6.1 AI কৌশল ও প্রস্তুতি

পরিচিতি ও প্রেরণা

কৃত্রিম বুদ্ধিমত্তা গবেষণার অভিনবত্ব থেকে এমন একটি মূল সামর্থ্যে পরিণত হয়েছে যা বড় প্রতিষ্ঠানগুলোর কাছ থেকে এখন দায়িত্বশীলভাবে ও পরিসরে ডিপ্লয় করা প্রত্যাশিত। এন্টারপ্রাইজ ও সরকারি সংস্থার জন্য প্রকৃত প্রশ্ন আর AI একটি ডেমোতে চমকপ্রদ কিছু করতে পারে কি না নয়। এটি হলো একটি নির্দিষ্ট বিনিয়োগ বিকল্পের চেয়ে ভালোভাবে একটি প্রকৃত সমস্যা সমাধান করে কি না, বছরের পর বছর নিরাপদে পরিচালনা করা যায় কি না, এবং নিরীক্ষা, ক্রয় ও জনসাধারণের পরীক্ষা টিকতে পারে কি না। AI কৌশল হলো কোথায় AI প্রয়োগ করবেন, কোথায় এড়াবেন, এবং প্রথম মডেল প্রোডাকশনে পৌঁছানোর আগে আপনার কোন ভিত্তি দরকার তা ঠিক করার শৃঙ্খলা।

বড় দলের জন্য পরিসর ও জড়তা ঝুঁকি বাড়ায়। একটি খারাপভাবে ফ্রেম করা উদ্যোগ বাজেট পোড়াতে, প্রতিভাবান ইঞ্জিনিয়ারদের মনোযোগ ভাঙাতে এবং প্রকাশ্যে ব্যর্থ হলে নিয়ন্ত্রক ও নাগরিকদের সঙ্গে আস্থা ক্ষয় করতে পারে। একটি ভালোভাবে বাছা উদ্যোগ নিছক কাজ স্বয়ংক্রিয় করতে, আগে কখনো পৌঁছাতে না পারা ডেটা থেকে অন্তর্দৃষ্টি তুলে আনতে এবং দক্ষ মানুষকে উচ্চতর-মূল্যের কাজের জন্য মুক্ত করতে পারে। পার্থক্য কদাচিৎ মডেল নিজে। এটি নেমে আসে আপনি সমস্যা কতটা ভালোভাবে ফ্রেম করেন, আপনার ডেটা ও প্রতিভা কতটা প্রস্তুত, এবং আপনার ব্যবসায়িক যুক্তি কতটা সৎ তার ওপর।

সরকারি ও নিয়ন্ত্রিত প্রেক্ষাপট আরও সীমাবদ্ধতা যোগ করে। সরকারি সংস্থাকে ব্যয় যথার্থ করতে, স্বচ্ছতা নিশ্চিত করতে, বেআইনি বৈষম্য এড়াতে এবং নির্বাচিত কর্মকর্তা ও জনগণের কাছে জবাবদিহিযোগ্য থাকতে হয়। ক্রয় নিয়ম একক-উৎস আবদ্ধতা নিষিদ্ধ করতে, ব্যাখ্যাযোগ্যতা দাবি করতে এবং বিক্রেতাদের মডেল আচরণ প্রকাশ করতে বাধ্য করতে পারে। এখানে সম্মতি, নিরীক্ষণযোগ্যতা ও প্রস্থান বিকল্পকে প্রথম-শ্রেণির প্রয়োজন গণ্য করুন, পরের ভাবনা নয়।

মূল নীতিসমূহ

• সমাধানের যোগ্য একটি সমস্যা থেকে শুরু করুন, ব্যবহার খোঁজা একটি প্রযুক্তি থেকে নয়।
• প্রয়োজন পূরণ করে এমন সরলতম পদ্ধতি পছন্দ করুন; AI অনেক বিকল্পের একটি, এবং প্রায়ই সেরা নয়।
• ডেটা প্রস্তুতি, প্রতিভা ও প্ল্যাটফর্ম পরিপক্বতাকে পূর্বশর্ত গণ্য করুন, পরে মেটানোর সমান্তরাল কাজের ধারা নয়।
• গড়া-বনাম-কেনার সিদ্ধান্ত সুস্পষ্টভাবে নিন এবং বাজার ও আপনার সামর্থ্য বদলালে পুনর্বিবেচনা করুন।
• শুধু লাইসেন্স বা পাইলট নয়, পরিচালনা, পর্যবেক্ষণ ও অবশেষে প্রতিস্থাপনসহ মালিকানার মোট খরচ পরিমাণ করুন।
• প্রথম দিন থেকে প্রস্থানের জন্য নকশা করুন: বিক্রেতা বা মডেল বদলানো নিষিদ্ধভাবে ব্যয়বহুল করে এমন স্থাপত্য এড়ান।
• নিয়ন্ত্রিত ও সরকারি পরিবেশে স্বচ্ছতা, ক্রয় সম্মতি ও জবাবদিহিকে নকশা সীমাবদ্ধতা গণ্য করুন।
• কাজ করার খরচের পাশাপাশি কাজ না করার খরচ মাপুন।

সুপারিশ

প্রযুক্তি বাছার আগে সমস্যা ফ্রেম করুন

একটি এক-পাতার সমস্যা বিবৃতি লিখুন। আপনি যে সিদ্ধান্ত বা কাজ উন্নত করতে চান, বর্তমান ভিত্তিরেখা, আপনার কাঙ্ক্ষিত পরিমাপযোগ্য ফল এবং সিস্টেম ভুল করলে কী ঘটে তার নাম দিন। তারপর জিজ্ঞেস করুন সমস্যাটি আদৌ AI-র উপযোগী কি না। যথেষ্ট প্রাসঙ্গিক ডেটা কি আছে? কাজটি কি নিয়ম-ভিত্তিকের বদলে প্যাটার্ন-ভিত্তিক? আপনি কি সম্ভাব্যতামূলক উত্তর সহ্য করতে পারেন? একজন মানুষ কি আউটপুট পরীক্ষা করতে পারে? অনেক সমস্যা নির্ধারণবাদী সফটওয়্যার, ভালো প্রক্রিয়া নকশা বা কেবল ভালো ডেটা স্বাস্থ্যবিধি দিয়ে ভালো সমাধান হয়। সুস্পষ্টভাবে লিখে রাখুন কোথায় AI ভালো মানায় না: যেমন যে সিদ্ধান্ত আইনত নিখুঁতভাবে ব্যাখ্যাযোগ্য হতে হবে, অথবা যেখানে একটি বিরল ভুলের খরচ সর্বনাশা এবং ধরা অসম্ভব।

গড়া-বনাম-কেনা-বনাম-ফাইন-টিউন-বনাম-প্রম্পট সিদ্ধান্ত বৃক্ষ ব্যবহার করুন

সবচেয়ে সস্তা ও দ্রুততম থেকে সবচেয়ে ব্যয়বহুল ও নিয়ন্ত্রিতের দিকে সরুন:

1. একটি বিদ্যমান হোস্টেড মডেল প্রম্পট করুন। একটি সাধারণ-উদ্দেশ্য মডেল (যেমন Anthropic-এর Claude, বা অন্য প্রদানকারীদের তুলনীয় সেবা) সতর্ক প্রম্পটিং ও পুনরুদ্ধার দিয়ে সমস্যা সমাধান করলে আগে তাই করুন। সর্বনিম্ন খরচ, দ্রুততম পুনরাবৃত্তি, কোনো প্রশিক্ষণ অবকাঠামো নেই।
2. পুনরুদ্ধার বা টুল দিয়ে বাড়ান। ফাঁক জ্ঞান বা কাজের হলে মডেলের ওজনে হাত দেওয়ার আগে পুনরুদ্ধার-বর্ধিত জেনারেশন (RAG) যোগ করুন, যা কোয়েরি সময়ে প্রাসঙ্গিক নথি আনে এবং মডেলকে প্রসঙ্গ হিসেবে দেয়, এবং টুল ব্যবহার।
3. ফাইন-টিউন বা খাপ খাওয়ান। প্রম্পটিং প্রয়োজনীয় নির্ভুলতা, সুর বা বিন্যাস সামঞ্জস্যপূর্ণভাবে অর্জন করতে না পারলে আপনার ডেটায় একটি ছোট মডেল ফাইন-টিউন করুন: অর্থাৎ একটি প্রাক-প্রশিক্ষিত মডেলকে আপনার উদাহরণে আরও প্রশিক্ষিত করে বিশেষায়িত করুন। এটি একটি MLOps (মেশিন লার্নিং অপারেশন) পাইপলাইনের খরচে নিয়ন্ত্রণ কেনে।
4. একটি বিশেষায়িত পণ্য কিনুন। সুসংজ্ঞায়িত ক্ষেত্রের জন্য (নথি প্রক্রিয়াকরণ, প্রতারণা স্কোরিং) একটি পরিণত বিক্রেতা পণ্য আপনার গড়া যেকোনো কিছুকে হারাতে পারে।
5. স্ক্র্যাচ থেকে গড়ুন। ফাউন্ডেশন মডেল (ব্যাপক ডেটায় প্রাক-প্রশিক্ষিত এবং অনেক কাজে খাপ খাওয়ানোযোগ্য বড় মডেল) প্রশিক্ষণ অনন্য ডেটা, গভীর প্রতিভা এবং কৌশলগত কারণসহ প্রতিষ্ঠানের জন্য সংরক্ষণ করুন। প্রায় সব এন্টারপ্রাইজ ও সংস্থার জন্য এটি ভুল পছন্দ।

ডেটা, প্রতিভা ও প্ল্যাটফর্ম পূর্বশর্ত স্থাপন করুন

উপলব্ধতা, মান, লেবেলিং, বংশধারা এবং ব্যবহারের আইনি ভিত্তির জন্য আপনার ডেটা নিরীক্ষা করুন। ব্যক্তিগত বা তৃতীয়-পক্ষ ডেটাসহ AI-র জন্য তা ব্যবহার করার অধিকার আপনার আসলে আছে নিশ্চিত করুন। প্রতিভা সৎভাবে মূল্যায়ন করুন: আপনার ডেটা বিজ্ঞানী লাগে, এবং ML ইঞ্জিনিয়ার, ডেটা ইঞ্জিনিয়ার, সম্ভাব্যতামূলক সিস্টেম বোঝেন এমন পণ্য ব্যবস্থাপক এবং আউটপুট মূল্যায়ন করতে পারেন এমন পর্যালোচকও। স্কেল করার আগে একটি প্ল্যাটফর্ম ভিত্তিরেখা দাঁড় করান: পরীক্ষা অনুসরণ, একটি মডেল রেজিস্ট্রি (প্রশিক্ষিত মডেল সংস্করণ ও তাদের অনুমোদন অবস্থার সত্য-রেকর্ড সিস্টেম), মনিটরিং এবং নিরাপদ সার্ভিং, যাতে প্রতিটি নতুন ব্যবহার ক্ষেত্র পরিচালনা পুনরাবিষ্কার না করে।

নিয়ন্ত্রিত ও সরকারি প্রেক্ষাপট সুচিন্তিতভাবে সামলান

ক্রয়, আইনি ও ঝুঁকি দলকে আগে জড়ান। বিক্রেতাদের মডেল উৎস, প্রশিক্ষণ-ডেটা চর্চা, মূল্যায়ন ফল এবং জানা সীমাবদ্ধতা প্রকাশ করতে দাবি করুন। আপনার ডেটা ও প্রম্পটের বহনযোগ্যতা দেয় এমন চুক্তি পছন্দ করুন, এবং আপনাকে আটকায় এমন মালিকানাধীন ফরম্যাট এড়ান। যেখানে উপযুক্ত জনমুখী AI সিস্টেমের উদ্দেশ্য ও সুরক্ষা ব্যবস্থা প্রকাশ করুন, এবং মানুষকে স্বয়ংক্রিয় সিদ্ধান্ত বিরোধ করার একটি চ্যানেল দিন। স্বীকৃত কাঠামোর সঙ্গে সারিবদ্ধ হোন (অধ্যায় 6.5 দেখুন) যাতে নিরীক্ষা একটি নথিবদ্ধ, রক্ষণযোগ্য প্রক্রিয়া খুঁজে পায়।

মালিকানার মোট খরচ গণনা করুন এবং আবদ্ধতার বিরুদ্ধে রক্ষা করুন

পুরো জীবনচক্র খরচ মডেল করুন: অনুমান বা লাইসেন্সিং, ডেটা পাইপলাইন, মানব পর্যালোচনা, মনিটরিং, পুনঃপ্রশিক্ষণ, ঘটনা সাড়া এবং অবসর। এটি স্থিতাবস্থা ও বিকল্পগুলোর খরচের সঙ্গে তুলনা করুন। মডেলকে একটি অভ্যন্তরীণ ইন্টারফেসের পেছনে রেখে, প্রম্পট ও মূল্যায়ন ডেটাসেট বহনযোগ্য রেখে এবং সময়ে সময়ে একটি দ্বিতীয় প্রদানকারী পরীক্ষা করে আবদ্ধতা কমান।

ট্রেড-অফ: সুবিধা ও অসুবিধা

পদ্ধতি	সুবিধা	অসুবিধা	সবচেয়ে ভালো যখন
হোস্টেড মডেল প্রম্পট	দ্রুত, সস্তা, কোনো অবকাঠামো নেই, বদলানো সহজ	কম নিয়ন্ত্রণ, প্রতি-কল খরচ, ডেটা-ভাগ প্রশ্ন	প্রোটোটাইপ, ব্যাপক কাজ, অনিশ্চিত প্রয়োজন
পুনরুদ্ধার বর্ধন	আপনার ডেটায় উত্তর ভিত্তি করে, হালনাগাদযোগ্য	পুনরুদ্ধার মান কঠিন, অবকাঠামো যোগ করে	জ্ঞান-ভারী কাজ
ছোট মডেল ফাইন-টিউন	নিয়ন্ত্রণ, পরিসরে কম প্রতি-কল খরচ, অন-প্রেম বিকল্প	MLOps, ডেটা ও রক্ষণাবেক্ষণ লাগে	স্থির, উচ্চ-পরিমাণ, বিশেষায়িত কাজ
একটি পণ্য কিনুন	প্রমাণিত, সমর্থিত, মূল্যে দ্রুত	লাইসেন্স খরচ, আবদ্ধতা, সীমিত মানানসই	সুসংজ্ঞায়িত পণ্যসম্ভার সমস্যা
ফাউন্ডেশন মডেল গড়ুন	সর্বোচ্চ নিয়ন্ত্রণ ও পার্থক্য	বিশাল খরচ, বিরল প্রতিভা, উচ্চ ঝুঁকি	অগ্রবর্তী ল্যাবের বাইরে প্রায় কখনো নয়

প্রধান বিনিময় নিয়ন্ত্রণ বনাম খরচ ও গতি। প্রম্পটিং আপনাকে সবচেয়ে বেশি গতি ও নমনীয়তা কিন্তু সবচেয়ে কম নিয়ন্ত্রণ দেয়; গড়া সবচেয়ে বেশি নিয়ন্ত্রণ দেয় কিন্তু এমন সম্পদ দাবি করে যা অল্প প্রতিষ্ঠানেরই ব্যয় করা উচিত। বেশিরভাগ বড় দলের মাঝখানে বাস করা উচিত: আগে প্রম্পট ও পুনরুদ্ধার, বাছাইভাবে ফাইন-টিউন, এবং পণ্যসম্ভার প্রয়োজনের জন্য কেনা। আবদ্ধতা স্বল্পমেয়াদী সুবিধা দীর্ঘমেয়াদী ঝুঁকির বিনিময়ে দেয়, এবং সরকারে তা বিশেষ গুরুত্বপূর্ণ, যেখানে বহু-বছরের প্রস্থান বাধ্যবাধকতা সাধারণ।

আপনার দলের সঙ্গে আলোচনার প্রশ্ন

1. আমাদের শীর্ষ তিন প্রার্থী ব্যবহার ক্ষেত্রের প্রতিটি প্রম্পট-তারপর-পুনরুদ্ধার-তারপর-ফাইন-টিউন-তারপর-কেনা-তারপর-গড়ার সিঁড়ির কোথায় বসে, এবং কোন প্রমাণ তাকে একটি ধাপ সরাবে? এটি গুরুত্বপূর্ণ কারণ বেশিরভাগ নষ্ট AI ব্যয় আসে একটি ধাপ অনেক উঁচুতে শুরু করা থেকে: সতর্ক প্রম্পটিং কাজ করত এমন জায়গায় একটি মডেল প্রশিক্ষণ। একটি বড় দলের জন্য সিঁড়িকে ভাগ করা ডিফল্ট হিসেবে একমত হওয়া প্রতিটি গোষ্ঠীকে একটি ব্যয়বহুল পাইপলাইন পুনরাবিষ্কার থেকে ঠেকায়। প্রতিটি প্রার্থীর জন্য এক-পাতার সমস্যা বিবৃতি, বর্তমান ভিত্তিরেখা, এবং ফাঁক জ্ঞানের (পুনরুদ্ধার), সামঞ্জস্যের (ফাইন-টিউনিং) নাকি একটি সমাধান হওয়া পণ্যসম্ভারের (কেনা) তার সৎ পাঠ আনুন। এন্টারপ্রাইজ ও সরকারি পরিবেশে প্রতিটি ধাপের ক্রয় ও নিরীক্ষা খরচ যোগ করুন, কারণ একটি ফাইন-টিউন করা মডেল এমন MLOps বোঝা টেনে আনে যা একটি হোস্টেড কল আনে না। উত্তর আপনাকে ঘরে অন্তত একটি অতি-পরিসরের প্রকল্প মেরে ফেলতে বা নামাতে দেওয়া উচিত।

2. আমরা সবচেয়ে বেশি যে বিক্রেতা বা মডেলের ওপর নির্ভর করি তার জন্য আমাদের সুনির্দিষ্ট প্রস্থান পরিকল্পনা কী, এবং আমরা কি সত্যিই তা পরীক্ষা করেছি? আবদ্ধতা গ্রহণ করা সস্তা এবং খোলা ব্যয়বহুল, এবং সরকারে আপনি কখনো মহড়া না করলে পূরণ করতে পারবেন না এমন বহু-বছরের প্রস্থান বাধ্যবাধকতা বহন করতে পারেন। আপনি যে মালিকানাধীন ফিচারের ওপর নির্ভর করেন, প্রম্পট ও মূল্যায়ন ডেটাসেট বহনযোগ্য কি না, এবং মডেল একটি অভ্যন্তরীণ ইন্টারফেসের পেছনে বসে কীভাবে (বা বসে না) তার তালিকা আনুন। লক্ষ করার সংকেত হলো কেউ কখনো আপনার মূল্যায়ন স্যুট একটি দ্বিতীয় প্রদানকারীর বিপরীতে চালিয়েছে কি না; না হলে আপনার প্রস্থান পরিকল্পনা একটি আশা, পরিকল্পনা নয়। সৎ উত্তর যদি হয় বদলাতে মাস লাগবে এবং মূল কোড পুনর্লিখন করতে হবে, তবে তা একটি নকশা ত্রুটি গণ্য করুন যা এখন সারাতে হবে, পরে পেরোনোর সেতু নয়।

3. একটি সৎ প্রস্তুতি স্কোরকার্ড আমাদের ডেটা অধিকার সম্পর্কে কী বলে, এবং এটি আজ কোন ব্যবহার ক্ষেত্র অযোগ্য করে? ডেটা প্রস্তুতি এড়ানো সেই ব্যর্থতা যা নিঃশব্দে পাইলট ডোবায়: মডেল কাজ করে, কিন্তু ডেটা ব্যবহারের আইনি ভিত্তি আপনার কখনো ছিল না, অথবা তা লেবেলহীন ও বংশধারাহীন। একটি বড় প্রতিষ্ঠানের জন্য ব্যক্তিগত ও তৃতীয়-পক্ষ ডেটা এখতিয়ার ও ডেটাসেট অনুযায়ী ভিন্ন সম্মতি ও চুক্তিগত সীমা তোলে। প্রতিটি প্রার্থীর জন্য উপলব্ধতা, মান, লেবেলিং, বংশধারা ও আইনি ভিত্তির একটি নিরীক্ষা আনুন, এবং ডেটা ভিত্তি না থাকা পর্যন্ত কিছু ব্যবহার ক্ষেত্র অবরুদ্ধ চিহ্নিত করতে ইচ্ছুক থাকুন। নিয়ন্ত্রিত ও সরকারি পরিবেশে একটি অব্যবহারযোগ্য আইনি ভিত্তি বিলম্ব নয়, একটি কঠিন থামা, এবং প্রস্তুতি কাজে অর্থায়ন পরের ভাবনা নয়, পরিকল্পনার একটি সুস্পষ্ট লাইন হওয়া উচিত।

4. একটি চালু AI ব্যবহার ক্ষেত্র আসলে কাজ করছে আমরা কীভাবে জানব, এবং কোন প্রমাণ আমাদের এটি মেরে ফেলতে বাধ্য করবে? বেশিরভাগ AI পোর্টফোলিও জম্বি জমায়: পাইলট যা পাঠানো হয়েছে, কাউকে মুগ্ধ করেছে, এবং এখন কেউ পরীক্ষা না করে চিরকাল চলে যে তারা এখনো খরচের যোগ্য কি না। লঞ্চের আগে ভিত্তিরেখা ও সাফল্য মেট্রিক একমত হোন, তারপর একটি সুস্পষ্ট মেরে-ফেলার সীমা ঠিক করুন, যাতে থামানোর সিদ্ধান্ত মুহূর্তে রক্ষা না করে আগেই নেওয়া হয়। বর্তমান মেট্রিক, ফল প্রতি মানব-তত্ত্বাবধান খরচ এবং লঞ্চের পর আপনি যে ড্রিফট দেখেছেন তা আনুন। এন্টারপ্রাইজ ও সরকারি পোর্টফোলিওর জন্য নাম দিন একটি নির্দিষ্ট ছন্দে প্রতিটি সিস্টেম কে পর্যালোচনা করে এবং কার তা অবসর দেওয়ার কর্তৃত্ব আছে; যে ব্যবহার ক্ষেত্র পর্যালোচনা করার জন্য কেউ জবাবদিহিযোগ্য নয় তা কেউ কখনো বন্ধ করবে না।

5. একজন মানুষ কোথায় চক্রে থাকে, সেই তত্ত্বাবধানের খরচ কত, এবং আমরা কি সত্যিই তার জন্য বাজেট করেছি? সবচেয়ে সস্তা-দেখানো AI ব্যবহার ক্ষেত্র সেগুলো যা নিঃশব্দে পূর্ণ স্বয়ংক্রিয়তা ধরে নেয়, তারপর বাস্তবতা ফিরিয়ে আনা পর্যালোচনা, সংশোধন ও এসকেলেশনের মাধ্যমে খরচ ঝরায়। সুচিন্তিতভাবে ঠিক করুন কোন সিদ্ধান্ত একজন মানুষকে নিশ্চিত করতে হবে, কোনটি মডেল একা নিতে পারে, এবং কোনটি কখনো নিতে পারে না, তারপর তার ইঙ্গিত করা মানব সময়ের দাম ঠিক করুন। নিম্ন-আস্থার কেসের পরিমাণ, একটি ভুল উত্তরের খরচ এবং বর্তমান এসকেলেশন পথ আনুন। নিয়ন্ত্রিত ও সরকারি পরিবেশে প্রতিটি স্বয়ংক্রিয় সিদ্ধান্ত একজন জবাবদিহিযোগ্য কর্মকর্তা ও একটি আপিল পথের সঙ্গে বাঁধুন, কারণ আপনি বর্ণনা করতে পারেন না এমন তত্ত্বাবধান আপনার নেই।

6. আমরা যা প্রস্তাব করছি তা চালানোর প্রতিভা ও প্ল্যাটফর্ম কি আমাদের আছে, নাকি আমরা নিঃশব্দে আমাদের নেই এমন সামর্থ্য ধরে নিচ্ছি? উচ্চাকাঙ্ক্ষী AI পরিকল্পনা মডেলের চেয়ে অগ্ল্যামারাস ভিত্তিতে কম ব্যর্থ হয়: পাইপলাইন রক্ষণাবেক্ষণের কেউ নেই, আউটপুট মূল্যায়ন করতে পারে এমন কেউ নেই, ডিপ্লয় করার প্ল্যাটফর্ম নেই। প্রতিটি প্রার্থী ব্যবহার ক্ষেত্রকে তার আসলে যে দক্ষতা ও অবকাঠামো দরকার তার সঙ্গে মেলান, এবং সৎভাবে বলুন ফাঁক কোথায় একটি নিয়োগ, একটি অংশীদার বা না গড়ার কারণ। প্রোডাকশনে প্রতিটি সিস্টেমের মালিক কে হতে পারে, এটি কোন প্ল্যাটফর্মে চলবে এবং কোন সামর্থ্য আপনাকে কিনতে হবে তার একটি তালিকা আনুন। একটি বড় বা সরকারি প্রতিষ্ঠানের জন্য ক্রয় ও নিয়োগের লিড টাইম যোগ করুন, কারণ প্রাসঙ্গিক জানালায় নিয়োগ করতে পারেন না এমন প্রতিভার ওপর নির্ভর করা পরিকল্পনা কম সরবরাহের পরিকল্পনা।

খাতভেদে দৃষ্টিভঙ্গি

স্টার্টআপ। গতি ও টিকে থাকা আধিপত্য করে। আপনার মূল মূল্য ছোঁয়া একটি সংকীর্ণ ব্যবহার ক্ষেত্র বাছুন, একটি পাতলা ইন্টারফেসের পেছনে একটি হোস্টেড মডেলে পাঠান, এবং ব্যয় কঠোরভাবে সীমিত করুন। অবকাঠামো গড়া বা মডেল প্রশিক্ষণ এড়ান: আপনার দুর্লভতম সম্পদ প্রকৌশল মনোযোগ, এবং রক্ষণাবেক্ষণ করতে পারবেন না এমন একটি ফাইন-টিউন করা পাইপলাইন একটি দায়, প্রতিরক্ষা নয়। বদলানো সস্তা রাখুন যাতে একটি দ্রুত-চলা বাজার অনুসরণ করতে পারেন।

ছোট ব্যবসা। আপনার সম্ভবত কোনো ডেটা বিজ্ঞানী নেই এবং বাজেট কম, তাই AI কে আপনি ইতিমধ্যে ব্যবহার করা টুলে এমবেড করা কিনতে পারেন এমন কিছু গণ্য করুন, কর্মী দেওয়া কর্মসূচি নয়। প্রস্তুতিকে মেশিন-লার্নিং প্রকল্পের বদলে একটি ডেটা-স্বাস্থ্যবিধি ও গোপনীয়তা প্রশ্ন হিসেবে ফ্রেম করুন: জানুন আপনি কোন গ্রাহক ডেটা ধরে আছেন, তা দিয়ে কী করার অনুমতি আছে, এবং একটি ভুল স্বয়ংক্রিয় উত্তর কোথায় আপনাকে গ্রাহক খরচ করাবে। AI ঐচ্ছিক, স্বচ্ছ ও বন্ধ করা সহজ করে এমন বিক্রেতা পছন্দ করুন।

এন্টারপ্রাইজ। সমস্যা অনেক দল জুড়ে পোর্টফোলিও শাসন: একটি ভাগ করা গড়া-বনাম-কেনা সিঁড়ি, সামঞ্জস্যপূর্ণ প্রস্তুতি মূল্যায়ন, এবং আবদ্ধতা ও মোট-খরচ বিশ্লেষণ যাতে গোষ্ঠীগুলো ব্যয়বহুল পাইপলাইন পুনরাবিষ্কার বন্ধ করে। MLOps ও মানব-তত্ত্বাবধান বোঝা স্পষ্টভাবে বাজেট করুন, ইন্টারফেস স্তর প্রমিত করুন যাতে প্রদানকারী বদলানো যায়, এবং AI ব্যবহার ক্ষেত্র পাইলটের ছড়ানোর বদলে স্পষ্ট মেট্রিক ও মেরে-ফেলার মানদণ্ডসহ একটি পোর্টফোলিও হিসেবে পরিচালনা করুন।

সরকার। স্বচ্ছতা, ক্রয় নিয়ম ও জবাবদিহি প্রতিটি পছন্দ আকার দেয়। নীতি তৈরির বদলে সরকারি উৎস উদ্ধৃত করা সিস্টেম পছন্দ করুন, গুরুত্বপূর্ণ সিদ্ধান্তের জন্য একজন মানুষকে জবাবদিহিযোগ্য রাখুন, এবং চুক্তিতে ডেটা বহনযোগ্যতা ও মডেল সীমাবদ্ধতার প্রকাশ দাবি করুন। একটি সরল-ভাষা বর্ণনা ও একটি আপিল পথ প্রকাশ করুন, আপনি যে বহু-বছরের প্রস্থান বাধ্যবাধকতা সই করেন তা সম্মান করুন, এবং একজন জবাবদিহিযোগ্য কর্মকর্তার ওপর থাকতে হবে এমন চূড়ান্ত মূল্যায়ন সিদ্ধান্ত থেকে AI দূরে রাখুন।

উদাহরণ

স্টার্টআপ। পাঁচজনের একটি সময়সূচি স্টার্টআপ তার দুজন ইঞ্জিনিয়ারকে মূল পণ্য থেকে না সরিয়ে একটি প্রাকৃতিক-ভাষার “আমার জন্য একটি মিটিং বুক করুন” ফিচার যোগ করতে চেয়েছিল। এটি গুরুত্বপূর্ণ ক্ষুদ্রতম সমস্যা বাছে, একটি অনুরোধকে একটি প্রস্তাবিত সময়ে পার্স করা, এবং পরে প্রদানকারী বদলাতে পারার জন্য একটি পাতলা অভ্যন্তরীণ API-র পেছনে একটি হোস্টেড মডেল দিয়ে পাঠায়। দলটি একটি কঠোর মাসিক ব্যয় সীমা ঠিক করে, ব্যবহারকারীরা প্রস্তাবিত সময় গ্রহণ করে কি না অনুসরণ করে, এবং পরিমাণ অতিরিক্ত কাজ যথার্থ করলেই কেবল একটি ফাইন-টিউন করা মডেল পুনর্বিবেচনা করতে একমত হয়।

এন্টারপ্রাইজ। একটি বহুজাতিক বিমাকারী দাবি ট্রায়াজ দ্রুত করতে চেয়েছিল। একটি বিশেষায়িত মডেল প্রশিক্ষণের বদলে এটি সমস্যা সংকীর্ণভাবে ফ্রেম করে (আসা দাবি রুট ও সংক্ষিপ্ত করা), তার পলিসি নথির ওপর পুনরুদ্ধারসহ একটি হোস্টেড মডেল দিয়ে প্রোটোটাইপ করে, এবং মানব পরিচালনা সময় ও নির্ভুলতার বিপরীতে মাপে। মূল্য প্রমাণের পরেই কেবল এটি সবচেয়ে উচ্চ-পরিমাণ দাবি ধরনের জন্য প্রতি-কল খরচ কাটতে একটি ছোট মডেল ফাইন-টিউন করে। এটি মডেলকে একটি অভ্যন্তরীণ API-র পেছনে রাখে যাতে প্রদানকারী বদলাতে পারে, এবং নিম্ন-আস্থার কেসের মানব পর্যালোচনাসহ একটি তিন-বছরের TCO মডেল করে।

সরকার। একটি জাতীয় কর কর্তৃপক্ষ কর্মীদের নাগরিক প্রশ্নের উত্তর দিতে সাহায্য করতে একটি AI সহকারী বিবেচনা করে। কারণ সেই উত্তর আইনি বাধ্যবাধকতা ছোঁয়, সংস্থা স্বচ্ছতায় জোর দেয়: সিস্টেম কেবল উদ্ধৃতিসহ সরকারি নির্দেশনা তুলে ধরতে পারত, কখনো নীতি উদ্ভাবন করতে নয়, এবং একজন মানুষ প্রতিটি স্বয়ংক্রিয় প্রস্তাব বেরোনোর আগে পর্যালোচনা করত। ক্রয় বিক্রেতাকে মডেল সীমাবদ্ধতা প্রকাশ ও ডেটা বহনযোগ্যতা দিতে দাবি করে, এবং সংস্থা সিস্টেমের একটি সরল-ভাষা বর্ণনা ও একটি আপিল পথ প্রকাশ করে। এটি চূড়ান্ত মূল্যায়ন সিদ্ধান্ত থেকে AI সম্পূর্ণ দূরে রাখে, সেগুলো জবাবদিহিযোগ্য কর্মকর্তাদের জন্য সংরক্ষণ করে।

ব্যবসায়িক যুক্তি: প্রেরণা, ROI ও TCO

AI কৌশল আছে দুটি আয়না-সদৃশ ব্যর্থতা এড়াতে সাহায্য করতে: কখনো প্রতিদান না দেওয়া AI-তে অতি-বিনিয়োগ, এবং প্রতিযোগী বা সমকক্ষ সংস্থা এগিয়ে গেলে কম-বিনিয়োগ। ROI আসে বাঁচানো শ্রম, কমানো চক্র সময়, কমানো ত্রুটি হার এবং সক্ষম নতুন সামর্থ্য থেকে। এগুলো একটি প্রকৃত ভিত্তিরেখার বিপরীতে মাপুন, এবং মানব তত্ত্বাবধানের প্রকৃত খরচের জন্য ছাড় দিন, যা কদাচিৎ মিলিয়ে যায়।

TCO-তে অগ্ল্যামারাস লাইন আইটেম থাকতে হবে: ডেটা পাইপলাইন, মনিটরিং, জগৎ সরলে পুনঃপ্রশিক্ষণ, নিরাপত্তা পর্যালোচনা এবং অবশেষে অবসর। একটি সস্তা দেখানো পাইলট বছরের পর বছর পরিসরে চললে ব্যয়বহুল হতে পারে। গ্রহণ না করার খরচও উপস্থাপন করুন: ধীরতর সেবা, বেশি ম্যানুয়াল খরচ এবং কৌশলগত সরে যাওয়া। একটি পোর্টফোলিও দৃশ্যে নেতৃত্বের কাছে যুক্তি দিন: কয়েকটি উচ্চ-আস্থার বাজি, স্পষ্ট সাফল্য মেট্রিক, ব্যর্থতার জন্য মেরে-ফেলার মানদণ্ড, এবং ডেটা ও প্রতিভা ভিত্তি আছে দেখানো একটি প্রস্তুতি মূল্যায়ন। নেতাদের প্রস্তুতিতে সুস্পষ্টভাবে অর্থায়ন করতে বলুন; এড়ান এবং আপনি ব্যয়বহুল পুনর্কাজ নিশ্চিত করেন।

অ্যান্টি-প্যাটার্ন ও ফাঁদ

• সমস্যা খোঁজা সমাধান। সমকক্ষরা করেছে বলে AI কেনা, তারপর ব্যবহার ক্ষেত্র খোঁজা।
• ডেটা প্রস্তুতি এড়ানো। অনুপলব্ধ, লেবেলহীন বা আইনত অব্যবহারযোগ্য ডেটায় মডেল চালু করা।
• ডেমো-চালিত সিদ্ধান্ত। প্রোডাকশন-মানের মূল্যায়ন ছাড়া একটি পালিশ করা ডেমোর ভিত্তিতে প্রতিশ্রুতিবদ্ধ হওয়া।
• মানব চক্র উপেক্ষা। পূর্ণ স্বয়ংক্রিয়তা ধরে নেওয়া এবং পর্যালোচনা কম-বাজেট করা, যেখানে বেশিরভাগ খরচ লুকায়।
• নীরব আবদ্ধতা। প্রস্থান পরিকল্পনা ছাড়া এক বিক্রেতার মালিকানাধীন ফিচারের ওপর গভীরভাবে গড়া।
• পরিচালনা কম অনুমান। ডিপ্লয়মেন্টকে রক্ষণাবেক্ষণ বাধ্যবাধকতার শুরুর বদলে শেষ রেখা গণ্য করা।
• পরের ভাবনা হিসেবে সম্মতি। নকশার পরে স্বচ্ছতা ও নিরীক্ষণযোগ্যতা পুনঃসংযোজন, কয়েকগুণ খরচে।

পরিপক্বতা মডেল

1. সূচনা। অ্যাড হক পরীক্ষা, কোনো ভাগ করা কৌশল নেই, প্রচারণা ও ব্যক্তিগত উৎসাহ দ্বারা চালিত সিদ্ধান্ত।
2. বিকাশ। কিছু প্রকল্পের জন্য সমস্যা ফ্রেমিং আছে; প্রথম প্ল্যাটফর্ম ভিত্তিরেখা দেখা দেয়; গড়া-বনাম-কেনা আলোচিত কিন্তু অসঙ্গত।
3. মানসম্মতকরণ। স্পষ্ট মেট্রিক, একটি নথিবদ্ধ সিদ্ধান্ত বৃক্ষ, প্রস্তুতি মূল্যায়ন এবং আবদ্ধতা ও TCO বিশ্লেষণসহ AI ব্যবহার ক্ষেত্রের একটি পোর্টফোলিও, দল জুড়ে সামঞ্জস্যপূর্ণভাবে প্রয়োগ করা।
4. ব্যবস্থাপনা। পোর্টফোলিও মাপা: প্রস্তুতি, ROI, TCO ও মানব-তত্ত্বাবধান খরচ ভিত্তিরেখার বিপরীতে অনুসরণ করা; মেরে-ফেলার মানদণ্ড প্রমাণের ওপর প্রয়োগ করা; ডেলিভারি ও মান প্রভাব প্রতিটি যাওয়া-না-যাওয়ার সিদ্ধান্ত চালায়।
5. সমন্বয়। AI কৌশল ব্যবসা ও ঝুঁকি পরিকল্পনার সঙ্গে একীভূত; প্রস্তুতি নিরন্তর রক্ষণাবেক্ষণ করা; বাজার ও ঝুঁকি চিত্র সরলে পোর্টফোলিও পুনঃভারসাম্য করে প্রতিষ্ঠান নিয়মিত প্রমাণের ভিত্তিতে AI সিস্টেম অবসর, প্রতিস্থাপন ও পুনর্নির্ধারণ করে।

আলোচনার ভাবনা

• একটি সমস্যা AI-র জন্য সত্যিই অনুপযুক্ত কখন আপনি ঠিক করেন, এবং না বলার কর্তৃত্ব কার?
• কোন প্রস্তুতি সীমা একটি প্রকল্পকে পাইলট থেকে প্রোডাকশনে গেট করা উচিত?
• মূল্যে দ্রুত সময়ের বিনিময়ে কতটা আবদ্ধতা গ্রহণযোগ্য?
• সরকারে স্বচ্ছতা বাধ্যবাধকতা কীভাবে গড়া-বনাম-কেনা পছন্দ আকার দেওয়া উচিত?
• বিক্রেতা ও উৎসাহীদের তা কম বলার প্রণোদনা থাকলে আপনি TCO অনুমান সৎ কীভাবে রাখেন?
• AI পোর্টফোলিওর মালিক কে, এবং মেরে-ফেলার সিদ্ধান্ত কীভাবে নেওয়া হয়?

প্রধান শিক্ষা

• কৌশল শুরু হয় একটি প্রকৃত সমস্যা ও সৎ ভিত্তিরেখা দিয়ে, একটি প্রযুক্তি দিয়ে নয়।
• সরলতম বিকল্প পছন্দ করুন: প্রম্পট, তারপর পুনরুদ্ধার, তারপর ফাইন-টিউন, তারপর কেনা, এবং কদাচিৎ স্ক্র্যাচ থেকে গড়া।
• ডেটা, প্রতিভা ও প্ল্যাটফর্ম প্রস্তুতি পূর্বশর্ত; এগুলোতে অর্থায়ন পরিকল্পনার অংশ।
• নিয়ন্ত্রিত ও সরকারি প্রেক্ষাপট নকশাতেই স্বচ্ছতা, ক্রয় সম্মতি ও প্রস্থান বিকল্প দাবি করে।
• পূর্ণ TCO এবং নিষ্ক্রিয়তার খরচ মডেল করুন, এবং প্রথম স্থাপত্য সিদ্ধান্ত থেকেই বিক্রেতা আবদ্ধতার বিরুদ্ধে রক্ষা করুন।

তথ্যসূত্র ও আরও পড়ার জন্য

• Ajay Agrawal, Joshua Gans ও Avi Goldfarb, Prediction Machines: The Simple Economics of Artificial Intelligence.
• Eric Siegel, The AI Playbook: Mastering the Rare Art of Machine Learning Deployment.
• Andriy Burkov, The Hundred-Page Machine Learning Book.
• National Institute of Standards and Technology, AI Risk Management Framework (AI RMF 1.0).
• Organisation for Economic Co-operation and Development, OECD AI Principles.
• Thomas H. Davenport, The AI Advantage: How to Put the Artificial Intelligence Revolution to Work.