ভারতে AI certificate একা যথেষ্ট নয়: নিয়োগে চাওয়া হচ্ছে প্রমাণযোগ্য কাজ

ভারতে AI-সংশ্লিষ্ট চাকরির জন্য certificate সহায়ক, কিন্তু সেটি একা কাজের সক্ষমতা প্রমাণ করে না। শক্তিশালী প্রস্তুতিতে AI literacy, data ব্যবহার, cybersecurity, নির্দিষ্ট domain-এর জ্ঞান এবং শুরু থেকে শেষ পর্যন্ত যাচাইযোগ্য একটি project workflow একসঙ্গে দেখাতে হবে।

অর্থাৎ portfolio-তে শুধু কী শিখেছেন তা নয়, কোন সমস্যা সমাধান করেছেন, data কোথা থেকে এসেছে, AI কোন ধাপে ব্যবহার করেছেন, output কীভাবে পরীক্ষা করেছেন এবং কোথায় মানুষের সিদ্ধান্ত প্রয়োজন—এসব দৃশ্যমান হওয়া জরুরি। Certificate শেখার কাঠামো ও প্রাথমিক signal দিতে পারে; প্রমাণযোগ্য কাজ দেখায় সেই শিক্ষা বাস্তবে প্রয়োগ করতে পারেন কি না।

Skills-first hiring কী বদলাচ্ছে

Skills-first hiring মানে degree অপ্রাসঙ্গিক হয়ে যাওয়া নয়। এর অর্থ হলো formal qualification-এর পাশাপাশি নির্দিষ্ট কাজের জন্য প্রয়োজনীয় দক্ষতা সরাসরি মূল্যায়ন করা। ফলে একই certificate থাকা দুই প্রার্থীর মধ্যে domain বোঝাপড়া, স্বাধীন সিদ্ধান্ত এবং কাজের quality যাচাই করার ক্ষমতা পার্থক্য তৈরি করতে পারে।

NIIT ও YouGov-এর nationwide survey-তে শিক্ষার্থী, কর্মজীবী, recruiter, CXO ও academic leader মিলিয়ে ৩,৫০০ respondent ছিলেন। NIIT India Skills Gap Report 2026-এর press release অনুযায়ী, digital ও data skill আগামী তিন থেকে পাঁচ বছরের গুরুত্বপূর্ণ capability-গুলোর মধ্যে রয়েছে, recruiter ও CXO-রা technical ও domain-specific expertise-কে অগ্রাধিকার দেন এবং ৩৮% respondent মনে করেন traditional degree-এর বাইরে certification ও micro-credential-এর মূল্য বাড়ছে। এটি certificate-এর গুরুত্ব দেখায়, কিন্তু কোনো certificate নিজে থেকেই job readiness নিশ্চিত করে—এমন ফল survey-টি দেয় না।

ভারতের নিয়োগবাজারে role নির্বাচনও তাই গুরুত্বপূর্ণ। World Economic Forum-এর India outlook Big Data Specialist, AI and Machine Learning Specialist ও Security Management Specialist-কে দেশের দ্রুত বাড়তে থাকা role-এর মধ্যে রেখেছে; জরিপে অংশ নেওয়া ভারতীয় employer-দের ৩০% degree requirement সরিয়ে skills-based hiring গ্রহণকে talent need মেটানোর কার্যকর পথ বলে মনে করেছেন। তাই অস্পষ্টভাবে “AI job” লক্ষ্য না করে data, software, security বা নির্দিষ্ট business function-এ AI কীভাবে ব্যবহৃত হয়, সেই role ধরে প্রস্তুতি নেওয়া বেশি যুক্তিসংগত।

Certificate কোথায় কাজে লাগে, কোথায় থেমে যায়

একটি উপযুক্ত certificate foundational ধারণা গুছিয়ে শেখাতে, ধারাবাহিকতা বজায় রাখতে এবং CV screening-এ পরিচিত credential দিতে পারে। নতুন ক্ষেত্রে প্রবেশের সময় এটি বিশেষভাবে কাজে লাগে। তবে guided quiz বা নির্ধারিত exercise পাস করা থেকে বোঝা যায় না যে প্রার্থী অপরিচিত data, অসম্পূর্ণ requirement বা ভুল AI output স্বাধীনভাবে সামলাতে পারবেন।

সরকারি training-এর বিস্তার certificate ও job evidence-এর এই পার্থক্যকে আরও প্রাসঙ্গিক করেছে। ৬ আগস্ট ২০২৬ পর্যন্ত SOAR-এ ৫,১৭,৪৭৭ জন enrol করেছিলেন এবং ১,০০,৬৬৪ জন certified হয়েছিলেন; PMKVY 4.0-এর AI, Machine Learning ও Data Science-সংশ্লিষ্ট role-এ পশ্চিমবঙ্গে ৩৩৪ জন trained বা oriented এবং ৩২ জন certified ছিলেন বলে Skill Development Ministry-এর রাজ্যসভায় দেওয়া উত্তরে উল্লেখ আছে। একই উত্তরে applicable role-এ on-the-job training এবং apprenticeship-এর ব্যবস্থাও বর্ণনা করা হয়েছে।

এই সংখ্যাগুলো training-এর পরিসর ও certification completion দেখায়; চাকরি পাওয়া, course-এর মান বা পশ্চিমবঙ্গের সামগ্রিক AI talent pool মাপে না। ফলে এগুলো দিয়ে certificate-এর বাজারমূল্য নির্ধারণ করা যাবে না। ব্যবহারিক সিদ্ধান্ত হলো—course-এর শেখা বিষয়কে এমন project-এ রূপ দেওয়া, যার data, পদ্ধতি, পরীক্ষা ও সীমাবদ্ধতা অন্য কেউ পর্যালোচনা করতে পারেন।

পাঁচ স্তরে portfolio-র প্রমাণ সাজান

অনেক অগভীর project-এর বদলে role-এর সঙ্গে সম্পর্কিত এক বা দুটি project গভীরভাবে নথিবদ্ধ করা একটি কার্যকর সম্পাদকীয় সুপারিশ। নিচের rubric কোনো সরকারি বা employer scoring system নয়; এটি reviewer-এর সামনে প্রয়োজনীয় evidence পরিষ্কারভাবে সাজানোর কাঠামো।

1. AI literacy: সমস্যা ও ব্যবহারকারীর প্রয়োজন লিখুন। AI কেন ব্যবহার করেছেন, সহজ rule-based বা manual পদ্ধতি যথেষ্ট ছিল কি না, model বা service-এর সীমা কোথায় এবং কোন সিদ্ধান্তে মানুষের review দরকার—তা ব্যাখ্যা করুন।
2. Data skill: data-এর উৎস, ব্যবহারের অনুমতি, schema, missing value এবং cleaning decision দেখান। Final dashboard-এর পাশাপাশি SQL query, notebook বা raw input থেকে usable dataset তৈরির পুনরুৎপাদনযোগ্য ধাপ রাখুন।
3. Cybersecurity: ব্যক্তিগত বা গোপনীয় তথ্য বাদ দেওয়া, access control, secret বা credential ব্যবস্থাপনা এবং prompt বা file upload-এর ঝুঁকি কীভাবে সামলেছেন তা লিখুন। Public portfolio-তে real customer data না দিয়ে অনুমোদিত open data বা স্পষ্টভাবে চিহ্নিত synthetic data ব্যবহার করুন।
4. Domain knowledge: output কোন বাস্তব সিদ্ধান্তে ব্যবহৃত হবে, ভুলের ক্ষতি কী এবং কোন metric কাজটির জন্য অর্থবহ—তা দেখান। Retail demand, বাংলা customer support বা manufacturing inspection-এর মতো ক্ষেত্র বেছে নিলে সেই ক্ষেত্রের terminology, নিয়ম ও constraint project-এ দৃশ্যমান হওয়া উচিত।
5. প্রমাণযোগ্য workflow: input, processing, AI-assisted ধাপ, human review ও final output-এর সম্পূর্ণ পথ নথিবদ্ধ করুন। baseline, test set, metric-এর সংজ্ঞা, error category, version এবং failure example রাখুন, যাতে reviewer ফলটি কীভাবে তৈরি হয়েছে তা অনুসরণ করতে পারেন।

শেষ স্তরটি একটি সাধারণ demo-কে মূল্যায়নযোগ্য কাজের নমুনায় বদলায়। শুধু “accuracy ভালো” না লিখে test data, metric এবং ভুল output-এর নমুনা দিন। Generative AI project হলে factual error, unsupported answer, unsafe content বা বাংলা ভাষার quality কোন নিয়মে পরীক্ষা করেছেন, সেটিও নথিবদ্ধ করুন।

Beginner থেকে job-ready হওয়ার ক্রম

শুরুতে tool বা course-এর দীর্ঘ তালিকা নয়, target role নির্ধারণ করুন। কয়েকটি সাম্প্রতিক job description থেকে পুনরাবৃত্ত task, core skill এবং প্রত্যাশিত output আলাদা করুন। Data analyst-এর জন্য spreadsheet, SQL ও visualisation আগে লাগতে পারে; AI application developer-এর জন্য Python, API, evaluation ও deployment; security-oriented role-এর জন্য network, identity, access এবং incident fundamentals জরুরি হতে পারে।

1. AI-এর মৌলিক ধারণা, prompting-এর সীমা, data literacy এবং নিরাপদ ব্যবহার শিখুন। এই পর্যায়ে role-এর সঙ্গে সামঞ্জস্যপূর্ণ foundational certificate কাঠামো দিতে পারে।
2. Target role-এর core tool দিয়ে ছোট exercise করুন। প্রতিটির input, code বা procedure, expected output এবং পাওয়া error সংরক্ষণ করুন।
3. নিজের domain বা স্থানীয় প্রয়োজনের সঙ্গে যুক্ত একটি project নিন। বাংলা document search, ছোট ব্যবসার inventory analysis বা public dataset পরিষ্কার করা শর্তসাপেক্ষ উদাহরণ; data ব্যবহারের অধিকার আগে যাচাই করতে হবে।
4. Baseline ও test plan যোগ করুন। AI ছাড়া ফল কী ছিল, AI যোগ করে কী বদলেছে এবং কোথায় মানুষকে সিদ্ধান্ত নিতে হয়েছে—এই তিনটি প্রশ্নের উত্তর দিন।
5. Repository, সংক্ষিপ্ত case study এবং ছোট demonstration প্রস্তুত করুন। অন্য কেউ setup instruction অনুসরণ করে workflow চালাতে না পারলে documentation সংশোধন করুন।

এই ক্রমে certificate হলো শেখার milestone, শেষ গন্তব্য নয়। আরেকটি course নেওয়ার আগে বর্তমান course থেকে অন্তত একটি assessable output তৈরি করলে credential-এর সঙ্গে কাজের evidence যুক্ত হয়।

Employer-এর সামনে project কীভাবে উপস্থাপন করবেন

দ্রুত screening-এর জন্য CV বা portfolio card-এ সমস্যা, আপনার নির্দিষ্ট দায়িত্ব, ব্যবহৃত core skill এবং evaluation-এর ধরন সংক্ষেপে দিন। সংখ্যাগত ফল দিলে dataset, metric ও test condition দেখা যায় এমন নথিতে নিয়ে যান। যাচাই করা সম্ভব নয় এমন performance percentage বাদ দেওয়াই ভালো।

Case study-তে context, constraint, approach, evaluation ও limitation আলাদা করে দেখান। Team project হলে আপনার অবদান চিহ্নিত করুন। Course template ব্যবহার করলে তা স্বীকার করে আপনার স্বাধীন পরিবর্তন—নতুন data, evaluation, security control বা domain rule—স্পষ্ট করুন।

Interview-এ কেন approach-টি বেছে নিয়েছেন, সবচেয়ে গুরুতর failure কী ছিল এবং production-এ নেওয়ার আগে কী বদলাতে হবে—এই তিনটি বিষয়ে ব্যাখ্যা দিতে প্রস্তুত থাকুন। এতে tool-এর নাম মুখস্থ বলার বদলে judgement, ownership ও quality awareness মূল্যায়নের সুযোগ তৈরি হয়।

সবচেয়ে শক্তিশালী সমন্বয় তাই certificate বনাম project-এর কোনো একটিকে বেছে নেওয়া নয়। Role-aligned certificate, data ও security-র ভিত্তি, domain বোঝাপড়া এবং পুনরুৎপাদনযোগ্য কাজের প্রমাণ একসঙ্গে থাকলে নিয়োগকারী credential-এর পাশাপাশি প্রার্থীর বাস্তব সক্ষমতাও যাচাই করতে পারেন।