Google Gemini Decisions API চালু করেছে। এটি একটি নতুন Gemini API endpoint, যা open-ended generated response-এর বদলে দ্রুত, সীমাবদ্ধ সিদ্ধান্তের প্রয়োজন এমন applications-এর জন্য তৈরি। Text, images, audio, video এবং PDFs জুড়ে candidate options score করার জন্য তৈরি model Gemini Decision 1 এই service-টি পরিচালনা করে।

বড় software workflow-এর মধ্যে operational choice নিতে পারে এমন AI system-এর ক্রমবর্ধমান প্রয়োজনকেই এই launch প্রতিফলিত করে: tool নির্বাচন, request routing, policy rule পরীক্ষা, alternative ranking অথবা context grading। এই ক্ষেত্রে developer-এর কাছে ব্যাখ্যার paragraph-এর চেয়ে probability এবং confidence score বেশি গুরুত্বপূর্ণ হতে পারে।

Closed-set choice-এর জন্য তৈরি

Google API-টিকে yes-or-no question, multiple-choice decision এবং rubric-based scoring-এর tool হিসেবে বর্ণনা করেছে। একজন developer একটি multimodal input submit করে একটিমাত্র request-এ সেটি নিয়ে সর্বোচ্চ 1,000টি independent question করতে পারেন।

System-টি text, images, audio, video এবং PDFs জুড়ে input সমর্থন করে, যার context 256,000 token পর্যন্ত হতে পারে। এই সমন্বয়ের লক্ষ্য হলো developers-কে প্রতিটি media type-এর জন্য আলাদা decision pipeline তৈরি না করিয়ে একটি service-এর মাধ্যমে বিস্তৃত উপাদান মূল্যায়ন করতে দেওয়া।

Google-এর দেওয়া উদাহরণের মধ্যে রয়েছে tool selection, policy check, model routing এবং context grading। অন্য model বা service call করার আগে একটি system endpoint-টিকে gatekeeper হিসেবে ব্যবহার করতে পারে, অথবা পরবর্তী action কী হবে তা নির্ধারণের জন্য scoring layer হিসেবে ব্যবহার করতে পারে।

Generated answer-এর বদলে probability

মূল technical distinction হলো, Gemini Decision 1 একটি single forward pass-এ candidate option score করে। Conversational model সাধারণত যেভাবে token by token answer generate করে, এটি সেভাবে answer generate করে না।

Google-এর মতে endpoint probability এবং confidence score ফেরত দেয়। ফলে defined choice নিতে হবে এবং সেই choice সম্পর্কে model কতটা নিশ্চিত তাও জানতে হবে—এমন applications-এর জন্য আরও structured output পাওয়া যায়।

Production AI system-এর জন্য এই confidence signal গুরুত্বপূর্ণ হতে পারে। এটি developers-কে threshold নির্ধারণ, uncertain case review-এ পাঠানো অথবা model score প্রয়োজনীয় level-এ না পৌঁছালে fallback route বেছে নিতে সাহায্য করতে পারে। API evaluation-এর প্রয়োজন দূর করে না, তবে এই task-এর সঙ্গে আরও সরাসরি সামঞ্জস্যপূর্ণ একটি decision-oriented primitive দেয়।

Latency এবং pricing-এর দাবি

Google বলছে Gemini Decision 1-এর model-compute latency 50 থেকে 100 milliseconds এবং end-to-end latency 150 থেকে 250 milliseconds। Multimodal input এবং 16,000 token পর্যন্ত context নিয়ে কাজ করার সময় প্রতি request-এ question-এর সংখ্যা এক থেকে 100 হলেও এই performance প্রায় flat থাকে বলে কোম্পানিটি জানিয়েছে।

কোম্পানিটি প্রতি million input token-এর জন্য $0.10 pricing নির্ধারণ করেছে; billed output token নেই। Model option score করে, প্রচলিত text response emit করে না—তাই এই pricing structure এমন workload-এর জন্য তৈরি যেখানে output-token generation মূল task নয়।

Google আরও বলছে, shared benchmark suite জুড়ে Interactions API-সহ Gemini 3.5 Flash-Lite-এর তুলনায় Decisions API প্রায় পাঁচ গুণ সস্তা। সব vendor benchmark claim-এর মতোই, নির্দিষ্ট deployment-এর বাস্তব ফল input, question, evaluation rule এবং আশপাশের system design-এর ওপর নির্ভর করবে।

Calibration product feature হয়ে উঠছে

Google নতুন model-এর central feature হিসেবে calibration-কে তুলে ধরছে। একটি calibrated system confidence value-কে meaningful করার লক্ষ্য রাখে: low-confidence answer-এর তুলনায় high-confidence answer-এর সঠিক হওয়ার সম্ভাবনা বেশি হওয়া উচিত। AI output workflow trigger, rule enforce অথবা user request route করতে ব্যবহৃত হলে এই property বিশেষভাবে গুরুত্বপূর্ণ।

কোম্পানির দাবি, agent routing, reasoning, ranking এবং multimodal understanding-এ benchmark suite জুড়ে Gemini Decision 1 এগিয়ে এবং এর calibration error সবচেয়ে কম। এই result developers-এর নিজেদের data ও edge case পরীক্ষা করার বিকল্প নয়, তবে এটি raw answer accuracy-এর পাশাপাশি decision quality-র ওপর Google-এর জোরকে নির্দেশ করে।

Developers-এর কাছে বাস্তব প্রশ্ন শুধু model option বেছে নিতে পারে কি না, তা নয়। Automation সমর্থন করার মতো নির্ভরযোগ্যভাবে তার score ব্যবহার করা যায় কি না, সেটিই প্রশ্ন। যে model alternative rank করতে পারে কিন্তু uncertainty স্পষ্টভাবে জানাতে পারে না, consequential workflow-এ তাকে নিরাপদে ব্যবহার করা কঠিন।

AI agent-এর জন্য নতুন building block

কোম্পানিগুলো একাধিক specialized component দিয়ে AI agent তৈরি করছে—এমন সময়ে API-টি এসেছে। এই ধরনের system-এ একটি language model request interpret করতে পারে, একটি decision model পরবর্তী tool বেছে নিতে পারে এবং অন্য service action সম্পন্ন করতে পারে। তাই user decision layer থেকে model response কখনও না দেখলেও fast scoring কার্যকর হতে পারে।

Google-এর offering Google AI Studio-তে Gemini API-এর মাধ্যমে পাওয়া যাচ্ছে; সেখানে developers API key এবং Python, JavaScript ও REST-এর documentation access করতে পারেন। এই launch developers-কে closed-set multimodal decision-এর জন্য purpose-built option দেয়, বিশেষত যেখানে response speed, cost এবং confidence reporting fluent text generation-এর মতোই গুরুত্বপূর্ণ।

বাস্তব workload-এ প্রতিশ্রুত calibration ও latency টিকে থাকে কি না, তার ওপর এর গুরুত্ব নির্ভর করবে। তবে product framing স্পষ্ট: প্রতিটি AI task-কে conversation হিসেবে দেখার বদলে Google এমন একটি model endpoint দিচ্ছে, যার উদ্দেশ্য বহু ছোট, স্পষ্ট সিদ্ধান্ত দ্রুত নেওয়া।

এই article-টি Google AI Blog-এর reporting-এর ওপর ভিত্তি করে লেখা। মূল article পড়ুন।

Originally published on blog.google