ভিত্তি
- Python বা TypeScript, HTTP API, JSON, Git আর testing।
- Token, context, embedding, sampling আর model limitation।
- Framework-এর আগে baseline task design আর labelled example।
বুদ্ধিমান system তৈরি করুন · ক্যারিয়ার গাইড
AI Engineering
প্রস্তুত AI model ব্যবহার করে নির্ভরযোগ্য product feature বানান; retrieval, evaluation, cost, latency ও safety-কে বাড়তি বিষয় নয়, মূল engineering constraint হিসেবে ধরুন।
এক নজরে ক্যারিয়ার
কাজের চাপ কেমন
তিনটি dot মানে ‘ভালো’ নয়। শুধু বোঝায়—এই ক্যারিয়ারে ওই ধরনের কাজ বেশি আসে।
কোডিং
গণিত
সিস্টেমের গভীরতা
অনুসন্ধান
সৃজনশীলতা
যোগাযোগ
Production-এর দায়িত্ব
আসল কাজ
একটি সত্যিকারের সপ্তাহে যা করতে হতে পারে
- User task-কে evaluable AI feature-এ রূপ দেওয়া।
- Prompt, retrieval, tool আর structured output design করা।
- Representative evaluation set আর regression check বানানো।
- Quality, latency, cost, privacy আর failure mode measure করা।
- Production behavior monitor আর safe fallback path বানানো।
বাস্তব কথাটা
Tutorial শেষ করা আর production-এর ফলাফলের দায় নেওয়া এক দক্ষতা নয়। এই page-এর কাজ hype তোলা নয়—দুটোর মাঝের ফাঁকটা দেখানো।
ভালো লাগতে পারে যদি
কৌতূহলের ছোট ইঙ্গিত
- Impressive demo-কে repeatable system বানাতে ভালো লাগে।
- Explicit evidence দিয়ে ambiguous output evaluate করতে ভালো লাগে।
- Model capability-এর মতো backend reliability-ও গুরুত্বপূর্ণ মনে হয়।
কঠিন লাগতে পারে যদি
যে অংশটি অস্বস্তিকর হতে পারে
- শুধু নতুন model try করতে ভালো লাগে; test বা maintain নয়।
- Probabilistic output আর provider behavior বদলানো অসহ্য লাগে।
- একটি prompt দিয়েই product discovery আর system design replace করতে চান।
বাস্তবসম্মত একটি দিন
প্রতিদিন এমন হবে না, তবে চাপের স্বাদটা এমন হতে পারে
এই timeline কোনো সাজানো career fantasy নয়; সাধারণ কয়েকটি কাজের সম্ভাব্য মিশ্রণ।
Failed answer evaluation set-এর সঙ্গে review করা।
Retrieval improve করে quality, cost আর latency compare করা।
Regression case যোগ আর guarded rollout review করা।
কীভাবে শিখবেন
Checklist নয়—ধাপে ধাপে এগোনোর পথ
মূল দক্ষতা
- Structured output, retrieval, tool boundary আর citation।
- Evaluation set, quality metric আর failure taxonomy।
- Cost, latency, privacy, prompt injection আর fallback behavior।
হাতে-কলমে কাজ
- নিজের document নিয়ে bounded assistant বানান।
- Labelled question-এ simple keyword baseline-এর সঙ্গে compare করুন।
- Regression check, source display আর honest refusal path দিন।
পরে
- Hybrid retrieval, reranking আর agent/tool evaluation।
- Observability, caching, routing আর controlled rollout।
- Evidence justify করলে তবেই fine-tuning বা self-hosting।
যেগুলো এখনই না শিখলেও চলবে
এখনই নয়—কারণ কোনটার পর কোনটা শিখছ, সেটি জরুরি
- Single-step baseline আর evaluation set-এর আগেই agent।
- Unapproved provider-এ private data upload।
- কয়েকটি hand-picked demo থেকে production quality claim।
ভবিষ্যতের আপনি বলছেন
‘পরে’ মানে অপ্রয়োজনীয় নয়। ভিত তৈরি হওয়ার আগে শিখলে শুধু context-টাই থাকবে না।
AI ও এই ক্যারিয়ার
কাজ কতটা automate হতে পারে
এটি replacement-এর শতকরা হিসাব নয়। AI-এর ক্ষমতা বদলাবে; তাই কাজ, বিচারবোধ আর দায়িত্ব—তিনটাকে আলাদা করে দেখুন।
Prompt আর integration scaffolding
Model নিজেকে call করার code আর prompt draft করতে পারে; generated pattern প্রায়ই untested বা provider-specific।
আপনার করণীয়: প্রতিটি generated change-এর চারপাশে small baseline, typed contract আর regression test রাখুন।
Failure analysis আর evaluation design
AI case আর judge propose করতে পারে; model-generated evaluation-এর blind spot system-এর মতোই হতে পারে।
আপনার করণীয়: Human-labelled representative case, deterministic check আর explicit uncertainty ব্যবহার করুন।
Risk, product boundary আর release accountability
Feature কখন refuse, escalate বা build-ই হবে না—কাউকে accountable decision নিতে হয়।
আপনার করণীয়: Threat model, privacy review, staged rollout আর rollback decision practice করুন।
বাছাই করা শেখার রিসোর্স
Learn → Practice → Go deeper
কতগুলো resource জমিয়েছেন, সেটি progress নয়। দরকারি অংশটুকু শেষ করে কিছু বানান।
LLM Course
Model behavior-কে কম mysterious করে এমন free technical foundation।
এতটুকু করুন: পরে application chapter বেছে নেওয়ার আগে model আর transformer foundation পড়ুন।
শেষবার যাচাই:
Full Stack Deep Learning
Model-কে production system-এর চারপাশের engineering work-এর সঙ্গে যুক্ত করে।
এতটুকু করুন: Development infrastructure, testing, deployment আর continual learning-এর lecture বেছে দেখুন; current tool detail আলাদা যাচাই করুন।
শেষবার যাচাই:
Made With ML
Evaluation আর reliable delivery-কে ML/AI engineering-এর অংশ হিসেবে ধরে।
এতটুকু করুন: Data, evaluation, testing আর production lesson-এ focus করুন; পুরো stack copy না করে ছোট example reproduce করুন।
শেষবার যাচাই:
এবার কী করবেন
এবার নিজের জন্য কোন evidence বানাবে?
কাছাকাছি আরও কিছু পথ
Skill থেকে গন্তব্য
এই skill নিয়ে কোথায় এগোবেন?
Career roadmap বলে কী শিখবেন। Goal guide বলে সেই skill দিয়ে কীভাবে এগোবেন। একটি পথ দিয়ে শুরু করুন; সব একসঙ্গে নয়।