জটিল কাজের জন্য চাই আরও ভালো সিদ্ধান্ত।

এর শুরু হয়েছিল মহাকাশ-শিল্পে।

IAG ব্যবসার সবচেয়ে চাহিদাসম্পন্ন পরিবেশগুলোর একটি—বিমান চলাচল—থেকে একটি সমস্যা নিয়ে আমাদের কাছে এসেছিল।

বিমান, বিমানবন্দর, রুট, রক্ষণাবেক্ষণ, আবহাওয়া, ধারণক্ষমতা, জ্বালানি, ক্রু, নিরাপত্তা ও যাত্রী-অভিজ্ঞতা—সবকিছুই একে অপরের সঙ্গে মিথস্ক্রিয়া করে। সিস্টেমের এক অংশে যে সিদ্ধান্ত ভালো মনে হয়, তা অন্য কোথাও ঝুঁকি তৈরি করতে পারে। মহাকাশ-শিল্পে জটিলতা কোনো ব্যতিক্রম নয়। এটিই কাজের পরিবেশ।

মূল ব্রিফটি ছিল মহাকাশ-শিল্পের জটিল ও সংকটপূর্ণ ডিজাইনের জন্য তৈরি একটি সমাধান উপস্থাপন করা। এই কাজের জন্য একটি চ্যাটবটের চেয়ে বেশি কিছু, একটি ড্যাশবোর্ডের চেয়ে বেশি কিছু এবং একটি স্প্রেডশিটের চেয়ে বেশি কিছু প্রয়োজন ছিল। প্রয়োজন ছিল সম্ভাব্য ভবিষ্যৎগুলো অন্বেষণ করা, ট্রেডঅফ বোঝা, সুপারিশের পেছনের যুক্তি সংরক্ষণ করা এবং সিদ্ধান্তকে সমন্বিত পদক্ষেপে রূপান্তর করার একটি উপায়।

আমরা সেই জগতের জন্য AeroGenie তৈরি করেছি। এরপর আমরা বুঝলাম যেখানেই উচ্চ-ঝুঁকির সিদ্ধান্ত নেওয়া হয়, সেখানেই একই প্যাটার্ন দেখা যায়।

সরবরাহ শৃঙ্খল এমন ধাক্কার মুখোমুখি হয় যা তারা আগে কখনও দেখেনি। অর্থ বিভাগের দলগুলোকে খণ্ডিত ডেটা নিয়ে অনিশ্চয়তার মধ্যে সিদ্ধান্ত নিতে হয়। নিরাপত্তা দলগুলোকে সুশাসন হারানো ছাড়াই দ্রুত পদক্ষেপ নিতে হয়। গ্রাহক দলগুলোকে সিদ্ধান্ত নিতে হয় কোন অ্যাকাউন্টগুলোতে হস্তক্ষেপ প্রয়োজন, কী পদক্ষেপ নিতে হবে এবং কেন। শিল্প পাল্টায়, কিন্তু সিদ্ধান্তের সমস্যাটি বারবার ফিরে আসে।

কেন সিমুলেশন গুরুত্বপূর্ণ।

সিমুলেশন হলো স্কেলযোগ্য যুক্তি-স্তর। মেশিন লার্নিং হলো লক্ষ্যভিত্তিক পরিমার্জন-স্তর।

AeroGenie বৈজ্ঞানিক-মানের যুক্তির জন্য তৈরি: সিমুলেশন, অপ্টিমাইজেশন, সম্ভাবনা, পূর্বাভাস, সংখ্যাগত বিশ্লেষণ ও অনিশ্চয়তা মডেলিংয়ের জন্য হাজার হাজার Mojo-ত্বরান্বিত ফাংশনসহ একটি উচ্চ-কার্যক্ষমতাসম্পন্ন গাণিতিক রানটাইম।

এটি গুরুত্বপূর্ণ কারণ বাস্তব সিদ্ধান্তগুলো প্রায়ই বৈজ্ঞানিক সমস্যার মতো আচরণ করে। দলগুলোকে অনুমান যাচাই করতে, পরীক্ষা চালাতে, ফলাফল তুলনা করতে, অনিশ্চয়তা পরিমাপ করতে এবং কেন একটি পথ অন্যটির চেয়ে ভালো তা ব্যাখ্যা করতে হয়। AeroGenie সেই বৈজ্ঞানিক পদ্ধতিকে এন্টারপ্রাইজ সিদ্ধান্ত গ্রহণে নিয়ে আসে।

মেশিন লার্নিং শক্তিশালী, কিন্তু এটি সাধারণত একটি নির্দিষ্ট প্রশ্ন দিয়ে শুরু হয়। আপনি একটি ব্যবহারের ক্ষেত্রের জন্য একটি মডেল তৈরি করেন, উপলব্ধ ডেটার ওপর তা প্রশিক্ষণ দেন, যাচাই করেন, টিউন করেন এবং পরিমার্জন করেন। প্রশ্নটি যদি উল্লেখযোগ্যভাবে পাল্টে যায়, কিংবা দল যদি সিদ্ধান্ত নেয় যে নতুন ফিচারগুলো গুরুত্বপূর্ণ, তবে মডেলটিকে আবার নির্ভরযোগ্য হিসেবে বিশ্বাস করার আগে প্রায়ই তা পুনর্নির্মাণ, পুনঃপ্রশিক্ষণ বা পুনঃযাচাই করতে হয়।

এটি ML-কে মূল্যবান করে তোলে, কিন্তু অসীম নমনীয় নয়। একটি মডেল বিলম্বের ঝুঁকি, churn, চাহিদা, ব্যর্থতার সম্ভাবনা বা মূল্য-সংবেদনশীলতা ভবিষ্যদ্বাণী করতে খুব দক্ষ হতে পারে। কিন্তু যখন সিদ্ধান্ত-মালিকরা বহু ভিন্ন পরিস্থিতিতে বহু ভিন্ন প্রশ্ন করতে শুরু করেন, তখন মডেলটি সিদ্ধান্তের সমস্যার চেয়ে সংকীর্ণ হয়ে পড়ে।

সিমুলেশন ভিন্নভাবে কাজ করে। একটি সিমুলেশন সিস্টেম থেকেই শুরু হয়: নিয়ম, সীমাবদ্ধতা, কলকব্জা, প্রবাহ, সম্ভাবনা, নির্ভরতা এবং পরিচালনাগত অনুমান যা বর্ণনা করে জগৎ কীভাবে কাজ করে। সিমুলেশনটি একবার তৈরি হয়ে গেলে, দলগুলো একই সিদ্ধান্ত-পরিবেশের কাছে বহু প্রশ্ন করতে পারে। তারা প্রতিটি প্রশ্নের জন্য আলাদা ML মডেল পুনর্নির্মাণ ছাড়াই ইনপুট পরিবর্তন করতে, অনুমান চাপ-পরীক্ষা করতে, প্রান্তিক ক্ষেত্রগুলো অন্বেষণ করতে এবং পথ তুলনা করতে পারে।

এই কারণেই সিদ্ধান্তের কাজের জন্য সিমুলেশন এত ভালোভাবে স্কেল করে। এটি এমন ভবিষ্যৎ অন্বেষণ করতে পারে যা আগে ঘটেনি—নতুন বিমানবন্দর ডিজাইন, নতুন সরবরাহ শৃঙ্খলের ধাক্কা, নতুন বাজার পরিস্থিতি, নতুন পরিচালনাগত নীতি, কিংবা সামান্য ঐতিহাসিক নজির আছে এমন ঘটনার সংমিশ্রণসহ। ML মূলত যা ঘটেছে তা থেকে শেখে। সিমুলেশন দলগুলোকে যা ঘটতে পারে তা নিয়ে যুক্তি করতে দেয়।

আউটপুটও ভিন্ন। ML সাধারণত একটি বিন্দু-ভবিষ্যদ্বাণী তৈরি করে: মডেল অনুযায়ী সবচেয়ে সম্ভাব্য উত্তর। সিমুলেশন একটি সম্ভাবনা-বণ্টন তৈরি করতে পারে: নিম্নসীমা, ঊর্ধ্বসীমা, সবচেয়ে সম্ভাব্য ফলাফল এবং এর মধ্যবর্তী ফলাফলগুলোর সম্ভাব্যতা। এটি তখন গুরুত্বপূর্ণ হয় যখন নেতাদের কেবল একটি সংখ্যা প্রয়োজন হয় না। তাদের প্রয়োজন হয় সম্ভাব্য ফলাফলের পরিসর, নিম্নমুখী ঝুঁকি এবং যে অনুমানগুলো ফলাফল বদলে দেয় তা বোঝা।

AeroGenie এই দুটিকে একত্রিত করে। এটি সিদ্ধান্তের পরিসর সংকুচিত করতে, যে চলকগুলো গুরুত্বপূর্ণ তা শনাক্ত করতে, অনিশ্চয়তা প্রকাশ করতে এবং কোন ফিচারগুলো মডেলিংয়ের যোগ্য তা উন্মোচন করতে সিমুলেশন ব্যবহার করে। যখন ML কার্যকর, তখন AeroGenie অনুমান ছাড়াই মডেল তৈরি ও পরিমার্জন করতে সাহায্য করে। সিমুলেশন মডেলের আউটপুটের চারপাশে পরিস্থিতিগত প্রসঙ্গ, সম্ভাবনার পরিসর ও ব্যাখ্যাযোগ্য অনুমান যোগ করে ML-কে সমৃদ্ধও করতে পারে।

ফলাফল হলো সিমুলেশনের পরিবর্তে ML নয়, কিংবা ML-এর পরিবর্তে সিমুলেশন নয়। এটি এমন একটি সুশাসিত ডিসিশন ইঞ্জিন যেখানে সিমুলেশন যুক্তির পরিবেশ সরবরাহ করে, ML লক্ষ্যভিত্তিক ভবিষ্যদ্বাণীমূলক উন্নতি দেয়, এজেন্টরা ওয়ার্কফ্লো সমন্বয় করে এবং চূড়ান্ত সিদ্ধান্তের নিয়ন্ত্রণ মানুষের হাতেই থাকে।

বিন্দু-ভবিষ্যদ্বাণী নয়। সম্ভাবনা-সচেতন একটি সিদ্ধান্ত।

কাঁচা ডেটা থেকে সুশাসিত পদক্ষেপে।

AeroGenie এন্টারপ্রাইজ সিস্টেম, ডেটাবেস, ফাইল ও বাহ্যিক সংকেতের সঙ্গে যুক্ত হয়। এটি বৃহৎ ও জটিল ডেটাসেট বিশ্লেষণ করে, উচ্চ-পরিমাণের what-if সিমুলেশন চালায়, কাঠামোবদ্ধ সিদ্ধান্ত-পরিকল্পনা তৈরি করে, অনুমোদন রাউট করে, একটি অডিট ট্রেইল সংরক্ষণ করে এবং সিদ্ধান্ত বাস্তবায়নের জন্য প্রয়োজনীয় পদক্ষেপগুলো সমন্বয় করে।

ডেটা পড়ার জন্য তৈরি, ভাসা-ভাসা দেখার জন্য নয়।

দ্রুত উত্তরের জন্য চ্যাটবট কার্যকর, কিন্তু উচ্চ-ঝুঁকির সিদ্ধান্তের জন্য প্রায়ই দ্রুত প্রতিক্রিয়ার চেয়ে বেশি কিছু প্রয়োজন হয়। যখন একটি সিস্টেমকে সঙ্গে সঙ্গে উত্তর দিতে হয়, তখন এটি কাজ সংকুচিত করতে পারে: কম পৃষ্ঠা পড়া, কম টেবিল জোড়া দেওয়া, কম পরিস্থিতি পরিদর্শন করা, কিংবা একটি ছোট কনটেক্সট উইন্ডোর ওপর নির্ভর করা। এজেন্ট ওয়ার্কফ্লোও একই সীমাবদ্ধতার মুখোমুখি হতে পারে, টোকেন, সময়, টুল ও গণনার বাজেটসহ।

AeroGenie ঠিক বিপরীত প্যাটার্নের জন্য তৈরি। Mojo ও অন্যান্য কার্যক্ষমতা-অপ্টিমাইজেশন ব্যবহার করে এটি দ্রুতগতিতে সম্পূর্ণ সিদ্ধান্ত-প্রসঙ্গ গ্রহণ ও বিশ্লেষণ করার জন্য ডিজাইন করা হয়েছে: নথি, টেবিল, কাঠামোবদ্ধ রেকর্ড, সিমুলেশন ও পরিচালনাগত ডেটা। লক্ষ্য দ্রুত উত্তর দিতে গিয়ে কোনো কিছু এড়িয়ে যাওয়া নয়। লক্ষ্য হলো ডেটা পড়া, যুক্তি সংরক্ষণ করা এবং তবুও মিলিসেকেন্ডে এগিয়ে যাওয়া।

প্ল্যাটফর্মটি সিদ্ধান্তের মালিক যারা, তাদের প্রতিস্থাপন করার জন্য ডিজাইন করা হয়নি। সিদ্ধান্ত নেওয়ার আগে তাদের একটি গভীরতর দৃষ্টিসীমা দেওয়ার জন্য এটি ডিজাইন করা হয়েছে। এটি বিকল্প, ট্রেডঅফ, ঝুঁকি, অনুমান ও সুপারিশকৃত পথগুলো সামনে আনে, এরপর বিশ্লেষণ থেকে পদক্ষেপে সিদ্ধান্ত এগিয়ে যাওয়ার সঙ্গে সঙ্গে প্রতিষ্ঠানকে সংগতিপূর্ণ রাখে।

এই পার্থক্যটি গুরুত্বপূর্ণ। একটি ড্যাশবোর্ড দলকে বলে কী ঘটেছে। একটি মডেল ভবিষ্যদ্বাণী করে কী ঘটতে পারে। AeroGenie একটি দলকে সিদ্ধান্ত নিতে সাহায্য করে এরপর কী করতে হবে।

ব্যাখ্যাযোগ্যতা একটি ফিচার, পাদটীকা নয়।

সংকটপূর্ণ সিদ্ধান্তের জন্য বিশ্বাস প্রয়োজন। দলগুলোকে জানতে হয় কোন ডেটা ব্যবহার করা হয়েছে, কোন অনুমান গুরুত্বপূর্ণ ছিল, কোন পরিস্থিতিগুলো পরীক্ষা করা হয়েছে, কে পথটি অনুমোদন করেছে এবং বাস্তবায়ন শুরুর পর কী পরিবর্তিত হয়েছে। AeroGenie পুনঃচালনযোগ্য সিদ্ধান্ত-ইতিহাসের চারপাশে তৈরি, যাতে প্রতিষ্ঠান সিদ্ধান্তগুলো মিটিং, স্প্রেডশিট ও বার্তায় হারিয়ে ফেলার বদলে সেগুলো থেকে শিখতে পারে।

গতি কেবল তখনই গুরুত্বপূর্ণ যখন তা বিচক্ষণতা সংরক্ষণ করে।

অটোমেশন তখন মূল্যবান যখন তা কাজের যেসব অংশ মানুষকে ধীর করে দেয় সেখান থেকে ঘর্ষণ দূর করে। এটি বিপজ্জনক যখন তা অনিশ্চয়তা আড়াল করে বা জবাবদিহিতাকে এড়িয়ে যায়। AeroGenie মানুষকে লুপের মধ্যে রাখে, পাশাপাশি সেই মানুষকে পরিস্থিতির অনেক ভালো একটি মানচিত্র দেয়।

এন্টারপ্রাইজ সিদ্ধান্ত গ্রহণ।

যেখানেই জটিলতা, অনিশ্চয়তা ও জবাবদিহিতা মিলিত হয়, সেখানেই একই সিদ্ধান্ত-স্থাপত্য প্রযোজ্য।

সরবরাহ শৃঙ্খলের বিঘ্ন মোকাবিলায় AeroGenie সরবরাহকারী, লজিস্টিকস, ইনভেন্টরি ও চাহিদার ডেটা একত্রিত করতে, বিঘ্নের পরিস্থিতি সিমুলেট করতে, ট্রেড�अফ পরিমাপ করতে এবং প্রকিউরমেন্ট, অপারেশনস, ফাইন্যান্স, লজিস্টিকস ও গ্রাহক দলগুলোর মধ্যে বাস্তবায়ন সমন্বয় করতে পারে।

মূল্য-নির্ধারণ কৌশলে এটি অভ্যন্তরীণ সিস্টেম, বাহ্যিক বাজার সংকেত, ডেটাবেস ও মূল্য-মডেল যুক্ত করতে পারে, এরপর রাজস্ব, মার্জিন, churn, গ্রাহক-বিশ্বাস ও নিম্নমুখী ঝুঁকির নিরিখে মূল্য-নির্ধারণের পথগুলো তুলনা করতে পারে।

সাইবার-নিরাপত্তা প্রতিক্রিয়ায় এটি অ্যালার্ট, লগ, সংকেত ও ঘটনার ডেটা গ্রহণ করতে, ব্লাস্ট রেডিয়াস মূল্যায়ন করতে, গুরুত্বপূর্ণ হুমকিগুলোকে অগ্রাধিকার দিতে, অনুমোদন রাউট করতে এবং ইঞ্জিনিয়ারিং, আইনি, যোগাযোগ ও নেতৃত্বের মধ্যে প্রতিকার সমন্বয় করতে পারে।

ফাইন্যান্সে এটি ক্লোজ ত্বরান্বিতকরণ, রাজস্ব স্বীকৃতির সিদ্ধান্ত, নগদ পূর্বাভাস, বিচ্যুতি অনুসন্ধান, অডিট-প্রস্তুতি, কার্যকরী মূলধন অপ্টিমাইজেশন, মূলধন বরাদ্দ ও বোর্ড রিপোর্টিংয়ে সহায়তা করতে পারে।

গ্রাহক পরিচালনায় এটি স্বাস্থ্য-সংকেত বিশ্লেষণ করতে, churn ও সম্প্রসারণের পরিস্থিতি সিমুলেট করতে, ঝুঁকি-সমন্বিত মূল্য অনুযায়ী অ্যাকাউন্টগুলোকে অগ্রাধিকার দিতে এবং স্পষ্ট যুক্তিসহ হস্তক্ষেপ-পরিকল্পনা তৈরি করতে পারে।

এগুলো আলাদা পণ্য নয়। এগুলো একই সিস্টেমের প্রকাশ: প্রমাণ গ্রহণ করো, অনিশ্চয়তা মডেল করো, পথগুলো তুলনা করো, সিদ্ধান্তকে সুশাসিত করো এবং কাজটি বাস্তবায়ন করো।

কেন এখন।

প্রতিষ্ঠানগুলোর কাছে আগের যেকোনো সময়ের চেয়ে বেশি ডেটা আছে, কিন্তু কঠিন অংশটি স্থানান্তরিত হয়েছে। বাধাটি আর তথ্যে প্রবেশাধিকার নয়। এটি হলো সিস্টেম যখন জটিল, ভবিষ্যৎ যখন অনিশ্চিত এবং ভুল করার মূল্য যখন বাস্তব, তখন তথ্য দিয়ে কী করতে হবে তা সিদ্ধান্ত নেওয়া।

জেনেরিক AI সারসংক্ষেপ করতে, খসড়া তৈরি করতে ও উত্তর দিতে পারে। বিজনেস ইন্টেলিজেন্স মেট্রিক প্রদর্শন করতে পারে। স্প্রেডশিট একটি সংকীর্ণ অনুমান-সেট মডেল করতে পারে। কিন্তু সংকটপূর্ণ কাজের জন্য এমন কিছু প্রয়োজন যা সিদ্ধান্তের সুতো না হারিয়ে এই সমস্ত মোডের মধ্য দিয়ে চলতে পারে।

AeroGenie সেই মুহূর্তের জন্য বিদ্যমান। সেই মুহূর্ত যখন একটি দলের কাছে অভিভূত হওয়ার মতো যথেষ্ট ডেটা থাকে, সতর্ক হওয়ার মতো যথেষ্ট ঝুঁকি থাকে, পদক্ষেপ নেওয়ার মতো যথেষ্ট জরুরি অবস্থা থাকে এবং সুপারিশের পেছনের গণিত প্রয়োজন হওয়ার মতো যথেষ্ট জবাবদিহিতা থাকে।