এন্টারপ্রাইজ এআই-এর প্রেক্ষাপট বদলে গেছে। কয়েক বছর আগে, নেতৃত্বকে মেশিন লার্নিং পরীক্ষা করার জন্য রাজি করানো ছিল এক কঠিন লড়াই। এখন বাজেট বরাদ্দ থাকে। পাইলট প্রজেক্টগুলো অনুমোদন পায়। রোডম্যাপে ব্যবহারের ক্ষেত্র বা ইউজ কেসগুলো জমতে থাকে। তবুও এই প্রজেক্টগুলোর অনেকগুলোই শেষ পর্যন্ত ব্যয়বহুল পরীক্ষা হিসেবেই থেকে যায়, যা ব্যবসার প্রকৃত কার্যপদ্ধতিতে কোনো পরিবর্তন আনতে পারে না। মডেলগুলো ঠিক আছে। সমস্যাটি অন্য সবকিছুর মধ্যে।
যেখানে পাইলট প্রজেক্টগুলো ব্যর্থ হয়ে থেমে যায়
সবাই ডেমো পছন্দ করে। প্রোটোটাইপটি অবিশ্বাস্য নির্ভুলতার সাথে গ্রাহক চলে যাওয়া বা churn পূর্বাভাস দেয়। বোর্ড সম্মতি জানায়। তহবিল প্রবাহিত হয়। তারপর নীরবতা। প্রুফ অফ কনসেপ্ট অনুমোদিত হয়, কিন্তু অগ্রগতি থমকে যায়। কী ঘটেছিল?
বিজনেস টিমগুলো একটি ড্যাশবোর্ডের দিকে তাকিয়ে থাকে এবং বুঝতে পারে না এটি কীভাবে তাদের দৈনন্দিন কাজের সাথে খাপ খায়। মডেলটিকে যে ডেটা পাইপলাইন সরবরাহ করেছিল, তা ছিল একটি এককালীন ম্যানুয়াল এক্সট্রাক্ট যার কোনো মালিকানা নেই। মাঝপথে কমপ্লায়েন্স বা নিয়মকানুন বদলে যায়। সিস্টেমটি এমন ক্লিন ইনপুট দাবি করে যা CRM কখনো তৈরি করেনি। AI একটি নোটবুকে কাজ করে। সংস্থাটি জানে না এটি দিয়ে কী করতে হবে।
এটি একটি ডেলিভারি ব্যর্থতা। ৯৫ শতাংশ নির্ভুলতা সম্পন্ন একটি মডেল হয়তো একটি হ্যাকাথন জিততে পারে। কিন্তু বাকি ৫ শতাংশ যদি অডিট nightmares বা নিরাপত্তা লঙ্ঘন ঘটায়, তবে অপারেশন টিম এটি বন্ধ করে দেবে। ইঞ্জিনিয়াররা টেকনিক্যাল মাইলস্টোন উদযাপন করেন। বিজনেস ইউনিটগুলো এমন ফলাফলের জন্য অপেক্ষা করে যা কখনোই আসে না। এই দুইয়ের মধ্যকার ব্যবধানেই প্রজেক্টগুলো ব্যর্থ হয়।
সমন্বয়ের ব্যবধান
একে যা বলার তাই বলুন। এক্সিকিউটিভরা চান রাজস্ব বৃদ্ধি বা খরচ কমানো। অপারেশনস চায় বিশৃঙ্খলা ছাড়াই গতি। ডেটা টিম চায় অর্থবহ স্কিমা। ইঞ্জিনিয়াররা চায় আপটাইম এবং ক্লিন APIs। এই আকাঙ্ক্ষাগুলোর কোনোটিই স্বাভাবিকভাবে একে অপরের সাথে মেলে না।
একা ছেড়ে দিলে, প্রতিটি গ্রুপ ভিন্ন কিছুর জন্য অপ্টিমাইজ করে। একজন ইঞ্জিনিয়ার হয়তো একটি প্রেডিকশন এন্ডপয়েন্টের ল্যাটেন্সি কমানোর জন্য সপ্তাহ পার করতে পারেন, অথচ সেলস টিম ইউজার ইন্টারফেস (UI) বিভ্রান্তিকর হওয়ার কারণে সবকিছু এখনও এক্সেল-এ এক্সপোর্ট করছে। একজন ডেটা সায়েন্টিস্ট হয়তো AUC-এর চতুর্থ দশমিক স্থান নিয়ে মগ্ন থাকতে পারেন, অথচ ওয়্যারহাউস টিম ছয় মাস ধরে একটি গুরুত্বপূর্ণ ফিল্ডে 'null' লগ করছে। কেউ ভুল নয়। তারা কেবল ভিন্ন ভিন্ন ভাষায় কথা বলছে।
এই অমিলই হলো পাইলট পর্বের পর AI থমকে যাওয়ার প্রধান কারণ। এটি GPU-র অভাব নয়। এটি PhD ডিগ্রিধারীর অভাব নয়। এটি এমন একজনের অনুপস্থিতি, যিনি এই গ্রুপগুলোর মাঝে বসে একটি অভিন্ন বাস্তবতা তৈরি করতে পারেন।
Forward Deployed Engineers আসলে কী করেন
Forward Deployed Engineers হলেন সেই সেতু। তারা আপনার ডেটা সায়েন্টিস্ট বা প্ল্যাটফর্ম ইঞ্জিনিয়ারদের প্রতিস্থাপন করে না। তারা বিজনেস, ইঞ্জিনিয়ারিং, ডেটা এবং প্রোডাক্ট টিমের সাথে মিলে সেই সাংগঠনিক ঘর্ষণ বা বাধাগুলো দূর করতে কাজ করেন, যা প্রযুক্তি শিপ করার আগেই তা ধ্বংস করে দেয়।
যখন একজন FDE কোনো প্রজেক্টে কাজ শুরু করেন, তারা অস্বস্তিকর প্রশ্ন জিজ্ঞাসা করার মাধ্যমে শুরু করেন। এই টুলটি ব্যবহারকারী ব্যক্তির কাছে একটি সফল মঙ্গলবার সকালের চিত্রটি কেমন? কোন তিনটি লিগ্যাসি সিস্টেম আসলে এই ডেটা স্ট্রিম সরবরাহ করে? মডেলটি ভুল হলে প্রসেসটির কী হবে? তারা উত্তরগুলোকে টেকনিক্যাল সিদ্ধান্তে রূপান্তর করেন যাতে টিমগুলো ভুল সমাধান তৈরির পেছনে মাসব্যাপী সময় নষ্ট না করে।
একটি সাধারণ এনগেজমেন্টে, একজন FDE করবেন:
- অস্পষ্ট নির্দেশ গ্রহণ না করে স্টেকহোল্ডারদের সাথে লক্ষ্যগুলো স্পষ্ট করা
- প্রসেস ফ্লোর ঘুরে দেখা যাতে এমন বাধাগুলো খুঁজে পাওয়া যায় যা কোনো Jira টিকিট দিয়ে ধরা সম্ভব নয়
- ডেটা ডিপেন্ডেন্সিগুলো চিহ্নিত করা যা বিদ্যমান ডকুমেন্টেশনে বাদ পড়েছে
- সেই প্রয়োজনীয়তাগুলোকে সুনির্দিষ্ট টেকনিক্যাল সিদ্ধান্তে রূপান্তর করা
- শুরুতেই অনুমানগুলো যাচাই করা, প্রায়শই সেই অপারেশন টিমের সাথে কলে যোগ দিয়ে যারা আউটপুটটি গ্রহণ করবে
FDE-রা কেবল প্রযুক্তিগত সমস্যা নয়, বরং সাংগঠনিক সমস্যাও সমাধান করেন। তারা লক্ষ্য করতে পারেন যে একজন অপারেশন ম্যানেজার মডেলটিকে বিশ্বাস করেন না কারণ তাকে ট্রেনিং ডেটা নির্বাচনে অন্তর্ভুক্ত করা হয়নি। তাই তারা এমন একটি ফিডব্যাক লুপ তৈরি করেন যা তিনি সহজেই বুঝতে পারেন। তারা দেখতে পারেন যে একটি ওয়ার্কফ্লোতে দুটি অনুমোদনের প্রয়োজন যা নতুন সিস্টেমটি উপেক্ষা করছে, এবং তারা একটি ত্রুটিপূর্ণ প্রসেসে টুলটিকে জোর করে চাপিয়ে না দিয়ে হ্যান্ডঅফ বা হস্তান্তর প্রক্রিয়াটি নতুন করে ডিজাইন করেন।
শুধুমাত্র নির্ভুলতা নয়, বরং গ্রহণ করার হার পরিমাপ করুন
সবচেয়ে সফল AI প্রোগ্রামগুলো ভিন্ন ধরনের স্কোরকার্ড অনুসরণ করে। মডেল মেট্রিক্স এখনও গুরুত্বপূর্ণ, তবে প্রকৃত নির্দেশকগুলো থাকে পরবর্তী ধাপে। মানুষ কি ব্যবহার করছে