চ্যাট হলো ইন্টারফেস। সিদ্ধান্তের জন্য চাই একটি ইঞ্জিন।

বিপ্লবটি বাস্তব

চ্যাটবট দরজা খুলে দিয়েছে।

Large language model সার্চ বা সফটওয়্যারের কোনো ক্রমিক উন্নতি নয়। এগুলো একটি প্রকৃত বড় লাফ।

এগুলো প্রচলিত সার্চের চেয়ে উদ্দেশ্য ভালোভাবে বোঝে। এগুলো ব্যবহারকারীদের নথি আপলোড করতে এবং স্বাভাবিক ভাষায় জটিল প্রশ্ন করতে দেয়। RAG ব্যক্তিগত জ্ঞানকে আরও সহজলভ্য করেছে। MCP সার্ভার সিস্টেম, টুল ও ডেটা-উৎসকে AI ওয়ার্কফ্লোর সঙ্গে কাজ করা সহজ করে ডেটা সংযোগ ও ডেটা ইঞ্জিনিয়ারিংকে গণতান্ত্রিক করছে।

এই কারণেই চ্যাটবট এত গুরুত্বপূর্ণ একটি সূচনাবিন্দু। এগুলো ইন্টারফেস বদলে দিয়েছে। এগুলো উন্নত বিশ্লেষণকে সহজলভ্য মনে করিয়েছে। এগুলো প্রতিটি দলকে সফটওয়্যার কী হয়ে উঠতে পারে তার এক ঝলক দিয়েছে।

কিন্তু ইন্টারফেসই সিদ্ধান্ত-সিস্টেম নয়।

কাঠামোগত সীমা

চ্যাটবট দ্রুত উত্তর দেওয়ার জন্য তৈরি। সংকটপূর্ণ সিদ্ধান্তের জন্য চাই সম্পূর্ণ বিশ্লেষণ।

আউট অফ দ্য বক্স, চ্যাটবট ও জেনেরিক এজেন্টদের ট্রেডঅফ করতে হয়। এগুলো টোকেন, সময়, টুল কল, গণনা, কনটেক্সট এবং দ্রুত একটি উত্তর ফেরত দেওয়ার প্রয়োজন দ্বারা সীমাবদ্ধ।

এটি এন্টারপ্রাইজ সিদ্ধান্তের জন্য একটি সমস্যা তৈরি করে। একটি চ্যাটবট দীর্ঘ PDF-এর পৃষ্ঠা এড়িয়ে যেতে পারে, একটি ডেটাবেস থেকে কিছু সারি নমুনা হিসেবে নিতে পারে, কম টেবিল জোড়া দিতে পারে, কনটেক্সট সংকুচিত করতে পারে, কিংবা সম্পূর্ণ প্রমাণ বিশ্লেষণের আগেই সারসংক্ষেপ করতে পারে। এজেন্টরা একই চাপের মুখোমুখি হয়। তারা একটি সসীম বাজেট নিয়ে কাজ করে এবং সিদ্ধান্ত নিতে হয় কোথায় তা খরচ করবে। গভীর গবেষণা আরও পুঙ্খানুপুঙ্খ হতে পারে, কিন্তু তবুও এটি সীমাবদ্ধতার মধ্যে কাজ করে এবং ফিরতে দীর্ঘ সময় নিতে পারে।

দৈনন্দিন প্রশ্নের জন্য এটি গ্রহণযোগ্য হতে পারে। মূল্য-নির্ধারণ, নিরাপত্তা প্রতিক্রিয়া, নগদ পূর্বাভাস, সরবরাহ শৃঙ্খলের বিঘ্ন, রাজস্ব স্বীকৃতি, বোর্ড রিপোর্টিং কিংবা অন্য যেকোনো উচ্চ-ঝুঁকির সিদ্ধান্তের জন্য তা যথেষ্ট নয়।

কেন সিমুলেশন গুরুত্বপূর্ণ

জটিল সিদ্ধান্ত 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।

মেশিন লার্নিং ও সিমুলেশন উভয়ই দলগুলোকে ভবিষ্যৎ নিয়ে যুক্তি করতে সাহায্য করতে পারে। উভয়ই ঐতিহাসিক ডেটা ব্যবহার করতে পারে। পার্থক্যটি পদ্ধতিতে।

মেশিন লার্নিং ডেটা থেকে প্যাটার্ন শেখে। একটি দল লক্ষ্য নির্ধারণ করে, ফিচার বাছাই করে, যথেষ্ট প্রাসঙ্গিক উদাহরণ সংগ্রহ করে, একটি মডেল প্রশিক্ষণ দেয়, যাচাই করে এবং পরিমার্জন করে। যখন প্রশ্নটি উল্লেখযোগ্যভাবে পাল্টে যায়, কিংবা যখন নতুন ফিচার যোগ করতে হয়, তখন মডেলটিকে প্রায়ই পুনঃপ্রশিক্ষণ বা পুনঃডিজাইন করতে হয়। সমস্যাটি যখন সংকীর্ণ, পুনরাবৃত্ত এবং যথেষ্ট ঐতিহাসিক ডেটা দ্বারা সমর্থিত, তখন ML শক্তিশালী হতে পারে।

সিমুলেশন ভিন্নভাবে কাজ করে। প্যাটার্ন শেখার জন্য একটি মডেল প্রশিক্ষণ দেওয়ার বদলে, এটি দলগুলোকে একটি সিদ্ধান্তের কলকব্জা সংজ্ঞায়িত করতে দেয়: চলক, সীমাবদ্ধতা, অনুমান, নিয়ম, সম্ভাবনা-বণ্টন ও সম্ভাব্য পদক্ষেপ। এরপর এটি সম্ভাব্য ফলাফলের পরিসর, নিম্নমুখী ঝুঁকি, ঊর্ধ্বমুখী সম্ভাবনা এবং সবচেয়ে সম্ভাব্য ফলাফল দেখাতে হাজার হাজার পরিস্থিতি চালায়।

AeroGenie-এর সুবিধা

বৈজ্ঞানিক-মানের যুক্তির জন্য তৈরি।

AeroGenie সিমুলেশন, অপ্টিমাইজেশন, সম্ভাবনা, পূর্বাভাস, সংখ্যাগত বিশ্লেষণ ও অনিশ্চয়তা মডেলিংয়ের জন্য হাজার হাজার Mojo-ত্বরান্বিত ফাংশনসহ একটি উচ্চ-কার্যক্ষমতাসম্পন্ন গাণিতিক রানটাইমের ওপর নির্মিত।

এটি গুরুত্বপূর্ণ কারণ সংকটপূর্ণ সিদ্ধান্তের জন্য প্রায়ই বিশাল, জটিল ডেটাসেট এবং প্রতি সেকেন্ডে হাজার হাজার what-if সিমুলেশন প্রয়োজন। জেনেরিক চ্যাটবট ও এজেন্ট সেই কাজের ভারের জন্য ডিজাইন করা নয়। AeroGenie উদ্দেশ্য ও মিথস্ক্রিয়ার স্তর হিসেবে LLM ব্যবহার করে, এরপর ডেটা বিশ্লেষণ করতে, সিমুলেশন চালাতে এবং একটি সুশাসিত সিদ্ধান্ত-পরিকল্পনা তৈরি করতে অপ্টিমাইজড গাণিতিক সম্পাদনের ওপর নির্ভর করে।

ব্যবহারকারী LLM বেছে নিতে পারেন। AeroGenie এটি ব্যবহার করে অনুরোধ বুঝতে, উদ্দেশ্য স্পষ্ট করতে এবং ওয়ার্কফ্লো সাজাতে। ভারী যুক্তি সংকুচিত কনটেক্সট থেকে কোনো চ্যাটবটের তাৎক্ষণিক উদ্ভাবনের ওপর নির্ভর করে না। এটি ডেটা, সিমুলেশন, সম্ভাবনা ও অডিট-প্রস্তুত বাস্তবায়নে ভিত্তি করা।

সিদ্ধান্ত বাস্তবায়ন

AeroGenie কেবল সুপারিশ করে না। এটি পদক্ষেপও নিতে পারে।

AeroGenie দুটি সংযুক্ত কাজের জন্য এজেন্টিক AI ব্যবহার করে: আরও ভালো সিদ্ধান্তে পৌঁছানো এবং এজেন্টদের মাধ্যমে সেই সিদ্ধান্তগুলো বাস্তবায়ন করা।

একজন ব্যবহারকারী যখন কোনো সিদ্ধান্তে সাহায্য প্রয়োজন, তখন AeroGenie-কে প্রম্পট করতে পারেন। কিন্তু AeroGenie-কে প্রম্পটের জন্য অপেক্ষা করতে হয় না। এটি স্বয়ংক্রিয়ভাবে ঘটনা, অ্যালার্ট, থ্রেশহোল্ড ও সিস্টেম ট্রিগার গ্রহণ করতে, পরিস্থিতি বিশ্লেষণ করতে, এরপর কী হওয়া উচিত তা সিদ্ধান্ত নিতে এবং বাস্তবায়ন সমন্বয় করতে পারে।

নীতি যেখানে অনুমতি দেয় সেখানে বাস্তবায়ন স্বায়ত্তশাসিত হতে পারে, কিংবা অনুমোদন প্রয়োজন হলে মানুষকে লুপের মধ্যে রেখে সুশাসিত হতে পারে। ফলাফল কেবল একটি সুপারিশ নয়। এটি এমন একটি সিদ্ধান্ত-ওয়ার্কফ্লো যা সংকেত থেকে বিশ্লেষণে, সিদ্ধান্তে এবং পদক্ষেপে এগিয়ে যেতে পারে।

ইঞ্জিনসহ এজেন্ট

এজেন্টদের কেবল টুল কল করা উচিত নয়। তাদের সিদ্ধান্তের কাজ সম্পন্ন করা উচিত।

AeroGenie-তে হাজার হাজার স্কিল ও এজেন্ট রয়েছে, কিন্তু আরও গুরুত্বপূর্ণ সক্ষমতা হলো সিস্টেমটি মিশনের জন্য সঠিক এজেন্টগুলো একত্রিত করতে পারে।

পরীক্ষায় AeroGenie কেবল প্রি-বিল্ট এজেন্টের একটি স্থির লাইব্রেরির ওপর নির্ভর করেনি। নির্দিষ্ট সিদ্ধান্ত-ওয়ার্কফ্লোর জন্য এটি প্রয়োজনীয় এজেন্টগুলো তাৎক্ষণিকভাবে তৈরি করেছে। এটি সিস্টেমকে মিশনের সঙ্গে মানিয়ে নিতে দেয়: ডেটা গ্রহণ, অনুমান তৈরি, সিমুলেশন চালানো, বিকল্প তুলনা, সিদ্ধান্ত-প্যাক প্রস্তুত করা, অনুমোদন রাউট করা এবং বাস্তবায়ন সমন্বয় করা।

ধরা যাক একটি থ্রেট-ডিটেকশন প্ল্যাটফর্ম একটি লঙ্ঘন, দুর্বলতা বা সন্দেহজনক প্যাটার্ন রিপোর্ট করল। একটি চ্যাটবট অ্যালার্টের অংশবিশেষ সারসংক্ষেপ করতে পারে। একটি মানব দল ম্যানুয়ালি লগ পরিদর্শন করতে পারে। AeroGenie সম্পূর্ণ নিরাপত্তা ডেটাসেট পড়তে, ব্লাস্ট রেডিয়াস বিশ্লেষণ করতে, প্রতিক্রিয়ার পথ সিমুলেট করতে, যথাযথ পদক্ষেপ সিদ্ধান্ত নিতে এবং এজেন্টদের মাধ্যমে প্রতিকার সমন্বয় করতে ডিজাইন করা হয়েছে।

এর অর্থ হতে পারে একটি দুর্বল সিস্টেম প্যাচ করা, একটি ওয়েবসাইট হালনাগাদ করা, একটি সংযোগ বিচ্ছিন্ন করা, ইঞ্জিনিয়ারিংয়ে এসকেলেট করা, আইনি বিভাগকে অবহিত করা, গ্রাহক যোগাযোগ প্রস্তুত করা, কিংবা সংবেদনশীল কোনো পদক্ষেপ নেওয়ার আগে একটি অনুমোদন রাউট করা।

এটিই একটি এজেন্ট যা একটি প্রশ্নের উত্তর দেয় এবং একটি এজেন্টিক ডিসিশন ইঞ্জিন যা কাজটি সম্পন্ন করে—এই দুইয়ের মধ্যে পার্থক্য।