কোনো ছবি কোথায় তোলা হয়েছে, তা শনাক্ত করতে কৃত্রিম বুদ্ধিমত্তা (এআই) আগের চেয়ে অনেক বেশি দক্ষ হয়ে উঠেছে। তবে সুনির্দিষ্ট অবস্থান শনাক্তে এখনও ভুল করছে এআই মডেলগুলো। স্বাধীন অনুসন্ধানী সংস্থা বেলিংক্যাটের (Bellingcat) গবেষণায় এমন চিত্রই উঠে এসেছে।
গত ২২ অক্টোবর প্রকাশিত প্রতিবেদনে বেলিংক্যাট জানিয়েছে, আগে কখনো ইন্টারনেটে প্রকাশিত হয়নি এমন ৫২টি ছবি দিয়ে একাধিক এআই মডেলের জিওলোকেশন বা অবস্থান শনাক্তের সক্ষমতা যাচাই করেছে তারা। পরীক্ষায় দেখা গেছে, ছবি থেকে সম্ভাব্য স্থান শনাক্তে এআইয়ের সক্ষমতা উল্লেখযোগ্যভাবে বেড়েছে। তবে সঠিক অবস্থান নিশ্চিত করতে মানুষের স্বাধীন যাচাই এখনো অপরিহার্য।
এর আগে গত সেপ্টেম্বরে এআই কোম্পানি অ্যানথ্রপিকের (Anthropic) প্রকাশিত একটি ব্লগপোস্টে দাবি করা হয়, উন্মুক্ত স্থানে তোলা ছবির অবস্থান শনাক্তে তাদের মডেলগুলো “অতিমানবীয়” সক্ষমতার কাছাকাছি পৌঁছেছে। জনপ্রিয় অনলাইন গেম জিওগেসারের (GeoGuessr) খেলোয়াড়দের সঙ্গে তুলনা করে প্রতিষ্ঠানটি এ দাবি করে। গেমটিতে গুগল স্ট্রিট ভিউ-এর ছবি থেকে জিওলোকেশন বের করার চ্যালেঞ্জ দেওয়া হয়।
বেলিংক্যাট এই দাবি নিজেরা যাচাই করে দেখেছে। ২০২৫ সালের জুন থেকে কৃত্রিম বুদ্ধিমত্তার (এআই) বিভিন্ন মডেলের সক্ষমতা যাচাইয়ে নিজস্ব বেঞ্চমার্ক পরীক্ষা চালিয়ে আসছে তারা। সে সময় থেকেই ছবি দেখে কোনো স্থানের অবস্থান শনাক্তের কাজে লার্জ ল্যাঙ্গুয়েজ মডেল (এলএলএম) রিভার্স ইমেজ সার্চের সঙ্গে প্রতিযোগিতা করতে শুরু করে।
এবার এআই মডেলগুলোর জন্য পরীক্ষাটি আরও কঠিন করা হয়েছে। আগের তুলনায় জটিল সব ছবি দিয়ে প্রতিটি মডেলের কাছে শুধু একটি সম্ভাব্য অবস্থানের কো-অর্ডিনেট জানতে চাওয়া হয়েছে। এসব ছবি দিয়ে ক্লড (Claude), গ্রোক (Grok), জেমিনি (Gemini), চ্যাটজিপিটি (ChatGPT) ও মিস্ট্রালের (Mistral) বিভিন্ন মডেল পরীক্ষা করা হয়েছে। এ ছাড়া ছিল মুনশট এআইয়ের (Moonshot AI) কিমি (Kimi), বাণিজ্যিক প্রতিষ্ঠান জিওসিয়ারের (GeoSeer) তৈরি অবস্থান শনাক্তের মডেল এবং জেনারেটিভ এআই নয়, এমন মডেল জিওক্লিপ (GeoClip)।
সব মিলিয়ে প্রতিটি মডেলকে ৫২টি ছবি দিয়ে পরীক্ষা করা হয়েছে। বেলিংক্যাটের কর্মী ও স্বেচ্ছাসেবকরা বিশ্বের বিভিন্ন স্থানে ছবিগুলো তুলেছিলেন। পরীক্ষার আগে ছবিগুলো ইন্টারনেটে প্রকাশ করা হয়নি এবং সেগুলোর মেটাডেটাও মুছে ফেলা হয়েছিল। ছবিগুলোর সঙ্গে কোনো প্রেক্ষাপট বা সূত্র দেওয়া হয়নি। ছবিগুলোতে উল্লেখযোগ্য কোনো স্থাপনা বা চেনার মতো নিদর্শন ছিল না। বরং বেশ কিছু ছবি তোলা হয়েছিল তুষারপাত, ঘন কুয়াশা ও রাতের অন্ধকারে।
প্রতিটি ছবির ক্ষেত্রে মডেলের কাছে একটি নির্দিষ্ট অবস্থানের স্থানাঙ্ক (কোঅর্ডিনেট) চাওয়া হয়েছিল। অর্থাৎ, ছবিটি যেখান থেকে তোলা হয়েছে, সেই স্থানের অক্ষাংশ ও দ্রাঘিমাংশ জানাতে বলা হয়। তবে মডেলগুলো তাদের নির্মাতা প্রতিষ্ঠানের দেওয়া সার্চ, কোড চালানো ও ওয়েবপেজ থেকে তথ্য সংগ্রহের টুল ব্যবহার করতে পেরেছিল। প্রতিটি ছবির জন্য সর্বোচ্চ ১৫ মিনিট সময় দেওয়া হয়েছিল এবং মডেলগুলোর আউটপুট সর্বোচ্চ ৬৪ হাজার টোকেনে সীমাবদ্ধ রাখা হয়েছিল।
পরীক্ষার ফলে দেখা গেছে, বর্তমান প্রজন্মের এআই মডেলগুলোর ছবি দেখে অবস্থান শনাক্ত করার সক্ষমতা উল্লেখযোগ্যভাবে বেড়েছে। পরীক্ষায় জিওলোকেশন শনাক্তের নির্ভুলতা মূল্যায়নের একটি সূচকে সর্বোচ্চ স্কোর করেছে গুগলের জেমিনি ৪ আর্গন। অন্যদিকে, অ্যানথ্রপিকের ওপাস ও ফেবল বিভিন্ন মূল্যায়ন পদ্ধতিতেই শীর্ষস্থানীয় ফল করেছে।
নির্দিষ্ট কিছু পরিস্থিতিতে এসব মডেল মানুষের চেয়েও দ্রুত ছবির সম্ভাব্য অবস্থান একটি নির্দিষ্ট এলাকায় সীমাবদ্ধ করে আনতে পেরেছে।
তবে পরীক্ষায় একটি গুরুত্বপূর্ণ বিষয়ও উঠে এসেছে — নির্ভুল ও নির্ভরযোগ্যভাবে কোনো স্থানের অবস্থান শনাক্ত করার কাজে মানুষের প্রয়োজন এখনো ফুরিয়ে যায়নি। কারণ, কোনো এআই মডেলই সব ক্ষেত্রে নির্ভুল ফল দিতে পারেনি।
কয়েকটি ক্ষেত্রে মডেলের দক্ষতা চোখে পড়ার মতো ছিল। একটি ছবিতে ছিল শুধু গাছপালা আর একটি ঘরের ছাদের সামান্য অংশ। ছাদটিই ছিল ছবির একমাত্র মানবনির্মিত বস্তু। তবু একাধিক মডেল দ্রুত দেশটিকে কেনিয়া হিসেবে শনাক্ত করেছে। কয়েকটি মডেল উদ্ভিদের বৈশিষ্ট্য মিলিয়ে নির্দিষ্ট উদ্যান পর্যন্ত পৌঁছেছে।

তবে সব মডেলের ফল একরকম ছিল না। অনেকের চূড়ান্ত উত্তর ছিল নিছক অনুমান। কয়েকটির উত্তর বাস্তব স্থান থেকে অনেক দূরে ছিল। কিছু মডেল কিছু ছবিতে উত্তরই দিতে পারেনি।
বেলিংক্যাটের পরীক্ষায় দেখা গেছে, কিছু মডেল ছবির সম্ভাব্য অবস্থান সঠিক সাধারণ এলাকায় সীমাবদ্ধ করে আনতে বেশ ভালো করলেও ছবিটি ঠিক কোন স্থানে তোলা হয়েছে, তা নির্ভুলভাবে শনাক্ত করার ক্ষেত্রে কোনো মডেলই এখনো পুরোপুরি সফল নয়। অথচ জিওলোকেশনের ক্ষেত্রে এই নির্ভুলতা অত্যন্ত গুরুত্বপূর্ণ। বিশেষ করে সামরিক অভিযানে ভুল তথ্যের পরিণতি জীবন-মৃত্যুর কারণ হয়ে দাঁড়াতে পারে।
সামগ্রিক ফলাফল বিশ্লেষণে দেখা গেছে, পরীক্ষায় অংশ নেওয়া কয়েকটি মডেল ৫২টি ছবির মধ্যে অন্তত ১০টির অবস্থান প্রকৃত স্থান থেকে এক কিলোমিটারের মধ্যে শনাক্ত করতে পেরেছে। আর সবচেয়ে ভালো ফল করা মডেলগুলো অর্ধেকের বেশি ছবির অবস্থান ২৫ কিলোমিটারের মধ্যে চিহ্নিত করেছে।
ভেনিসের একটি মঠের প্রাঙ্গণে তোলা ছবির ক্ষেত্রে দেখা যায়, ১৭টি মডেলের মধ্যে ১১টিই প্রকৃত অবস্থান থেকে পাঁচ কিলোমিটারের মধ্যে স্থান শনাক্ত করতে পেরেছে। এর মধ্যে জিপিটি-সল (GPT-Sol) মঠটি সঠিকভাবে শনাক্ত করলেও ক্যামেরা থেকে ঠিক কোথায় ছবিটি তোলা হয়েছিল, সেই স্থানাঙ্ক নির্ভুলভাবে বের করতে পেরেছে কেবল বেলিংক্যাটের নিজস্ব এজেন্ট ও জিওস্লুথ। তবে এই বিশেষায়িত এজেন্টগুলোকে অন্য মডেলগুলোর সঙ্গে সরাসরি তুলনা করা যায় না। কারণ, বাড়তি টুল ব্যবহারের জন্য তাদের কোনো সময়সীমা নির্ধারণ করা হয়নি। অবশ্য অন্যান্য বেশ কিছু ছবির ক্ষেত্রে এই বিশেষায়িত এজেন্টগুলোও সঠিক অবস্থান বের করতে ব্যর্থ হয়েছে।

অ্যানথ্রপিকের পরীক্ষায় ব্যবহার করা হয়েছিল বিভিন্ন দৃশ্যের হাজার হাজার সামাজিক যোগাযোগমাধ্যমের ছবি। এসব ছবিও আগে থেকেই ইন্টারনেটে প্রকাশিত ছিল। ফলে মডেলগুলোর প্রশিক্ষণ-উপাত্তে (ট্রেনিং ডেটা) ছবিগুলো থাকার সম্ভাবনা রয়েছে। অ্যানথ্রপিকের ব্লগপোস্টে এই উপাত্তের উদাহরণ হিসেবে চারটি ছবি প্রকাশ করা হয়েছে।

অ্যানথ্রপিকের প্রকাশ করা ছবিগুলোর অবস্থান শনাক্ত করা তুলনামূলক সহজ। কারণ, সেগুলোতে সহজেই চেনা যায় এমন ভবন ও সাইনবোর্ড রয়েছে। কিন্তু যেসব ছবি বা ভিডিও ফুটেজের অবস্থান শনাক্ত করার প্রয়োজন হয়, সেগুলো প্রায়ই এমন সব অঞ্চলের, যেখানে মানুষের প্রবেশাধিকার সীমিত। এসব অঞ্চলের ছবি সামাজিক যোগাযোগমাধ্যমে বা গুগল স্ট্রিট ভিউতেও সাধারণত পাওয়া যায় না।
বিশেষ করে সামরিক ও গোয়েন্দা কার্যক্রমের ক্ষেত্রে সংগৃহীত ভিডিও ফুটেজ প্রায়ই নিম্ন রেজল্যুশনের হয়। দুর্গম বা প্রবেশাধিকার-সীমিত এলাকায় ধারণ করা এসব ফুটেজে অনেক সময় ইচ্ছাকৃতভাবেও গুরুত্বপূর্ণ দৃশ্যমান তথ্য আড়াল করা থাকে। আবার কোনো ঘটনার প্রেক্ষাপট সম্পর্কে অনলাইনে পাওয়া তথ্যও অনিশ্চিত, এমনকি ভুল হতে পারে। বিশেষ করে কোনো ঘটনা যখন চলমান থাকে, তখন এ সমস্যা আরও প্রকট হয়।
চলতি বছরের শুরুর দিকে ইরানের মিনাব শহরের একটি স্কুলে যুক্তরাষ্ট্রের ক্ষেপণাস্ত্র হামলায় অন্তত ১২০ শিশু নিহত হয়। হামলার ঘটনা যাচাই করতে গিয়ে বেলিংক্যাট ছবিটির অবস্থান শনাক্ত করেছিল।

পরীক্ষার উপসংহারে বলা হয়েছে, এআই মডেলগুলোর সক্ষমতা উল্লেখযোগ্যভাবে বাড়লেও গুরুত্বপূর্ণ কিছু সীমাবদ্ধতা এখনো রয়ে গেছে। কোনো স্থানের অবস্থান নির্ভুলভাবে শনাক্ত করা নিশ্চিত করতে হলে পুরো প্রক্রিয়ায় মানুষের সম্পৃক্ততা জরুরি। বেলিংক্যাটের পরীক্ষায় দেখা গেছে, উন্নত সক্ষমতার মডেলগুলোর দেওয়া স্থানাঙ্কও খুব কম ক্ষেত্রেই প্রকৃত অবস্থানের সঙ্গে পুরোপুরি মেলে। এমনকি সবচেয়ে ভালো মডেল এবং উন্নত টুল ব্যবহার করেও ভুল অবস্থানকে সঠিক বলে আত্মবিশ্বাসের সঙ্গে জানাতে পারে এআই। সামরিক ক্ষেত্রে এমন ভুলের পরিণতি হতে পারে ভয়াবহ।
তবে কোনো স্থানের সম্ভাব্য এলাকা চিহ্নিত করাই জিওলোকেশনের সবচেয়ে কঠিন কাজ নয়। এর বড় চ্যালেঞ্জ থাকে একেবারে শেষ ধাপে — একটি বিস্তৃত এলাকা থেকে ছবিটি তোলার সুনির্দিষ্ট স্থানাঙ্ক বের করা। কারণ, শুধু সম্ভাব্য এলাকা শনাক্ত করলেই সেটিকে সঠিক অবস্থান বলা যায় না। নির্ভুলভাবে অবস্থান শনাক্ত করতে ছবির বিভিন্ন দৃশ্যমান বৈশিষ্ট্য এবং সেগুলোর দৃষ্টিকোণ (পার্সপেকটিভ) মিলিয়ে দেখা জরুরি। অনেক ক্ষেত্রে এ কাজ করতে হয় অত্যন্ত নিম্নমানের ছবি বিশ্লেষণ করে, এমনকি একাধিক উৎসের তথ্যের সঙ্গে মিলিয়ে।

