শুধু prompting শিখে AI চাকরি নয়—Python-এর পাশেই চাই যোগাযোগ দক্ষতা

সরাসরি উত্তর: নিয়োগদাতারা শুধু ভালো prompt লিখতে জানা প্রার্থী খুঁজছেন না। AI ব্যবহারভিত্তিক কাজে আগে দরকার নিজের পেশার workflow বোঝা, তথ্য ও ফল যাচাই করা এবং সিদ্ধান্তটি পরিষ্কারভাবে ব্যাখ্যা করা; AI application নির্মাণের ভূমিকায় এর সঙ্গে Python, programming, data science ও software engineering যোগ হয়।

তাই শেখার যুক্তিসংগত ক্রম হলো foundation → domain workflow → ভূমিকা-সংশ্লিষ্ট AI capability → communication ও judgment। আপনি ব্যবহারকারী, builder না manager—তার ওপর প্রযুক্তিগত গভীরতা বদলাবে; তবে portfolio-তে prompt-এর সংগ্রহ নয়, বাস্তব সমস্যা, অনুমোদিত input, evaluation এবং ব্যবহারযোগ্য output দেখাতে হবে।

চাকরির বিজ্ঞাপন কী সংকেত দিচ্ছে

AI দক্ষতার চাহিদা কেবল প্রযুক্তি পেশায় সীমাবদ্ধ নয়। Lightcast-এর চাকরির বিজ্ঞাপন বিশ্লেষণ অনুযায়ী, ২০২৪ সালে AI skill চাওয়া বিজ্ঞাপনের অর্ধেকের বেশি IT ও Computer Science পেশার বাইরে ছিল। ফলে marketing, finance, HR, education বা research-এর প্রার্থীর জন্য আলাদা “AI” পদবির অপেক্ষা না করে নিজের domain-এর কাজে AI ব্যবহারের প্রমাণ তৈরি করা বেশি প্রাসঙ্গিক হতে পারে।

মানবিক দক্ষতাও অতিরিক্ত অলংকার নয়। এক হাজারের বেশি আন্তর্জাতিক নিয়োগদাতার প্রত্যাশাভিত্তিক World Economic Forum-এর ২০২৫ survey-তে analytical thinking প্রধান core skill; AI ও big data দ্রুত গুরুত্ব পাওয়া skill হলেও leadership, resilience, creative thinking ও technological literacy-ও গুরুত্বপূর্ণ। এটি বাংলাদেশ বা ভারতের স্থানীয় vacancy count নয়, তাই স্থানীয় ভাষা, শিল্প, নিয়ন্ত্রণ ও নিয়োগপদ্ধতির পার্থক্য আলাদাভাবে বিবেচনা করতে হবে।

Tool-এর আগে তিন স্তরের ভিত্তি

Foundation skill হলো tool বদলালেও কাজে লাগে এমন ক্ষমতা: সমস্যা ছোট ধাপে ভাঙা, spreadsheet ও মৌলিক data handling, পরিসংখ্যানের প্রাথমিক ধারণা, source verification, privacy awareness এবং পরিষ্কার লেখা। Builder-এর জন্য এর সঙ্গে Python, Git, API, database, testing ও debugging যুক্ত হবে। Prompting এই ভিত্তি ব্যবহার করে model-এর সঙ্গে কাজ করার কৌশল; ভিত্তির বিকল্প নয়।

Domain skill নির্ধারণ করে AI দিয়ে কোন workflow বা সিদ্ধান্ত উন্নত করা হবে। হিসাবকর্মীর reconciliation ও audit trail, marketer-এর audience ও experiment design কিংবা শিক্ষকের assessment criteria না জানলে সাবলীল AI output-ও কাজের উপযোগী নাও হতে পারে। শেখার output হিসেবে একটি বাস্তব workflow map তৈরি করুন: input কোথা থেকে আসে, সিদ্ধান্ত কে নেয়, ভুলের ক্ষতি কী এবং কোথায় মানব অনুমোদন আবশ্যক।

Current AI skill হিসেবে prompting, structured output, retrieval, evaluation, automation ও agent workflow থেকে লক্ষ্যভূমিকার প্রয়োজনীয় অংশ বেছে নিন। সব framework শেখার বদলে একটি end-to-end কাজ দেখান—input গ্রহণ, output তৈরি, quality check, ব্যতিক্রম সামলানো এবং ফল সংশ্লিষ্ট ব্যক্তিকে ব্যাখ্যা করা।

ব্যবহারকারী, builder ও manager-এর skill matrix

ব্যবহারকারী: দ্রুততার সঙ্গে নির্ভরযোগ্যতা

• অগ্রাধিকার: domain workflow, prompt decomposition, source checking, document বা spreadsheet handling, privacy এবং সংক্ষিপ্ত যোগাযোগ।
• শেখার output: পুনরাবৃত্ত একটি কাজের জন্য reusable instruction, input template, review checklist ও escalation rule।
• Portfolio evidence: পরিচয়মুক্ত sample দিয়ে আগের ও AI-assisted workflow তুলনা; সম্ভাব্য ভুল এবং তা ধরার পদ্ধতি। গোপন employer বা client data ব্যবহার করা যাবে না।
• ছয় মাস পর দেখবেন: লক্ষ্যভূমিকার বিজ্ঞাপনে নতুন capability নিয়মিত চাওয়া হচ্ছে কি না এবং তা মূল কাজের কোনো বাস্তব বাধা দূর করছে কি না।

Builder: Python-এর সঙ্গে production discipline

AI system নির্মাণের ভূমিকায় Python গুরুত্বপূর্ণ, কিন্তু সেটিই সম্পূর্ণ skill set নয়। যুক্তরাষ্ট্রের AI-builder পদ নিয়ে Lightcast-এর ২০২৬ posting review-তে সবচেয়ে বেশি উল্লিখিত ২০টি skill-এর মধ্যে programming ও Python, computer science এবং data science-এর পাশাপাশি communication ও leadership রয়েছে; দ্রুত বাড়তে থাকা skill-এর মধ্যে generative AI ও AI agents-ও আছে। একই বিশ্লেষণে ২০২২ সালের পর machine learning ও predictive modelling-এর উল্লেখ কমার কথা বলা হয়েছে—এটি নির্দিষ্ট মার্কিন role set-এর প্রবণতা, skill দুটি অপ্রয়োজনীয় হওয়ার প্রমাণ নয়।

• অগ্রাধিকার: Python, data structures, SQL, Git, API, testing ও debugging; এরপর model API, retrieval, evaluation, observability এবং agent orchestration।
• শেখার output: বাস্তবসম্মত input গ্রহণ, failure সামলানো এবং output evaluate করতে পারে এমন ছোট application।
• Portfolio evidence: repository, README, গুরুত্বপূর্ণ architecture decision, test case, evaluation set এবং সীমাবদ্ধতার নোট। শুধু chatbot-এর screenshot যথেষ্ট নয়।
• ছয় মাস পর দেখবেন: লক্ষ্যভূমিকার vacancy ও interview task-এ কোন capability ধারাবাহিকভাবে পরীক্ষা করা হচ্ছে। সামাজিক মাধ্যমে আলোচিত প্রতিটি framework-এর জন্য stack বদলানোর প্রয়োজন নেই।

Manager: কোথায় AI লাগবে, কোথায় থামবে

• অগ্রাধিকার: process mapping, data governance, risk classification, vendor evaluation, experiment design, change management ও stakeholder communication। Code পড়ার মৌলিক ক্ষমতা সহায়ক, কিন্তু প্রত্যেক manager-এর builder-স্তরের implementation জানা আবশ্যক নয়।
• শেখার output: business goal, baseline, data permission, success metric, human review ও rollback condition-সহ একটি AI use-case brief।
• Portfolio evidence: কাল্পনিক হিসেবে স্পষ্টভাবে চিহ্নিত pilot plan, evaluation rubric ও risk register, যেখানে সিদ্ধান্তের trade-off ব্যাখ্যা করা হয়েছে।
• ছয় মাস পর দেখবেন: আইন, প্রতিষ্ঠানের data policy, model capability বা failure pattern বদলেছে কি না; নতুন tool প্রকাশ পেলেই policy বদলাতে হবে না।

যোগাযোগ দক্ষতা portfolio-তে কীভাবে দৃশ্যমান হবে

“ভালো communicator” লেখা কোনো প্রমাণ নয়। একই project-এর দুটি artefact তৈরি করুন: technical reader-এর জন্য method, test, evaluation ও limitation; non-technical decision-maker-এর জন্য সমস্যা, ফল, ঝুঁকি এবং প্রয়োজনীয় মানব সিদ্ধান্তের সংক্ষিপ্ত brief। এতে বোঝা যায় আপনি output তৈরির পাশাপাশি তার ব্যবহার ও বিশ্বাসযোগ্যতার সীমাও বুঝতে পারেন।

Project description-এ চারটি প্রশ্নের উত্তর রাখুন: সমস্যাটি কী, AI কেন উপযুক্ত, quality কীভাবে মাপা হয়েছে এবং ভুল হলে সিদ্ধান্ত কে নেবে। Accuracy দাবি করলে evaluation sample ও metric দেখান; সময় সাশ্রয়ের দাবি করলে আগের পদ্ধতির baseline দিন। প্রমাণ না থাকলে ফলটিকে শেখার exercise হিসেবেই পরিচয় করান।

শেখার ক্রম ও ছয় মাসের পুনর্মূল্যায়ন

1. লক্ষ্যভূমিকার স্থানীয় ও আন্তর্জাতিক vacancy-এর একটি পরিচালনাযোগ্য sample নিন। পুনরাবৃত্ত skill-গুলো foundation, domain, AI ও human—এই চার ভাগে সাজান এবং দুই বাজারের ফল আলাদা রাখুন।
2. Foundation-এর দুর্বলতা পূরণ করে একটি domain workflow বাছুন। ব্যবহারকারী হলে controlled workflow, builder হলে tested application এবং manager হলে measurable pilot plan তৈরি করুন।
3. Project-এর evaluation, documentation ও presentation উন্নত করুন। নতুন framework শেখার আগে সেটি project-এর নির্দিষ্ট সীমাবদ্ধতা সমাধান করে কি না দেখুন।
4. ছয় মাস পরে একই ধরনের vacancy sample আবার পর্যালোচনা করুন। কোনো skill বহু বিজ্ঞাপনে পুনরাবৃত্ত হলে, interview task-এ পরীক্ষিত হলে বা লক্ষ্যকাজের বাস্তব বাধা হলে তার অগ্রাধিকার বাড়ান; কেবল tool-এর নাম বদলালে foundation অক্ষুণ্ণ রাখুন।

এই matrix কোনো স্থানীয় নিয়োগ-পরিসংখ্যান নয়: builder-সংক্রান্ত posting evidence যুক্তরাষ্ট্রকেন্দ্রিক এবং employer survey আন্তর্জাতিক বড় প্রতিষ্ঠানের প্রত্যাশা তুলে ধরে। বাংলাদেশ ও বাংলা ভাষাভাষী ভারতের পাঠকের তাই স্থানীয় vacancy, কাজের ভাষা, data access ও sector regulation-এর সঙ্গে roadmap মিলিয়ে নেওয়া দরকার।

আরও পড়ুন:

• Forward Deployed Engineer হতে শুধু Python নয়—গ্রাহকের সমস্যাও বুঝতে হবে