AI দক্ষতা অর্জনের সুযোগটি ক্রমশ সংকুচিত হয়ে আসছে

মানুষ AI ডেমো এবং প্রোডাকশন সিস্টেম সম্পর্কে এমনভাবে কথা বলে যেন তারা একই জিনিস। কিন্তু তারা এক নয়।

একটি চাকচিক্যময় ডেমো এবং বাস্তব জগতে কাজ করে এমন একটি সিস্টেমের মধ্যে বিশাল ব্যবধান রয়েছে।

সবাই সবকিছুকেই 'এজেন্ট' (agent) বলে ডাকছে। মেমরি সম্পন্ন একটি চ্যাটবট হলো এজেন্ট। লুপ যুক্ত একটি স্ক্রিপ্ট হলো এজেন্ট। এটি ভুল। এই ভুলটি নিম্নমানের ইঞ্জিনিয়ারিংয়ের দিকে নিয়ে যায়।

এর ফলে আপনি সহজ কাজগুলোকে অতিরিক্ত জটিল (over-engineering) করে ফেলেন এবং কঠিন কাজগুলোকে অপর্যাপ্তভাবে (under-engineering) তৈরি করেন।

এখানে একটি প্রকৃত সংজ্ঞা দেওয়া হলো: একটি এজেন্টের একটি নির্দিষ্ট লক্ষ্য (objective) থাকে। এটি পরবর্তী পদক্ষেপ নিজে সিদ্ধান্ত নেয়। এটি ব্যর্থতা সামলাতে পারে। একটি কাজ কখন শেষ হয়েছে তা এটি জানে। বাকি সবকিছু কেবল একটি ফাংশন কল (function call) মাত্র।

পার্থক্য বোঝার উপায়: • যদি প্রতিটি ধাপে একজন মানুষের নির্দেশনার প্রয়োজন হয়, তবে সেটি একটি চ্যাট ইন্টারফেস। • যদি একটি সিস্টেম কোনো টুল কল ব্যর্থ হওয়ার পর তা কাটিয়ে উঠতে পারে, তবে সেটি একটি এজেন্ট। • যদি একটি সিস্টেম একটি লক্ষ্যকে উপ-কাজে (subtasks) বিভক্ত করতে পারে, তবে সেটি একটি প্রকৃত এজেন্ট।

সফল দলগুলো কেবল নতুন মডেলের পেছনে ছোটে না। তারা তিনটি বিষয়ের ওপর গুরুত্ব দেয়:

  • টুল ডিজাইন: ইন্টারফেসটি কতটা পরিচ্ছন্ন?
  • ফেইলিউর হ্যান্ডলিং (Failure handling): যখন একটি টুল কোনো ফলাফল দেয় না তখন কী ঘটে?
  • অবজারভেবিলিটি (Observability): এজেন্ট কেন সেই সিদ্ধান্তটি নিল?

আপনি কোন ফ্রেমওয়ার্ক ব্যবহার করছেন তার চেয়ে আপনি কোন প্যাটার্ন অনুসরণ করছেন তা বেশি গুরুত্বপূর্ণ। LangChain বা CrewAI কেবল কিছু টুল মাত্র। আসল বিষয় হলো আর্কিটেকচার।

এই প্যাটার্নগুলো ব্যবহার করুন:

  • পরিকল্পনা তারপর বাস্তবায়ন: পরিকল্পনা করার জন্য একটি ধাপ এবং কাজ করার জন্য একটি আলাদা ধাপ ব্যবহার করুন।
  • রিট্রিভাল (retrieval) এবং রিজনিং (reasoning)-কে আলাদা রাখুন: ডেটা সংগ্রহ করা এবং ডেটা ব্যবহার করা দুটি ভিন্ন কাজ।
  • স্পষ্ট হ্যান্ডঅফ (Explicit handoffs): যখন একটি এজেন্ট অন্য এজেন্টের কাছে কাজ হস্তান্তর করে, তখন স্ট্রাকচারড লগ (structured logs) ব্যবহার করুন।

RAG-ও কিছু সমস্যা তৈরি করছে। বেশিরভাগ মানুষ চাঙ্কিং (chunking)-এ ব্যর্থ হয়। যদি আপনার চাঙ্কগুলো প্রেক্ষাপট (context) হারিয়ে ফেলে, তবে মডেলটি হ্যালুসিনেশন (hallucinate) করবে। মডেলকে দোষ দেওয়ার আগে আপনাকে আপনার চাঙ্কিং এবং মেটাডেটা ঠিক করতে হবে।

মডেলগুলো আরও উন্নত হবে। টোকেন আরও সস্তা হবে। কিন্তু এটি ইঞ্জিনিয়ারিং চ্যালেঞ্জের সমাধান করে না।

আসল চ্যালেঞ্জ হলো এমন সিস্টেম তৈরি করা যা আপনি বিশ্বাস করতে পারেন। আপনার প্রয়োজন গভর্নেন্স (governance) এবং নির্ভরযোগ্য টুল ব্যবহার।

আগামী দুই বছরে যে ইঞ্জিনিয়ারদের গুরুত্ব বাড়বে তারা প্রম্পট ইঞ্জিনিয়ার (prompt engineers) নন। তারা হলেন সিস্টেম ডিজাইনার। তারা এমন AI তৈরি করেন যা অন্য মানুষ রক্ষণাবেক্ষণ করতে পারে।

Source: https://dev.to/aibughunter/the-window-to-build-ai-expertise-is-closing-faster-than-anyone-expected-3a2c

Optional learning community: https://t.me/GyaanSetuAi