ছোট বেলা থেকে ঘুরে আসি…
তখন আমরা ভাবতাম এমন যদি হতো , এক স্মার্ট মেশিন যা মানুষের মতো চিন্তা করে যেকোনো একটি নির্দিষ্ট কাজ খুব সুচারুভাবে সম্পন্ন করতে সক্ষম এবং মানুষের ক্রিয়াকলাপগুলো নকল করে নিজের পরিপাশ থেকে নিজেই শিখে নিবে।
অনেকের ছোট বেলার প্রিয় নোবেল ফিকশনগুলো এমনই ছিল।
সেই ছোট বেলার স্বপ্ন আজ কিন্তু বাস্তব। বর্তমানে প্রতিটি সেক্টরের পাশাপাশি আমাদের বাংলাদেশের জীবিকা ও অর্থনীতির প্রাণকেন্দ্র টেক্সটাইল তথা বস্ত্র খাতেও এর সুদূর প্রসার ঘটেছে।
কিন্তু কিভাবে? সেটাই আমরা আজ জানবো…
গত দুই দশক ধরে ক্রমান্বয়ে টেক্সটাইল উতপাদন ব্যবস্থায় কৃত্রিম বুদ্ধিমত্তার বিকাশ লক্ষণীয় যা প্রায় টেক্সটাইলের প্রতিটি সেক্টরেই এক বিশাল সম্ভাবনা তৈরি করতে সক্ষম হয়েছে।
আপাতদৃষ্টিতে মনে হতে পারে বর্তমানে স্প্রেডিং, কাটিং,সেলাই-ই শুধু অটোমেটেড করা সম্ভব।
কিন্তু কৃত্রিম বুদ্ধিমত্তা এমন, যা যেকোনো মেশিনে প্রয়োগ করা যেতে পারে এবং তা নিজে সেই পরিস্থিতি বিশ্লেষণ করে সমস্যা সমাধান করে। অতঃপর সেই পরিস্থিতি থেকে নিজে শিখে পরবর্তী ভিন্ন কোনো পরিস্থিতে সেই শিক্ষা প্রয়োগ করে। যাকে ডিপ লার্নিং বলা হয় (Deep Learning)
তাহলে চলো বর্তমান টেক্সটাইল শিল্পে কৃত্রিম বুদ্ধিমত্তা (Artificial Intelligence ) এর প্রায়গিক দিক গুলো জানা যাক…
টেক্সটাইল ও গার্মেন্টস শিল্পে কৃত্রিম বুদ্ধিমত্তা (AI) ও মেশিন লার্নিং (Machine Learning):
কী | কিভাবে | উদ্ভাবক প্রতিষ্ঠান বা ইন্ডাস্ট্রি |
কো পলিমারের কম্পোজিশন অনুমান | কৃত্রিম স্বয়ংক্রিয় স্নায়ুবিক ব্যবস্থা এর মাধ্যমে খুবই সঠিক ভাবে কো পলিমারের কম্পোজিশন, বিক্রিয়ার পূর্ব শর্ত ও রূপান্তর অনুমান করা যায় (R1) | |
কটন গ্রেডিং ও কৃত্রিম তন্তুর বৈশিষ্ট্য শনাক্তকরণ | কৃত্রিম স্বয়ংক্রিয় স্নায়ুবিক ব্যবস্থা এর মাধ্যমে স্বয়ংক্রিয় ভাবেই কটন | |
ফেব্রিক নিরীক্ষা (Fabric Inspection) | ত্রুটি যুক্ত ফেব্রিক পণ্যের মূল্য হ্রাস করে।এখন সেই ত্রুটি শনাক্তকরণ করা প্রয়োজন । তাই মেশিন লার্নিং বেইসড ইমেজরিকোনিশন টুল ব্যবহার করা হয় যাতে স্বয়ংক্রিয়ভাবে নিরীক্ষা সম্পন্ন করা হয়। | |
ফেব্রিক প্যাটার্ন শনাক্তকরণ | ফ্যাব্রিক প্যাটার্নের একাধিক দিক থাকতে পারে যেমন: বয়ন, বুনন, ব্রিডিং, ফিনিশিং এবং প্রিন্টিং ইত্যাদি (weaving, knitting, braiding, finishing, and printing etc) । ভিশন তথা দৃষ্টি ভিত্তিক পরিদর্শন (vision-based inspection) দ্বারা ভিজুয়াল ইন্সপেকশন (visual inspection) প্রতিস্থাপনের মাধ্যমে ফেব্রিক প্যাটার্ন শনাক্তকরণ করা যায় এবং মানুষের অবসন্নতা জনিত ত্রুটি গুলি এড়াতে সহায়তা করতে পারে। | |
ফেব্রিক গঠন অনুমান | কাঠামোগত পার্থক্যের কারণে Knitted and woven ফেব্রিক সহজেই আলাদা করা যায়। knitted fabric এর লুপ কাঠামো এবং woven fabrics এর interlacing warp ও weft yarn এর দ্বারা নিট ও ওভেন ফেব্রিককে খুবই সহজে শনাক্ত করা যায়। এখন যদি একটি নিউরাল নেটওয়ার্ক ডেভেলাপ করা যায় যেখানে নিউরাল নেটওয়ার্ক ফ্যাব্রিক স্ট্রাকচারের অন্তর্নিহিত এই বৈশিষ্ট্যগুলি শিখতে পারে তবে সেই নিউরাল নেটওয়ার্কটি নিটএবং ওভেন ফেব্রিকের ইমেজের মাঝে মাইক্রো বিশ্লেষণ করে সঠিকভাবে তাদের মাঝে পার্থক্য করতে সক্ষম হবে। সেই উদ্দেশ্য বাস্তবায়নের জন্য, কনভেনশনাল নিউরাল নেটওয়ার্ক (সিএনএন) আর্কিটেকচার ব্যবহার করার সিদ্ধান্ত নেওয়া হয়েছিল। ফলশ্রুতিতে, কৃত্রিম স্নায়ুবিক ব্যবস্থা চিত্রগুলি থেকে কার্যকরভাবে বৈশিষ্ট্যগুলি সন্ধান করতে সক্ষম হয় এবং তাদের মাঝে পার্থক্য করতে পারে।এবং এই কাজটি সম্পন্ন করা হয় মুলত python প্রোগ্রামিং ল্যাঙ্গুইজ ব্যবহার করে । পাশাপাশি TensorFlow framework এবং Keras API দিয়ে পূর্ণতা আনা হয়। কৃত্রিম স্নায়ুবিক ব্যবস্থাকে ট্রেইন করার জন্য যে ডাটা বেইজ ব্যবহার করা হয়, তা হলো https://ibug.doc.ic.ac.uk/resources/fabrics/ ইনপুট= আউটপুট= | |
ফেব্রিক কালার মেচিং | ফ্যাশনেবল কাপড় যখন ডিজাইন করা হয় তখন ইলোস্ট্রেশনে যে রঙ বা কালার ব্যবহার করা হয়েছে তা একেবারে ফিনিশিং এর পর কি সেই রঙ ধরে রাখতে পেরেছে তা মেচ করে থাকে | |
থ্রিডি স্ক্যানিং (3D scanning ) | থ্রিডি স্ক্যানিং এর মাধ্যমে ক্রেতা অনলাইনে তাদের স্কেন রিপোর্ট প্রদান করে থাকেন যার মাধ্যমে পার্সোনালাইজড পোশাক ও ডিজাইন ক্রেতার সরাসরি উপস্থিতি ছাড়াই তৈরি করা যায়। | |
নান্দনিক তৈরি পোশাক (automated fit, cut, and sew) | যেকোনো ডেজাইন কম্পিউটারে ইনপুট দেয়া হলে,কম্পিটারের কৃত্রিম বুদ্ধিমত্তা সেই ডিজাইন গুলিকে স্বয়ংক্রিয় নির্দেশনায় রুপান্তর করে। সেই স্বয়ংক্রিয় নির্দেশনা কম্পিউটার কন্ট্রোল মেশিনে প্রেরণ করা হয়। যার ফলশ্রুতিতে,কেমন ফেব্রিক নির্বাচন করতে হবে, সেটার কাটিং কিভাবে হবে এবং সেলাই টাই বা কেমন হবে তা নির্ধারিত হয়ে যায়। | |
তথ্য বিশ্লেষণ এবং ব্যাখ্যা ভিত্তিক কৌশলগত ফ্যাশন নির্বাচনে সহায়তা(Data-driven style, fit, and size personalization) | ফ্যাশন জিনোমঃ যেখানে খুবই গুছানো এক বিশাল তথ্যের সমাবেশ থাকে এবং তা নির্দিষ্ট মানুষের নির্দিষ্ট ফ্যাশন ট্রেন্ড এবং পছন্দ বুঝতে পারে বড় ব্রান্ডগুলো মাইক্রো পপুলেশন তথা খুবই ছোট জনসংখ্যার পছন্দও বুঝতে পারছে যার ফলে সুক্ষ বৈচিত্র সম্পন্ন মানুষ ও তাদের পছন্দের পোশাক সহজেই পেয়ে যাবে | |
ভার্চুয়াল স্টাইল | AI fashion, পূর্বের past buying and browsing history থেকে প্রতিনিয়ত ক্রেয়ার পছন্দ বুঝতে ও শিখতে পারে এবং তার সেই পছন্দের সাথে সমন্বয় করে তার style, fit, andsize নির্ভর কাপড় ও অন্যান্য বিষয়াদি সাজেস্ট করে থাকে,যার ফলে ক্রেয়া ও বিক্রেয়ার উভয়েরই লাভবান হয়, পাশাপাশি ক্রেয়ার গুরুত্বপূর্ণ সময়ও বাচে। |
এছাড়াও ২০০২ সালে বস্ত্র শিল্পে “সেন্টার ইন্সটিটিউট ফোর রিসার্চ এর কটন টেকনোলোজি,মুম্বাই” তে Artificial Intelligenc and its application in Textile শীর্ষক আর্টিকেল প্রকাশিত হয়। সেখান আগামী দুই দশকের মাঝে কৃত্রিম বুদ্ধিমত্তা টেক্সটাইল শিল্পে কিভাবে অবদান রাখবে তা নিয়ে রেসার্চ আর্টিকেল প্রকাশ করা হয়। তার ঠিক ২০ বছর পর সেগুলোর প্রতিটিই আজ বাস্তব।
Copolymer composition
তবে বর্তমানে কৃত্রিম বুদ্ধিমত্তার এক অনন্য নজির কৃত্রিম স্নায়ুবিক নেটওয়ার্ক (Artificial Neural network-ANN): যা পূর্বে আলোচনা করা হলেও এখন তা নিয়ে বিস্তারিত ভাবে জানা যাক…
কৃত্রিম স্নায়ুবিক নেটওয়ার্ক (Artificial Neural network-ANN) একটি তথ্য প্রক্রিয়াকরণ মডেল যা জৈবিক স্নায়ুতন্ত্র যেভাবে তথ্য প্রক্রিয়া সম্পন্ন করে সেই প্রক্রিয়ার দ্বারা অনুপ্রানিত।ANN is configured through a learning process for a specific application, such as pattern recognition or data classification। ANN একটি লার্নিং প্রসেসের মধ্য দিয়ে যায় যা পূর্বের অভিজ্ঞতা থেকে শিক্ষা নিয়ে পরবর্তী কোনো প্রক্রিয়ায় ব্যবহার করতে পারে। প্রথমত নির্দিষ্ট কিছু প্রক্রিয়া যেমন প্যাটার্ন শনাক্তকরণ ও ডাটা বিন্যাস সম্পন্ন করার জন্য তৈরি করা হয়েও বর্তমানে তার বিকাশ খুবই লক্ষণিয় ও গুরুত্বপুর্ণ। টেক্সটাইল এবং পোশাক শিল্পের জন্য উৎপাদন, ব্যয়, মান, তথ্য, পরিসংখ্যান প্রক্রিয়া নিয়ন্ত্রণ, জাস্ট-ইন-টাইম (জেআইটি) উৎপাদনকারী কম্পিউটারের ইন্টিগ্রেটেড ম্যানুফ্যাকচারিং ইত্যাদির মতো উপাদানগুলিকে ইন্টিগ্রেট করার জন্য কৃত্রিম স্নায়ুবিক নেটওয়ার্ক অন্যতম আশার আলো যা ১৯৯০ সাল থেকেই খুবই জনপ্রিয় হয়ে ওঠেছে। ধীরে ধীরে প্রমাণিত হয় যে তারা জটিল ইঞ্জিনিয়ারিং সমস্যা গুলো সফল ভাবে সমাধান করতে সক্ষম।
ফাইবার সেক্টরে কৃত্রিম স্নায়ুবিক নেটওয়ার্ক (Artificial Neural network-ANN):
১। প্রাণীজ ফাইবারগুলির শ্রেণিবিন্যাস সবচেয়ে সাধারণ সমস্যাগুলির মধ্যে একটি। কৃত্রিম স্নায়ুবিক নেটওয়ার্ক ব্যবহার করে এটি সফলভাবে সমাধান করা হয়েছে।
২। টেক্সটাইল ফাইবার গুলি সনাক্তকরণের জন্য এন আই আর বর্ণালী( NIR spectroscopy) সাথে একযোগে কৃত্রিম স্নায়ুবিক নেটওয়ার্ক ব্যবহার করা হয়।
ইয়ার্ন সেক্টরে কৃত্রিম স্নায়ুবিক নেটওয়ার্ক (Artificial Neural network-ANN):
১। তুলা থেকে ডাস্ট পার্টিকেল দূরীকরণের মাধ্যমে আরো সূক্ষ্ম ইয়ার্ন তৈরি করার জন্য কার্ডিং প্রক্রিয়া ব্যবহৃত হয়। সেই কার্ডিং প্রক্রিয়া চলাকালীন সুতার মানের উপর আরও ভাল নিয়ন্ত্রণ স্থাপনে সহায়তা করে থাকে।
২। টেক্সটাইল ফাইবার কে একত্রীকরণ,দ্বৈতকরন ও মিশ্রিত করার উদ্দেশ্য ড্রো ফ্রেইম মেশিন ব্যবহার করে ড্রোয়িং স্লাইভার তৈরি করা হয়। সেই ড্রোফ্রেইমে (draw frame) আসা প্রত্যেক তন্তু যেন রৈখিক ভাবে সম ঘনত্ব সম্পন্ন হয় তা নিশ্চিত করে নিশ্চিত করে কৃত্রিম স্নায়ুবিক নেটওয়ার্ক তথা কৃত্রিম বুদ্ধিমত্তা।
৩।যদি ইয়ার্ণ প্যাকেজের মাঝে false twist textured yarn থাকে, তাহলে ANN এর উপস্থিতি বিশ্লেষণ (appearance analysis) করা হয়। পাশাপাশি সুতা সংকুচিত হওয়ার পূর্বাভাস দেওয়ার জন্য বা সুতার শিথিলকরণ আচরণের জন্য ANN ব্যবহার করা হয়।
ফেব্রিক সেক্টরে কৃত্রিম স্নায়ুবিক নেটওয়ার্ক (Artificial Neural network-ANN):
১। ফেব্রিক তথা কাপড়ে , ওয়েভিং, নিটিং বা বন্ডিংয়ের (weaving, knitting or bonding) মাধ্যমে ইঞ্জিনিয়ারিং করা যেতে পারে। ইনপুট প্যারামিটারগুলো অনুকূল করতে নিউরাল নেটওয়ার্ক গুলো তিনটিতেই সফলভাবে প্রয়োগ করা হয়।
২। কাপড়ের সংবেদনশীল বৈশিষ্ট্য পূর্বাভাসের সময় যদি অটোমেটেড মেশিনে যদি ভুল বা অস্পষ্ট লজিক থাকে তাও শনাক্তকরন করতে পারে।
চিত্রঃ কৃত্রিম স্নায়ুবিক নেটওয়ার্ক (Artificial Neural network-ANN)
৩। নিট (knitted) কাপড়ের আর্দ্রতা এবং তাপ স্থানান্তর সফলভাবে সম্পন্ন করার জন্য কৃত্রিম স্নায়ুবিক নেটওয়ার্ক মডেলিং ( ANN modeling ) এর সাথে অধ্যয়ন করা সম্পন্ন করা হয়।
এপারেল সেক্টরে কৃত্রিম স্নায়ুবিক নেটওয়ার্ক (Artificial Neural network-ANN):
প্রকৃতপক্ষে এপারেল সেক্টরে কৃত্রিম বুদ্ধিমত্তার ব্যবহার খুব দ্রুত বাড়ছে। এর মূল কারণ হচ্ছে যখন বিদেশি বায়ার তাদের বেধে দেয়া কাপড়ের গুগগত মান ও ফিনিশড প্রোডাক্টের মাঝে গুণগত মানের পার্থক্য ও তুলনা করতে চাইবে তখন এক এক করে তুলনা করা সম্ভব না তখন কৃত্রিম বুদ্ধিমত্তা স্বমন্বিত ভাবে বিভিন্ন প্যারামিটার বিশ্লেষণ করে বায়ারকে তুলনামূলক চিত্র তুলে ধরতে পারে।
১। পূর্বাভাস সমস্যার সমাধানঃ রেডি মেইড গার্মেন্টস ইন্ডাস্ট্রিতে ফেশন সংবেদনশীলতা, কাটিং টাইম, এপারেল সেলস সহ নানা বিষয়াদিতে পুর্বাভাস নিশ্চিতে কৃত্রিম স্নায়ুবিক নেটওয়ার্ক তথা কৃত্রিম বুদ্ধিমত্তা সহায়তা করে থাকে।
২। শ্রেণিবিন্যাস জনিত সমস্যার সমাধানঃ ফেব্রিক অনলাইন শ্রেণিবিভাগ, ফেব্রিক এন্ড ইউজ ক্লাসিফিকেশন, সীম বৈশিষ্ট্য শ্রেণিবিভাগ seam feature classification etc. নির্ণয়।
কৃত্রিম বুদ্ধিমত্তার ভবিষ্যৎ সম্ভাবনা ও প্রয়োগঃ (Future Prospect & Application)
১। ফ্যাব্রিক উপাদানগুলিতে ভাজগুলো পরিমাপ করা গুরুত্বপূর্ণ । কারণ এটি কোনও পোশাকের ভিজ্যুয়াল নন্দনতত্বকে প্রভাবিত করে এবং ক্রেতার ক্রয়ের সিদ্ধান্তকে প্রভাবিত করে। আমেরিকান অ্যাসোসিয়েশন অফ টেক্সটাইল কেমিস্ট এবং কালারিস্ট- এর প্রদান করা পদ্ধতিগুলি সাধারণত ফ্যাব্রিক রিঙ্কেলের পারফরম্যান্স পরিমাপ করতে ব্যবহৃত হয় তবে প্রক্রিয়াটি ক্লান্তিকর – এবং প্রশিক্ষিত বিশেষজ্ঞরা ফলাফল সম্পর্কে এখনও ঘন ঘন একমত হন না। যদি এই কাজ মেশিন লার্নিং তথা ডিপ লার্নিং ব্যবহার করে ভবিষ্যতে সম্পন্ন করা যায় তাহলে, প্রস্তুতকারীদের এই প্রয়োজনীয় ব্যয় এবং সময় হ্রাস করতে সহায়তা করতে পারে।
Source – Fibtex report: New Method of Fabric Wrinkle Measurement Based on Image Processing, linked above
২। ডিজাইন ইঞ্জিনিয়ারদের 3D মডেল ইয়ার্ণ ফাইবার ডিজাইন ও প্রোটোটাইপ তৈরিতে ভবিষ্যতে কৃত্রিম বুদ্ধিমত্তা সাহায্য করতে পারে।
৩।ফাইবার গুলির মডেলিং এ প্রচলিত পদ্ধতিগুলি অত্যন্ত ক্লান্তিকর এবং সহজ পদ্ধতিগত মডেলগুলি যথেষ্ট বাস্তবসম্মত নয়। কর্নেলের বিশ্ববিদ্যালয়ের গবেষকরা একটি এআই অ্যালগরিদম তৈরি করেছেন যা ভবিষ্যতে টেক্সটাইল শিল্পে খুবই গুরুত্বপূর্ণ ভুমিকা পালন করতে সক্ষম হবে। সেখানে গবেষকরা মানুষের হস্তক্ষেপ 18ছাড়াই স্বয়ংক্রিয়ভাবে এবং বাস্তব সম্মত উপায়ে সুতা এবং ফাইবারের বৈশিষ্ট্যগুলির মডেলিং করতে পারে। সেই গবেষণা পত্রের লিংক দেয়া হলোঃ Fitting Procedural Yarn Models for Realistic Cloth Rendering
প্রকৃতপক্ষে টেক্সটাইল শিল্পের প্রত্যেক খাতে কৃত্রিম বুদ্ধিমত্তার ব্যবহার বেড়ে চলেছে। যা আপাতদৃষ্টিতে মনে হতে পারে যে বাংলাদেশের মতো শ্রমনির্ভর দেশের জন্য হুমকি স্বরুপ। কিন্তু কৃত্রিম বুদ্ধিমত্তা পুরোনো ম্যানুয়ান কাজ মানুষের হস্তক্ষেপ ছাড়াই সম্পন্ন করতে পারলেও সেই কৃত্রিম বুদ্ধিমত্তাকে আরো জোড়ালো নির্ভুল করতে বিভিন্ন নতুন বুদ্ধিবৃত্রিক জব সৃষ্টি হবে। কারণ কৃত্রিম বুদ্ধিমত্তাকে ডেভেলাপ করার জন্য প্রয়োজন অর্জানাইজড ডাটা সিস্টেম। তাই মেশিন লার্নিং, ডাটা সাইন্স, ডিপ লার্নিং এর সাথে সম্পর্কিত বিজ্ঞান ও প্রকৌশল নির্ভর যেকোনো সম্ভাবনা বেড়েই চলবে। অতএব, প্রগতিশীল টেক্সটাইল শিল্পে যদি আমাদের এগিয়ে যেতে হয় সর্বোপরি যদি বাংলাদেশকে এগিয়ে যেতে হয় তাহলে টেক্সটাইল শিল্পে যথা যথ কৃত্রিম বুদ্ধিমত্তা বিকাশের কোনো জুড়ি নেই।
অর্জন রায় রিসার্চ অ্যাসিস্ট্যান্ট ,বুনন বাংলাদেশ টেক্সটাইল বিশ্ববিদ্যালয়
রেফারেন্স:
1.Engineering Cotton Yarns with Artificial Neural Networking (ANN) by Sweety A. Agrawal and Tasnim N. Shaikh
2. COPOLYMER COMPOSITION, A Chapter in Comprehensive Polymer Science by David A. Tirrell Department of Polymer Science and Engineering University of Massachusetts
3. Artificial Intelligence in the Textile Industry - Current and Future Applications
4. towardsdatascience.com/ai-for-textiles-convolutional-neural-network-based-fabric-structure-classifier-c0db5433501d
5. AI The Future Of Textile Industry-Maj Gen OP Gulia
6. Fitting Procedural Yarn Models for Realistic Cloth Rendering
7. New Method of Fabric Wrinkle Measurement Based on Image Processing
8.Application of Neural Networks in Fabric Engineering