Andrew Ng এবং DeepLearning.AI 'AI Engineering Skills Map' উন্মোচন করেছে, যা একটি ফ্রেমওয়ার্ক যা পরীক্ষামূলক প্রম্পটকে প্রোডাকশন-গ্রেড AI সিস্টেমে রূপান্তর করার জন্য প্রয়োজনীয় ছয়টি মূল সক্ষমতাকে একত্রিত করে। এই ম্যাপটি সেইসব ইঞ্জিনিয়ারদের লক্ষ্য করে যারা “vibe coding”-এর ঊর্ধ্বে গিয়ে নির্ভরযোগ্য এবং স্কেলেবল AI প্রোডাক্ট তৈরি করতে চান।

কেন “vibe coding” একটি প্রতিবন্ধকতা

অনেক এন্টারপ্রাইজে, ডেভেলপাররা লার্জ ল্যাঙ্গুয়েজ মডেলকে (LLMs) একটি জাদুর কাঠির মতো বিবেচনা করেন: তারা একটি প্রম্পট লেখেন, কয়েকটি আউটপুট দেখে নেন এবং কাজ শেষ বলে ধরে নেন। এই সংক্ষিপ্ত পদ্ধতিটি দ্রুত ডেমো দেখানোর জন্য কার্যকর হলেও বাস্তব ব্যবহারের ক্ষেত্রে এটি ব্যর্থ হয়। LLM-গুলো নন-ডিটারমিনিস্টিক—একই ইনপুট প্রতিবার ভিন্ন ভিন্ন ফলাফল দিতে পারে। পদ্ধতিগত যাচাইকরণ ছাড়া, একটি সিস্টেম যা ল্যাবে ঠিক মনে হয়েছিল, তা প্রোডাকশনে গিয়ে ভেঙে পড়তে পারে, যার ফলে ব্যয়বহুল ডাউনটাইম বা অনিরাপদ আচরণ দেখা দিতে পারে।

ম্যাপের ছয়টি সক্ষমতা

এই Skills Map ইঞ্জিনিয়ারিং প্রক্রিয়াটিকে ছয়টি স্বতন্ত্র ক্ষেত্রে বিভক্ত করে, যার প্রতিটির নিজস্ব সেরা অনুশীলন (best practices) এবং টুলস রয়েছে।

  • Prompt Engineering – এটি সাধারণ টেক্সট থেকে সরে এসে স্ট্রাকচার্ড টেমপ্লেটের দিকে ধাবিত হয়, যা প্রায়শই JSON স্কিমা দ্বারা নিয়ন্ত্রিত হয়। এটি অস্পষ্টতা কমায় এবং পরবর্তী ধাপের পার্সিংকে অনুমানযোগ্য করে তোলে।
  • Retrieval-Augmented Generation (RAG) – এর জন্য ডকুমেন্ট ইনজেশন, সিম্যান্টিক চাঙ্কিং এবং রিট্রিভাল পাইপলাইন তৈরির দক্ষতা প্রয়োজন যা মডেলকে প্রাসঙ্গিক কনটেক্সট সরবরাহ করে।
  • Agentic Workflows – এতে এমন লুপ ডিজাইন করা অন্তর্ভুক্ত যেখানে মডেলটি বাহ্যিক টুল ব্যবহার করতে পারে, স্টেট ম্যানেজ করতে পারে এবং স্বায়ত্তশাসিতভাবে সিদ্ধান্ত নিতে পারে।
  • Fine-tuning – এটি ইঞ্জিনিয়ারদের সিদ্ধান্ত নিতে সাহায্য করে যে কখন শুধুমাত্র প্রম্পট কনটেক্সটের ওপর নির্ভর না করে মডেলের ওয়েট (weights) অ্যাডজাস্ট করা প্রয়োজন, যা সামঞ্জস্যতা উন্নত করতে এবং টোকেন ব্যবহার কমাতে পারে।
  • Evaluation (Evals) – এটি পূর্বনির্ধারিত মানদণ্ডের বিপরীতে নির্ভুলতা, পক্ষপাত (bias) এবং নিরাপত্তা পরিমাপ করার জন্য স্বয়ংক্রিয় টেস্ট সুইটের দাবি রাখে। অন্য যেকোনো কোড রিগ্রেশনের মতো, একটি ব্যর্থ টেস্টও বিল (build) আটকে দেওয়া উচিত।
  • Operations – এটি ল্যাটেন্সি বাজেট, খরচ মনিটরিং এবং রিয়েল টাইমে মডেল ড্রিফট (ডেটা বিবর্তনের সাথে মডেলের আচরণের ক্রমিক পরিবর্তন) হ্যান্ডেল করার ওপর গুরুত্ব দেয়।

LLM-কে একটি ব্ল্যাক বক্স হিসেবে না দেখে একটি অনির্ভরযোগ্য API হিসেবে বিবেচনা করার মাধ্যমে, টিমগুলো প্রথাগত সার্ভিসের মতো একই কঠোরতা প্রয়োগ করতে পারে।

কারা উপকৃত হবে এবং কারা পিছিয়ে পড়বে

যেসব ইঞ্জিনিয়ারিং লিডার শুধুমাত্র মেশিন-লার্নিং পিএইচডি (PhDs) দিয়ে টিম গঠন করেন, তারা প্রজেক্ট স্থবির হয়ে যেতে দেখতে পারেন। এই ম্যাপটি সিস্টেম ইঞ্জিনিয়ারদের প্রয়োজনীয়তার ওপর জোর দেয়—এমন মানুষ যারা API ডিজাইন, ক্যাশিং স্ট্র্যাটেজি এবং অটোমেটেড টেস্টিংয়ে দক্ষ। ব্যাকএন্ড ইঞ্জিনিয়ারদের কনটেক্সট উইন্ডো পরিচালনা করা, ইভ্যালুয়েশন হারনেস তৈরি করা এবং অপারেশনাল মেট্রিক্স মনিটর করার জন্য দক্ষ করে তোলা (upskilling) মেধার ঘাটতি পূরণ করতে পারে এবং ডেলিভারি ত্বরান্বিত করতে পারে।