উত্তরটা বুঝতে হলে history বুঝতে হবে। এই এপিসোডে সেই history-ই দেখব: কীভাবে আমরা classical ML থেকে আজকের agentic system-এ এসে পড়লাম।

কেন history?

Terminology without history is memorization. Terminology with history is realization.

নতুন নতুন অনেক term আসবে: RAG, agent, MCP, guardrails। এগুলো মুখস্থ করা যায়। কিন্তু প্রতিটা term যদি জানি কেন এসেছে, কোন situation থেকে এসেছে, তাহলে মুখস্থ করতে হয় না। বুঝে যাই।

আর history-তে একটা pattern আছে: প্রতিটা নতুন term জন্মেছে একটা wall-এ আটকে যাওয়ার পর।

পুরো এপিসোড এক লাইনে

The hard part moved.

2012 সালে সবচেয়ে কঠিন কাজ ছিল একটা model train করা। 2026-এ সবচেয়ে কঠিন কাজ হলো একটা reliable feature ship করা।

• আগে: Train a good model → কাজ ছিল math আর data science
• এখন: Ship a reliable feature → কাজ systems engineering

লক্ষ করলে দেখা যায়, Google, AWS, Cloudflare, GitHub-এর মতো কোম্পানিও আজকাল মাঝে মাঝে down থাকে। AI সব code লিখে দেয়, পাঁচ মাসের কাজ পাঁচ দিনে হয়, তবু reliability guarantee করা যাচ্ছে না। আমরা এমন যুগে এসেছি।

Timeline: 2012 Classical ML → 2017 Transformer → 2022 Foundation models → 2023 RAG → 2026 Agents

Era 1 (2012–2021): Classical ML, এক model এক task

AI আজকে শুরু হয়নি। এর mathematical model 1950-এর দিকেই propose করা হয়েছিল, কিন্তু তখন সেটা চালানোর মতো hardware ছিল না। 2012-তেও large scale-এ model train করার মতো hardware ছিল না।

2012-এর দিকে classical ML-এর কাজ শুরু হয়। 2013-এর দিকে deep learning আর neural network সামনে আসে, সাথে image আর OpenCV-র কাজ। Model গুলো powerful ছিল, কিন্তু একটা model একটাই কাজ করত।

এই era-তে engineer-এর কাজ: Train the model. আর এই model train করার infrastructure-এর জন্য MLOps engineer লাগত।

তাহলে ML-এর career কেন অনিশ্চিত মনে হতো?

ধরা যাক একটা কোম্পানিতে 1000 জন developer কাজ করে। সেই কোম্পানিতে 100 জন ML expert তো দূরের কথা, 10-15 জন data scientist-ও লাগত না। ML-এর পথে গেলে research করতে হবে, চাকরি হবে কি না নিশ্চিত না, আর একটা কোম্পানিতে কয়জন ML expert লাগে বনাম কয়জন developer লাগে, এই হিসাব করলে অনেক student-ই software development-এর দিকে ঝুঁকত। 2021-22 পর্যন্ত এই হিসাবটা সত্য ছিল। আজকের অবস্থা থেকে এটা একটা drastic change।

একটা জিনিস পরিষ্কার করা দরকার: classical ML মরে যায়নি। Fraud, pricing, forecasting আজও এগুলো দিয়েই চলে। ভবিষ্যতে এর ব্যবহার আরও বাড়তে পারে, কারণ general model-এর inference cost অনেক বেশি। Specific কাজের জন্য ছোট, সস্তা model-ই বেশি যুক্তিসংগত। MLOps আর machine learning dying career না।

2017: Transformer

2017-তে একটা paper publish হলো, যে architecture-এর ওপর আজকের সব modern LLM দাঁড়িয়ে আছে: Transformer। এটা নিয়ে পরের এপিসোডে বিস্তারিত আলোচনা হবে।

এর আগে একটা model শুধু একটা জিনিস শিখত। বিড়ালের ছবি চেনার model কখনো বাংলা থেকে ইংরেজি translate করতে পারত না। Transformer-এর পর একটা single model একসাথে অনেক কাজ করতে শুরু করল:

• Translation
• Arithmetic
• Basic reasoning
• Summarization, grammar check, next text generate করা

Era 2 (2022–2023): একটা general model, সব কাজের জন্য

2022 সালের 30 নভেম্বর। ChatGPT একটা ছোট্ট interface নিয়ে এলো: একটা login page আর একটা chat composer। এইটুকুই। কিন্তু পুরো বিশ্ব ওলটপালট হয়ে গেল, আর কত দ্রুত million user-এর কাছে পৌঁছানো যায়, সেই সব record ভাঙল।

এটা ছিল conversational AI-র শুরু। তখনো "AI আমাদের চাকরি খেয়ে নেবে" কথাটা আসেনি। প্রশ্ন ছিল শুধু Google টিকবে কি না।

তারপর 2023-এর মাঝামাঝি OpenAI API সবার জন্য খুলে দিলো।

The big idea: Intelligence became a rentable utility

OpenAI-র এই একটা সিদ্ধান্তে রাতারাতি intelligence হয়ে গেল ভাড়ায় পাওয়া utility। বুদ্ধি এখন ভাড়া নেওয়া যায়।

• Model train করতে হবে না
• Infer, maintain, fine-tune, manage কিছুই করতে হবে না
• একটা বিরাট brain আছে। API দিয়ে query পাঠাও, token fee দিয়ে answer নাও

কিছু কোম্পানি model train করা শুরু করল, আর বাকি সবাই plug in করল।

এই era-তে engineer-এর কাজ: Ship features on rented intelligence।

2023 Gold Rush: API call করাটাই ছিল সহজ অংশ

সবাই translator, text modifier, content generator ধরনের app বানাতে লাগল। একদিনেই একটা API product দাঁড় করানো যেত, আর এগুলোকেই বলা হলো AI wrappers। কারণ তখনো পর্যন্ত কোনো framework ছিল না, আর AI দিয়ে আসলে কী কী করা যায়, সেটাও ঠিকঠাক জানা ছিল না।

কিন্তু এই gold rush না হলে আজকের AI engineering-এ পৌঁছানো যেত না। মানুষ যখন real product বানাতে গেল, তখন দেখল LLM একটা shiny object। বাইরে থেকে অনেক intelligent মনে হয়, কিন্তু real life-এ কাজ করার মতো capability এর ভেতরে নেই। তাহলে সেই capability LLM-এর বাইরে বানাতে হবে। এখান থেকেই AI engineering শুরু:

• Evals
• Retrieval
• Guardrails
• Caching
• Cost controls

একটা product-এর যাত্রা তাই ছিল "1 day to 1 year": API call, আর তার চারপাশের সবকিছু।

The discovery: এগুলো model problem না। Systems problem।

Era 3 (2023–2024): RAG, model-কে তোমার document দাও

সবার আগে যে সমস্যায় পড়া হলো, সেটা knowledge cutoff। তখন ChatGPT-র cutoff ছিল 2021। কিন্তু দরকার গতকালের data, আজকের real-time data, আর নিজের কোম্পানির data।

Fine-tune করা যায়, কিন্তু কোম্পানির data static না। প্রতিদিন নতুন customer, নতুন sales, নতুন হিসাব। তাহলে দরকার এমন একটা system, যেখানে latest data AI-র হাতে তুলে দেওয়া যায়।

কিন্তু AI প্রতি request-এ কতটা data নিতে পারে, তার একটা boundary আছে: context window। আজকে 1 million token-এর কথা শোনা যায়, তখন সেটা ছিল অনেক ছোট। কোম্পানির data টেরাবাইটে, আর model নিতে পারে অল্প কয়েক হাজার token। তাহলে exact information বের করা যাবে কীভাবে?

এখান থেকেই এলো RAG: Retrieval-Augmented Generation।

Without retrieval:

User: TaskFlow-এ project archive করব কীভাবে?
Model: আমি নিশ্চিত না TaskFlow এটা পারে কি না।

Model কখনো তোমার docs দেখেনি।

With retrieval:

User: TaskFlow-এ project archive করব কীভাবে?
→ TaskFlow Docs থেকে প্রাসঙ্গিক অংশ খুঁজে আনা হয় → Model-কে দেওয়া হয়
Model: Settings-এ গিয়ে Archive বেছে নিন। (Source: 2 TaskFlow docs)

এই era-তে engineer-এর কাজ: Connect models to private data। RAG-এরও অনেক problem আছে, সেগুলোর solution-ও আছে, পরে বিস্তারিত দেখা হবে। কিন্তু 2023-24-এর hot topic ছিল এটাই।

Era 4 (2025–2026): Agentic systems, যে model কাজ করে

এখন আমরা agentic AI-র যুগে। কীভাবে এলাম?

AI তখন চিন্তা করতে পারে, context দিলে near-accurate answer বের করতে পারে। এবার প্রশ্ন: এই ক্ষমতা দিয়ে কি কোনো tool call করানো যায়? কোনো code execute করানো যায়?

LLM থাকে আলাদা server-এ, আর tool execute হবে আমাদের server-এ। তাহলে কীভাবে? Python বা JavaScript-এ function-গুলো একটা dictionary বা object-এ রাখা যায়, আর নাম পেলে সেই function call করা যায়। LLM নিজে function call করতে পারে না, কিন্তু বলে দিতে পারে: "এই situation-এ এই function call করলে result আসবে।"

সিস্টেমটা দাঁড়াল এরকম:

1. কাজগুলোর জন্য function বানাই, প্রতিটায় name আর description দিই
2. এই tool-এর list system prompt/context হিসেবে AI-র কাছে পাঠাই
3. AI বলে কোন tool call করতে হবে
4. আমাদের code সেটা execute করে, result আবার AI-কে ফেরত দেয়
5. AI সেই result analyze করে পরের step বলে

এই system থেকেই agentic যুগের শুরু। কারণ tool যদি সবসময় 1 → 2 → 3 → 4 sequence-এ চলত, তাহলে agent লাগত না। সেটা তো n8n বা অন্য automation tool দিয়ে workflow হিসেবে আগেই করা যায়। এখানে আলাদা জিনিসটা হলো: কোন tool কখন call হবে, কোন tool আরেকটাকে call করবে, আর কখন result complete হলো, সেই সিদ্ধান্ত নেয় AI।

যেহেতু tool-গুলো sequential না, তাই দরকার হলো graph। প্রতিটা tool একটা node, আর তাদের মধ্যে connection। এখান থেকেই এলো LangChain, LangGraph, আর এখন বাজারে আরও অসংখ্য tool।

The loop

আগে আমরা প্রশ্ন করতাম, model উত্তর দিত, আর কাজ আমরা নিজে করতাম। এখন আমরা একটা goal দিই, আর:

Goal → Think → Act → Observe → (loop)

Goal-এর সাথে মিলিয়ে দেখে, আবার loop চালায়, যতক্ষণ না final goal-এ পৌঁছায়। "Think"-এর আরেক নাম reasoning। এজন্য এদের বলা হয় ReAct agent: Reason + Act।

Tool হিসেবে সে database access করতে পারে (অবশ্যই read-only, write দেওয়া উচিত না), API call করতে পারে, browser আর code চালাতে পারে।

এই era-তে engineer-এর কাজ: Build systems where models act।

এটাই agentic system, এর বেশি কিছু না

একটা agentic system আসলে একটা simple application, যেখানে প্রতিটা code মানুষের লেখা। মডেল নিজে কিছু act করে না। Act করে আমাদের লেখা code। মডেল শুধু সিদ্ধান্ত নেয় কোন tool call করতে হবে।

কেন এখন? তিনটা জিনিস agent possible করেছে

1. Models that reason (EP 4): Step 1 → Step 2 → Step 3 → Answer। যে model reasoning করতে পারে না, তাকে দিয়ে এখানে কাজ নেই।
2. A standard for tools (EP 7): MCP (Model Context Protocol)। আগে প্রতিটা tool আর প্রতিটা model হাতে হাতে wire করতে হতো। এখন একটা standard। REST API বা GraphQL যেভাবে সবাইকে একই উপায়ে access দেয়, MCP-ও তেমন।
3. Engineering around the loop (EP 8–10): Evals → Logs → Permissions। পুরো agent কীভাবে ঘুরবে, সেই architecture-টাই engineering।

কোর্স শেষে বোঝা যাবে LLM কতটুকু কাজ করছে আর engineer কতটুকু। এর পেছনে যে concept, সেটা আসলে engineering। AI না, LLM না।

Mid-2026, honestly: agent আজ আসলে কোথায়

Myth: "Agents run on their own."
Reality: বেশিরভাগই narrow, supervised workflow।

কিছু chatbot-কে মালিকের "goodbye" না পেয়ে কান্নাকাটি করতে দেখা যায়। AI-র ভেতরে ওই sense নেই। কেউ একজন লিখে রেখেছে: "মালিক goodbye না বললে এই function call করবে।" এই harness অনেক ক্ষতিকরও হতে পারে, কিন্তু এর পেছনে AI নেই, একজন মানুষ আছে। ক্ষতিকর কিছু লেখা থাকলে সেটা LLM-এর দোষ না, যে লিখেছে তার দোষ।

Coding, support, research, operations: প্রায় সব জায়গায় agent কাজ করছে, কিন্তু সব জায়গায় একটা workflow হিসেবে, যার কেন্দ্রে একটা LLM সিদ্ধান্ত নেয় পরের tool কোনটা।

Capability is real. Engineering around it is the game.

History became architecture

আজকের AI system মানে এই stack:

• Era 1: Classical ML: আজও fraud, pricing আর forecast চালায়
• Era 2: Foundation model
• Era 3: Retrieval
• Era 4: Agent loop

মনে রাখার তিনটা কথা

1. Nothing got replaced. Classical ML, foundation model, RAG, agent, কোনোটাই replace হয়নি। প্রতিটা era আজকের stack-এর একটা layer হয়ে গেছে।
2. The work moved to you. Hard part সরে গেছে math থেকে systems-এ। ML শিখতে অনেকের ভয় লাগত, কারণ calculus আর অনেক math। এখন problem যখন model বানানো না, reliability আর scalability, তখন সেটা software engineer-এর problem।
3. Better models, more work. নতুন power সবসময় unreliable অবস্থায় আসে। যত powerful model-ই হোক, model unreliable। সেটাকে ঘিরে এমন workaround বানানো, যাতে accurate result আসে, এটাই আমাদের job।

শেষ কথা

The hard part of AI moved from training models to shipping systems.

আগে ML, AI শুধু expert-দের জন্য ছিল। এখন সব engineer-এর জন্য open। মাত্র 14 বছরে (2012 থেকে 2026) কম্পিউটারে তৈরি বুদ্ধিমত্তা ভাড়া দেওয়ার পর্যায়ে চলে এসেছে।

এই লেখাটি Stack Learner-এর "AI Engineering 101" কোর্সের Episode 2 থেকে নেওয়া আমার নোট। সব credit Stack Learner-এর। কোর্সটা দেখার পরামর্শ রইল।