“শুধু অ্যালগরিদম ব্যবহার করলেই হবে না, কেন কাজ করছে সেটা বুঝতে পারাটাই একজন ML Engineer-এর আসল শক্তি।”
–Mahir Tajuar Akash
বর্তমান সময়ের সবচেয়ে দ্রুত পরিবর্তনশীল ক্ষেত্রগুলোর একটি হলো Artificial Intelligence এবং Machine Learning। এই ফিল্ডে কাজ করতে গেলে শুধু অ্যালগরিদম জানলেই হয় না বরং প্রয়োজন গভীর বোঝাপড়া, সিস্টেম থিংকিং এবং বাস্তব সমস্যার সমাধান করার দক্ষতা।
এই সাক্ষাৎকারে আমরা কথা বলেছি Mahir Tajuar Akash-এর সাথে, যিনি বর্তমানে Phitron-এ ML Engineer & AI/ML Instructor হিসেবে কাজ করছেন। তাঁর জার্নি, চ্যালেঞ্জ, শেখার অভিজ্ঞতা এবং AI/ML নিয়ে বাস্তবসম্মত দৃষ্টিভঙ্গি নতুনদের জন্য গুরুত্বপূর্ণ দিকনির্দেশনা দিতে পারে।
আপনার AI/ML জার্নিটা কীভাবে শুরু হয়েছিল, আর Phitron-এ কাজ করার অভিজ্ঞতা আপনাকে কীভাবে শেপ করেছে?
আমার AI/ML জার্নির শুরুটা হয়েছিল সেকেন্ড ইয়ারে থাকার সময়। তখন আমি মূলত problem solving করতাম LeetCode, Codeforces-এ বিভিন্ন সমস্যা সমাধান করতাম। যদিও কোডফোর্সেসে এত রেগুলার ছিলাম না । একসময় লক্ষ্য করলাম, অনেকেই AI/ML নিয়ে কাজ করছে, কিন্তু তারা অনেক মৌলিক প্রশ্নের উত্তর দিতে পারছে না যেমন কেন একটি নির্দিষ্ট অ্যালগরিদম ব্যবহার করা হয়েছে। তখন থেকেই বিষয়টি নিয়ে আমার কৌতূহল তৈরি হয়।
পরবর্তীতে North South University-তে একটি রিসার্চ গ্রুপে যুক্ত হওয়ার সুযোগ পাই, যেখানে প্রথমবার ML দিয়ে বাস্তব সমস্যার সমাধান করার কাজ শুরু করি। Phitron-এ কাজ করার অভিজ্ঞতা আমাকে একটি বড় শিক্ষা দিয়েছে শুধু নিজে জানলেই হয় না, অন্যকে শেখাতে পারাটাও একটি গুরুত্বপূর্ণ স্কিল। এখানে আমি বুঝেছি কিভাবে জটিল বিষয় সহজভাবে বোঝানো যায় এবং কীভাবে নিজেকে আরও উন্নত করা যায়।
হাতে-কলমে ML প্রজেক্ট করতে গিয়ে সবচেয়ে বড় চ্যালেঞ্জটা কী ফেস করেছেন?
শুরুর দিকে সবচেয়ে বড় চ্যালেঞ্জ ছিল অ্যালগরিদমের ভেতরের কাজ বোঝা। অনেক সময় আমরা সহজেই একটি মডেল ব্যবহার করতে পারি, কিন্তু সেটি কেন ভালো কাজ করছে এই প্রশ্নের উত্তর দেওয়া কঠিন হয়ে যায়। যেমন Random Forest ভালো কাজ করছে, কিন্তু কেন করছে? সেটা বুঝতে গেলে feature importance, data engineering, এবং explainable AI সম্পর্কে ধারণা থাকতে হয়।
এই জায়গাটাই সবচেয়ে কঠিন ছিল, এবং এখানেই সবচেয়ে বেশি শেখার সুযোগ আছে।
Deep Learning আর traditional ML প্র্যাকটিক্যাল ইন্ডাস্ট্রিতে কোনটা বেশি ভ্যালু দিচ্ছে বলে আপনি মনে করেন?
Deep Learning মূলত Machine Learning-এর একটি অংশ, তবে এটি অনেক বেশি জনপ্রিয় হয়েছে কারণ এটি মানব মস্তিষ্কের মতো নিউরনের ধারণা ব্যবহার করে। কিন্তু বাস্তব ইন্ডাস্ট্রিতে সব সমস্যার জন্য Deep Learning দরকার হয় না।
বাংলায় একটা কথা আছে—“মশা মারতে কামান দাগানো।”
যে সমস্যাটি traditional ML দিয়েই সমাধান করা যায়, সেখানে Deep Learning ব্যবহার করার প্রয়োজন নেই। Deep Learning ব্যবহার করতে গেলে বেশি compute, storage এবং infrastructure লাগে। যদিও প্রবলেম সেরকম হলে তখন লাগে । তাই কোনটা ব্যবহার হবে, তা পুরোপুরি use case-এর উপর নির্ভর করে।
MLOps নিয়ে কাজ করার সময় সবচেয়ে গুরুত্বপূর্ণ স্কিল বা মাইন্ডসেট কী হওয়া উচিত?
MLOps-এ সবচেয়ে গুরুত্বপূর্ণ হলো Engineering Mindset। শুধু একটি মডেল তৈরি করলেই কাজ শেষ নয়। বরং চিন্তা করতে হবে—
- এটি কীভাবে আরও efficient করা যায়
- কীভাবে scale করা যাবে
- User Behaviour কীভাবে Handle করা হবে
বাস্তবে ইউজাররা সিস্টেমকে সবসময় “perfect way”-এ ব্যবহার করে না। তাই সিস্টেমকে এমনভাবে তৈরি করতে হয় যাতে এটি বিভিন্ন edge case handle করতে পারে।
এছাড়া inference time, scalability, model serving এই বিষয়গুলোও খুব গুরুত্বপূর্ণ।
এমন কোনো প্রজেক্ট, যেখানে আপনার সলিউশন রিয়েল-ওয়ার্ল্ডে ইমপ্যাক্ট ফেলেছে?
একটি প্রজেক্টে আমরা Comilla University IT Society-এর হ্যাকাথনে একটি coffee shop-এর sales data নিয়ে কাজ করেছিলাম। সেখান থেকে আমরা কিছু গুরুত্বপূর্ণ insight বের করি—
- কোন ধরনের কফি বেশি বিক্রি হচ্ছে
- কোন Price Range উপযুক্ত
- কোন Location-এ নতুন শপ খোলা যেতে পারে
এগুলো বাস্তব সিদ্ধান্ত গ্রহণে সহায়তা করতে পারে। এছাড়াও কিছু প্রজেক্ট রয়েছে যেগুলো বাস্তবে ব্যবহার হচ্ছে (একই ধারণা), যদিও সেগুলোর বিস্তারিত বলা সম্ভব নয়।
বাংলাদেশ থেকে গ্লোবাল AI কমিউনিটিতে কনট্রিবিউট করতে গেলে কী ধরনের বাধা সবচেয়ে বেশি চোখে পড়ে?
আমাদের দেশে একটি বড় সমস্যা হলো- প্রজেক্ট ঠিকভাবে complete এবং document করা হয় না। অনেকে GitHub-এ প্রজেক্ট আপলোড করে, কিন্তু সেটি properly structured বা usable থাকে না। deployment করা হয় না, documentation ঠিক থাকে না।
এছাড়া product mindset-এর অভাব রয়েছে। আমাদের অনেক ভালো আইডিয়া আছে, কিন্তু আমরা সেগুলোকে product-এ রূপান্তর করতে পারি না। Hackathon participation এবং government support বাড়লে এই সমস্যা অনেকটা কমে যেতে পারে।
আপনার মতে, একজন ML Engineer-এর জন্য শুধু মডেল বানানোই যথেষ্ট, নাকি সিস্টেম থিংকিং আরও বেশি গুরুত্বপূর্ণ?
শুধু মডেল বানানো যথেষ্ট নয়, System Thinking অত্যন্ত গুরুত্বপূর্ণ। মডেল তৈরি করা তুলনামূলক সহজ, কিন্তু সেটিকে production-এ নিয়ে যাওয়া, user-এর কাছে serve করা, এবং সময়ের সাথে আপডেট করা এইগুলোই আসল চ্যালেঞ্জ।
যেমন:-
- Input data store করা
- Model retraining trigger করা
- Model drift handle করা
এই পুরো lifecycle বুঝতে না পারলে একজন ML Engineer হিসেবে টিকে থাকা কঠিন।
বর্তমানে যারা AI/ML শিখে ক্যারিয়ার গড়তে চায় তাদের জন্য আপনার সবচেয়ে বাস্তবসম্মত পরামর্শ কী থাকবে?
সবচেয়ে গুরুত্বপূর্ণ হলো Continuous Learning। এই ফিল্ড খুব দ্রুত পরিবর্তন হচ্ছে। তাই কমপক্ষে ২–৩ বছর নিয়মিত শেখার মানসিকতা থাকতে হবে।
করণীয়:
- Fundamentals শক্ত করতে হবে
- Project করতে হবে
- Open source-এ contribute করতে হবে
- LinkedIn-এ নিজের কাজ শেয়ার করতে হবে
এছাড়া software engineering-এর সাথে connection তৈরি করা খুব গুরুত্বপূর্ণ। কারণ AI Engineer হিসেবে কাজ করতে গেলে software integration জানা দরকার।
নিজেকে continuously develop করতে পারলে এবং নিজের কাজ showcase করতে পারলে, সুযোগ অবশ্যই আসবে AI/ML-এ সফল হতে হলে শুধু কোড জানা যথেষ্ট নয় প্রয়োজন গভীর বোঝাপড়া, ধৈর্য এবং বাস্তব প্রয়োগের দক্ষতা।
এরকম আরোও ব্লগ পড়তে এখানে, ক্লিক করুন।
লেখক,
আহমেদ আফিফ মুরাদ
ইন্টার্ন, কন্টেন্ট রাইটিং ডিপার্টমেন্ট
YSSE