AI-লেখা CV আর আলাদা করে না—চাকরি পেতে project-এর প্রমাণ দেখান

AI দক্ষতা বিশ্বাসযোগ্যভাবে দেখাতে একটি ছোট deployed project প্রকাশ করুন, যেখানে recruiter শুধু চূড়ান্ত output নয়, আপনার problem statement, baseline, evaluation set, failure log, খরচ এবং human review-এর সীমাও যাচাই করতে পারেন। CV-তে সেই কাজের ফল ও নিজের ভূমিকা সংক্ষেপে লিখুন; interview-এ সিদ্ধান্তগুলোর কারণ এবং system কোথায় ব্যর্থ হয়েছে তা ব্যাখ্যা করুন।

শুধু “ChatGPT, prompt engineering বা RAG জানি” লেখা দক্ষতার প্রমাণ নয়। CV-এর দাবি থেকে project page, সেখান থেকে demo বা sample output, তারপর GitHub repository ও পুনরায় চালানো যায় এমন evaluation—এই যাচাইয়ের পথটি পরিষ্কার রাখুন।

পরিশীলিত CV কেন আর যথেষ্ট নয়

AI দিয়ে ভাষা পরিষ্কার করা নিজে সমস্যা নয়; সমস্যা হয় যখন polished বাক্যের পেছনে যাচাইযোগ্য অভিজ্ঞতা থাকে না। HireVue-এর Chief Science Officer Mike Hudy বলেছেন, AI বাস্তব দক্ষতা ও অর্জন স্পষ্টভাবে উপস্থাপন করতে পারে, কিন্তু প্রার্থী সমর্থন করতে পারবেন না এমন অভিজ্ঞতা যোগ করলে CV আর ব্যক্তিটির নির্ভুল প্রতিনিধিত্ব থাকে না; তাঁর নিয়োগসংক্রান্ত ব্যাখ্যায় নির্দিষ্ট সিদ্ধান্ত, সমস্যা সমাধান ও ফলের concrete evidence-কে আলাদা হওয়ার ভিত্তি বলা হয়েছে।

“AI chatbot তৈরি করেছি” তাই কেবল একটি দাবি। কোন ব্যবহারকারীর সমস্যা সমাধান করেছেন, কী data নিয়েছেন, output কীভাবে যাচাই করেছেন এবং ভুল হলে কী ঘটে—এসব দেখালে দাবিটি পরীক্ষাযোগ্য হয়। CV-তে লেখা কাজ interview বা assessment-এ ব্যাখ্যা করতে না পারলে অতিরিক্ত polish উল্টো কাগজের পরিচয় ও বাস্তব সক্ষমতার ফারাকটি প্রকাশ করে দেয়।

একটি project-এ যে সাতটি প্রমাণ রাখবেন

বড় application প্রয়োজন নেই। সীমিত scope-এর এমন project বেছে নিন, যার end-to-end কাজ এবং প্রধান trade-off কয়েক মিনিটে বোঝা যায়। Project page ও README-তে নিচের কাঠামো ব্যবহার করতে পারেন।

1. Problem statement: কার কোন কাজটি সহজ করছেন, input কী এবং গ্রহণযোগ্য output কেমন—দুই বা তিন বাক্যে নির্দিষ্ট করুন। “AI দিয়ে productivity বাড়ানো”র মতো বিস্তৃত দাবি এড়িয়ে ব্যবহারকারী ও task-এর সীমানা দিন।
2. Baseline: AI ছাড়া সবচেয়ে সহজ কার্যকর পদ্ধতিটি দেখান—যেমন keyword search, fixed rule বা manual workflow। একই সমস্যায় AI যোগ করার প্রয়োজনটি তারপর ব্যাখ্যা করুন।
3. Evaluation set: সম্ভাব্য বাস্তব ব্যবহারের প্রতিনিধিত্বকারী ছোট test set বানান। data-এর উৎস, ব্যক্তিগত তথ্য সরানোর পদ্ধতি এবং success criterion নথিবদ্ধ করুন।
4. Result: একই test set-এ baseline ও ব্যবহৃত AI configuration তুলনা করুন। Accuracy উপযুক্ত না হলে task-specific metric নিন; সঙ্গে anonymized ভালো ও খারাপ output দিন।
5. Failure log: কয়েক ধরনের ভুল output, সম্ভাব্য কারণ এবং নেওয়া বা প্রস্তাবিত mitigation লিখুন। শুধু সফল screenshot বিচারবোধ বা নির্ভরযোগ্যতা প্রমাণ করে না।
6. Cost ও latency: প্রতি request বা নির্দিষ্ট test batch-এর আনুমানিক খরচ ও response time দিন। model, হিসাবের input এবং run-এর তারিখ লিখলে ফলের প্রেক্ষাপট বোঝা যায়।
7. Human review: কোন output সরাসরি ব্যবহারযোগ্য, কোনটির মানুষের অনুমোদন দরকার এবং ঝুঁকিপূর্ণ request কীভাবে আটকাবেন—সীমানাটি স্পষ্ট করুন।

এই নথি tool চালানোর চেয়ে বড় দক্ষতা দেখায়: আপনি সমস্যা সংজ্ঞায়িত করতে, বিকল্প তুলনা করতে, ফল যাচাই করতে এবং সীমাবদ্ধতার দায়িত্ব নিতে পারেন। Project প্রত্যাশিত ফল না দিলেও সৎ failure evidence এবং পরবর্তী experiment-এর যুক্তি সেটিকে মূল্যবান work sample বানাতে পারে।

GitHub-কে code dump নয়, যাচাইয়ের নথি বানান

Repository খুলেই reviewer-এর বোঝা উচিত project কী করে এবং কীভাবে চালাতে হয়। README-এর শুরুতে এক বাক্যে সমস্যা ও target user, তারপর demo link, মূল ফল এবং আপনার ভূমিকা দিন। এরপর setup steps, sample input, expected output, architecture-এর সংক্ষিপ্ত ব্যাখ্যা, evaluation command ও limitations রাখুন; secret, API key বা ব্যবহারের অনুমতি নেই এমন data commit করবেন না।

একটি ছোট স্থির evaluation set ও সংশ্লিষ্ট result file রাখুন, যাতে একই command চালিয়ে তুলনাটি পুনরুৎপাদন করা যায়। Prompt, model বা retrieval পদ্ধতি বদলালে changelog-এ কী বদলেছে, কেন বদলেছে এবং metric বা failure pattern-এ তার প্রভাব লিখুন। Live demo সচল রাখা সম্ভব না হলে সেই সীমা জানিয়ে sample run, screen recording এবং নির্ভুল setup instruction দিন।

ভারতের একটি সাম্প্রতিক snapshot এই ধরনের প্রমাণের প্রাসঙ্গিকতা দেখায়। July 2026-এ প্রকাশিত HireDoor-এর ১৮,৪০০টির বেশি technology listing বিশ্লেষণে ২৮% listing-এ AI skill চাওয়া হয়েছিল; fresher-দের ক্ষেত্রে internship, open-source contribution ও GitHub project-কে অগ্রাধিকার দেওয়ার কথাও প্রতিবেদনে আছে। এটি company career page, startup site ও recruitment platform-এর public listing-ভিত্তিক নিজস্ব বিশ্লেষণ—সমস্ত ভারতীয় চাকরির census নয়।

CV-তে tool নয়, ফল ও নিজের ভূমিকা লিখুন

Project-এর জন্য দুই বা তিনটি bullet-ই যথেষ্ট, যদি প্রতিটি যাচাই করা যায়। প্রথমটিতে সমস্যা ও ব্যবহারকারী, দ্বিতীয়টিতে আপনার technical decision ও evaluation, তৃতীয়টিতে ফল এবং repository বা demo link দিন। Team project হলে “আমরা”র আড়ালে না থেকে data preparation, retrieval, evaluation, interface বা deployment—কোন অংশটি আপনার ছিল তা আলাদা করুন।

উদাহরণস্বরূপ একটি কাঠামো হতে পারে: “বাংলা customer-support query শ্রেণিবিন্যাসের prototype তৈরি; একই labeled set-এ rule-based baseline ও model তুলনা; ভুল category human-review queue-তে পাঠানোর নিয়ম যোগ; code, test-set description ও failure log সংযুক্ত।” এটি একটি কাল্পনিক নমুনা—নিজের project-এর সত্য তথ্য দিয়ে পূরণ করুন। Metric না মাপলে সংখ্যা বানাবেন না; আগে evaluation চালান।

AI skill-এর উল্লেখ একেবারে মূল্যহীনও নয়। সংশোধিত সংস্করণে যুক্তরাজ্য, যুক্তরাষ্ট্র ও জার্মানির ১,৭২৫ recruiter-কে synthetic CV pair মূল্যায়ন করানো paired conjoint experiment-এ graphic design, office assistance ও software engineering—এই তিন পেশায় AI skill interview invitation-এর সম্ভাবনা AI skill না থাকা প্রার্থীর তুলনায় আনুমানিক ৮–১৫ percentage point বাড়িয়েছে। এটি hypothetical candidate নিয়ে experimental survey, বাস্তব নিয়োগের ফল নয়; দেশ, পেশা ও recruiter-এর বৈশিষ্ট্য অনুযায়ী প্রভাবও বদলেছে। তাই গবেষণাটি AI skill উল্লেখের পক্ষে evidence দেয়, project-এর প্রমাণ বাদ দেওয়ার পক্ষে নয়।

Interview-এ decision trail মিলিয়ে দিন

Interview-এর প্রস্তুতি prompt মুখস্থ করে নয়, project-এর decision trail ধরে নিন। কেন ওই baseline নিয়েছিলেন, model বা পদ্ধতি নির্বাচনের মানদণ্ড কী ছিল, সবচেয়ে গুরুত্বপূর্ণ failure কোনটি এবং আরও সময় পেলে কোন experiment আগে চালাতেন—এই চার প্রশ্নের উত্তর প্রস্তুত রাখুন। Repository-এর নির্দিষ্ট evaluation case, result file বা commit-এর সঙ্গে উত্তর মিললে interviewer দাবিটি যাচাই করতে পারবেন।

Demo ব্যর্থ হলে সেটি আড়াল না করে failure mode শনাক্ত করুন: dependency, rate limit, data mismatch নাকি model behavior। এরপর production ব্যবহারে monitoring, fallback এবং human approval কোথায় বসবে তা বলুন। বিশেষ করে fresher ও career-switcher-এর জন্য এই ব্যাখ্যা দেখাতে পারে যে tutorial অনুসরণের বাইরে আপনি trade-off বুঝে সিদ্ধান্ত নিতে পারেন।

প্রকাশের আগে নিশ্চিত করুন, অপরিচিত কেউ দ্রুত problem, baseline ও result বুঝতে পারেন; evaluation data ও metric-এর অর্থ পরিষ্কার; ব্যর্থতার উদাহরণ, খরচ এবং human-review boundary নথিবদ্ধ; আর CV-এর প্রতিটি দাবি repository বা demo-তে খুঁজে পাওয়া যায়। তখন portfolio শুধু AI ব্যবহার নয়, কাজটি যাচাই, ব্যাখ্যা ও দায়িত্ব নিয়ে পরিচালনার সক্ষমতাও দেখাবে।