কৃত্রিম বুদ্ধিমত্তার (Artificial Intelligence) জগতে এক বিশাল পরিবর্তন আসছে। আগের এআই মডেলগুলো শুধুমাত্র ছোট টেক্সট প্রসেস করতে পারত, কিন্তু আজকের অত্যাধুনিক সিস্টেমগুলো পুরো বইয়ের তথ্য নিতে এবং বুঝতে পারে। এই পরিবর্তনের একটি গুরুত্বপূর্ণ মুহূর্ত ছিল ২০২৫ সালের ৫ই এপ্রিল, যখন মেটা (Meta) Llama 4 উন্মোচন করে। এটি একটি যুগান্তকারী এআই মডেল, যা ১০ মিলিয়ন টোকেনের কন্টেক্সট উইন্ডো (Context Window) নিয়ে এসেছে। এই উন্নতি এজেন্টিক এআই সিস্টেমের (Agentic AI Systems) ভবিষ্যতের জন্য খুবই গুরুত্বপূর্ণ। এই সিস্টেমগুলো স্বাধীনভাবে কাজ করতে, পরিকল্পনা করতে, সিদ্ধান্ত নিতে এবং স্বাধীনভাবে কাজ করতে পারে।
এই পরিবর্তনকারী প্রযুক্তি সম্পর্কে আরও গভীরভাবে জানার জন্য, আমরা নিকিতা গ্লাডкихের (Nikita Gladkikh) সঙ্গে কথা বলেছি। তিনি এআই কমিউনিটিতে একজন বিশিষ্ট ব্যক্তিত্ব। ব্রেইনটেক অ্যাওয়ার্ড বিজয়ী, আইইইই-এর (IEEE) একজন সক্রিয় সদস্য এবং প্রাইমার এআই-এর (Primer AI) একজন স্টাফ সফটওয়্যার ইঞ্জিনিয়ার হিসেবে, নিকিতা এআই ভ্যালিডেশন (AI validation) এবং ইনফ্রাস্ট্রাকচার ডেভেলপমেন্টের (Infrastructure Development) একদম সামনের সারিতে আছেন। ২০১৩ সাল থেকে শুরু করে এক দশকের বেশি সময় ধরে তিনি সফটওয়্যার ইঞ্জিনিয়ারিং, একাডেমিক গবেষণা এবং বিশ্ব ডেভেলপার কমিউনিটিতে অবদান রেখেছেন। তিনি পাইথন (Python), গো (Go) এবং এআই-ভিত্তিক অটোমেশনে (AI-based automation) একজন বিশেষজ্ঞ হিসেবে পরিচিত। বৃহৎ আকারের এলএলএম-পাওয়ার্ড পাইপলাইন (LLM-powered pipelines) তৈরি এবং তা বিভিন্ন সেক্টরে (যেমন ফিনান্স, মার্কেটপ্লেস এবং সার্চ টেকনোলজি) ব্যবহার করার অভিজ্ঞতা থেকে তিনি এই বিষয়ে একটি আলাদা ধারণা রাখেন।
নিকিতা গ্লাডিখ বিশেষভাবে পরিচিত তার স্কেলেবল আর্কিটেকচারের (Scalable architecture) জন্য। তিনি বৃহৎ ভাষার মডেলগুলোকে (LLMs) শক্তিশালী ভ্যালিডেশন লজিকের (Validation Logic) সাথে একত্রিত করেছেন। এই ক্ষেত্রে, নির্ভরযোগ্যতা এবং নির্ভুলতা সবচেয়ে গুরুত্বপূর্ণ, এবং RAG-V (Retrieval-Augmented Generation with Verification) প্যারাডাইমকে (Paradigm) আকার দিতে নিকিতার কৌশলগত অবদানগুলো সহায়ক হয়েছে। এই পদ্ধতিটি এআই-চালিত শিল্পগুলোতে দ্রুত জনপ্রিয়তা লাভ করছে।
কন্টেক্সট উইন্ডো সম্প্রসারণের তাৎপর্য (The Significance of Context Window Expansion)
মেটার Llama 4 তার আগের কন্টেক্সট উইন্ডোর সীমা ভেঙে দিয়েছে। তারা এটিকে ১০ মিলিয়ন টোকেনে উন্নীত করেছে। গুগল (Google) যখন জেমিনি ২.৫ (Gemini 2.5) নিয়ে আসে, তখন এর কন্টেক্সট উইন্ডো ছিল ১ মিলিয়ন টোকেন। এই ঘটনার পরেই Llama 4 এই বিশাল কন্টেক্সট উইন্ডো নিয়ে বাজারে আসে। কিন্তু এআই ইন্ডাস্ট্রির জন্য এই সংখ্যাগুলোর মানে কী?
নিকিতার মতে, বড় কন্টেক্সট উইন্ডোর (Context Window) দিকে যাওয়ার এই প্রবণতা খুবই গুরুত্বপূর্ণ। এটি এআই সিস্টেমগুলোকে বিশাল পরিমাণ ইনপুট (Input) যেমন পুরো কথোপকথন, বড় ডকুমেন্ট এবং এমনকি পুরো ডেটাবেস (Database) বিশ্লেষণ করতে সাহায্য করে। এর ফলে এই সিস্টেমগুলো গভীরতা এবং ধারাবাহিকতার সাথে চিন্তা করতে পারে, যা আগে সম্ভব ছিল না। এই পরিবর্তনের এজেন্টিক পাইপলাইন ডিজাইনের (Agentic Pipeline Design) ওপর একটি গভীর প্রভাব ফেলে। এজেন্টিক পাইপলাইনে এআই এজেন্টদের (AI agents) পরিকল্পনা, সিদ্ধান্ত গ্রহণ এবং স্বাধীনভাবে কাজ করার দায়িত্ব দেওয়া হয়। একটি বৃহত্তর কন্টেক্সট মানে কম ভুল, আরও ভালো কাস্টমাইজেশন (Personalization), এবং ব্যবহারকারীর অভিজ্ঞতা আরও উন্নত হওয়া। এটি স্পষ্টতই পুরো ক্ষেত্রের উন্নতির দিকনির্দেশক।
হাতে-কলমে অভিজ্ঞতা এবং এজেন্টিক পাইপলাইন ডিজাইন (Hands-on Experience and Agentic Pipeline Design)
পি configured এর মতো ডেভেলপার সরঞ্জাম (Developer tools) এবং বৃহৎ পরিসরে ব্যবহৃত শিক্ষামূলক প্ল্যাটফর্ম (Educational platforms) তৈরি করার ক্ষেত্রে নিকিতার বিস্তৃত অভিজ্ঞতা রয়েছে। এই অভিজ্ঞতা থেকে তিনি এজেন্টিক পাইপলাইন ডিজাইনের জটিলতা সম্পর্কে মূল্যবান ধারণা দিয়েছেন। তিনি নির্ভরযোগ্যতার ওপর জোর দিয়েছেন এবং বলেছেন যে চাপের মধ্যে সিস্টেম তৈরি করতে মডুলারিটি (Modularity), অবজার্ভেবিলিটি (Observability), এবং ফেইলিউর আইসোলেশন (Failure isolation) অত্যন্ত গুরুত্বপূর্ণ।
নিকিতা বলেন প্রতিটি উপাদানকে সম্ভাব্য ব্যর্থতার কারণ হিসেবে দেখা উচিত এবং ফলব্যাক পাথ (Fallback paths), ভ্যালিডেশন লেয়ার (Validation layers), এবং রিপ্রোডিউসিবিলিটি মেজার (Reproducibility measures) প্রয়োগ করা উচিত। এই নীতিগুলো এজেন্টিক ওয়ার্কফ্লোর (Agentic workflows) ডিজাইনের জন্য সরাসরি প্রযোজ্য। এজেন্টিক ওয়ার্কফ্লোর জন্য প্রয়োজন স্ট্রাকচার্ড স্টেট ম্যানেজমেন্ট (Structured State Management), ট্রেসেবল এক্সিকিউশন (Traceable Execution), এবং ডিটারমিনিস্টিক বিহেভিয়ার (Deterministic Behavior), যা একটি ডিস্ট্রিবিউটেড সিস্টেমের (Distributed system) মতোই।
নিকিতার প্রায়োগিক এআই-এর (Applied AI) কাজ, বিশেষ করে জীবনবৃত্তান্তের সংক্ষিপ্তসার (Resume summarization) এবং শিক্ষামূলক সেটিংসে স্বয়ংক্রিয় প্রতিক্রিয়া (Automating feedback) তৈরি করার সময় হ্যালুসিয়েশন (Hallucinations) কমানোর ওপর জোর দেওয়া হয়েছে। এছাড়াও ভেরিফিকেশন লুপ (Verification loops) এবং রিট্রিভাল-ফার্স্ট ডিজাইনের (Retrieval-first design) তাৎপর্য তুলে ধরা হয়েছে। তিনি মনে করেন যে এজেন্টদের অন্ধভাবে বিশ্বাস করা উচিত নয়, বরং তাদের ভ্যালিডেশন মেকানিজম (Validation mechanisms) এবং স্ট্রাকচার্ড নলেজ বেসের (Structured Knowledge Bases) সাথে সংযুক্ত করা উচিত। তাছাড়া হিউম্যান-ইন-দ্য-লুপ ডিজাইনের (Human-in-the-loop design) ওপরও তিনি জোর দিয়েছেন। তিনি শিক্ষামূলক সরঞ্জামগুলোতে এই বিষয়টিকে অগ্রাধিকার দিয়েছেন এবং এখন এজেন্টদের জবাবদিহিতা নিশ্চিত করার জন্য এটিকে অপরিহার্য বলে মনে করেন। এজেন্টিক পাইপলাইন শুধুমাত্র উদ্ভাবনী ইউএক্স ফ্লোর (UX flows) চেয়েও বেশি কিছু; এগুলো জটিল সফটওয়্যার সিস্টেম (Software System), যা ব্যাকএন্ড ইঞ্জিনিয়ারিংয়ের (Backend engineering) মতোই গুরুত্ব দিয়ে তৈরি করা উচিত।
বিস্তৃত কন্টেক্সটের মাধ্যমে এআই নির্ভরযোগ্যতা বৃদ্ধি (Enhancing AI Reliability through Expanded Context)
কন্টেক্সট উইন্ডোর আকারের অগ্রগতি ইতিমধ্যেই প্রোডাকশন সিস্টেমে (Production System) একটি বাস্তব প্রভাব ফেলেছে, যা বিভিন্ন অ্যাপ্লিকেশনে এআই-এর নির্ভরযোগ্যতা বাড়িয়েছে। বৃহত্তর কন্টেক্সট কীভাবে এআই নির্ভরযোগ্যতা উন্নত করে, তার একটি উদাহরণ নিকিতা দিয়েছেন:
ছোট কন্টেক্সট উইন্ডোর কারণে এআই মডেলগুলোকে প্রায়ই গুরুত্বপূর্ণ প্রাসঙ্গিক তথ্য ছেঁটে ফেলতে হতো। এর ফলে আউটপুটগুলো অসম্পূর্ণ বা ভুল হতো। কিন্তু এখন, যখন কন্টেক্সট উইন্ডো কয়েক মিলিয়ন টোকেনে প্রসারিত হয়েছে, তখন মডেলগুলো আগের অনেক দিনের পুরনো ইন্টার্যাকশন (Interaction), বিস্তারিত ইউজার প্রোফাইল (User profile) এবং ডেটার মধ্যে থাকা বহু-মাত্রিক সম্পর্কগুলো মনে রাখতে পারে। উদাহরণস্বরূপ, একটি এআই-ভিত্তিক কাস্টমার সাপোর্ট এজেন্ট (Customer support agent) বছরের পর বছর আগের কথোপকথন মনে রেখে গ্রাহকদের প্রাসঙ্গিক এবং ব্যক্তিগত সহায়তা দিতে পারে। এটি কন্টেক্সট হারানোর কারণে হওয়া ভুলগুলো কমিয়ে দেয়, এবং এআই-চালিত সিদ্ধান্তগুলোর নির্ভরযোগ্যতা এবং গভীরতা বাড়ায়। বিশেষ করে স্বাস্থ্যসেবা নির্ণয় (Healthcare diagnostics) বা আর্থিক পূর্বাভাসের (Financial forecasting) মতো গুরুত্বপূর্ণ পরিস্থিতিতে এটি খুব দরকারি।
নিকিতা প্রাইমার এআই-তে (Primer AI) রিট্রিভাল-অগমেন্টেড জেনারেশন উইথ ভেরিফিকেশন (RAG-V) প্রয়োগ করার সময় একটি সমস্যার কথা স্মরণ করেন। সেই সময় সাপোর্টিং ডকুমেন্টসকে (Supporting document) কন্টেক্সটের মধ্যে ফিট করার জন্য ভ্যালিডেশন কলের (Validation calls) ডেটা কমাতে হয়েছিল। এই সীমাবদ্ধতা তাদের ভ্যালিডেশন প্রচেষ্টার নির্ভুলতা কমিয়ে দিয়েছিল। কিন্তু, Llama 4-এর বিস্তৃত কন্টেক্সট উইন্ডোর (Context Window) কারণে সেই বাধাগুলো দূর হয়ে গেছে।
RAG-V: বিশ্বস্ত এআই উন্নয়নের ভিত্তি (RAG-V: The Cornerstone of Trusted AI Development)
RAG-V পদ্ধতি, যেখানে মডেলগুলো কন্টেন্ট (Content) পুনরুদ্ধার এবং যাচাই করে, এটি বিশ্বস্ত এআই উন্নয়নের ভিত্তি হিসেবে পরিচিত হয়েছে। নিকিতা ব্যাখ্যা করেন যে RAG-V এমন একটি পদ্ধতি, যেখানে এআই শুধু উত্তর তৈরি করে না, বরং বিশ্বস্ত উৎস থেকে সেই উত্তরগুলো যাচাই করে নেয়, যা অনেকটা রিয়েল-টাইম ফ্যাক্ট-চেকিংয়ের (Real-time fact-checking) মতো।
এজেন্টিক এআই সিস্টেমে (Agentic AI Systems) ভ্যালিডেশন নীতি যুক্ত করার ওপর নিকিতার কাজ RAG-V-এর গুরুত্ব প্রমাণ করে। RAG-V পুনরুদ্ধার সিস্টেম (Retrieval systems) এবং শক্তিশালী ভেরিফিকেশন লেয়ার (Verification layers) ব্যবহার করে মডেল আউটপুটগুলোকে (Model outputs) নির্ভরযোগ্য এক্সটার্নাল সোর্সের (External sources) সাথে ক্রস-রেফারেন্স (Cross-reference) করে। উদাহরণস্বরূপ, আর্থিক ঝুঁকি মূল্যায়নকালে (Financial risk assessments), তৈরি করা প্রতিটি পরামর্শ বা ভবিষ্যৎবাণী ঐতিহাসিক বাজারের ডেটা (Market Data) বা নিয়ন্ত্রক সম্মতিপত্রের (Regulatory compliance documents) বিপরীতে যাচাই করা হয়। বিস্তৃত কন্টেক্সট উইন্ডো (Context window) আরও সমৃদ্ধ কন্টেক্সট তৈরি করার মাধ্যমে এই পদ্ধতিটিকে উন্নত করে এবং কন্টেন্ট ও ফরম্যাট (Format) যাচাই করার প্রয়োজনীয়তার ওপর জোর দেয়।
নিকিতা জোর দিয়ে বলেন যে বৃহত্তর কন্টেক্সট উইন্ডো (Context Window) RAG-V-এর সুবিধাগুলোকে বাড়িয়ে তোলে, কারণ এর মাধ্যমে একটি সিঙ্গেল ভ্যালিডেশন সাইকেলে (Single validation cycle) আরও বেশি সাপোর্টিং ম্যাটেরিয়াল (Supporting material) অন্তর্ভুক্ত করা যায়। তবে, এটি আনস্ট্রাকচার্ড আউটপুটের (Unstructured output) ঝুঁকিও বাড়ায়। তিনি সতর্ক করে বলেন যে ভাষার মডেলগুলোকে (Language models) ডিটারমিনিস্টিক ওয়েব এপিআই ইনভোকেশন (Deterministic Web API invocations) হিসেবে গণ্য করা উচিত নয়। বরং এদের বুদ্ধিমান ব্যবহারকারীর মতো বিবেচনা করা উচিত। তাই, নির্ভরযোগ্যতা এবং ইন্টিগ্রেশন (Integration) নিশ্চিত করার জন্য কন্টেন্ট এবং স্ট্রাকচারাল ভ্যালিডেশন (Structural validation) উভয়ই অপরিহার্য।
এলএলএমগুলো ইউজার ইনপুট হিসেবে: সফটওয়্যার আর্কিটেকচারে একটি দৃষ্টান্ত পরিবর্তন (LLMs as User Inputs: A Paradigm Shift in Software Architecture)
নিকিতা মনে করেন যে এলএলএম আউটপুটগুলোকে (LLM outputs) এপিআই রেসপন্স (API response) হিসেবে না দেখে ইউজার ইনপুট (User input) হিসেবে দেখলে আধুনিক সফটওয়্যার আর্কিটেকচারের ওপর গভীর প্রভাব পড়ে। যখন এলএলএমগুলোকে স্ট্যাটিক এপিআই কলের (Static API calls) পরিবর্তে ইউজার-লাইক ইনপুট (User-like input) হিসেবে দেখা হয়, তখন সফটওয়্যার ডিজাইন (Software design) এবং তৈরির পদ্ধতি সম্পূর্ণরূপে পরিবর্তিত হয়ে যায়।
ফ্রন্টএন্ড ইন্টারফেসগুলোকে (Frontend interfaces) অনিশ্চয়তা এবং বিলম্ব (Delay) সামলানোর জন্য ডিজাইন করতে হবে। এর জন্য অপটিমিস্টিক ইউআই-এর (Optimistic UI) মতো প্যাটার্ন (Pattern) ব্যবহার করতে হবে। ব্যাকএন্ডে (Backend), অ্যাসিঙ্ক্রোনাস (Asynchronous), ইভেন্ট-ড্রিভেন ডিজাইন (Event-driven design) অপরিহার্য হয়ে ওঠে। মেসেজ কিউ (Message queues) (যেমন কাফকা (Kafka) বা র্যাবিটএমকিউ (RabbitMQ)) মূল লজিক (Logic) থেকে এআই-চালিত অ্যাকশনগুলোকে (AI-driven actions) আলাদা করতে সাহায্য করে।
হাইব্রিড আর্কিটেকচার (Hybrid architectures), যা ট্র্যাডিশনাল কোডকে (Traditional code) মডেল-বেসড সিদ্ধান্তের (Model-based decisions) সাথে যুক্ত করে, এলএলএম আউটপুট (LLM output) ধীর বা ненадежный হলে ফলব্যাক মেকানিজমের (Fallback mechanisms) সুবিধা দেয়। এই পরিবর্তনশীলতা ভ্যালিডেশনের (Validation) গুরুত্ব বাড়িয়ে তোলে, যা শুধু নির্ভুলতার জন্যই নয়, গঠন এবং ধারাবাহিকতার জন্যও প্রয়োজনীয়। নিকিতা কর্তৃক তৈরি টুল (Tool) যেমন পি configured, স্কিমা-কমপ্লায়েন্ট রেসপন্স (Schema-compliant response) নিশ্চিত করে এবং вероятностных সিস্টেমে (Probabilistic systems) ইন্টিগ্রেশন নির্ভরযোগ্যতা বজায় রাখে।
LLM-এর মাধ্যমে শিক্ষাব্যবস্থার পরিবর্তন: স্বয়ংক্রিয় গ্রেডিং এবং ব্যক্তিগতকৃত প্রতিক্রিয়া (Transforming Education with LLMs: Automated Grading and Personalized Feedback)
নিকিতা এই নীতিগুলো শুধু শিল্পে নয়, শিক্ষাক্ষেত্রেও প্রয়োগ করেছেন। তিনি GoIT-এর জন্য একটি স্বয়ংক্রিয় গ্রেডিং প্ল্যাটফর্ম তৈরি করেছেন। তিনি বলেন যে তার অভিজ্ঞতা থেকে ডিটারমিনিজম (Determinism), রিপ্রোডিউসিবিলিটি (Reproducibility) এবং হিউম্যান-ইন-দ্য-লুপ এস্কালেশনের (Human-in-the-loop escalation) গুরুত্ব আরও স্পষ্ট হয়েছে। এমনকি আমরা যখন এলএলএমের মতো আরও উন্নত সরঞ্জাম ব্যবহার করি, তখনও এই ধারণাগুলো গুরুত্বপূর্ণ।
আধুনিক এলএলএমগুলো (Modern LLMs) আরও ব্যক্তিগতকৃত এবং প্রাসঙ্গিক প্রতিক্রিয়া দেওয়ার মাধ্যমে শিক্ষার্থীদের ফিডব্যাককে (Feedback) উন্নত করতে পারে। ফিক্সড টেমপ্লেটের (Fixed templates) ওপর নির্ভর না করে, একটি এলএলএম শিক্ষার্থীর শেখার ইতিহাস, কোডিং স্টাইল (Coding style) বা মাতৃভাষার সাথে তার ব্যাখ্যাগুলোকে মানিয়ে নিতে পারে, যা প্রতিক্রিয়াকে আরও সহজলভ্য এবং কার্যকরী করে তুলবে। তবে, নিকিতা জোর দেন যে নির্ভরযোগ্যতা এবং ন্যায্যতা বজায় রাখা আবশ্যক। এর জন্য এলএলএমগুলোকে পুনরুদ্ধার-ভিত্তিক গ্রাউন্ডিং (Retrieval-based grounding), রুব্রিক ভ্যালিডেশন (Rubric validation) এবং ওভাররাইড মেকানিজমের (Override mechanisms) সাথে একত্রিত করতে হবে। অরিজিনাল প্ল্যাটফর্মের (Original platform) ডিজাইন যেমন ব্যাখ্যাযোগ্যতা (Explainability) এবং নিরীক্ষণযোগ্যতাকে (Auditability) দিকনির্দেশনা দিয়েছে, তেমনি নিকিতা এআই-সহায়ক শিক্ষার ভবিষ্যৎকে এজেন্টিক হিসেবে দেখেন, যেখানে প্রতিটি ধাপে কঠোর সুরক্ষা এবং স্বচ্ছ লজিক (Transparent logic) থাকবে।
এআই উন্নয়নের জটিলতা মোকাবেলার কৌশল (Strategies for Managing Complexity in AI Development)
এআই উন্নয়নের অন্তর্নিহিত আর্কিটেকচারাল (Architectural) এবং ভ্যালিডেশন (Validation) চ্যালেঞ্জগুলো মোকাবেলার জন্য জটিলতা ব্যবস্থাপনার কার্যকর কৌশল প্রয়োজন। নিকিতা ডেভেলপারদের শুরু থেকেই ভ্যালিডেশনকে অগ্রাধিকার দেওয়ার পরামর্শ দেন এবং পুরো পাইপলাইন জুড়ে স্কিমা চেক (Schema check) অন্তর্ভুক্ত করার কথা বলেন। তিনি এমন সরঞ্জাম ব্যবহারের ওপর জোর দেন, যা শুধু সঠিকতাই নয়, গঠন এবং ধারাবাহিকতাও নিশ্চিত করে।
তার অভিজ্ঞতা থেকে তিনি মডুলারলি (Modularly) চিন্তা করার প্রয়োজনীয়তা অনুভব করেছেন। তাই তিনি মডেল লজিককে (Model Logic) বিজনেস লজিক (Business Logic) থেকে আলাদা করার এবং মডেল ভুল বা ধীর হলে তার জন্য শক্তিশালী ফলব্যাক (Fallback) তৈরি করার পরামর্শ দেন। প্রযুক্তিগত শৃঙ্খলা এবং কৌশলগত দূরদর্শিতার সংমিশ্রণ নির্ভরযোগ্য এআই সিস্টেম (AI system) তৈরির জন্য অত্যন্ত গুরুত্বপূর্ণ।
স্বীকৃতি এবং কমিউনিটির অংশগ্রহণের প্রভাব (The Influence of Recognition and Community Involvement)
ব্রেইনটেক অ্যাওয়ার্ডের (BrainTech Award) মতো উদ্যোগের মাধ্যমে নিকিতার স্বীকৃতি এবং আইইইই-এর (IEEE) মতো কমিউনিটির সাথে তার জড়িত থাকার কারণে তিনি বাস্তব ক্ষেত্রে জটিলতাগুলো মোকাবিলা করতে পেরেছেন। এই অভিজ্ঞতাগুলো তাকে উদ্ভাবনকে বাস্তবতার সাথে যুক্ত করতে সাহায্য করেছে।
ব্রেইনটেক অ্যাওয়ার্ড নিকিতার কম্পিউটার ভিশন (Computer vision) প্রয়োগ করে রিয়েল-ওয়ার্ল্ড ইউজার ওয়ার্কফ্লোকে (Real-world user workflows) সহজ করার কাজকে স্বীকৃতি দিয়েছে। এই কাজের মাধ্যমে শুধু প্রযুক্তিগত সক্ষমতাই নয়, ব্যাপক ব্যবহারযোগ্যতাও নিশ্চিত করা হয়েছে। এই অভিজ্ঞতা থেকে তিনি বিশ্বাস করেন যে এআই সিস্টেমগুলোকে শক্তিশালী হওয়ার পাশাপাশি বিদ্যমান প্রক্রিয়াগুলোর সাথে যুক্ত হওয়া উচিত। আইইইই-এর সাথে তার ক্রমাগত জড়িত থাকা তাকে সর্বশেষ গবেষণা এবং পদ্ধতি সম্পর্কে জানতে সাহায্য করে, যা তাকে এমন সিস্টেম ডিজাইন করতে সাহায্য করে, যা শুধু উন্নত নয়, নৈতিক, মডুলার এবং উৎপাদনশীল।
এআই-এর ভবিষ্যৎ গঠন (Shaping the Future of AI)
নিকিতার ভবিষ্যৎ কাজগুলো শক্তিশালী, স্কেলেবল এবং নৈতিকভাবে নির্ভুল এআই সিস্টেম তৈরির ওপর কেন্দ্র করে হবে। তিনি মনে করেন যে Llama 4 এবং Gemini 2.5-এর মতো মডেলগুলো তাদের বিশাল কন্টেক্সট উইন্ডোর কারণে শিক্ষাক্ষেত্রে একটি পরিবর্তন আনতে পারে। এই মডেলগুলো এআই টিউটরকে (AI tutor) শিক্ষার্থীর সম্পূর্ণ শেখার ইতিহাসের ওপর ভিত্তি করে ব্যক্তিগতকৃত এবং প্রাসঙ্গিক ব্যাখ্যা দিতে সক্ষম করবে।
স্বয়ংক্রিয় মূল্যায়ন আরেকটি গুরুত্বপূর্ণ ক্ষেত্র। GoIT-এর জন্য নিকিতার গ্রেডিং টুলটি (Grading tool) ইতিমধ্যেই সিনট্যাক্স (Syntax) এবং সঠিকতা যাচাই করতে পারে। তবে, নেক্সট-জেনারেশন এলএলএমগুলোতে (Next-generation LLMs) RAG-V-এর মাধ্যমে ধারণাগত বোঝাপড়া মূল্যায়ন, আগের পারফরম্যান্সের (Performance) ওপর ভিত্তি করে ফিডব্যাক তৈরি এবং একাডেমিক স্ট্যান্ডার্ডের (Academic standard) সাথে ফলাফল মেলানোর মাধ্যমে এটিকে আরও উন্নত করার সম্ভাবনা রয়েছে।
নির্ভরযোগ্যতা নিশ্চিত করার জন্য, নিকিতা স্কিমা ভ্যালিডেশন (Schema validation) এবং ফলব্যাক লজিকের (Fallback logic) প্রয়োজনীয়তার ওপর জোর দেন, যা পি configured-এর মতো সরঞ্জামগুলোর ভিত্তি। উন্নত মডেলগুলোকে স্ট্রাকচার্ড ভ্যালিডেশনের (Structured validation) সাথে যুক্ত করে আমরা বিশ্বাস, ন্যায্যতা বা শিক্ষাগত মানগুলোর সাথে আপস না করে শিক্ষাব্যবস্থাকে উন্নত করতে পারি।
শিক্ষাগত কঠোরতার সাথে স্কেলেবিলিটির ভারসাম্য রক্ষা (Balancing Scalability with Educational Rigor)
প্রতি ত্রৈমাসিকে হাজার হাজার শিক্ষার্থীকে সহায়তা করার জন্য স্কেলেবিলিটি (Scalability) এবং শিক্ষাগত অখণ্ডতার (Educational integrity) মধ্যে একটি সঠিক ভারসাম্য বজায় রাখা প্রয়োজন। নিকিতা উদ্বেগকে আলাদা করে এটি অর্জন করেছেন: অটোমেশন (Automation) রুটিন ভ্যালিডেশনগুলো (যেমন পরীক্ষার ফলাফল এবং কোড ফরম্যাটিং) পরিচালনা করে, যেখানে জটিল সমস্যাগুলো মানুষের পর্যালোচনার জন্য চিহ্নিত করা হয়। এটি ফিডব্যাকের গুণমান বা ন্যায্যতার সাথে আপস না করে উচ্চ থ্রুপুট (Throughput) নিশ্চিত করে।
গঠনমূলক রুব্রিক (Rubric), অ্যাসাইনমেন্টের (Assignment) জন্য সংস্করণ নিয়ন্ত্রণ এবং ট্রেসেবল গ্রেডিং লজিক (Traceable grading logic) প্রয়োগ করে শিক্ষাগত কঠোরতা বজায় রাখা হয়েছিল। এই পদক্ষেপগুলো শিক্ষার্থীদের আস্থা এবং শিক্ষাগত স্বচ্ছতা তৈরি করে।
নিকিতা বিশ্বাস করেন যে Llama 4-এর মতো মডেলগুলো কন্টেক্সট-সচেতন, বহুভাষিক এবং এমনকি কোড-নির্দিষ্ট প্রতিক্রিয়া তৈরির মাধ্যমে এই ভারসাম্যকে উল্লেখযোগ্যভাবে পরিবর্তন করতে পারে। তারা সহজ ভাষায় বিমূর্ত ধারণা (Abstract concept) ব্যাখ্যা করতে, পৃথক শিক্ষার্থীদের জন্য ফিডব্যাক তৈরি করতে এবং টিউটর-সদৃশ ইন্টার্যাকশনকে (Tutor-like interaction) অনুকরণ করতে সাহায্য করতে পারে। তবে, তিনি সতর্ক করে বলেন যে স্কেল (Scale) সুরক্ষার প্রয়োজনীয়তা দূর করে না। এলএলএমগুলোকে রুব্রিকের (Rubric) ওপর ভিত্তি করে তৈরি করতে হবে, পরিচিত আউটপুটের (Output) বিপরীতে যাচাই করতে হবে এবং প্রশিক্ষকদের দ্বারা নিরীক্ষণযোগ্য হতে হবে। সঠিক আর্কিটেকচারের সাথে, ডিটারমিনিস্টিক পাইপলাইনকে (Deterministic pipeline) এলএলএম-পাওয়ার্ড ব্যক্তিগতকরণের সাথে যুক্ত করে, আমরা শিক্ষাগত মান ত্যাগ না করে মানসম্মত শিক্ষার সুযোগ বাড়াতে পারি।
নিকিতা তার দৃষ্টিভঙ্গিকে এভাবে তুলে ধরেন: “আমি এমন একটি систему তৈরি করি — যা শুধু काम করে না बल्कि শিক্ষা দেয়, ভ্যালিডেট (Validate) করে, কনফিগার (Configure) করে এবং সিদ্ধান্ত গ্রহণে সহায়তা করে।”