16/08/2026
A translated post from Andrew Ng
AI ইঞ্জিনিয়ারিং স্কিল ম্যাপ
আমি অত্যন্ত আনন্দের সঙ্গে The AI Engineering Skills Map উপস্থাপন করছি। AI-এর কারণে আজ আমরা সফটওয়্যার এমনভাবে বানাতে পারি, যা ২০২২ সালের তুলনায় একেবারেই আলাদা। আর এই পরিবর্তনকে কাজে লাগানোর মতো স্কিল যাদের আছে, তাদের সামনে অসংখ্য দারুণ প্রজেক্ট আর চাকরির সুযোগ খোলা। কিন্তু AI নিয়ে চারদিকের হইচই আর হাইপে ভরা তথ্যের ভিড়ে আসলে কোন স্কিলগুলো শেখা সবচেয়ে জরুরি? এই প্রশ্নের উত্তর খুঁজতেই আমি আমার টিমের সঙ্গে মিলে AI ইঞ্জিনিয়ারিং স্কিলের একটি ম্যাপ তৈরি করেছি — যাতে (i) ডেভেলপাররা কী শিখবেন তার অগ্রাধিকার ঠিক করতে পারেন, এবং (ii) নিয়োগকর্তারা দক্ষ ডেভেলপার খুঁজে নিতে পারেন।
১০,০০০-এরও বেশি job posting-এর বিশ্লেষণ, AI বিশেষজ্ঞ, hiring manager ও recruiter-দের সঙ্গে ডজনখানেক কাঠামোবদ্ধ ইন্টারভিউ, সার্ভের মাধ্যমে ডেটা সংগ্রহ এবং অনলাইনের আরও নানা ডেটা মিলিয়ে — সবচেয়ে গুরুত্বপূর্ণ চারটি AI ইঞ্জিনিয়ারিং স্কিল হলো:
AI অ্যাপ্লিকেশন তৈরি ও ডেপ্লয় করা
সফটওয়্যার ইঞ্জিনিয়ারিংয়ের মৌলিক বিষয়গুলো
Coding agent ব্যবহার করা
Build-কে রূপ দেওয়া (Shaping the build)
আমাদের প্রক্রিয়াটাকে আপনি অনানুষ্ঠানিকভাবে এভাবে ভাবতে পারেন — চাকরি আর বিশেষজ্ঞ ইন্টারভিউয়ের বিশাল একটা ডেটাসেটের ওপর clustering চালিয়ে সবচেয়ে গুরুত্বপূর্ণ স্কিলগুলো বের করা; শুধু আজকের জন্য নয়, নিকট ভবিষ্যতের জন্যও।
পরিভাষা নিয়ে একটা কথা: আমি "AI Engineer" রোল (যাদের কাজই AI সিস্টেম বানানো) না বলে AI ইঞ্জিনিয়ারিং স্কিল বলছি, কারণ দ্বিতীয়টার পরিধি অনেক বড়। আজকের দিনে সব ডেভেলপারেরই ক্লাউড নিয়ে কাজ করতে জানা দরকার, অথচ "Cloud engineer" টাইটেল আছে অল্প কিছু মানুষের। একইভাবে সব ডেভেলপারেরই — full-stack engineer, data engineer, DevOps engineer, machine learning engineer, এমনকি AI engineer — AI ইঞ্জিনিয়ারিং স্কিল লাগবে।
১. AI অ্যাপ্লিকেশন তৈরি ও ডেপ্লয় করা
AI আর non-AI অ্যাপ্লিকেশনের মূল পার্থক্য হলো, AI অ্যাপ্লিকেশনের আউটপুট অনিশ্চিত। কোনো LLM-কে প্রম্পট করলে আপনি জানেন না ঠিক কী ফিরে আসবে। কোনো deep learning অ্যালগরিদম ট্রেইন করলে আপনি জানেন না নতুন উদাহরণে সেটা কী প্রেডিকশন দেবে। এর বিপরীতে সাধারণ সফটওয়্যারের আচরণ অনেক বেশি অনুমানযোগ্য।
যারা AI অ্যাপ্লিকেশন তৈরি ও ডেপ্লয়ে দক্ষ, তারা AI-এর মূল বিল্ডিং ব্লকগুলো বোঝেন — যেমন LLM, context engineering, RAG, agentic workflow, machine learning ও deep learning। আর সবচেয়ে গুরুত্বপূর্ণ, তারা জানেন কীভাবে পরিসংখ্যানগত কৌশল ব্যবহার করে AI সিস্টেমকে মাপতে, steer করতে ও গভর্ন করতে হয়, যাতে সিস্টেমটা আরও অনুমানযোগ্যভাবে আচরণ করে। এর একটা মূল স্কিল হলো — সুশৃঙ্খল eval আর error analysis লুপ চালাতে জানা।
২. সফটওয়্যার ইঞ্জিনিয়ারিংয়ের মৌলিক বিষয়গুলো
সফটওয়্যার আসলে কীভাবে কাজ করে তা গভীরভাবে বুঝলে আপনি অনেক বেশি কার্যকরভাবে বানাতে পারবেন। সফটওয়্যার ইঞ্জিনিয়ারিং মানেই খরচ, scalability, নির্ভরযোগ্যতা, গতি — এসবের মধ্যে ট্রেড-অফ করা। এর সঙ্গে security আর privacy যোগ হলে জটিলতা আরও বাড়ে।
মৌলিক বিষয়গুলো বুঝলে আপনি বুঝতে পারবেন আদৌ কোন কোন ট্রেড-অফ সামনে আছে। এতে সফটওয়্যার স্ট্যাক বাছাই, সিস্টেম আর্কিটেকচার ডিজাইন, ডেটা স্টোর ডিজাইন, টেস্টিং — সব জায়গায় ভালো সিদ্ধান্ত নেওয়া যায়। যে অনভিজ্ঞ ডেভেলপার ট্রেড-অফ না বুঝেই vibe coding করে সমাধান বানান, তার ফলাফলের চেয়ে এটা অনেক ভালো হয় — কারণ কোডিং এজেন্ট কোন ট্রেড-অফগুলো নিচ্ছে সেটা না জানলে এজেন্টকে সঠিক context দেওয়াও যায় না, ফলে সিদ্ধান্তগুলো প্রায়ই খারাপ হয়। সফটওয়্যার ইঞ্জিনিয়ারিংয়ের ভিত্তি জানা থাকলে আপনি ইঞ্জিনিয়ারিংয়ের নির্ভুল ভাষায় কোডিং এজেন্টকে steer করে ভালো ট্রেড-অফ করাতে পারবেন।
৩. Coding agent ব্যবহার করা
Agentic coding দক্ষভাবে ব্যবহার করা এখন প্রতিটি ডেভেলপারের জন্যই একটা মূল স্কিল। এই স্কিল থাকলে এজেন্ট কীভাবে কাজ করে সে সম্পর্কে আপনার একটা ভালো মেন্টাল মডেল থাকে। আপনি এদের সীমাবদ্ধতা জানেন, সেগুলো কীভাবে সামলাতে হয় তা জানেন, এবং দ্রুত steer করতে পারেন — কতটা হস্তক্ষেপ করবেন আর কতটা এজেন্টকে নিজের মতো ছেড়ে দেবেন সেটা বুঝে — যাতে অতিরিক্ত সময় বা টোকেন নষ্ট না করেই মজবুত সফটওয়্যার তৈরি হয়।
এর জন্য জানতে হবে কীভাবে কোডিং এজেন্টের context ম্যানেজ করতে হয়, planning আর execution-এর মধ্যে ট্রেড-অফ করতে হয়, এবং verifier বা eval দিয়ে এজেন্টকে নিজে থেকেই লুপ ক্লোজ করতে সাহায্য করতে হয়। পাশাপাশি জানতে হবে কীভাবে একটা পরিষ্কার spec নিয়ে কাজ করতে হয় (এবং কখন সেই ঝামেলায় না যাওয়াই ভালো), কীভাবে একাধিক এজেন্টকে একসঙ্গে orchestrate করতে হয়, আর কীভাবে বিপদ এড়াতে হয় — যেমন এজেন্ট যেন আপনার প্রোডাকশন ডেটাবেস এলোমেলো করে না ফেলে। যেহেতু agentic coding খুব দ্রুত বদলাচ্ছে, তাই দক্ষতার মানে শুধু সর্বাধুনিক প্র্যাকটিস জানা নয় — নতুন টুল চেষ্টা করে দেখা আর সেরা প্র্যাকটিসের সঙ্গে তাল মিলিয়ে নিজের workflow বদলানোর একটা রুটিন থাকাও।
৪. Build-কে রূপ দেওয়া
পরিষ্কার একটা spec দিলে কোডিং এজেন্টরা এখন দ্রুতই সেটা ডেলিভার করতে শিখে যাচ্ছে। ফলে ইঞ্জিনিয়ার হিসেবে আমাদের কাজ সরে যাচ্ছে — spec-এ আসলে কী থাকা উচিত, সেই সিদ্ধান্তের দিকে। ইঞ্জিনিয়ারদের আর এটা আশা করা উচিত নয় যে তাদের হাতে pixel-perfect ডিজাইন ধরিয়ে দেওয়া হবে আর তারা শুধু ইমপ্লিমেন্ট করবেন। বরং কার্যকর AI ইঞ্জিনিয়ারিংয়ের জন্য দরকার product sense, ব্যবসায়িক প্রেক্ষাপট ও কাস্টমারের লক্ষ্য বোঝা — যাতে আপনি build-কে রূপ দিতে ও এগিয়ে নিতে অংশ নিতে পারেন।
AI আপনাকে আগের চেয়ে অনেক বেশি ownership আর agency নেওয়ার সুযোগও দিচ্ছে। আপনি নিজেই আকর্ষণীয় সমস্যা ও সুযোগ চিহ্নিত করতে পারেন, এবং দায়িত্বশীলভাবে সেগুলো কাজে লাগাতে পারেন। এই সুযোগ নিতে হলে জানতে হবে কীভাবে প্রজেক্ট এগিয়ে নিতে হয়। যেমন — কখন দ্রুত একটা MVP বানিয়ে ইউজারদের কাছে টেস্টিংয়ের জন্য নিয়ে যেতে হবে, আর কখন গতি কমিয়ে বেশি সময় নিয়ে যত্ন করে বানাতে হবে।
এই সব স্কিলের ভিত্তিতে আছে একটাই মানসিকতা — নিরন্তর শেখা। AI দ্রুত বদলাতেই থাকবে, তাই আমাদের সবাইকেই শিখে যেতে হবে আর নতুন সেরা প্র্যাকটিস গ্রহণ করে নিজেদের স্কিল বিকশিত করতে হবে।
DeepLearning.AI-এর মূল লক্ষ্যই হলো ডেভেলপারদের এই AI ইঞ্জিনিয়ারিং স্কিলগুলো অর্জনে সাহায্য করা। এই চারটি স্কিলের প্রতিটি নিয়েই আমার আরও অনেক কিছু বলার আছে; আগামী পোস্টগুলোতে সেগুলো বিস্তারিত তুলে ধরব এবং আরও বিশদ একটি AI Engineering Skills Map শেয়ার করব। AI ইঞ্জিনিয়ারিং কোন দিকে যাচ্ছে সেটা দেখে আমি ভীষণ উত্তেজিত — আমরা সবাই মিলে কী কী বানাতে পারব ভেবে। আশা করি এই ভবিষ্যতে আপনিও দারুণ একটা ভূমিকা রাখবেন।
