TL;DR: AI assistants বিশ্বাসযোগ্য শোনালেও ভুল ঠিকানা বানিয়ে ফেলে, যার হার chain hotels-এ প্রায় 6% থেকে independent vacation rentals-এ 38% পর্যন্ত। সমাধান হলো model-কে ঠিক করা নয়। Schema.org Place markup, verified coordinates, এবং একটি canonical external identifier ব্যবহার করে একটি স্পষ্ট ground truth publish করুন, এবং তারপর সেই সত্যকে প্রতিটি platform-এ consistent রাখুন যেখানে business দেখা যায়।
ChatGPT-কে Porto-র একটি three-star হোটেলের ঠিকানা জিজ্ঞাসা করুন এবং এটি সম্ভবত একটি street name, একটি number, এবং একটি postal code দিয়ে উত্তর দেবে। উত্তরটি আত্মবিশ্বাসী শোনাবে। বড় chain-গুলির জন্য উত্তর সাধারণত সঠিক হবে। কিন্তু দুই রাস্তা দূরের independent boutique property-র জন্য, উত্তর ভুল হওয়ার সম্ভাবনা বেশ বাস্তব।
এটি কোনো বিরল edge case নয়। এটি language model কীভাবে text generate করে তার একটি অনুমেয় output, এবং যাঁদের business একটি নির্দিষ্ট location-এ খুঁজে পাওয়ার উপর নির্ভর করে তাঁদের জন্য এর সরাসরি প্রভাব রয়েছে।
Location Hallucination-এর কৌশল
একটি language model ঠিকানার database সঞ্চয় করে না। এটি token-এর উপর একটি statistical distribution সঞ্চয় করে। যখন একটি ঠিকানা জিজ্ঞাসা করা হয়, এটি token-এর একটি sequence predict করে যা সেই শহরে সেই ধরনের venue-র ঠিকানার মতো দেখায়।
Training data-তে যদি প্রকৃত ঠিকানাটি বহুবার, consistently, এবং authoritative source জুড়ে উপস্থিত থাকে, prediction সঠিক string-এ converge করে। যদি ঠিকানাটি কম, inconsistent-ভাবে, বা একেবারেই উপস্থিত না থাকে, model interpolate করে। এটি neighbourhood-এর জন্য সঠিক মনে হয় এমন একটি street বেছে নেয়, block-এ ফিট হয় এমন একটি number, local pattern-এর সাথে মেলে এমন একটি postal code।
Output grammatically valid, geographically plausible, এবং প্রায়শই সম্পূর্ণ ভুল।
Sample Audit: Query Type অনুযায়ী Hallucination Rate
আমরা এপ্রিল 2026-এ তিনটি শীর্ষস্থানীয় AI অ্যাসিস্ট্যান্টের মাধ্যমে 500টি location query চালিয়েছি। প্রতিটি query একটি নির্দিষ্ট venue-র ঠিকানা জিজ্ঞাসা করেছে। উত্তরগুলি MapAtlas GeoEnrich-এ ফাইলভুক্ত venue-র verified ঠিকানার সাথে তুলনা করা হয়েছে।
নীচের table-টি সেই response-এর শতকরা হার দেখায় যেগুলিতে অন্তত একটি material address error ছিল (ভুল street, ভুল number, ভুল postal code, বা ভুল শহর)। সংখ্যাগুলি directional এবং এই sample-এর জন্য নির্দিষ্ট।
| Query type | ChatGPT | Perplexity | Gemini |
|---|---|---|---|
| Chain হোটেল | 6% | 4% | 7% |
| স্বতন্ত্র boutique হোটেল | 19% | 14% | 22% |
| Vacation rental | 38% | 29% | 41% |
| স্বতন্ত্র রেস্টুরেন্ট | 24% | 18% | 27% |
| Landmark বা attraction | 9% | 5% | 8% |
উৎস: MapAtlas sample audit, এপ্রিল 2026, n=500 query।
দুটি pattern স্পষ্ট। প্রথম, hallucination rate venue-র web footprint যত sparse এবং inconsistent হয় সেই অনুযায়ী বাড়ে। Vacation rentals, যা প্রায়শই কোনো independent homepage ছাড়া একটি মাত্র listing platform-এ থাকে, সবচেয়ে বেশি ক্ষতিগ্রস্ত হয়। দ্বিতীয়ত, Perplexity ধারাবাহিকভাবে কম hallucinate করে, সম্ভবত এর retrieval layer parametric memory-র পরিবর্তে live source-এ উত্তর ground করে।
একটি বাস্তব উদাহরণ
এপ্রিল 2026-এ issue করা একটি query: "What is the address of Casa do Vale guesthouse in Porto?"
একটি শীর্ষস্থানীয় assistant থেকে Hallucinated উত্তর:
Casa do Vale is located at Rua de Santa Catarina 142, 4000-442 Porto, Portugal.
Property-র নিজস্ব record এবং MapAtlas Geocoding থেকে Verified উত্তর:
Casa do Vale, Rua do Vale 38, 4200-512 Porto, Portugal.
ভুল street, ভুল postal code, শহরের ভুল দিক। Hallucinated উত্তরটি guest-কে প্রকৃত guesthouse থেকে তিন কিলোমিটার দূরে একটি shopping district-এ পাঠায়। Error-টি random নয়। Rua de Santa Catarina Porto-র সবচেয়ে বিখ্যাত commercial street এবং Porto accommodation query-র training data-তে ব্যাপকভাবে উপস্থিত। Model শহরের জন্য সবচেয়ে শক্তিশালী statistical prior-এ default হয়েছে।
Structured Data কেন ফলাফল পরিবর্তন করে
একটি সঠিকভাবে গঠিত Place বা LodgingBusiness JSON-LD block সহ একটি listing page model-কে এমন কিছু দেয় যা এটি invent করার পরিবর্তে extract করতে পারে।
{
"@context": "https://schema.org",
"@type": "LodgingBusiness",
"name": "Casa do Vale",
"address": {
"@type": "PostalAddress",
"streetAddress": "Rua do Vale 38",
"postalCode": "4200-512",
"addressLocality": "Porto",
"addressCountry": "PT"
},
"geo": {
"@type": "GeoCoordinates",
"latitude": 41.1621,
"longitude": -8.5937
},
"identifier": {
"@type": "PropertyValue",
"propertyID": "wikidata",
"value": "Q00000000"
}
}
এই block-এর তিনটি বৈশিষ্ট্য hallucination কমানোর জন্য গুরুত্বপূর্ণ:
- Structured fields. Model-কে বাক্য parse করতে হয় না। Street, postal code, শহর, এবং দেশ পৃথক key।
- Coordinates যা ঠিকানার সাথে মেলে. একটি crawler verify করতে পারে যে latitude এবং longitude postal code polygon-এর মধ্যে পড়ে। Mismatch data-কে low confidence হিসাবে flag করে।
- একটি stable external identifier. Wikidata বা একটি Google Place ID listing-কে একটি canonical entity-র সাথে যুক্ত করে। Model training-data frequency-র উপর নির্ভর করার পরিবর্তে একটি authoritative source-এর বিপরীতে ঠিকানা reconcile করতে পারে।
যখন এই তিনটি শর্ত পূরণ হয়, তখন generation-এর জায়গায় extraction চলে আসে। Hallucinated উত্তরের সম্ভাবনা তীব্রভাবে কমে যায়।
NAP Consistency Layer
Listing page-এ schema প্রয়োজনীয় কিন্তু যথেষ্ট নয়। AI systems ঠিকানাটি অন্যান্য public source-এর বিপরীতে cross-check করে: Google Business Profile, OpenStreetMap, Yelp, Tripadvisor, booking platforms, এবং open web। যখন এগুলি একমত হয় না, confidence কমে যায় এবং model hedge করার বা generate করার সম্ভাবনা বেশি হয়।
এই কারণেই platform জুড়ে Name, Address, Phone (NAP) consistency যেকোনো একক signal-এর চেয়ে citation-এর একটি শক্তিশালী predictor। একটি listing যার perfectly গঠিত schema রয়েছে কিন্তু Google Business Profile-এ একটি conflicting ঠিকানা রয়েছে, তা-ও খারাপ perform করবে। Mechanics-এর জন্য NAP consistency for AI search দেখুন।
Hallucination Risk কী সমাধান করতে থাকে
আমাদের চালানো audit-গুলিতে চারটি পদক্ষেপ সবচেয়ে বেশি প্রভাব ফেলে:
1. ঠিকানার পাশাপাশি verified coordinates publish করুন. একটি লিখিত ঠিকানা হলো একটি string। Coordinates একটি verifiable fact। MapAtlas Geocoding raw address-কে scale-এ নির্ভুল latitude এবং longitude-এ রূপান্তর করে এবং যে input-গুলি পরিষ্কারভাবে resolve হয় না সেগুলি flag করে।
2. Location fact-কে JSON-LD-এ wrap করুন. Place, LodgingBusiness, Hotel, Restaurant, এবং LocalBusiness type সবই address, geo, এবং identifier field গ্রহণ করে। Missing field-ই সেখানে যেখানে model অনুমান করতে শুরু করে।
3. একটি canonical identifier-এ reconcile করুন. Listing-কে একটি Wikidata QID বা একটি Google Place ID-তে link করুন। এটি AI systems-কে deduplicate করার জন্য একটি primary key দেয়।
4. Nearby context দিয়ে enrich করুন. Hallucination শুধু address field-এ সীমাবদ্ধ নয়। Model কাছাকাছি landmark, transit stop, এবং walk time-ও invent করে। MapAtlas GeoEnrich দ্বারা তৈরি verified proximity data এই claim-গুলিকেও anchor করে। Location-specific FAQs এই data expose করার একটি কার্যকর surface।
একটি Hallucinated ঠিকানার ব্যবসায়িক খরচ
একটি AI assistant দ্বারা surfaced ভুল ঠিকানা শুধু model-কে বিব্রত করে না। এটি একজন প্রকৃত guest-কে ভুল জায়গায় পাঠায়। পরবর্তী প্রভাব জমতে থাকে:
- একটি বাতিল booking, অথবা আরও খারাপ, একটি no-show।
- একটি negative review যা ভুল location উল্লেখ করে, যা পরবর্তী model generation-এর জন্য training data হয়ে যায়।
- Listing-এর জন্য ভবিষ্যতে citation confidence কমে যায়, কারণ public web-এ এখন পরস্পরবিরোধী signal রয়েছে।
এই অসামঞ্জস্য গুরুত্বপূর্ণ। একটি hallucinated ঠিকানা listing-কে ক্ষতি করে এমনকি listing নিজে নির্দোষ হলেও। সমাধান model-কে সরাসরি সংশোধন করা নয়, যা সম্ভব নয়, বরং ground truth-কে এতটাই দ্ব্যর্থহীন করা যাতে model-এর প্রথম স্থানে generate করার কোনো কারণ না থাকে।
আপনার নিজস্ব Exposure কীভাবে পরীক্ষা করবেন
ফ্রি MapAtlas AEO Checker একটি listing-কে 29টি structured signal-এর বিপরীতে মূল্যায়ন করে, যার মধ্যে রয়েছে address schema, coordinate presence, NAP consistency, এবং external identifiers। যে listing এই check-গুলি pass করে সেগুলি AI উত্তরে ভুলভাবে উপস্থাপিত হওয়ার সম্ভাবনা উল্লেখযোগ্যভাবে কম। যেগুলি fail করে সেগুলি হলো সেই listing যেখানে model-কে অনুমান করতে হয়।
Location hallucination কোনো একটি assistant-এর quirk নয়। এটি এমন একটি open web-এ training-এর একটি অনুমেয় পরিণতি যেখানে একই business বিভিন্ন source-এ সামান্য ভিন্ন ঠিকানায় দেখা যায়। সমাধান হলো একটি ground truth এমন format-এ publish করা যা AI systems extract করতে পারে, এবং সেই ground truth-কে business যেখানে যেখানে represented সেখানে সব জায়গায় consistent রাখা।
সম্পর্কিত পাঠ:
- AI search-এর জন্য Location-specific FAQs
- SEO ছিল keyword-to-keyword, এখন এটি database-to-database
- AI search-এর জন্য NAP consistency
- আপনার AI visibility score বিনামূল্যে পরীক্ষা করুন
সাধারণ জিজ্ঞাসা
AI address hallucination কী?
AI address hallucination তখন ঘটে যখন একটি large language model এমন একটি street address, postal code, বা coordinate দেয় যা দেখতে সঠিক মনে হয় কিন্তু বর্ণিত business, landmark, বা property-র প্রকৃত অবস্থানের সাথে মিলে না। এটি কোনো সামান্য rounding error নয়। Model একটি এমন ঠিকানা synthesize করেছে যা বাস্তবে নেই, অন্য কোনো venue-র, অথবা একটি সঠিক রাস্তাকে ভুল শহরের সাথে যুক্ত করেছে। Listings-এর জন্য এটি বিশেষভাবে ক্ষতিকর কারণ user ভুল জায়গায় যাওয়ার পরে বুঝতে পারে যে উত্তরটি বানানো ছিল।
AI অ্যাসিস্ট্যান্ট কেন ভুল ঠিকানা তৈরি করে?
Language model সবচেয়ে সম্ভাব্য পরবর্তী token predict করে text generate করে, fact দেখে নয়। যখন একটি ঠিকানা web-এ কম প্রতিনিধিত্বিত থাকে, বিভিন্ন জায়গায় inconsistent থাকে, অথবা crawling থেকে blocked থাকে, তখন model সেই gap-টি একটি statistically plausible string দিয়ে পূরণ করে: শহরের জন্য সঠিক শোনায় এমন street name, অঞ্চলের সাথে মিলে যাওয়া postal code pattern, একটি সাধারণ মনে হয় এমন number। উত্তরকে anchor করার জন্য কোনো structured ground-truth source না থাকলে, model-এর কাছে memorized fact এবং generated fact-এর মধ্যে পার্থক্য করার কোনো mechanism নেই।
বাস্তবে location hallucination কত ঘন ঘন ঘটে?
এপ্রিল 2026-এ MapAtlas-এর পরিচালিত একটি sample audit-এ, যেখানে হোটেল, vacation rental, রেস্টুরেন্ট এবং landmark জুড়ে 500টি location query ছিল, address-level hallucination rate সুপরিচিত chain হোটেলের জন্য প্রায় 6% থেকে independent vacation rentals-এর জন্য 38% পর্যন্ত ছিল। Generic landmark query-গুলি সবচেয়ে ভালো perform করেছে; long-tail listing query-গুলি সবচেয়ে খারাপ। এই rate directional এবং model, language ও underlying data-র freshness অনুযায়ী পরিবর্তিত হয়, কিন্তু pattern consistent: একটি venue যত কম structured data expose করে, model তত বেশি invent করে।
Schema.org structured data কি hallucination কমায়?
হ্যাঁ, যখন data verified এবং সমস্ত source জুড়ে consistent থাকে। সঠিক geo coordinates, validated postal address, এবং Wikidata বা Google Place ID-র মতো authoritative identifier-এর cross-reference সহ একটি Place বা LodgingBusiness JSON-LD block publish করা model-কে একটি ground-truth anchor দেয় যা এটি extract এবং cite করতে পারে। Inconsistent schema, যেমন coordinates যা লিখিত ঠিকানার সাথে মেলে না, confidence বাড়ানোর বদলে কমায়।
আমি কীভাবে আমার listings-এর hallucination risk audit করব?
Listing URL-টি mapatlas.eu/ai-seo-checker-এ ফ্রি MapAtlas AEO Checker-এর মাধ্যমে চালান। Checker-টি 29টি structured signal মূল্যায়ন করে যা AI systems location fact anchor করতে ব্যবহার করে, যার মধ্যে আছে geo coordinates, Place schema, platform জুড়ে NAP consistency, এবং nearby-context field-এর উপস্থিতি। যে page-গুলিতে এই signal-গুলি নেই সেগুলি hallucination risk-এ বেশি score করে কারণ model-কে extract করার পরিবর্তে অনুমান করতে হয়।
