6.0 পর্ব ৬-এর ভূমিকা: কৃত্রিম বুদ্ধিমত্তা
কৃত্রিম বুদ্ধিমত্তা গবেষণার অভিনবত্ব থেকে এমন একটি মূল সামর্থ্যে পরিণত হয়েছে যা বড় প্রতিষ্ঠানগুলোর কাছ থেকে এখন দায়িত্বশীলভাবে ও পরিসরে ডিপ্লয় করা প্রত্যাশিত। এই পর্ব পুরো জীবনচক্র হাঁটে: কোথায় AI প্রয়োগ করা মূল্যবান তা ঠিক করা, প্রোডাকশনের সংস্পর্শে টিকে থাকা মেশিন লার্নিং সিস্টেম প্রকৌশল করা, জেনারেটিভ মডেলের ওপর অ্যাপ্লিকেশন গড়া, সফটওয়্যার উন্নয়নেই AI দিয়ে সাহায্য নেওয়া, ন্যায্যতা ও জবাবদিহির বাধ্যবাধকতা পূরণ করা, এবং এই সবের দরকারি বিশেষায়িত অবকাঠামো চালানো। একটি ধারণা প্রতিটি অধ্যায়কে বাঁধে: মডেল কদাচিৎ কঠিন অংশ। কঠিন অংশ হলো তাকে ঘিরে থাকা প্রকৌশল, শাসন ও পরিচালনগত শৃঙ্খলা।
বড় দলের জন্য পরিসর ও জড়তা ঝুঁকি বাড়ায়। একটি খারাপভাবে ফ্রেম করা উদ্যোগ বাজেট পোড়াতে, দক্ষ ইঞ্জিনিয়ারদের মনোযোগ ভাঙাতে এবং প্রকাশ্যে ব্যর্থ হলে আস্থা ক্ষয় করতে পারে। একটি ভালোভাবে বাছা উদ্যোগ নিছক কাজ স্বয়ংক্রিয় করতে এবং আগে কখনো পৌঁছাতে না পারা ডেটা থেকে অন্তর্দৃষ্টি তুলে আনতে পারে। শত শত ডেভেলপার ও ডজন ডজন মডেল জুড়ে ছোট অভ্যাস এবং তত্ত্বাবধানের ছোট ফাঁক সাংগঠনিক ফলাফলে যোগ হয়। সেজন্যই কোনো একক চতুর সমাধানের চেয়ে ভাগ করা প্ল্যাটফর্ম, ডিফল্ট ও রীতি বেশি গুরুত্বপূর্ণ।
এন্টারপ্রাইজ ও সরকারি প্রেক্ষাপট তীক্ষ্ণতর সীমাবদ্ধতা যোগ করে, এবং সেগুলো প্রতিটি অধ্যায়ে চলে। সরকারি সংস্থাকে ব্যয় যথার্থ করতে, স্বচ্ছতা নিশ্চিত করতে, বেআইনি বৈষম্য এড়াতে এবং নিয়ন্ত্রক ও জনগণের কাছে জবাবদিহিযোগ্য থাকতে হয়। ক্রয় নিয়ম একক-উৎস আবদ্ধতা নিষিদ্ধ করতে এবং ব্যাখ্যাযোগ্যতা ও প্রস্থান বিকল্প দাবি করতে পারে। EU AI Act (AI সিস্টেমের ইউরোপীয় ইউনিয়নের ঝুঁকি-স্তরযুক্ত নিয়ন্ত্রণ), এবং NIST AI Risk Management Framework ও ISO/IEC 42001, একটি সনদযোগ্য AI-ব্যবস্থাপনা-ব্যবস্থা মান, এর মতো উদীয়মান আইন ও মান ঝুঁকি অনুযায়ী ধাপে ধাপে প্রয়োজন আরোপ করে। এই পরিবেশে সম্মতি, নিরীক্ষণযোগ্যতা, পুনরুৎপাদনযোগ্যতা এবং ডেটা সার্বভৌমত্ব প্রথম-শ্রেণির প্রয়োজন, পরের ভাবনা নয়।
এই পর্বের অধ্যায়সমূহ
6.1 AI কৌশল ও প্রস্তুতি: কোথায় AI প্রয়োগ করবেন, কোথায় এড়াবেন, এবং প্রথম মডেল প্রোডাকশনে পৌঁছানোর আগে কোন ডেটা, প্রতিভা ও শাসন ভিত্তি থাকতে হবে তা ঠিক করার শৃঙ্খলা।
6.2 মেশিন লার্নিং প্রকৌশল (MLOps): কোড, ডেটা ও মডেল এই তিন-অংশের বাস্তবতায় সফটওয়্যার কঠোরতা আনা, যাতে ML সিস্টেম এককালীন ডেমোর বদলে পুনরুৎপাদনযোগ্য, পর্যবেক্ষণযোগ্য ও রক্ষণাবেক্ষণযোগ্য হয়।
6.3 জেনারেটিভ AI ও LLM অ্যাপ্লিকেশন: প্রসঙ্গ ব্যবস্থাপনা, পুনরুদ্ধার-বর্ধিত ভিত্তি, গার্ডরেইল (মডেলের ইনপুট ও আউটপুট সীমিত করা রানটাইম পরীক্ষা) এবং কঠোর মূল্যায়নের মাধ্যমে সম্ভাব্যতামূলক ভাষা মডেলের চারপাশে নির্ভরযোগ্য অ্যাপ্লিকেশন প্রকৌশল।
6.4 AI-সহায়তায় সফটওয়্যার উন্নয়ন: স্পষ্ট রীতি, ভালো ডিফল্ট, শক্তিশালী যাচাইকরণ এবং নিরাপত্তা ও লাইসেন্সিংয়ে মনোযোগের মাধ্যমে মান না কমিয়ে থ্রুপুট বাড়াতে AI কোডিং সহকারী ব্যবহার।
6.5 দায়িত্বশীল ও বিশ্বস্ত AI: ন্যায্য, স্বচ্ছ, জবাবদিহিযোগ্য, নিরাপদ ও গোপনীয়তা-সম্মানকারী সিস্টেম গড়া, এবং যারা প্রভাবিত তাদের ও নিয়ন্ত্রকদের কাছে এসব প্রদর্শন করতে পারা।
6.6 AI অবকাঠামো ও পরিচালনা: AI ওয়ার্কলোড যে দুর্লভ এক্সিলারেটর, ভেক্টর সংরক্ষণ (সাদৃশ্য অনুসন্ধানের জন্য ডেটাকে সংখ্যাসূচক ভেক্টর হিসেবে সূচিবদ্ধ করা সিস্টেম) এবং সার্ভিং স্তর দাবি করে তা ব্যয়-সাশ্রয়ীভাবে, নির্ভরযোগ্যভাবে ও পর্যবেক্ষণযোগ্যভাবে প্রভিশন ও চালানো।
6.7 AI এজেন্ট ও এজেন্টিক সিস্টেম: টুল, স্মৃতি ও একটি লক্ষ্যসহ একটি লুপে ভাষা মডেল ব্যবহার করে কাজ করা সফটওয়্যার গড়া, এবং সীমিত স্বায়ত্তশাসন, ন্যূনতম-বিশেষাধিকার টুল অ্যাক্সেস, মানব-চক্রে অনুমোদন, প্রম্পট ইনজেকশনের বিরুদ্ধে গার্ডরেইল এবং অ-নির্ধারণবাদী আচরণের কঠোর মূল্যায়নের মাধ্যমে নিরাপদে তা করা।
6.8 AI মূল্যায়ন ও টেস্টিং: eval-চালিত উন্নয়ন, প্রতিনিধিত্বমূলক eval সেট ও কাজ-উপযোগী মেট্রিক, ক্যালিব্রেট করা LLM-অ্যাজ-জাজ ও মানব পর্যালোচনা, রেড-টিমিং, নিরন্তর ইন্টিগ্রেশনে রিগ্রেশন গেট এবং প্রোডাকশনে মান ও ড্রিফট পর্যবেক্ষণের মাধ্যমে AI বিশ্বস্ত করা।
6.9 প্রম্পট প্রকৌশল ও প্রসঙ্গ নকশা: প্রম্পটিংকে প্রকৌশল গণ্য করা, কাঠামোবদ্ধ প্রম্পট, few-shot ও chain-of-thought কৌশল, শৃঙ্খলাবদ্ধ প্রসঙ্গ বাজেটিং ও পুনরুদ্ধার, কাঠামোবদ্ধ আউটপুট ও টুল কলিং, এবং কোডের মতো সংস্করণ, পর্যালোচনা ও মূল্যায়ন করা প্রম্পট।
এই অধ্যায়গুলো কীভাবে পরস্পর যুক্ত
একসঙ্গে এই অধ্যায়গুলো অভিপ্রায় থেকে পরিচালনা পর্যন্ত চলা একটি জীবনচক্র গঠন করে। অধ্যায় 6.1 কৌশল ও প্রস্তুতি ঠিক করে, কোন সমস্যা আদৌ AI যথার্থ করে এবং প্রথমে কোন ভিত্তি দরকার তা ফ্রেম করে। অধ্যায় 6.2 ক্লাসিক্যাল মেশিন লার্নিংয়ের জন্য প্রকৌশল মেরুদণ্ড জোগায়, যেখানে অধ্যায় 6.3 জেনারেটিভ মডেলের স্বতন্ত্র প্যাটার্ন কভার করে, যেখানে আচরণ একটি প্রশিক্ষণ ধাপের বদলে প্রম্পট ও পুনরুদ্ধার করা প্রসঙ্গ দ্বারা আকার পায়। অধ্যায় 6.4 সফটওয়্যার উন্নয়নের কারিগরিতেই AI চালু করে, এবং অধ্যায় 6.6 অন্য প্রতিটি অধ্যায় যার ওপর নির্ভর করে সেই কম্পিউট, সংরক্ষণ ও সার্ভিং সাবস্ট্রেট দেয়। অধ্যায় 6.5 ইচ্ছাকৃতভাবে শেষ কথা নয়, বরং একটি ধ্রুব সঙ্গী: দায়িত্বশীল-AI বাধ্যবাধকতা কৌশল আকার দেয়, মডেল পছন্দ সীমিত করে, ডিপ্লয়মেন্ট গেট করে এবং সর্বত্র অবকাঠামো সিদ্ধান্ত জানায়।
সুতো চলে কৌশল থেকে MLOps, জেনারেটিভ AI, AI-সহায়তায় উন্নয়ন, দায়িত্বশীল AI, অবকাঠামো পর্যন্ত, কিন্তু একে সরল রেখা নয়, জাল ভাবুন। MLOps ও অবকাঠামো পুনরুৎপাদনযোগ্যতা, খরচ ও সার্ভিং নিয়ে উদ্বেগ ভাগ করে, তাই অধ্যায় 6.2 ও অধ্যায় 6.6 একসঙ্গে পড়া ভালো। দায়িত্বশীল AI অধ্যায় 6.1-এর কৌশলের সঙ্গে পেছনে এবং অধ্যায় 10.5-এ নীতিশাস্ত্র ও জনস্বার্থের বৃহত্তর আলোচনার সঙ্গে সামনে যুক্ত, এবং এটি অধ্যায় 4.5-এর গোপনীয়তা ও ডেটা সুরক্ষা চর্চার ওপর ঝুঁকে। এই গাইডবুকের বৃহত্তর প্রকৌশল ভিত্তি পুরো পর্বের নিচে বসে: অধ্যায় 8.1-এ নিরন্তর ডেলিভারি, অধ্যায় 9.2-এ পর্যবেক্ষণযোগ্যতা ও মনিটরিং, অধ্যায় 2.4-এ টেস্টিং কৌশল এবং অধ্যায় 2.5-এ কোড পর্যালোচনা সবই AI ভালোভাবে করার পূর্বশর্ত। AI সুস্থ সফটওয়্যার প্রকৌশলকে প্রতিস্থাপন করে না। এটি সেটি সঠিক করার ঝুঁকি বাড়ায়।