Microsoft-এর ১১১ AI agent-এ planning cycle ১০ দিন থেকে আড়াই দিনের কম
Microsoft-এর ১৭ সেপ্টেম্বরের প্রকাশনা অনুযায়ী, কোম্পানির cloud supply-chain workflow-এ ১১১টির বেশি purpose-built AI agent মোতায়েনের পর planning cycle-এর গড় সময় প্রায় ১০ কর্মদিবস থেকে আড়াই কর্মদিবসের নিচে নেমেছে। ফলটি এপ্রিল থেকে আগস্ট ২০২৬ পর্যন্ত পাঁচটি মাসিক cycle-এর internal analysis; সংশ্লিষ্ট কাজটি সেপ্টেম্বর ২০২৫ থেকে আগস্ট ২০২৬ পর্যন্ত ১৫০ জনের বেশি সদস্যের cross-functional team পরিচালনা করেছে।
এটি agent-এর একক productivity benchmark নয়। ১৭ সেপ্টেম্বর প্রকাশিত VentureBeat-এর স্বাধীন পর্যালোচনা একই ফলের সঙ্গে workflow সরল করা, shared data foundation তৈরি এবং মানুষের নিয়ন্ত্রণসীমা নির্ধারণের কথাও উল্লেখ করেছে; Microsoft নিজেও ফলটিকে নির্দিষ্ট workflow ও measurement period-এর মধ্যে সীমাবদ্ধ রেখেছে।
Agentগুলো কোথায় এবং কী কাজ করছে
Deployment-টির ক্ষেত্র Microsoft-এর নিজস্ব global cloud infrastructure supply chain। এখানে একটি সাধারণ assistant সব কাজ করছে না; planning, sourcing, fulfillment ও logistics-এর আলাদা কাজের জন্য purpose-built agent ব্যবহার করা হয়েছে। এগুলো demand-এর পরিবর্তন অনুসন্ধান করে, capacity model করে এবং আকাশ, স্থল ও সমুদ্রপথে পরিবহনের খরচ, সময় ও carbon impact তুলনা করে।
কিছু agent নির্ধারিত permission ও approval threshold-এর মধ্যে planner-কে purchase order পরিবর্তন বা বাতিল করতেও সহায়তা করে। তবে মানুষকে সিদ্ধান্তপ্রক্রিয়া থেকে সরিয়ে দেওয়া হয়নি: কোন কাজ agent করতে পারবে, কোন পদক্ষেপ পর্যবেক্ষণ করতে হবে এবং কোথায় মানুষের review, approval বা intervention লাগবে—সেগুলো workflow-এর অংশ হিসেবেই নির্ধারিত।
Cycle-time ফলটি আসলে কী মেপেছে
প্রকাশিত metric একটি নির্বাচিত end-to-end planning cycle শেষ করতে প্রয়োজনীয় গড় কর্মদিবস মেপেছে। এটি প্রতি কর্মীর output, বাঁচানো headcount, প্রতিটি agent-এর আলাদা অবদান কিংবা পুরো supply chain-এর সামগ্রিক productivity মাপেনি। তাই headline-এর সময়-হ্রাসটি বাস্তব internal result হলেও তাকে সরাসরি workforce productivity gain বলা যাবে না।
Microsoft demand-plan investigation-এর একটি সম্পর্কিত ফলও দিয়েছে। প্রতি মাসে বিশটির বেশি investigation-এ পরিবর্তনের কারণ সম্পর্কে মানুষের যাচাই করা ব্যাখ্যা তৈরি করতে আগে পাঁচ থেকে সাত দিন লাগত; নতুন ব্যবস্থায় গড় সময় কয়েক ঘণ্টার নিচে নেমেছে এবং কিছু investigation বিশ মিনিটেরও কম সময়ে শেষ হয়েছে। এই পরিমাপ agent-এর উত্তর দেওয়ার গতি নয়, agent-এর বিশ্লেষণ থেকে human-validated explanation প্রস্তুত হওয়া পর্যন্ত সময় ধরে।
Agent বসানোর আগেই workflow বদলেছিল
Microsoft-এর cloud supply-chain team প্রথমে end-to-end process map করে অপ্রয়োজনীয় জটিলতা কমিয়েছে। এরপর একটি single source of truth তৈরি করা হয়েছে, যাতে আলাদা agent একই operational data ও সংজ্ঞা ব্যবহার করে reasoning করতে পারে। এই ভিত্তি তৈরির পর agentগুলোকে workflow জুড়ে বসানো হয়।
ফলে cycle-time reduction-এর কতটা model capability থেকে এবং কতটা handoff, approval বা data reconciliation কমানোর কারণে এসেছে, প্রকাশিত তথ্য থেকে আলাদা করা যায় না। কোনো control group-এর ফল দেওয়া হয়নি যেখানে পুরোনো workflow-এ শুধু agent যোগ করা হয়েছিল, অথবা redesigned workflow agent ছাড়া চালানো হয়েছিল। পর্যবেক্ষিত পরিবর্তনটি তাই agent, process redesign, shared data, permission boundary এবং human review—পুরো operating system-এর সম্মিলিত ফল।
আগের একটি Microsoft প্রকল্প এই supply-chain পরিবর্তনের প্রযুক্তিগত ধারাবাহিকতা দেখায়, কিন্তু সেটি একই measurement নয়। ১৬ এপ্রিলের Microsoft Research-এর IFS উপস্থাপনা machine learning, mathematical optimization ও generative AI-সমন্বিত shipment-planning system-এ cycle time অর্ধেকের বেশি কমা এবং decision cycle দিন থেকে মিনিটে নামার কথা বলেছিল। সেটি Intelligent Fulfillment Service ও OptiGuide-ভিত্তিক shipment planning-এর ফল; সেপ্টেম্বরের multi-agent planning measurement-এর sample হিসেবে সেটি ব্যবহার করা যাবে না।
অন্য প্রতিষ্ঠানে ফলটি মাপার চার শর্ত
এই case পুনরাবৃত্তির মূল্যায়নে agent-এর সংখ্যা নয়, একই scope ও পদ্ধতিতে before-and-after measurement জরুরি। ন্যূনতম measurement template-এ চারটি বিষয় আলাদা রাখা দরকার:
- Baseline: agent চালুর আগের একই কাজের cycle time, average ও median এবং cycle-to-cycle variation।
- Sample window: কতটি cycle মাপা হয়েছে, কোন সময়কাল ধরা হয়েছে এবং অস্বাভাবিক demand বা disruption sample-এ ছিল কি না।
- Workflow redesign: কোন approval, handoff, reconciliation বা manual investigation বাদ গেছে বা বদলেছে।
- Human validation: কোথায় review বাধ্যতামূলক, কত recommendation override হয়েছে এবং exception সামলাতে কত সময় লেগেছে।
Speed-এর সঙ্গে quality ও operational outcome-ও মাপতে হবে। দ্রুত plan তৈরি হলেও forecast error, late delivery, inventory imbalance, service level বা planner override খারাপ হলে cycle time একা সাফল্য প্রমাণ করে না। Microsoft measurement window ও workflow-এর সীমা জানিয়েছে, কিন্তু একই sample-এর error rate, override rate, cost বা before-and-after service-level ফল প্রকাশ করেনি।
কী নিশ্চিত, কী এখনো অজানা
নিশ্চিত বিষয় হলো, Microsoft তার cloud supply-chain workflow-এ ১১১টির বেশি purpose-built agent ব্যবহার করছে এবং সীমিত internal sample-এ planning cycle উল্লেখযোগ্যভাবে ছোট হওয়ার ফল প্রকাশ করেছে। প্রকাশিত বিবরণে process simplification, shared operational context ও human validation-কে deployment-এর অবিচ্ছেদ্য অংশ হিসেবে দেখানো হয়েছে।
অজানা রয়ে গেছে পর্যবেক্ষিত cycleগুলোর workload কতটা তুলনীয় ছিল, model ও process redesign-এর পৃথক অবদান কত, এবং Microsoft-এর বাইরে একই পদ্ধতিতে ফলটি পুনরাবৃত্ত হয়েছে কি না। তাই case-টি বৃহৎ multi-agent workflow চালানোর গুরুত্বপূর্ণ vendor-reported evidence, কিন্তু সাধারণ enterprise productivity proof নয়; তা প্রতিষ্ঠার জন্য বিস্তারিত quality outcome, দীর্ঘ measurement window ও independent replication প্রয়োজন।
আরও পড়ুন:
আমাদের নিউজলেটার নিন
সর্বশেষ Web3, AI ও ক্রিপ্টো সংবাদ সরাসরি আপনার ইনবক্সে পান।