানের জন্য কোডের অনুরূপ হয়। এটি একটি পৃথক ফলাফল স্থান. একটি বিচ্ছিন্ন জায়গায় সফল হওয়া কঠিন কারণ মানদণ্ডগুলি আরও কঠোর এবং কেউ ক্রমান্বয়ে একটি ভাল সমাধানের কাছে যেতে পারে না - কোডটি হঠাৎ কাজ না হওয়া পর্যন্ত ভেঙে যায়।

টেক্সট আউটপুটের জন্য ব্যবহৃত এলএলএমগুলি বিষয়ভিত্তিক, ক্রমাগত অ্যাপ্লিকেশন যেমন চ্যাটবটগুলির জন্য ভাল কাজ করে। তারা ইংরেজি এবং ফ্রেঞ্চের মতো অনেক মানবিক ভাষায় গদ্য তৈরির জন্যও ভাল কাজ করে বলে মনে হচ্ছে। যাইহোক, বিদ্যমান এলএলএমগুলি ভালভাবে কাজ করে বলে মনে হচ্ছে না প্রোগ্রামিং ভাষাগুলি যেমন তারা সেই মানব ভাষার জন্য করে। কোড হল গণিতের একটি রূপ যা প্রাকৃতিক ভাষার চেয়ে অর্থ প্রকাশের একটি খুব ভিন্ন, বস্তুনিষ্ঠ উপায়। এটি একটি অবিচ্ছিন্ন ফলাফল স্থানের পরিবর্তে একটি পৃথক ফলাফল স্থান। রবলক্স নির্মাতাদের জন্য প্রোগ্রামিং ভাষার কোড তৈরির সর্বোচ্চ মানের অর্জন করতে, আমাদের LLM প্রয়োগ করার পদ্ধতি দরকার যা এই বিচ্ছিন্ন, উদ্দেশ্যমূলক জায়গায় ভাল কাজ করতে পারে। লুয়া, জাভাস্ক্রিপ্ট বা পাইথনের মতো নির্দিষ্ট ভাষার সিনট্যাক্স থেকে স্বাধীন কোড কার্যকারিতা প্রকাশ করার জন্য আমাদের শক্তিশালী পদ্ধতিরও প্রয়োজন।

স্টারকোডার, কোড তৈরির জন্য একটি নতুন অত্যাধুনিক ওপেন সোর্স এলএলএম, এই প্রযুক্তিগত চ্যালেঞ্জের জন্য একটি বড় অগ্রগতি এবং প্রত্যেকের জন্য একটি সত্যিকারের উন্মুক্ত এলএলএম। StarCoder এর একটি ফলাফল বিগকোড গবেষণা কনসোর্টিয়াম, যা একাডেমিক এবং শিল্প গবেষণা ল্যাব জুড়ে 600 টিরও বেশি সদস্য জড়িত। Roblox গবেষক এবং নর্থইস্টার্ন ইউনিভার্সিটির অধ্যাপক অর্জুন গুহ এই দলটিকে স্টারকোডার তৈরি করতে সাহায্য করেছেন। এই প্রথম প্রকাশিত ফলাফলগুলি একচেটিয়াভাবে কোড দৃষ্টিভঙ্গির উপর ফোকাস করে, যে ক্ষেত্রটিতে বিষয়গত পদ্ধতির আপেক্ষিক সাফল্যের কারণে ক্ষেত্রের নতুন বৃদ্ধির প্রয়োজন।

বৃহত্তর এআই ইকোসিস্টেম এবং রবলক্স সম্প্রদায়কে সমর্থন করে এমন এলএলএম-এর মাধ্যমে জেনারেটিভ এআই সরবরাহ করতে, আমাদের এমন মডেলের প্রয়োজন যা যথাযথভাবে লাইসেন্সপ্রাপ্ত এবং দায়িত্বশীলভাবে সংগ্রহ করা ডেটা সেটগুলিতে বিশেষভাবে প্রশিক্ষিত হয়েছে। এগুলিকে অনিয়ন্ত্রিত লাইসেন্সও বহন করা উচিত যাতে যে কেউ এগুলি ব্যবহার করতে পারে, সেগুলি তৈরি করতে পারে এবং বাস্তুতন্ত্রে অবদান রাখতে পারে৷ আজ, সবচেয়ে শক্তিশালী এলএলএমগুলি মালিকানা, বা সীমিত আকারের বাণিজ্যিক ব্যবহারের জন্য লাইসেন্সপ্রাপ্ত, যা গবেষকদের মডেলের সাথে পরীক্ষা করার ক্ষমতাকে নিষিদ্ধ বা সীমিত করে। বিপরীতে, StarCoder হল একটি সত্যিকারের উন্মুক্ত মডেল, যা শিল্প এবং একাডেমিক গবেষকদের একটি জোটের মাধ্যমে তৈরি করা হয়েছে এবং যে কোনো স্কেলে বাণিজ্যিক প্রয়োগের জন্য সীমাবদ্ধতা ছাড়াই লাইসেন্সপ্রাপ্ত। StarCoder দায়িত্বশীলভাবে সংগৃহীত, যথাযথভাবে লাইসেন্সকৃত সামগ্রীতে বিশেষভাবে প্রশিক্ষিত। মডেলটিকে প্রাথমিকভাবে পাবলিক কোডে প্রশিক্ষণ দেওয়া হয়েছিল এবং যারা প্রশিক্ষণের জন্য তাদের কোড ব্যবহার করা পছন্দ করেন না তাদের জন্য একটি অপ্ট-আউট প্রক্রিয়া উপলব্ধ।

আজ, স্টারকোডার পাইথন, সি++ এবং জাভা সহ 86টি ভিন্ন প্রোগ্রামিং ভাষায় কাজ করে। কাগজের প্রকাশনা অনুসারে, এটি প্রতিটি ওপেন কোড এলএলএমকে ছাড়িয়ে যাচ্ছে যা একাধিক ভাষা সমর্থন করে এবং এমনকি অনেক বন্ধ, মালিকানাধীন মডেলের সাথে প্রতিযোগিতামূলক ছিল।

StarCoder LLM হল ইকোসিস্টেমের একটি অবদান, কিন্তু আমাদের গবেষণার লক্ষ্য অনেক গভীরে যায়। এই গবেষণার সবচেয়ে বড় প্রভাব হল কোড, টেক্সট, ইমেজ, বক্তৃতা, ভিডিও সহ উদ্দেশ্যমূলক এবং সাবজেক্টিভ মাল্টিমোডাল মডেলের শব্দার্থিক মডেলিংকে অগ্রসর করা এবং ডোমেন-ট্রান্সফার কৌশলগুলির মাধ্যমে প্রশিক্ষণের দক্ষতা বৃদ্ধি করা। আমরা উত্স কোড জেনারেশনের মতো উদ্দেশ্যমূলক কাজের জন্য জেনারেটিভ এআই-এর রক্ষণাবেক্ষণযোগ্যতা এবং নিয়ন্ত্রণযোগ্যতা সম্পর্কে গভীর অন্তর্দৃষ্টি অর্জনের আশা করি। উদীয়মান প্রযুক্তির একটি চমকপ্রদ প্রদর্শন এবং একটি নিরাপদ, নির্ভরযোগ্য এবং দক্ষ পণ্যের মধ্যে একটি বড় পার্থক্য রয়েছে যা এর ব্যবহারকারী সম্প্রদায়ের জন্য মূল্য আনে। আমাদের ML মডেলগুলির জন্য, আমরা মেমরির পদচিহ্ন, শক্তি সংরক্ষণ এবং কার্যকর করার সময় জন্য কর্মক্ষমতা অপ্টিমাইজ করি। আমরা একটি শক্তিশালী অবকাঠামোও তৈরি করেছি, বাকি সিস্টেমের সাথে সংযুক্ত করার জন্য সফ্টওয়্যার দিয়ে AI কোরকে ঘিরে রেখেছি, এবং নতুন বৈশিষ্ট্য যুক্ত হওয়ার সাথে সাথে ঘন ঘন আপডেটের জন্য একটি বিরামহীন সিস্টেম তৈরি করেছি।

Roblox এর বিজ্ঞানী এবং প্রকৌশলীকে বৈজ্ঞানিক সম্প্রদায়ের কিছু তীক্ষ্ণ মনের সাথে একত্রিত করা আমাদের যুগান্তকারী প্রযুক্তির সাধনার একটি মূল উপাদান। আমরা এই প্রাথমিক ফলাফলগুলি শেয়ার করতে পেরে গর্বিত এবং গবেষণা সম্প্রদায়কে আমাদের সাথে যুক্ত হতে এবং এই অগ্রগতিগুলিকে গড়ে তুলতে আমন্ত্রণ জানাচ্ছি৷