কিন্তু এই confusion-এর বাস্তব ক্ষতি আছে। Engineer নিজে ভুল বুঝছে, আর company ভুল title দিয়ে ভুল মানুষ hire করছে। যেমন একটা project-এ AI Engineer দরকার ছিল, কিন্তু interview-র পর hire হলো একজন ML Engineer। ফলে কাজ ধীর হলো, আর যে result দরকার ছিল সেটা এলো না। উল্টোটাও হয়। ML Engineer খুঁজতে গিয়ে LLM আর agent নিয়ে কাজ করা মানুষকে নিয়ে আসা হয়।

তাহলে আসল AI Engineer কে? আগে বাজারে যে পাঁচ ধরনের মানুষ AI নিয়ে কাজ করে, তাদের চিনি।

পাঁচজন মানুষ, একটাই title

১. Model Builder (AI/ML Engineer ও Researcher)

এরা model নিজেই তৈরি করে। PyTorch, GPU, TensorFlow, neural network, loss curve, gradient descent, সবই এদের জগৎ। Heavy math (statistics, calculus) এখানে লাগে।

২০১২ সালের আগে থেকে, যখন AI নিয়ে কেউ মাথা ঘামাত না, তখন থেকে এরা এই কাজ করছে। আমরা আজ যা ব্যবহার করছি সেটা এদের research-এর উপরই দাঁড়িয়ে। কাজেই এদের প্রতি পূর্ণ সম্মান। কিন্তু এদের সঠিক পরিচয় AI/ML Engineer, এরা model বানায়।

Myth: "AI Engineering-এ heavy math লাগে।"
Reality: শুধু এই job-এ লাগে। AI Engineer model ব্যবহার করে, তাই math-টা model-এর ভেতরেই থাকে।

২. AI Annotation Engineer

Model যা শেখে, সেই data এরা label ও rank করে। বিভিন্ন input-output দিয়ে test করে দেখে model ঠিক উত্তর দিচ্ছে কি না। Math কম, judgment বেশি। Model Builder-দের সবচেয়ে কাছের মানুষ এরা।

Myth: "আমি সারাদিন LLM নিয়ে কাজ করি, তাই আমি AI Engineer।"
Reality: কাজটা গুরুত্বপূর্ণ। কিন্তু এটা model তৈরিতে সাহায্য করে, model-এর উপর product বানায় না।

৩. Prompt Crafter

ChatGPT, Claude, Gemini থেকে ভালো output বের করে আনতে ওস্তাদ। কাজ হলো শব্দ আর wording নিয়ে। Math নেই, আর যা তৈরি হয় তা content আর answer।

Myth: "AI Engineering মানে prompting।"
Reality: Prompt একটা layer মাত্র। "Backend মানে SQL লেখা" বললে যে ভুল হয়, এটাও সেই একই ভুল।

৪. AI-Assisted Developer (Agentic Engineer)

Claude Code, Codex, Cursor দিয়ে দ্রুত software বানায়। নামে "agentic engineer" শুনে অনেকে ভাবে সে AI agent বানায়, কিন্তু আসলে সে AI agent ব্যবহার করে code লেখায়।

এটা কিন্তু vibe coding না। Vibe coding হলো কোনো plan ছাড়া AI-কে বলে দেওয়া "আমার product বানিয়ে দাও" আর ফল যা আসে তাই মেনে নেওয়া। Agentic engineer আগের মতোই পুরো engineering process মানে: TDD, ভালো folder structure, CI/CD pipeline, quality maintain করা। শুধু হাতে কোড লেখার জায়গায় AI harness (Claude Code, OpenCode ইত্যাদি) দিয়ে লেখায়।

Myth: "আমি AI tool ব্যবহার করি, তাই আমি AI Engineering করি।"
Reality: AI দিয়ে software বানানো আর AI ব্যবহার করে এমন software বানানো আলাদা জিনিস।

৫. AI Engineer

এবার আসল উত্তর।

AI Engineering is building products and systems on top of foundation models.

এই এক লাইনের তিনটা অংশ ভালো করে বোঝা দরকার:

• Products and Systems: আপনার output কোনো model না। Output হলো একটা working feature যা real user ছুঁয়ে দেখে ব্যবহার করে। (ML Engineer-এর output model, AI Engineer-এর output product।)
• On top of: আপনি intelligence তৈরি করেন না, compose করেন।
• Foundation model: একটাই general model যা summarize, classify, code লেখা, reasoning সবই করতে পারে।

আমরা শুধু ধার নিই

Engineer হিসেবে আমরা সবসময় অন্যের তৈরি জিনিসের উপর কাজ করি:

• Database বানাই না, ধার নিই (Postgres)।
• Queue বানাই না, ধার নিই (RabbitMQ, Kafka)।
• Cache বানাই না, ধার নিই (Redis, Memcached)।
• SMS বা payment system বানাই না, কিনে নিই।

ঠিক একইভাবে AI Engineer intelligence ভাড়া করে, API-র মাধ্যমে, token cost দিয়ে। আগে আমাদের app-এ ছিল client, API, database। এখন একটা নতুন dependency যোগ হয়েছে: LLM। Model train করা আমার দায়িত্ব না, এই "brain"-কে আমার application-এ কীভাবে কাজে লাগাব সেটাই আমার দায়িত্ব।

আর যারা বলে "এটা তো শুধু AI wrapper": Database ব্যবহার করতে গেলেও তো Postgres-এর query planner লিখতে হয় না, কিন্তু ভালো engineer হতে হলে index, WAL, query plan কীভাবে কাজ করে তা বুঝতে হয়। AI-র ক্ষেত্রেও তাই। Model বানাতে হবে না, কিন্তু model কীভাবে আচরণ করে তা বোঝা লাগবে। আর একটা API call করলেই product হয় না। সেটা বোঝাই এই series-এর মূল উদ্দেশ্য।

পুরো map: কে model বানায়, কে ব্যবহার করে

Build models:

• AI researcher: নতুন model আবিষ্কার করে
• AI annotator: training data label করে
• ML engineer: company data-র উপর train করে

Use models:

• Prompt crafter: request-এর wording ঠিক করে
• AI-assisted developer: AI tool দিয়ে software বানায়
• AI engineer: model-এর উপর product বানায়

এটা কোনো ladder না। প্রতিটা আলাদা profession, কেউ ছোট বা বড় না।

চারটা verb, পুরো job

1. Integrate: Model-কে আপনার data, auth আর API-র সাথে connect করা।
2. Orchestrate: কখন, কী দিয়ে, কোন ক্রমে model/tool/agent call হবে তা ঠিক করা।
3. Evaluate: Output-এর quality সবসময় measure করা। ভালো না খারাপ? ঠিক না ভুল? Legal না illegal?
4. Harden: Product-কে safe, fast আর cheap রাখা, এমনকি model ভুল করলেও।

Backend জানলে আপনি অনেকটা এগিয়ে

ভালো খবর হলো, আপনি যদি Backend বা Full-stack developer হন, তাহলে AI Engineering আপনার কাছে পুরোপুরি অচেনা জগৎ না। এই জগতের বেশিরভাগ ধারণা আসলে আপনার চেনা ধারণারই নতুন রূপ।

নিচের list-এ দেখুন, আপনার পরিচিত skill কোন AI Engineering skill-এ পরিণত হয়:

• API design & integration → Model API, function calling, MCP
• Database design ও indexing → Vector database, retrieval, chunking
• Caching → Prompt caching, semantic caching
• Queue, worker, state machine → Agent orchestration ও harness
• Testing & CI → Eval, golden dataset, behavior regression test
• Log, trace, metrics → AI tracing, token ও cost dashboard
• Validation, least privilege, authz → Guardrails, injection defense, tool permission
• Retry, timeout, idempotency → একই ধারণা, শুধু model call-এ প্রয়োগ

তার মানে queue, worker বা cache আর লাগবে না, এমন না। এগুলো আগের মতোই লাগবে। প্রতিটা agent হয়তো একটা worker-এ চলবে। শুধু এর সাথে কিছু নতুন component যোগ হবে। তাই আপনি যদি এই ধারণাগুলো আগে থেকেই বোঝেন, নতুন অংশটুকু শেখা আপনার জন্য সময়ের ব্যাপার মাত্র।

AI Engineering কেন আলাদা করে দরকার?

যদি তিন লাইনে API connect করেই product হয়ে যেত, তাহলে এটা সত্যিই "wrapper" হতো। কিন্তু বাস্তবে কিছু সমস্যা আছে:

১. Same input, different answer। LLM pure function না। একই input-এ বারবার একই output দেয় না। Normal engineer predictable জিনিস বানায়, কিন্তু LLM unpredictable। তাই AI Engineer-এর কাজ হলো unpredictable জিনিসের উপর predictable system বানানো। বাচ্চা সামলানোর মতো: তাকে মানুষ করতেই হবে, কিন্তু সে কখন কোনদিকে দৌড় দেয় কেউ জানে না।

২. LLM-এর কোনো memory নেই। HTTP request-এর মতো প্রতিটা call stateless। দ্বিতীয়বার জিজ্ঞেস করলে সে আগের কথা মনে রাখে না। তাই memory আমাদেরই তৈরি করতে হয়: কী store করব, কী তুলে আনব, কতটুকু পাঠাব।

৩. Context-এর limit আছে। বিমানবন্দরে luggage limit-এর মতো, প্রতিটা request-এ model কতটুকু দেখতে পারবে তার সীমা আছে। Context window বড় হচ্ছে, কিন্তু সেই সাথে cost-ও বাড়ছে, আর unlimited কখনো হবে না। তাই context management সবসময় লাগবে।

৪. Knowledge cutoff। Model একটা নির্দিষ্ট তারিখ পর্যন্ত data-য় train হয়। তার পরের কিছু সে জানে না। Real-world আর real-time data দিতে লাগে knowledge base: RAG, agentic RAG, graph RAG, hybrid search।

এগুলো মিলিয়ে তৈরি হয় এই stack:

• Context: প্রতিটা request-এ model ঠিক কী দেখে
• Knowledge: Embedding, vector search ও RAG দিয়ে private data
• Tools: Function calling ও MCP দিয়ে model কাজ করতে পারে
• Orchestration: Workflow বনাম agent, আর তাদের সীমায় রাখার harness
• Evaluation: Golden dataset, LLM-as-judge, tracing
• Hardening: Injection defense, cost, latency, reliability

AI Engineer-এর একটা দিন তাই এমন: সকালে আগের রাতের trace পড়ে বোঝা, "কোন user ভুল উত্তর পেল, কেন?", তারপর context, tool, eval আর hardening নিয়ে কাজ। অনেকটা Backend Engineer-এর জীবনের মতোই।

লক্ষ করুন, এই পুরো আলোচনায় training run, loss curve, GPU বা gradient descent একবারও আসেনি। এগুলো সব ML-এর পরিভাষা, AI Engineer হিসেবে এগুলোর সাথে আমাদের সরাসরি সম্পর্ক নেই।

Job post দেখে কীভাবে চিনবেন?

Title দেখে লাভ নেই, কারণ company-ই confused। ভেতরের keyword দেখুন।

• ML Engineering: train, fine-tune, PyTorch, TensorFlow, feature engineering, model serving, drift
• AI Engineering: integrate LLM APIs, RAG, agents, evals, vector DB, latency, cost

পরের ধরনের শব্দ দেখলে চোখ বন্ধ করে ধরে নিতে পারেন, এটা AI Engineering-এর job।

এই Series-এর Roadmap: ১২টা Episode

পুরো Series তিনটা ধাপে ভাগ করা, মোট ১২টা episode।

Foundations

• EP 01: AI Engineering কী (আপনি এখানে)
• EP 02: আমরা এখানে এলাম কীভাবে
• EP 03: LLM কীভাবে কাজ করে
• EP 04: Model landscape

Building blocks

• EP 05: Context engineering
• EP 06: Knowledge (RAG ও memory)
• EP 07: Tools ও MCP
• EP 08: Agents ও harness

Ship it

• EP 09: Evals ও observability
• EP 10: Security, cost, reliability
• EP 11: Case study (TaskFlow)
• EP 12: Mindset ও roadmap

এই Series-টা একটা 101, masterclass না। এর উদ্দেশ্য আপনাকে সব বিষয়ে expert বানানো না। উদ্দেশ্য হলো পুরো map আর পরিভাষাগুলো আপনার মাথায় বসিয়ে দেওয়া, যাতে সমস্যার সামনে দাঁড়িয়ে আপনি বুঝতে পারেন কোথায় কী লাগবে। যেমন, কোনো জায়গায় শুধু RAG যথেষ্ট না, সেখানে hybrid search লাগবে, অথবা কোনো কাজে একটা ReAct agent দরকার। কোন টার্মের মানে কী, কেন লাগে, আর কোথায় লাগে, এই বোধটাই এখানে মূল লক্ষ্য।

শেষ কথা

একজন AI Engineer হলেন সেই product engineer, যিনি foundation model-কে একটা working product বা feature-এ রূপান্তর করেন।

আপনি agentic engineer, AI-assisted developer, prompt crafter বা annotator হতেই পারেন, সবগুলো মূল্যবান কাজ। কিন্তু AI Engineer তখনই, যখন আপনার product-এর ভেতরে AI feature আছে আর আপনি সেটা নির্ভরযোগ্যভাবে বানাচ্ছেন।

পরের পোস্টগুলোতে আমি একে একে বাকি episode নিয়ে লিখব। পরের পোস্টে দেখব, আমরা আজকের এই জায়গায় এলাম কীভাবে (Episode 2)।

Credit: এই লেখাটি Stack Learner-এর AI Engineering 101 course-এর Episode 1 ("What AI Engineering Actually Is") থেকে আমার শেখা ও নোটের ভিত্তিতে লেখা। মূল ধারণা ও কাঠামোর কৃতিত্ব Stack Learner ও course-এর instructor HM Nayemভাইয়ের। Course-টি Stack Learner-এর platform-এ বিনামূল্যে দেখা যাবে।