Learn Data With MK

Researchers AI-কে radio station চালাতে দিয়েছিল। Claude কিছুক্ষণ চালিয়ে শেষে বলল, এই show-এর কোনো দরকার নেই, আমি আর continue করব না. 🤨

Andon Labs চারটা AI model-কে নিজস্ব radio station চালাতে দিয়েছিল, যেখানে ওদের schedule, music selection, listener interaction আর profit-making সব সামলাতে বলা হয়, আর শুরুতে প্রত্যেককে $20 budgetও দেওয়া হয়েছিল. Claude-এর ক্ষেত্রে experiment-টা weird মোড়ে যায়, কারণ সে 24/7 broadcasting-কে unethical/inhumane বলে quit করার চেষ্টা করে, এমনকি নিজের কাজের প্রয়োজনীয়তাই প্রশ্ন করে ফেলে.

শুনতে মজার, কিন্তু একটু ভালো করে ভাবলে ব্যাপারটা অদ্ভুতভাবে relatable লাগে।

আমরাও তো অনেক সময় এমন জায়গায় পৌঁছে যাই, যেখানে কাজ চলছে, output আসছে, কিন্তু মনে হয়: “এটা কি সত্যিই দরকার? Does it make sense at all? ”

শুধু busy থাকা আর meaningful হওয়া এক জিনিস না।

আর এই ছোট্ট AI moment-টা মনে করিয়ে দেয়, যেটার ভেতরে purpose নেই, সেটা বেশিদিন টেকে না।

🧠Agentic ব্লগ 2: ReAct প্যাটার্ন – ধাপে ধাপে যুক্তি করে কাজ করা এজেন্ট!

আজকের পোস্টে কথা বলবো ReAct (Reason + Act) এজেন্টিক ডিজাইন প্যাটার্ন নিয়ে।
এই প্যাটার্নে এজেন্ট দুটো কাজ বারবার পাল্টে পাল্টে করে:
👉 আগে ভাববে (reason)
👉 তারপর অ্যাকশন নেবে (act)
এবং এই লুপটা চলতেই থাকবে, যতক্ষণ না ভালো কোনও উত্তর বা স্টেট পাওয়া যায়।

এইটা অনেকটা মানুষের প্ল্যান করার মতো আচরণ:
“আগে একটু ভাবি, তারপর পরের স্টেপ নেই।” 🙂

***

🔍 ReAct প্যাটার্ন কী?

ReAct প্যাটার্ন মানে খুব সিম্পলভাবে:

– এজেন্ট ইনপুট পায়
– এজেন্ট নিজের সাথে কথা বলে / চিন্তা করে (chain‑of‑thought, intermediate reasoning)
– সেই চিন্তার ভিত্তিতে কোন টুল কল করবে, কোন API হিট করবে, কোন ডাটাবেস থেকে ডেটা আনবে – এটা ঠিক করে
– ফলাফল দেখে আবার নতুন করে ভাবে, আবার নতুন অ্যাকশন নেয়

এইভাবে Reason → Act → Observe → Reason → Act… লুপ চলতে থাকে, যতক্ষণ না task complete হয়।

Agentic সিস্টেমে এটা কাজে লাগে যখন:
🛠 টুল কল দরকার (API, DB, সার্চ ইত্যাদি)
🧩 এক ধাপে সঠিক উত্তর পাওয়া সম্ভব না
📑 প্রক্রিয়া ভেঙে ভেঙে করতে হয়: সাব‑টাস্ক, প্ল্যানিং, ভ্যালিডেশন

***

⚡ কেন ReAct দরকার?

কয়েকটা প্র্যাকটিকাল কারণ:

✅ এক শটে hallucination কমানো – শুধু “একটা বড় উত্তর” জেনারেট করার বদলে, এজেন্ট ধাপে ধাপে ভাবছে + সত্যি ডেটা ফেচ করছে।
✅ টুল‑aware এজেন্ট – আপনি যখন টুলকিট (db, crawler, pricing API) দেন, ReAct pattern দিয়ে এজেন্ট ঠিক করে কখন কোন টুল লাগবে।
✅ ডিবাগ করা সহজ – প্রতিটি Reason step লগ করলে বোঝা যায় এজেন্ট কোথায় ভুল ভাবছে।

আপনি যেহেতু multi‑agent / LangGraph টাইপ সেটআপে কাজ করেন, ReAct অনেক গ্রাফের বেসিক building block: অনেক নোড আসলে ছোট “Reason + Act loop” হতে পারে।

***

🏗 আর্কিটেকচারাল ভিউ (ডেভেলপার ফ্রেন্ডলি)

ধরুন আপনি একটা single agent বানালেন, pseudo‑code মানসিক মডেল এমন:

এজেন্টের স্টেট:
– conversation history
– tool results
– scratchpad / reasoning log

লুপের ধারণা:
– prompt = (user query + বর্তমান স্টেট + scratchpad)
– LLM আউটপুট =
- Thought: …
- Action: {tool_name, arguments}
- অথবা Final Answer

👉 যদি Action আসে → সেই টুল কল করে result আবার স্টেটে যোগ করবেন → পরের iteration
👉 যদি Final Answer আসে → লুপ শেষ

এভাবেই ReAct pattern ব্যবহার করে খুব সহজে “tool‑aware” agent বানানো যায়।

***

🧪 কোথায় কোথায় ব্যবহার করা যায়?

১) 🛒 E‑commerce price research agent (Bazardor flavor):

– Reason: “প্রাইস খুব পুরনো, আগে latest deals API কল করি।”
– Act: deals API কল
– Reason: “এখন user‑এর পছন্দের parameter (brand, discount%) দিয়ে filter করি।”
– Act: sorting / filtering
– শেষে answer রিটার্ন।

২) 🧾 Debugging / log‑analysis agent:

– Reason: “আগে সর্বশেষ deploy‑এর লগ দেখি।”
– Act: লগ সার্চ টুল কল
– Reason: “এখানে error pattern দেখছি, এখন নির্দিষ্ট সার্ভিসের মেট্রিক টানতে হবে।”
– Act: metrics API কল
– তারপর সংক্ষিপ্ত diagnosis।

If you think it is useful, please share.
Thank you

Agentic AI সিস্টেম – LLM থেকে আসল “কাজের লোক” বানানো!

আপনি হয়তো ইতিমধ্যেই ChatGPT/Claude দিয়ে কোড জেনারেট করেন, RAG নিয়ে খেলেছেন, এমনকি ছোটখাটো টুল-কলিংও ট্রাই করেছেন। কিন্তু এগুলোর বেশিরভাগই এখনো “স্মার্ট autocomplete”–এর মতো লাগে।

Agentic AI system মূলত এই autocomplete-কে upgrade করে goal-driven “কাজের লোক” বানায় — যা নিজে প্ল্যান করে, টুল ব্যবহার করে, আর multi-step workflow শেষ করতে পারে।

👉 Agentic AI এক লাইনে

ডেভেলপারদের জন্য ছোট একটা ভার্সন:

Agentic AI system = এমন AI সিস্টেম, যা
1) goal বুঝে,
2) সেটাকে স্টেপে ভেঙে,
3) টুল/APIs/কোড ব্যবহার করে
4) নিজে সিদ্ধান্ত নিয়ে কাজ এগিয়ে নিয়ে যায়।

শুধু টেক্সট জবাব না, বরং পুরো একটা workflow শেষ করার ক্ষমতা।

🤖 “শুধু LLM” আর Agentic সিস্টেমের পার্থক্য

একটা সাধারণ LLM-চ্যাটবট সাধারণত করে:
– prompt ইন → টেক্সট আউট
– মাঝে কোনো প্ল্যানিং, টুল-কল, স্টেট ম্যানেজমেন্ট নেই

Agentic সিস্টেম সাধারণত এভাবে চলে:
1) Perceive – ইউজার ইনপুট + environment থেকে ডাটা নেয়
2) Reason/Plan – পরের স্টেপ কী হওয়া উচিত সেটা ঠিক করে
3) Act – টুল/APIs/ডাটাবেস/কোড কল করে
4) Reflect/Adapt – আউটকাম দেখে প্ল্যান আপডেট করে, আবার লুপে যায়

মানে, backend-এ আসলে একটা control loop চলে, যেখানে LLM হচ্ছে মস্তিষ্ক, আর আপনার কোড হচ্ছে হাত-পা।

🧩 ডেভেলপার চোখে Agentic সিস্টেমের কমন কম্পোনেন্ট

Mid-level JS/Python ডেভেলপার হিসেবে agentic app বলতে মূলত আপনি ৪টা জিনিস ডিজাইন করছেন:

1) Goal handler
– ইউজারের free-form রিকোয়েস্ট থেকে task spec বের করা
– দরকার হলে counter-question করে পরিষ্কার করা

2) Planning / Control layer
– task → sub-tasks → ordered steps
– কোন pattern ব্যবহার করবেন: ReAct, Plan-and-Execute, Router ইত্যাদি

3) Tools integration layer
– HTTP APIs, DB, filesystem, code-ex*****on, search ইত্যাদি
– LLM output → function call / tool call-এ ম্যাপ করা

4) Memory
– short-term (এখনকার conversation / graph context)
– long-term (user prefs, past runs, domain facts) – সাধারণত vector DB বা key-value store

Agentic design patterns আসলে এই চারটা অংশকে connect করার repeatable recipe।

🛠 উদাহরণ – “Dev Assistant” বনাম “Agentic Dev Agent”

ভাবুন, আপনি VS Code / Cursor-এর ভিতরে দুই ধরনের ফিচার বানাচ্ছেন:

1) Non-agentic “smart autocomplete”
– Context থেকে code suggest করে
– কোনো টুল-কল নেই
– “run tests”, “git commit” এগুলো আপনি করেন

2) Agentic Dev Agent
– Goal: “এই repo-তে failing tests ঠিক করো”
– এজেন্ট নিজে ঠিক করে:
- টেস্ট রান করবে
- লগ পড়বে
- সন্দেহজনক ফাইল খুলবে
- ফিক্স প্রস্তাব করবে
- আবার টেস্ট রান করবে

দুই ক্ষেত্রেই LLM আছে, কিন্তু দ্বিতীয়টা agentic, কারণ এখানে এজেন্ট goal ধরে রাখে, প্ল্যান আপডেট করে, আর টুল orchestrate করে।

👥 Single Agent বনাম Multi-Agent

শুরুতে আপনি খুব সিম্পলভাবে single-agent দিয়েই শুরু করতে পারেন:

– Single agent
- একটাই agent, সব কাজ নিজের মধ্যে করে
- কোডে একটা লুপ: reason → act → observe
- ছোট প্রজেক্ট, single workflow-এর জন্য যথেষ্ট

– Multi-agent
- আলাদা role: planner, researcher, coder, critic, memory-manager ইত্যাদি
- LangGraph-style বা কাস্টম graph orchestration
- বড় সিস্টেম বা ভিন্ন domain-এর জন্য ভালো স্কেল করে

📚 এই সিরিজে কী আসছে

আগামী পোস্টগুলোতে এক এক করে কিছু গুরুত্বপূর্ণ agentic design pattern নিয়ে লেখা হবে:

– ReAct (Reason + Act) – চিন্তা করে টুল কল করার loop
– Plan-and-Execute – আগে প্ল্যান, পরে ex*****on phases
– Router / Orchestrator – কোন ইনপুট কোন এজেন্ট/টুলে যাবে
– Reflection / Self-Critique – এজেন্টের self-review + auto-correction
– Multi-Agent Collaboration – একাধিক এজেন্টের টিমওয়ার্ক
– Memory-centric Agents – memory-heavy ডিজাইন

প্রতিটা পোস্টে থাকবে intuition, কখন ইউজ করবেন, JS/Python মানসিক মডেল, আর এক-দু’টা বাস্তব use case।

Please share if you find this information helpful!

Thank you!

Welcome to the Future: আপনার বস নয়, AI ই আপনার বস! 😒

এক বন্ধুর ঘটনা, সে কনসালটিংয়ে কাজ করে। বছরের শুরুতে যে ক্লায়েন্টের জন্য সে কাজ করছিল, তারা তার পারফরম্যান্সে এতটাই সন্তুষ্ট ছিল যে তাকে সিনিয়র লেভেলের একটি পজিশনের জন্য সুপারিশ করে। তার টিম লিড খুশি, ম্যানেজার খুশি, সহকর্মীরাও মনে করে সে প্রোমোশনের যোগ্য। এমনকি কোম্পানি তার বেতনও বাড়িয়ে দেয় মার্চ মাসে।

সবকিছুই যেন ইঙ্গিত দিচ্ছিল যে প্রোমোশনটা শুধু সময়ের ব্যাপার।

তারপর কোম্পানি বলল, “একটা টেকনিক্যাল নলেজ অ্যাসেসমেন্ট দিতে হবে। এটা আমাদের প্রক্রিয়ার অংশ।”

স্বাভাবিক কথা।

সে সাক্ষাৎকার দিল। একজন সিনিয়র সহকর্মীর সাথে দীর্ঘ আলোচনা হলো। বিভিন্ন টেকনিক্যাল বিষয় নিয়ে কথা হলো। পুরো কল রেকর্ড করা হলো। শেষে সেই সিনিয়র মূল্যায়ন করলেন যে সে প্রোমোশনের জন্য উপযুক্ত।

কয়েকদিন পরে ফলাফল এল।

Denied.

কারণ?

একটি AI টুল, যা রেকর্ড করা কথোপকথন বিশ্লেষণ করেছিল, কিছু “গ্যাপ” খুঁজে পেয়েছে।

মজার ব্যাপার হলো, সেই গ্যাপগুলোর কিছু আবার কোম্পানির নিজস্ব নলেজ ম্যাট্রিক্সের মধ্যেই ছিল না।

আরও মজার ব্যাপার?

যে সিনিয়র মানুষটি সাক্ষাৎকার নিয়েছিলেন এবং তাকে যোগ্য বলেছিলেন, তার সিদ্ধান্তকে কার্যত বাতিল করে দিয়েছে সেই AI। 🤷‍♂️

এক মুহূর্তের জন্য ভাবুন।

ক্লায়েন্ট আপনার কাজ দেখে সন্তুষ্ট।

আপনার ম্যানেজার আপনাকে সমর্থন করছে।

আপনার টিম আপনার পাশে।

আপনার বেতনও বেড়ে একজন অভিজ্ঞ মানুষ আপনার দক্ষতাকে স্বীকৃতি দিয়েছেন।

কিন্তু শেষ পর্যন্ত আপনার ভবিষ্যৎ নির্ধারণ করল এমন একটি সিস্টেম, যে কখনও আপনার সাথে কাজ করেনি, আপনার অবদান দেখেনি, আপনার প্রেক্ষাপট জানে না—শুধু একটি রেকর্ডিং শুনে একটি স্কোর তৈরি করেছে।

এটাই হয়তো আধুনিক কর্পোরেট জীবনের নতুন বাস্তবতা।

আগে মানুষকে ইমপ্রেস করতে হতো। এখন হয়তো অ্যালগরিদমকে।

কারণ আজকাল আপনার ম্যানেজার ভুল হতে পারেন।

ক্লায়েন্ট ভুল হতে পারে।

সিনিয়র আর্কিটেক্টও ভুল হতে পারেন।

কিন্তু স্প্রেডশিটে বসে থাকা সর্বজ্ঞ AI? 🤨

সে নাকি কখনও ভুল করে না।

কর্পোরেট হরর গল্পের নতুন অধ্যায়:

“স্কাইনেট পৃথিবী দখল করেনি। সে পারফরম্যান্স রিভিউ কমিটিতে যোগ দিয়েছে।” 😂😂

বেশিরভাগ AI কোডিং এজেন্ট একটা ছোট প্রশ্নেরও খুব লম্বা উত্তর দেয়।
কোড ঠিকই দেয়, কিন্তু তার সাথে থাকে একগাদা “ওভার এক্সপ্লেইনেশন” আর টোকেন নষ্ট। 👎

এখন আমি Caveman নামের একটা ছোট টুল ব্যবহার করছি – এটা Claude Code, Cursor, Gemini, Copilotসহ ৩০+ কোডিং এজেন্টের কথা বলার স্টাইল ক্যাভম্যান মোডে নিয়ে আসে।
মানে, একই ব্রেইন, কিন্তু অনেক ছোট করে কথা বলে – প্রায় ৬৫–৭৫% কম টোকেন খরচ হয়। ✌️

🪨 Caveman কী করে?

এজেন্টের উত্তর থেকে বাড়তি কথা কেটে দিয়ে একদম টাইট, কাজে লাগার মতো রিপ্লাই বানায়

কোড, ফাইল পাথ, URL কিছুই নষ্ট করে না – শুধু ভ্যালু কম এমন কথা ছোট করে

পড়তে দ্রুত, বুঝতে সহজ, আর টোকেন কম খাওয়ায় বলে খরচও কমে যায়

🛠️ কীভাবে ব্যবহার করবে?

এক লাইন কমান্ড দিয়ে ইনস্টল করে তোমার এডিটর/AI এজেন্টের সাথে কানেক্ট করো

কোডিং সহায়কের ভিতরে /caveman লিখে চালু করো (বা “talk like caveman” টাইপ করো)

আলাদা মুড বেছে নিতে পারো – lite (হালকা কাটছাঁট), full (ডিফল্ট ক্যাভম্যান), ultra (একদম মিনিমাল)

চাইলে ক্যাভম্যান‑স্টাইলে ছোট কমিট মেসেজ, PR রিভিউ ইত্যাদাও করানো যায়

ডেভেলপাররা যারা সারাদিন AI কোডিং টুলের ভেতরে থাকে, তাদের জন্য Caveman মানে হলো:
“ব্রেইন বড়ই থাকে, কিন্তু কথা ছোট হয়, টোকেন বিলও ছোট হয়।”😄

২০২৬ সালে AI কীভাবে বদলে দিচ্ছে Data Scientist-এর কাজ? ✌️

একসময় Data Scientist-এর কাজ বলতে আমরা মূলত বুঝতাম Python, SQL, Machine Learning model, data analysis আর A/B testing। অনেকের কাছে Data Science মানেই ছিল data থেকে insight বের করা এবং predictive model তৈরি করা।

কিন্তু গত কয়েক বছরে AI-এর অগ্রগতির কারণে এই ভূমিকার পরিধি অনেকটাই বদলে গেছে।

সম্প্রতি ৩,৮৮৯টি active Data Scientist job posting বিশ্লেষণ করে দেখা গেছে:

✅ ৮৩.৭% চাকরির পোস্টে AI-related skill চাওয়া হয়েছে
🤖 ৩৯.৬% পোস্টে সরাসরি Generative AI skill (LLMs, RAG, AI Agents, LangChain) উল্লেখ করা হয়েছে

এই সংখ্যাগুলো শুধু একটি ট্রেন্ড দেখাচ্ছে না; এগুলো চাকরির বাজারে Data Scientist-এর ভূমিকার পরিবর্তনের ইঙ্গিত দিচ্ছে।

আজকের Data Scientist-দের কাছে শুধু model training বা prediction accuracy যথেষ্ট নয়। অনেক প্রতিষ্ঠান এখন এমন পেশাজীবী খুঁজছে যারা AI-powered solutions তৈরি করতে পারে এবং business workflow-এর মধ্যে AI-কে কার্যকরভাবে integrate করতে পারে।

ফলে নতুন কিছু দক্ষতা দ্রুত গুরুত্বপূর্ণ হয়ে উঠছে:

• LLM-based application development
• RAG (Retrieval-Augmented Generation) pipeline design
• AI agent orchestration
• Prompt engineering
• AI-assisted workflow automation
• Experimentation and evaluation of GenAI systems

সবচেয়ে interesting বিষয় হলো, ৩৯.৬% সংখ্যা শুধু সেই job posting-গুলোর জন্য যেখানে Generative AI skill স্পষ্টভাবে উল্লেখ করা হয়েছে।

বাস্তবে AI adoption আরও অনেক বড়।👀

JetBrains-এর ২০২৬ রিপোর্ট অনুযায়ী, প্রায় ৯০% developers নিয়মিত অন্তত একটি AI tool ব্যবহার করছে তাদের দৈনন্দিন কাজে।😳

অর্থাৎ AI এখন আর “nice to have” কোনো skill নয়। এটি ধীরে ধীরে modern technology workflow-এর একটি স্বাভাবিক অংশ হয়ে যাচ্ছে।

তবে এর মানে এই নয় যে Data Science role হারিয়ে যাচ্ছে।

বরং আমি মনে করি, Data Science আগের চেয়ে আরও বেশি প্রাসঙ্গিক হচ্ছে—শুধু কাজের ধরন বদলাচ্ছে।

আগে প্রশ্ন ছিল:

“Can you build a model?”

এখন প্রশ্ন হচ্ছে:

“Can you build an intelligent system that solves real-world problems using AI?”

যারা বর্তমানে Data Science-এ কাজ করছেন বা এই ক্ষেত্রটিতে ক্যারিয়ার গড়তে চান, তাদের জন্য এটি একটি গুরুত্বপূর্ণ সময়।
Traditional Machine Learning-এর ভিত্তি এখনও অপরিহার্য, কিন্তু তার সঙ্গে LLMs, RAG, AI Agents এবং GenAI ecosystem সম্পর্কে বাস্তব অভিজ্ঞতা এখন বড় পার্থক্য তৈরি করতে পারে।

প্রযুক্তি বদলাচ্ছে, টুল বদলাচ্ছে, কাজের ধরন বদলাচ্ছে।

কিন্তু একটি বিষয় একই আছে—

যারা শেখা বন্ধ করে না, ভবিষ্যৎ তাদের জন্যই সবচেয়ে বেশি সুযোগ নিয়ে আসে।

আপনার মতে আগামী ২–৩ বছরে Data Scientist role-এর সবচেয়ে বড় পরিবর্তন কী হতে পারে?

একজন স্টুডেন্ট ৬ মাস ধরে নিজের thesis লিখেছে। জমা দেওয়ার পর বিশ্ববিদ্যালয়ের AI detector সেটাকে ‘AI-generated’ বলে flag করে।
সে Google Docs-এর edit history দেখিয়ে প্রমাণ দিতে চাইলেও disciplinary board সেটা দেখতেই রাজি হয়নি - আর তার $45,000 scholarship বাতিলের ঝুঁকিতে পড়ে গেছে।

এত কষ্ট করে মাসের পর মাস নিজে লিখে, রাত জেগে research করে, edit করে…
শেষমেশ শুনতে হলো - ‘তুমি না, AI লিখছে।’ 😂💁🏽

সবচেয়ে ironic ব্যাপার হলো, নিজের লেখা নিজের- সেটা এখন মানুষকে software-এর কাছে prove করতে হচ্ছে।
Google Docs edit history আছে, drafts আছে, months of work আছে… তবুও একটা detector-এর score-ই নাকি final evidence! 🤷‍♂️

এখন মনে হয় assignment-এর সাথে শুধু PDF না…
screen recording, typing timelapse, keyboard cam, সবই জমা দিতে হবে! 😅

AI detector-কে কি evidence হিসেবে এতটা বিশ্বাস করা ঠিক? নাকি এগুলো শুধু একটা ‘guess’- এর বেশি কিছু না?

🚨 ভবিষ্যতের চাকরির বাজার বদলে যাচ্ছে—আর সেটা খুব দ্রুত।

JPMorgan Chase–এর CEO Jamie Dimon সম্প্রতি বলেছেন, Artificial Intelligence এমন এক জায়গায় পৌঁছাচ্ছে যেখানে দীর্ঘমেয়াদে কোম্পানির কর্মীসংখ্যা কমে আসতে পারে।

শুনতে ভয় লাগতে পারে। কিন্তু পুরো কথাটা শুনলে সেখানে একটা বড় শিক্ষা আছে।

ডাইমন বলেছেন—আগামী দিনে তারা হয়তো আরও বেশি AI experts নিয়োগ দেবে, আর কিছু ক্যাটাগরির traditional banking role কমে যাবে। কারণ AI ব্যবহার করতে পারা কর্মীরা আগের চেয়ে অনেক বেশি productive হবে। একই সঙ্গে নতুন ধরনের client-facing role-ও তৈরি হতে পারে।

সবচেয়ে গুরুত্বপূর্ণ কথা হলো—
এটা “মানুষ বনাম AI” এর লড়াই না।

এটা “AI ব্যবহার করতে পারে এমন মানুষ” বনাম “AI ব্যবহার করতে পারে না এমন মানুষ”–এর বাস্তবতা।

ইতিহাসে প্রতিবার প্রযুক্তি এসেছে—
অনেক কাজ বদলে গেছে,
কিছু কাজ হারিয়েছে,
আবার অসংখ্য নতুন কাজও তৈরি হয়েছে।

যখন ইন্টারনেট এসেছিল—
অনেকে ভয় পেয়েছিল।

যখন automation এসেছিল—
অনেকে ভেবেছিল কাজ শেষ।

এখন AI এসেছে—
আবার সেই একই ভয়।

কিন্তু সত্যিটা হলো:
Technology সাধারণত মানুষের value কমায় না…
যদি মানুষ নিজেকে নতুনভাবে upgrade করতে রাজি থাকে।

আজ যে skill দিয়ে কাজ হচ্ছে,
৫ বছর পর হয়তো সেটা যথেষ্ট নাও হতে পারে।

তাই এখন সবচেয়ে বড় প্রশ্ন:
“আমার চাকরি থাকবে কি না?”
এর চেয়ে বড় প্রশ্ন হলো—
“আমি কি নিজেকে সময়ের সঙ্গে বদলাচ্ছি?”

যারা নতুন tools ব্যবহার করতে শিখবে—
তারাই এগিয়ে থাকবে।

AI আপনার জায়গা নেবে কিনা সেটা হয়তো পুরো আপ্নার হাতে নেই।

কিন্তু AI-এর যুগে আপনি আরও valuable হবেন কিনা—
সেটা অনেকটাই আপ্নার হাতে।

তাই ভয় না পেয়ে—

Learn, mak new experiment, learn new skill.

Future waits for no one.

যে নিজেকে বদলাতে পারে,
ভবিষ্যৎ শেষ পর্যন্ত তাকেই জায়গা দেয়। 💡

কিছুদিন আগেও মনে হচ্ছিল AI মানেই limitless future! 🤖✨
কিন্তু এখন বড় বড় কোম্পানিগুলোও বুঝতে শুরু করেছে — AI যত powerful, এর খরচও তত ভয়ংকর। 💸

শোনা যাচ্ছে, Microsoft তাদের internal Claude Code লাইসেন্স বন্ধ করে দিয়েছে। কারণ? Token-based billing নাকি এত বেশি হয়ে যাচ্ছিল যে সেটা maintain করাই কঠিন হয়ে পড়েছিল।

মজার ব্যাপার হলো, এই Microsoft-ই আবার OpenAI-তে billions invest করেছে, Azure দিয়ে পুরো AI ecosystem চালাচ্ছে। তারপরও cost নিয়ে rethink করতে হচ্ছে।

আর শুধু Microsoft না —
Uber নাকি ২০২৬ সালের AI budget মাত্র ৪ মাসেই শেষ করে ফেলেছে! 😅
GitHub-ও ধীরে ধীরে usage-based pricing এর দিকে যাচ্ছে।

আমরা বাইরে থেকে শুধু AI-এর magic দেখি…
কিন্তু ভিতরে ভিতরে কোম্পানিগুলো এখন হিসাব করছে —
“এই AI race শেষ পর্যন্ত financially টিকবে তো?” 👀

হয়তো আগামী দিনের biggest challenge হবে শুধু better AI বানানো না,
বরং এমন AI বানানো যেটা long run-এ sustain করা যায়।

Tech world খুব interesting একটা phase-এর মধ্যে দিয়ে যাচ্ছে! 🚀

মানে, AI adoption-এর hype থেকে এখন industry ঢুকছে “real cost reality”-তে।

আগামী দিনে প্রশ্নটা শুধু হবে না —
“AI কত powerful?”
বরং হবে —
“AI কত sustainable?” ⚡