শ্রম-বাজারের পূর্বাভাসগুলো ধরে নিয়েছে যে অটোমেশন একটি একটি করে কাজ সরিয়ে নেয় এবং পেশাটিকে অক্ষত রাখে। এজেন্টিক AI, যা পুরো ওয়ার্কফ্লো সম্পন্ন করে, সেই অনুমানটিকে অকার্যকর করে দেয়, এবং পুরনো কাঠামোগুলো যা পরিমাপ করতে পারে না তা মাপার জন্য এজেন্টিক টাস্ক এক্সপোজার (ATE) নামের একটি নতুন সমন্বিত স্কোর তৈরি করা হয়েছে।
নির্বাহী সারসংক্ষেপ
- অটোমেশনের পূর্ববর্তী পূর্বাভাসগুলো, যার মধ্যে অটর-লেভি-মুরনেন (Autor-Levy-Murnane) টাস্ক কাঠামোর ওপর নির্মিত পূর্বাভাসও রয়েছে, একটি অনুমানের ওপর ভিত্তি করে চলে: অবশিষ্ট মানবিক কাজের চারপাশে একটি সমন্বয়কারী খোলস হিসেবে পেশাটি টিকে থাকে।
- এজেন্টিক AI সিস্টেমগুলো চারটি মানদণ্ড পূরণ করে: তারা একটি লক্ষ্য নির্দিষ্টকরণ (goal specification) গ্রহণ করে, স্বয়ংক্রিয়ভাবে টুল নির্বাচন ও আহ্বান করে, ইনফারেন্স ধাপগুলো জুড়ে অবস্থা (state) বজায় রাখে, এবং মধ্যবর্তী ধাপগুলোতে মানুষের হস্তক্ষেপ ছাড়াই একটি সম্পূর্ণ কাজের ফলাফল তৈরি করে।
- ATE স্কোরটি AI সক্ষমতা স্কোর, ওয়ার্কফ্লো কভারেজ ফ্যাক্টর এবং লজিস্টিক গ্রহণের গতিকে একত্রিত করে। ক্রেডিট বিশ্লেষক, বিচারক এবং সাসটেইনেবিলিটি (স্থায়িত্ব) বিশেষজ্ঞরা ০.৪৩-০.৪৭ ATE স্কোরে পৌঁছান।
- গবেষণাপত্রটি পাঁচটি মার্কিন প্রযুক্তি অঞ্চল জুড়ে ছয়টি প্রধান পেশাগত গোষ্ঠীর ২৩৬টি SOC কোডে ATE প্রয়োগ করে, এবং নিজেকে বিশেষভাবে এজেন্টিক AI সিস্টেমকে লক্ষ্য করে তৈরি টাস্ক এক্সপোজার কাঠামোর প্রথম বহু-আঞ্চলিক অভিজ্ঞতালব্ধ প্রয়োগ হিসেবে বর্ণনা করে।
- স্থানচ্যুতির পাশাপাশি, গবেষণাপত্রটি মানব-AI সহযোগিতা, AI গভর্ন্যান্স এবং ডোমেইন-নির্দিষ্ট AI অপারেশনসে কেন্দ্রীভূত সতেরোটি উদীয়মান পেশাগত বিভাগ চিহ্নিত করে।
যে পূর্বাভাসগুলো লক্ষ্যমাত্রা ছাড়িয়ে গিয়েছিল #
শিল্প রোবট কারখানার শ্রমিকদের স্থানচ্যুত করেছিল ঠিকই। কিন্তু তারা প্রাথমিক পূর্বাভাসগুলোর ইঙ্গিত দেওয়া সময়সীমায় বা সেই মাত্রায় তা করেনি। জীবিকার তাগিদে যারা শ্রম-বাজারের ভবিষ্যদ্বাণী পড়েন, এই বাক্যটি তাদের যে কাউকে কিছুটা সতর্ক করে দেওয়ার জন্য যথেষ্ট হওয়া উচিত, কারণ এটি একটি প্যাটার্ন বর্ণনা করে: দিকটি সঠিক ছিল কিন্তু মাত্রাটি ছিল ভুল।
এই সাহিত্যের সবচেয়ে পরিচিত শিরোনাম সংখ্যাটি এসেছে ফ্রে এবং অসবর্নের (Frey and Osborne) কাছ থেকে, যারা বিশেষজ্ঞদের সামগ্রিক "কম্পিউটারাইজযোগ্যতার" (computerizability) ওপর ৭০২টি মার্কিন পেশাকে স্কোর করতে বলেছিলেন। তাদের ফলাফল ছিল যে ৪৭% পেশা উচ্চ ঝুঁকিতে রয়েছে। এটি একটি চমকপ্রদ সংখ্যা, এবং এটি বহুদূর ছড়িয়ে পড়েছিল।
আর্ন্টজ, গ্রেগরি এবং জিরাহন (Arntz, Gregory and Zierahn) এরপর দেখালেন কী ঘটে যখন বিশ্লেষণটি কাজের (task) স্তরে নেমে আসে এবং নামমাত্র ঝুঁকিতে থাকা পেশাগুলোর ভেতরকার কাজের বৈচিত্র্যকে (task heterogeneity) হিসেবে নেয়। তখন OECD দেশগুলো জুড়ে উচ্চ-ঝুঁকির প্রাক্কলন ৯-১৪%-এ নেমে আসে। ৪৭% এবং ৯-১৪%-এর মধ্যকার দূরত্ব কোনো সংখ্যা রাউন্ডিংয়ের মতভেদ নয়। এটি বিশ্লেষণের একক সম্পর্কে একটি পছন্দকে প্রতিফলিত করে, এবং এই পছন্দটি উত্তরকে তিন গুণ বা তারও বেশি পাল্টে দেয়।
মূল উৎসটি অকপটে স্বীকার করে যে পেশা-স্তরের এবং কাজ-স্তরের প্রাক্কলনের মধ্যকার বিতর্কটি অমীমাংসিত। তবে এই ক্ষেত্রটি যে ব্যবহারিক ঐকমত্যে পৌঁছেছে তা হলো: কাজ-স্তরের বিভাজন (decomposition) অপরিহার্য, এবং পেশা-স্তরের লেবেলগুলো অতিরিক্ত স্থূল (coarse)। সেই ঐকমত্যই হলো সেই ভিত্তি যার ওপর বাকি যুক্তি দাঁড়িয়ে আছে। আবার এটিই সেই ভিত্তি যার ওপর এজেন্টিক AI চাপ সৃষ্টি করে।
টাস্ক কাঠামোগুলো কীভাবে কাজ করে #
চাপটি কোথা থেকে আসছে তা বোঝার জন্য, টাস্ক ঐতিহ্য (task tradition) ঠিক কী দাবি করে সে সম্পর্কে সুনির্দিষ্ট হওয়া সহায়ক।
অটর, লেভি এবং মুরনেন পেশাগত কাজগুলোকে দুটি অক্ষে ভাগ করেছিলেন: রুটিন বা নিত্য (routine) বনাম নন-রুটিন বা অনিত্য (non-routine), এবং জ্ঞানীয় বা বুদ্ধিবৃত্তিক (cognitive) বনাম কায়িক (manual)। তাদের যুক্তি ছিল যে অটোমেশন নন-রুটিন কাজগুলোর পরিপূরক হওয়ার পাশাপাশি রুটিন কাজগুলোকে প্রতিস্থাপন করে। এটি একটি পরিষ্কার ধারণা, এবং একটি চাকরির কোন অংশগুলো একটি যন্ত্র শুষে নিতে পারে সে সম্পর্কে কথা বলার জন্য এটি পরবর্তী গবেষণাগুলোকে একটি শব্দভাণ্ডার দিয়েছে।
আসেমোগলু এবং রেস্ট্রেপো এর ওপর একটি আনুষ্ঠানিক কাঠামো তৈরি করেছেন। তারা পুঁজি এবং শ্রমের মধ্যে বরাদ্দকৃত কাজের একটি ধারাবাহিকতা (continuum) থেকে উৎপন্ন ফল হিসেবে আউটপুটকে মডেল করেন। তাদের কাঠামোতে, শ্রমের অংশ বাড়বে না কমবে তা নির্ভর করে নতুন-কাজ সৃষ্টি, যাকে তারা পুনঃস্থাপন চ্যানেল (reinstatement channel) বলেন, তা কাজ স্থানচ্যুতিকে ছাড়িয়ে যায় কি না তার ওপর। তাদের অনুসরণ করে, মূল্য সংযোজনে (value added) শ্রমের অংশ লেখা হয় sL = W * L / Y = f(|NL| / |N|), যেখানে W হলো মজুরির হার, L হলো কর্মসংস্থান এবং Y হলো আউটপুট। দুটি শক্তি একে অপরের বিপরীতে টানে, এবং কোনটি জিতবে তা নির্ধারণ করে কে লাভের অংশীদার হবে।
এখানে অন্য দুটি পরিমাপ প্রচেষ্টা গুরুত্বপূর্ণ কারণ তারা এই কাঠামোটিকে পেশা-স্তরের সংখ্যায় রূপান্তরিত করেছে। ফেল্টেন, রাজ এবং সিম্যান্স (Felten, Raj and Seamans) প্রকাশিত AI সক্ষমতার অগ্রগতিকে O*NET সক্ষমতা শ্রেণিবিন্যাসের (ability taxonomy) সাথে যুক্ত করে AI অকুপেশনাল এক্সপোজার (AIOE) স্কোর তৈরি করেছেন। এলাউন্ডু প্রমুখ (Eloundou et al.) কাজ-স্তরে ক্রাউড-ওয়ার্কারদের টীকা এবং GPT-4-এর স্ব-মূল্যায়নকে একত্রিত করে GPT-4-কেন্দ্রিক একটি সমান্তরাল পরিমাপ তৈরি করেছেন।
তাদের প্রধান ফলাফল ছিল যে ৮০% মার্কিন কর্মী এমন চাকরি করেন যেখানে অন্তত ১০% কাজ LLM-প্রভাবিত (LLM-exposed)। সবচেয়ে বেশি প্রভাব কেন্দ্রীভূত ছিল উচ্চ-মজুরি এবং ডিগ্রি-প্রয়োজন এমন পেশাগুলোর মধ্যে। এই ফলাফলটি সেই পুরনো ধারণার বিপরীতে যায় যে অটোমেশন প্রথমে রুটিন ও নিম্ন-মজুরির কাজে আঘাত হানে, এবং এটি ব্যাখ্যা করে কেন হোয়াইট-কলার প্রশ্নটি এত জরুরি হয়ে উঠেছে।
প্রতিটি কাঠামোর অভিন্ন অন্ধবিন্দু #
মূল উৎসটি এই সমস্ত কাজ সম্পর্কে একটি তীক্ষ্ণ দাবি করে। উদ্ধৃত প্রতিটি কাঠামোরই একটি স্থাপত্যগত অন্ধবিন্দু (architectural blind spot) রয়েছে: তারা অটোমেশনকে এমনভাবে মডেল করে যে এটি পেশাটিকে অক্ষত রেখে কেবল বিচ্ছিন্ন কাজগুলোকে একে একে সরিয়ে নেয়। অটর-লেভি-মুরনেন টাস্ক কাঠামোর ওপর নির্মিত পূর্বাভাসসহ প্রায় সমস্ত পূর্বাভাসই এই অনুমানটি ভাগ করে নেয় যে অটোমেশন একবারে একটি করে কাজ সরিয়ে নেয় এবং অবশিষ্ট মানবিক কাজের চারপাশে একটি সমন্বয়কারী খোলস হিসেবে পেশাটি টিকে থাকে।
এটি কাঠামো সম্পর্কে একটি অনুমান, প্রযুক্তি সম্পর্কে নয়। যন্ত্রটি কতটা সক্ষম সে সম্পর্কে এটি কিছুই বলে না। এটি বলে যে যন্ত্রটি যতগুলো কাজই নিজের হাতে নিক না কেন, বাকি অংশটুকুকে একসাথে ধরে রাখার জন্য তখনও কাউকে না কাউকে থাকতে হয়।
প্যারালেগাল (paralegal)-এর উদাহরণটি বিষয়টিকে মূর্ত করে তোলে। একটি টাস্ক-এক্সপোজার বিশ্লেষণ একজন প্যারালেগালের ৮০% কাজকে LLM-প্রভাবিত হিসেবে চিহ্নিত করতে পারে এবং তবুও সিদ্ধান্তে আসতে পারে যে পেশাটি নিরাপদ, কারণ সেই কাজগুলোর সমন্বয় করার জন্য মানুষের বিচারবুদ্ধি প্রয়োজন। এই সিদ্ধান্তটি আসে সেই খোলস অনুমান (shell assumption) থেকে। কাজগুলো প্রভাবিত, কিন্তু সেগুলোর মধ্যকার সেলাই বা সংযোগটি প্রভাবিত নয়, তাই চাকরিটি থেকে যায়।
এরপর আসে মূল উৎসের প্রধান চাল: যে সমন্বয়ের প্রতিবন্ধকতা প্যারালেগাল ভূমিকাটিকে রক্ষা করছিল তা এখন এজেন্টের প্ল্যানিং মডিউলের ভেতরে চলে গেছে। যদি তা সত্য হয়, তবে যে যুক্তি প্যারালেগালকে নিরাপদ রেখেছিল তা কাজ করা বন্ধ করে দেয়। সুরক্ষাটি এসেছিল সমন্বয় থেকে। আর এই সমন্বয়টিই হলো ঠিক সেই কাজ যা একটি এজেন্টিক সিস্টেম করে থাকে।
আমি মনে করি এটি গবেষণাপত্রটির সবচেয়ে কার্যকর ধারণা, এবং এটিকে এর নিজস্ব শর্তেই গ্রহণ করা উচিত। পুরনো কাঠামোগুলো কাজ সম্পর্কে ভুল নয়। কাজগুলো চলে যাওয়ার পর কী অবশিষ্ট থাকে সে সম্পর্কে তারা ভুল। যে পরিমাপ একটি একটি করে কাজকে স্কোর করে, তা এমন কোনো সিস্টেমকে দেখতে পায় না যা পুরো ক্রমটিকে একটি একক হিসেবে সামলায়।
এজেন্টিক হিসেবে কোনটি গণ্য হবে #
যুক্তিটি যদি একটি পার্থক্যের ওপর নির্ভর করে, তবে সেই পার্থক্যটির একটি সংজ্ঞা প্রয়োজন। উৎসটি চারটি মানদণ্ডসহ একটি সংজ্ঞা সরবরাহ করে। একটি এজেন্টিক AI সিস্টেম হলো সেটি যা:
- কাজের নির্দিষ্টকরণের (task specification) পরিবর্তে একটি লক্ষ্যের নির্দিষ্টকরণ (goal specification) গ্রহণ করে;
- লক্ষ্য অর্জনের জন্য স্বয়ংক্রিয়ভাবে টুল নির্বাচন ও আহ্বান করে;
- একাধিক ইনফারেন্স ধাপ জুড়ে অবস্থা (state) বজায় রাখে; এবং
- মধ্যবর্তী ধাপগুলোতে মানুষের হস্তক্ষেপ ছাড়াই একটি সম্পূর্ণ কাজের ফলাফল তৈরি করে।
এই তালিকাটিকে তালিকা হিসেবেই রাখা সার্থক, কারণ মানদণ্ডগুলো সুনির্দিষ্ট এবং প্রতিটি আলাদাভাবে যাচাই করা সম্ভব। কেবল প্রম্পটের উত্তর দেওয়া একটি সিস্টেম প্রথম শর্তেই ব্যর্থ হয়। প্রতিটি মধ্যবর্তী ধাপ অনুমোদনের জন্য মানুষের প্রয়োজন হয় এমন সিস্টেম চতুর্থ শর্তে ব্যর্থ হয়।
আরও সহজ ভাষায়, একটি এজেন্ট একটি লক্ষ্য গ্রহণ করে, টুল নির্বাচন করে, বহু-ধাপের পরিকল্পনা বাস্তবায়ন করে, নিজের আউটপুট নিজেই যাচাই করে এবং একটি সম্পূর্ণ প্রস্তুত কাজ জমা দেয়। এজেন্টিক সিস্টেমগুলো টুল কলগুলোকে শৃঙ্খলিত করে, ধাপগুলো জুড়ে স্থায়ী মেমরি বজায় রাখে, বহু-কাজের ক্রম পরিকল্পনা করে এবং মধ্যবর্তী আউটপুটগুলো মান পরীক্ষায় ব্যর্থ হলে স্ব-সংশোধন (self-correct) করে।
স্ব-সংশোধনের এই খুঁটিনাটি বিষয়টি প্রথম দেখায় যতটা মনে হয় তার চেয়ে বেশি গুরুত্বপূর্ণ। একটি ধাপ ব্যর্থ হলেই ভেঙে পড়ে এমন একটি পাইপলাইনের আশেপাশে তখনও একজন মানুষের প্রয়োজন হয়। কিন্তু যে সিস্টেম মান পরীক্ষায় ব্যর্থ হওয়া লক্ষ্য করে এবং পুনরায় চেষ্টা করে, সেটি এমন কিছু তদারকি নিজের ভেতরে শুষে নিয়েছে যা আগে মানুষের উপস্থিতিকে যৌক্তিক করে তুলত।
গবেষণাপত্রটি তার বিষয়বস্তুকে এভাবে সংজ্ঞায়িত করে: বিচ্ছিন্ন কাজের পরিবর্তে সম্পূর্ণ পেশাগত ওয়ার্কফ্লো সম্পন্ন করতে সক্ষম স্বয়ংক্রিয় AI এজেন্ট। "সম্পূর্ণ" (entire) শব্দটিই আসল ভার বহন করে। পুরো যুক্তিটিই হলো একটি বিচ্ছিন্ন কাজ এবং একটি সম্পূর্ণ ওয়ার্কফ্লোর মধ্যকার ব্যবধান নিয়ে।
কেন এখনই এর উপযুক্ত সময় #
প্রশ্নটি যে কাল্পনিক নয়, তার স্বপক্ষে উৎসটি দুই ধরনের প্রমাণ দেয়। প্রথমটি সক্ষমতা সংক্রান্ত। GPT-4-শ্রেণির মডেলগুলো বার পরীক্ষা (bar exam) এবং ইউএস মেডিকেল লাইসেন্সিং পরীক্ষায় (US Medical Licensing Exam) পাস-স্কোরের সীমায় বা তার ওপরে পৌঁছেছে, এবং CFA লেভেল I পাস করার মাত্র কয়েক শতাংশ পয়েন্টের মধ্যে চলে এসেছে। এগুলো এমন সব পেশার সনদপত্রের পরীক্ষা যা কেবল কাজটি কঠিন হওয়ার কারণেই প্রবেশাধিকার সীমিত রাখে।
দ্বিতীয়টি বাস্তব প্রয়োগ (deployment) সংক্রান্ত। অ্যামাজন, মাইক্রোসফট, সেলসফোর্স, সার্ভিসনাউ এবং ওয়ার্কডে (Amazon, Microsoft, Salesforce, ServiceNow and Workday) সহ প্রধান এন্টারপ্রাইজ প্রযুক্তি বিক্রেতারা তাদের ২০২৪ সালের আর্নিং কল এবং বিনিয়োগকারী উপস্থাপনায় হোয়াইট-কলার ওয়ার্কফ্লো স্পর্শ করা প্রোডাকশন এজেন্টিক ডিপ্লয়মেন্টের কথা প্রকাশ করেছে। এগুলো প্রোডাকশন বা বাস্তব কর্মক্ষেত্রের প্রয়োগ, কোনো গবেষণার ডেমো নয়, এবং এগুলোর ঘোষণা শিক্ষাবিদদের বদলে বিনিয়োগকারীদের সামনে দেওয়া হয়েছিল।
উৎসটি এই প্রকাশগুলোকে এমনভাবে পাঠ করে যা কোম্পানিগুলো কেবল তখনই করে যখন বাস্তব প্রয়োগগুলো ইতিমধ্যেই কর্মীসংখ্যার (headcount) পরিকল্পনাকে প্রভাবিত করতে শুরু করে। উৎসটি এটিকে একটি পরিমাপ হিসেবে নয়, বরং একটি ব্যাখ্যা হিসেবে উপস্থাপন করে, এবং এটিকে সেভাবেই দেখা উচিত। আমাকে দেওয়া নথির কোথাও সরাসরি কর্মীসংখ্যার হিসাব জানানো হয়নি। তবে অনুমানটি যৌক্তিক: ব্যয়-কাঠামোর ওপর প্রভাব না ফেললে প্রতিষ্ঠানগুলো সাধারণত বিনিয়োগকারীদের সামনে কোনো ডিপ্লয়মেন্টের কথা তুলে ধরে না।
দুটিকে একসাথে রাখলে একটি নতুন পরিমাপের প্রয়োজনীয়তা স্পষ্ট হয়ে ওঠে। কেবল সক্ষমতা এককভাবে এই বিষয়টিকে সামনে আনতে পারত না, কিংবা কয়েকটি পাইলট প্রজেক্টও তা পারত না। কিন্তু যে সক্ষমতা ইতিমধ্যেই পেশাদার সীমা অতিক্রম করছে, এবং যা ইতিমধ্যেই প্রোডাকশনে থাকা সিস্টেমগুলোতে ব্যবহৃত হচ্ছে, তা এটি করতে বাধ্য করে।
ATE স্কোর: এটি কী পরিমাপ করে এবং কী করে না #
গবেষণাপত্রটির জবাব হলো এজেন্টিক টাস্ক এক্সপোজার (ATE) স্কোর। এটি একটি সমন্বিত মাপকাঠি (composite metric) যা এন্ড-টু-এন্ড ওয়ার্কফ্লো কভারেজ, বর্তমান এজেন্টিক AI সক্ষমতা বেঞ্চমার্ক এবং এন্টারপ্রাইজ গ্রহণের গতিকে বিবেচনায় নেওয়ার জন্য আসেমোগলু-রেস্ট্রেপো কাজ স্থানচ্যুতি কাঠামোকে প্রসারিত করে। এই স্কোরটি পরিমাপ করে যে একটি পেশা o বর্তমান এজেন্টিক AI সিস্টেমের দ্বারা এন্ড-টু-এন্ড স্থানচ্যুতির মুখে কতটা উন্মুক্ত (exposed)।
এতে তিনটি উপাদান যুক্ত হয়: AI সক্ষমতা স্কোর, ওয়ার্কফ্লো কভারেজ ফ্যাক্টর এবং লজিস্টিক গ্রহণের গতি। ওয়ার্কফ্লো কভারেজ ফ্যাক্টর হলো সেই অংশ যা সরাসরি অন্ধবিন্দুটিকে মোকাবিলা করে। উৎসটি বলে যে আগের কাজগুলোতে যা অনুপস্থিত তা হলো একটি পেশার সম্পূর্ণ ওয়ার্কফ্লো গঠন এজেন্টিক AI-এর কার্যকরী পরিধির (operational envelope) ভেতরে বসে কি না তার একটি পরিমাপ, এবং এটি ওয়ার্কফ্লো কভারেজ ফ্যাক্টর হিসেবে সেটিকে আনুষ্ঠানিক রূপ দেয়। পুরনো স্কোরগুলো জিজ্ঞাসা করে কোনো একটি কাজ প্রভাবিত কি না। আর এই স্কোরটি জিজ্ঞাসা করে পুরো ওয়ার্কফ্লোটিই একটি এজেন্ট যা করতে পারে তার ভেতরে এঁটে যায় কি না।
নির্মাণের আরও দুটি অংশ নির্দিষ্ট করা হয়েছে। wo,t পদটি হলো পেশা o-তে কাজ t-এর গুরুত্ব-ভারযুক্ত প্রাসঙ্গিকতা (importance-weighted relevance), যা O*NET কাজের গুরুত্ব রেটিং থেকে নেওয়া হয়েছে। এবং CAP(t), অর্থাৎ সক্ষমতা পদটি, AI বেঞ্চমার্ক সাহিত্য এবং পেশাজীবীদের ডিপ্লয়মেন্ট রিপোর্ট থেকে প্রাক্কলন করা হয়েছে। সুতরাং কাজের গুরুত্ব আসে একটি প্রমিত পেশাগত ডেটাবেস থেকে, আর সক্ষমতা আসে দুটি উৎস থেকে: বেঞ্চমার্ক এবং মাঠপর্যায়ের রিপোর্ট।
গবেষণাপত্রটি পদ্ধতি সম্পর্কে সুস্পষ্ট, এবং পাঠকেরও উচিত এটিকে সেই মানদণ্ডেই বিচার করা। ATE স্কোরগুলো ক্যালিব্রেট করা গ্রহণ-প্যারামিটার ব্যবহার করে O*NET টাস্ক ডেটা থেকে অ্যালগরিদমিকভাবে গণনা করা হয়; এগুলো কোনো রিগ্রেশন প্রাক্কলন (regression estimates) নয়। এর ব্যবহারিক ফলাফল রয়েছে। একটি রিগ্রেশন প্রাক্কলনের সাথে প্রমিত ত্রুটি (standard errors) এবং শনাক্তকরণ যুক্তির স্বাভাবিক যন্ত্রপাতি থাকে। একটি ক্যালিব্রেট করা অ্যালগরিদমিক সমন্বিত স্কোরে তা থাকে না, এবং এর আউটপুটগুলো হলো মডেল-লব্ধ প্রক্ষেপণ (model-derived projections) - এমন একটি শব্দগুচ্ছ যা গবেষণাপত্রটি নিজেই তার স্থানচ্যুতির পরিসংখ্যানের জন্য ব্যবহার করে। মডেলটি তার প্যারামিটারের অধীনে কী ইঙ্গিত দেয় সেগুলো তা বর্ণনা করে। বাস্তবে কী ঘটেছে সেগুলো তা রিপোর্ট করে না।
আমি যুক্তি দেব যে এটি একটি সৎ উপস্থাপনা, এবং এমন একটি পূর্বাভাস সমস্যার জন্য এটিই সঠিক পন্থা যেখানে যে জিনিসটির পূর্বাভাস দেওয়া হচ্ছে তা এখনও ঘটেনি। ঘোষিত ইনপুট থেকে নির্মিত একটি সমন্বিত স্কোর পরীক্ষা করা যায়, চ্যালেঞ্জ করা যায় এবং পুনরায় ক্যালিব্রেট করা যায়। কেউ যদি গ্রহণের গতি সম্পর্কে দ্বিমত পোষণ করেন, তবে তারা জানেন কোন ডায়ালটি ঘোরাতে হবে।
মডেলটি এটি কোথায় প্রয়োগ করে #
অভিজ্ঞতালব্ধ প্রয়োগটি বেশ বিস্তৃত। গবেষণাপত্রটি ছয়টি প্রধান পেশাগত গোষ্ঠী জুড়ে বিস্তৃত ২৩৬টি স্ট্যান্ডার্ড অকুপেশনাল ক্লাসিফিকেশন (SOC) কোডে ATE কাঠামোটি প্রয়োগ করে, যা ২০২৫-২০৩০ মেয়াদে মার্কিন যুক্তরাষ্ট্রের পাঁচটি প্রধান প্রযুক্তি অঞ্চল জুড়ে মডেল-লব্ধ স্থানচ্যুতির প্রক্ষেপণ তৈরি করে। পাঁচটি অঞ্চল হলো সান ফ্রান্সিসকো বে এরিয়া, সিয়াটল-ট্যাকোমা-বেলভিউ, অস্টিন-রাউন্ড রক, নিউ ইয়র্ক-নিউয়ার্ক এবং বোস্টন-কেমব্রিজ।
গবেষণাপত্রটি এটিকে বিশেষভাবে এজেন্টিক AI সিস্টেমকে লক্ষ্য করে তৈরি টাস্ক এক্সপোজার কাঠামোর প্রথম বহু-আঞ্চলিক অভিজ্ঞতালব্ধ প্রয়োগ হিসেবে বর্ণনা করে। এটি লেখকদের করা অগ্রাধিকারের একটি দাবি, এবং আমার সামনে থাকা উপাদান থেকে আমি তা যাচাই করতে পারি না। আমি যা বলতে পারি তা হলো, জাতীয়-স্তরের অধ্যয়নগুলোর একটি অভিন্ন সমস্যার বিপরীতে এই আঞ্চলিক নকশাটি একটি বিচক্ষণ পদক্ষেপ: এক্সপোজার বা ঝুঁকি হলো পেশার একটি বৈশিষ্ট্য, কিন্তু গ্রহণ (adoption) হলো স্থান এবং প্রতিষ্ঠানের বৈশিষ্ট্য।
উৎসটি যে ফলাফল দেয় সে অনুসারে, ক্রেডিট বিশ্লেষক, বিচারক এবং সাসটেইনেবিলিটি বিশেষজ্ঞরা ০.৪৩-০.৪৭ ATE স্কোরে পৌঁছান। এই দলবদ্ধকরণটি দ্বিতীয়বার দেখার দাবি রাখে। একজন ক্রেডিট বিশ্লেষক, একজন বিচারক এবং একজন সাসটেইনেবিলিটি বিশেষজ্ঞের প্রশিক্ষণ, বেতন বা দৈনন্দিন কাজের মধ্যে কোনো মিল নেই। গবেষণাপত্রের বিবরণ অনুযায়ী তাদের মধ্যে যে মিলটি রয়েছে তা হলো একই সীমার (range) মধ্যে থাকা একটি স্কোর। খাত বা তথাকথিত সৃজনশীলতা দেখে অলসভাবে চাকরিগুলোকে "নিরাপদ" এবং "ঝুঁকিপূর্ণ" হিসেবে বাছাই করার বিরুদ্ধে একটি চিহ্ন হিসেবে আমি এটিকে পাঠ করব।
উৎসটি যতটুকু সমর্থন করে, এই সংখ্যাটি থেকে তার চেয়ে বেশি অর্থ বের করারও আমি বিরোধিতা করব। আমার কাছে থাকা উপাদানে এই তিনটি পেশার জন্য স্কোরের সীমা দেওয়া হয়েছে এবং বাকি ২৩৬টি কোডের সাথে এর তুলনা কেমন তা বলা হয়নি। তাই সংখ্যাটি দেখায় যে গবেষণাপত্রের স্কেলে এই ভূমিকাগুলো যথেষ্ট পরিমাণে ঝুঁকির মুখে রয়েছে। কিন্তু এটি দেখায় না যে এগুলোই সবচেয়ে বেশি ঝুঁকির মুখে রয়েছে।
আঞ্চলিক ফলাফলগুলোর সাথে একটি সতর্কবার্তা রয়েছে যা পুনরায় উল্লেখ করার মতো। গবেষণাপত্রটি বলে যে ২০২৬-২০২৭ সালে সিয়াটলের কর্মীবাহিনীর ওপর পড়া প্রভাবগুলো বৃহত্তর জাতীয় অ-কারিগরি কর্মীবাহিনী ২০২৮-২০৩০ সালে কী অনুভব করবে তার একটি পূর্বাভাস (preview) দেয়। এটি একটি ঘোষিত ব্যবধানসহ (lag) করা ভবিষ্যদ্বাণী, এবং এটি শর্তসাপেক্ষ। এটি মডেল থেকে উৎপন্ন একটি অনুমান বা হাইপোথিসিস হিসেবে পঠিত হয়, এবং এটিকে প্রতিষ্ঠিত সত্য হিসেবে ধরে নেওয়া উচিত নয়। তবে এটি একটি কার্যকর ধরনের দাবি, কারণ এটি ভুল প্রমাণিত হওয়ার মতো যথেষ্ট সুনির্দিষ্ট। সিয়াটলের প্রাথমিক প্যাটার্নটি যদি ২০২৮ সালের মধ্যে জাতীয় অ-কারিগরি কর্মীবাহিনীতে প্রবাহিত না হয়, তবে মডেলটির এমন একটি সমস্যা রয়েছে যা এটি ব্যাখ্যা দিয়ে এড়িয়ে যেতে পারবে না।
খতিয়ানের পুনঃস্থাপন দিক #
একটি স্থানচ্যুতি স্কোর এককভাবে আসেমোগলু-রেস্ট্রেপো গল্পের অর্ধেকটা বলে। তাদের কাঠামোতে, শ্রমের অংশ নির্ভর করে নতুন-কাজ সৃষ্টি স্থানচ্যুতিকে ছাড়িয়ে যায় কি না তার ওপর। যে গবেষণাপত্র কাঠামোটিকে প্রসারিত করে কেবল স্থানচ্যুতি পরিমাপ করত, সেটি কাঠামোটির সেই অংশটিকেই পরিত্যাগ করত যা এটিকে তার মূল টানাপোড়েন (tension) দেয়।
এই গবেষণাপত্রটি তা করে না। এটি এমন পেশাগত বিভাগগুলো চিহ্নিত করে যেখানে এজেন্টিক AI পুনঃস্থাপন প্রভাব তৈরি করে: এমন সব নতুন ভূমিকা যা এজেন্টিক ডিপ্লয়মেন্টের আগে বিদ্যমান ছিল না, যা বৃহৎ পরিসরে মানবিক তদারকি, গভর্ন্যান্স এবং সহযোগিতার চাহিদা তৈরি করে। সব মিলিয়ে এটি পুনঃস্থাপন প্রভাব থেকে উপকৃত হওয়া সতেরোটি উদীয়মান পেশাগত বিভাগ চিহ্নিত করে। সেগুলো মানব-AI সহযোগিতা, AI গভর্ন্যান্স এবং ডোমেইন-নির্দিষ্ট AI অপারেশনস ভূমিকাগুলোতে কেন্দ্রীভূত।
এর কৌশলটি অনুসরণ করা সহজ। এজেন্টরা যদি শুরু থেকে শেষ পর্যন্ত (end to end) ওয়ার্কফ্লো সম্পন্ন করে, তবে কাউকে না কাউকে তাদের তদারকি করতে হবে, তারা কোন নিয়মের অধীনে চলবে তা নির্ধারণ করতে হবে, এবং তাদের পাশাপাশি কাজ করতে হবে। এই চাহিদাগুলো আগে চাকরি হিসেবে বিদ্যমান ছিল না কারণ তখন তদারকি করার মতো কিছুই ছিল না।
উৎসটি আমাকে বলে না যে এই সতেরোটি বিভাগ কতজন লোককে নিয়োগ দেবে, কিংবা এদের বৃদ্ধি ATE স্কোরগুলোর ইঙ্গিত দেওয়া স্থানচ্যুতির ক্ষতিপূরণ করবে কি না। তাই আমার ব্যবহারযোগ্য ডেটা মূল প্রশ্নটিকে অমীমাংসিত রেখে দেয়: পুনঃস্থাপন স্থানচ্যুতিকে ছাড়িয়ে যায় কি না। যে কেউ যদি আত্মবিশ্বাসের সাথে লেখেন যে এটি ছাড়িয়ে যায়, বা যায় না, তবে তিনি যাচাইকৃত দাবিগুলোর বাইরে চলে যাচ্ছেন। গবেষণাপত্রটির অবদান হলো খতিয়ানের উভয় দিককে একই কাঠামোর ভেতরে নিয়ে আসা এবং নতুন ভূমিকাগুলো কোথায় আবির্ভূত হয় তার নাম উল্লেখ করা।
এখান থেকে কী গ্রহণ করতে হবে #
এখানে একটি পদ্ধতিগত (methodological) শিক্ষা এবং একটি ব্যবহারিক শিক্ষা রয়েছে।
পদ্ধতিগত শিক্ষাটি হলো বিশ্লেষণের এককই উত্তর নির্ধারণ করে দেয়। ৪৭% থেকে ৯-১৪%-এ নেমে আসার পরিবর্তনটি এসেছিল পেশা থেকে কাজের দিকে সরে আসার কারণে। গবেষণাপত্রটি যুক্তি দেয় যে এখন আরও এক ধাপ এগিয়ে যাওয়া প্রয়োজন - কাজ থেকে ওয়ার্কফ্লোর দিকে - কারণ যে জিনিসটিকে স্বয়ংক্রিয় করা হচ্ছে তা এখন আর কোনো একক কাজ নয়। যতবারই একক পরিবর্তিত হয়েছে, প্রাক্কলনগুলো বদলে গেছে, এবং এই ক্ষেত্রের ইতিহাস ইঙ্গিত দেয় যে ডেটা নির্বাচনের মতো একক নির্বাচনের বিষয়টিও সমানভাবে সূক্ষ্ম পরীক্ষার দাবি রাখে।
ব্যবহারিক শিক্ষাটি তাদের সবার জন্য যারা আগামী পাঁচ বছরকে ঘিরে কর্মীসংখ্যা, প্রশিক্ষণ বা পণ্যের পরিকল্পনা করছেন। যে স্কোর আপনাকে বলে যে একটি ভূমিকার ৮০% কাজ প্রভাবিত, তা যথেষ্ট নয়, কারণ এটি বলে না যে বাকি ২০% একটি টেকসই মানবিক কেন্দ্রবিন্দু (human core) নাকি কেবল সেই আঠা যা একটি এজেন্টের প্ল্যানিং মডিউল এখন সরবরাহ করতে পারে। ওয়ার্কফ্লো কভারেজ ফ্যাক্টরটি সরাসরি সেই প্রশ্নটি করার জন্যই তৈরি হয়েছে।
ATE স্কোর হলো ক্যালিব্রেট করা প্যারামিটারসহ একটি সমন্বিত স্কোর, এবং এর প্রক্ষেপণগুলো মডেল-লব্ধ। সেগুলো ২০২৫-২০৩০ সম্পর্কে একটি কাঠামোগত যুক্তি, তার কোনো নথিভুক্ত ইতিহাস নয়। সেগুলোকে উপেক্ষা করার বদলে পরীক্ষা করে দেখার এটিই একটি কারণ। সিয়াটল অনুমানটি একটি প্রাথমিক পরীক্ষার সুযোগ দেয়: সেখানে ২০২৬-২০২৭ সালের প্রভাবগুলো যদি মডেলের ইঙ্গিত অনুযায়ীই দেখা যায়, তবে ২০২৮-২০৩০ সালে জাতীয় অ-কারিগরি কর্মীবাহিনীতে পৌঁছানোর ব্যবধানটি হবে পরবর্তী দেখার মতো বিষয়। আর সতেরোটি পুনঃস্থাপন বিভাগ সেই প্রশ্নটি সামনে আনে যা এই দাবিগুলো মীমাংসা করতে পারে না: এজেন্টদের তদারকি করার জন্য তৈরি হওয়া ভূমিকাগুলো কি এমন সংখ্যায় আসবে যা শ্রমের অংশের ক্ষেত্রে সত্যিই কোনো পার্থক্য গড়ে দেয়।
সচরাচর জিজ্ঞাসিত প্রশ্নাবলি #
পূর্ববর্তী টাস্ক-এক্সপোজার কাঠামোগুলো কেন এজেন্টিক AI-এর প্রভাবকে কম করে দেখে?
অটর-লেভি-মুরনেন ঐতিহ্যের ওপর নির্মিত পূর্ববর্তী কাঠামোগুলো ধরে নেয় যে অটোমেশন বিচ্ছিন্ন কাজগুলোকে সরিয়ে দেয় যখন পেশাটি একটি মানবিক সমন্বয়কারী খোলস হিসেবে টিকে থাকে। এজেন্টিক AI সিস্টেমগুলো পরিকল্পনা, টুল আহ্বান, অবস্থা ব্যবস্থাপনা এবং মধ্যবর্তী মান পরীক্ষাগুলোকে নিজের ভেতরে শুষে নেয় যার জন্য আগে একজন মানব সমন্বয়কারীর প্রয়োজন হতো, ফলে বিচ্ছিন্ন কাজের পরিবর্তে পুরো ওয়ার্কফ্লোই ঝুঁকির মুখে পড়ে।
এজেন্টিক টাস্ক এক্সপোজার (ATE) স্কোর কীভাবে গণনা করা হয়?
ATE হলো একটি অ্যালগরিদমিক সমন্বিত স্কোর যা O*NET কাজের গুরুত্ব রেটিং (wo,t), AI সক্ষমতা বেঞ্চমার্ক এবং পেশাজীবীদের ডিপ্লয়মেন্ট রিপোর্ট (CAP(t)), একটি পেশার সম্পূর্ণ ওয়ার্কফ্লো এজেন্টের কার্যকরী পরিধির ভেতরে এঁটে যায় কি না তা পরিমাপকারী একটি ওয়ার্কফ্লো কভারেজ ফ্যাক্টর, এবং ২৩৬টি SOC কোড জুড়ে ক্যালিব্রেট করা লজিস্টিক গ্রহণের গতির প্যারামিটার থেকে তৈরি করা হয়েছে।
নতুন কর্মসংস্থান সৃষ্টি (পুনঃস্থাপন প্রভাব) সম্পর্কে গবেষণাটি কী খুঁজে পেয়েছে?
আসেমোগলু-রেস্ট্রেপো পুনঃস্থাপন চ্যানেলটিকে প্রসারিত করে, গবেষণাটি মানব-AI সহযোগিতা, AI গভর্ন্যান্স এবং ডোমেইন-নির্দিষ্ট AI অপারেশনসে কেন্দ্রীভূত সতেরোটি উদীয়মান পেশাগত বিভাগ চিহ্নিত করেছে। সেই বিভাগগুলোর প্রবৃদ্ধি ওয়ার্কফ্লো-স্তরের স্থানচ্যুতির ক্ষতিপূরণ করতে পারে কি না, তা একটি অমীমাংসিত অভিজ্ঞতালব্ধ প্রশ্ন হিসেবেই রয়ে গেছে।
তথ্যসূত্র #
- Ravish Gupta and Saket Kumar, (2026). Agentic AI and Occupational Displacement: A Multi-Regional Task Exposure Analysis of Emerging Labor Market Disruption ⧉. arXiv.
- Tyna Eloundou, Sam Manning, Pamela Mishkin, and Daniel Rock, (2023). GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models ⧉. arXiv.
- Daron Acemoglu and Pascual Restrepo, (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor ⧉. Journal of Economic Perspectives.
- National Center for O*NET Development, (2025). O*NET Resource Center ⧉. US Department of Labor.
সর্বশেষ পর্যালোচনা .
এই নিবন্ধটি ক্রস-পোস্ট করুন
Medium-এর জন্য ফরম্যাট কপি করুন
# এজেন্টিক AI প্রতিটি টাস্ক-এক্সপোজার পূর্বাভাসের পেছনের অনুমানকে ভেঙে দেয় — Sebastien Rousseau > Originally published at [https://sebastienrousseau.com/bn/2026-10-25-ejentik-ai-pratiti-task-eksapojar-purbabhaser/](https://sebastienrousseau.com/bn/2026-10-25-ejentik-ai-pratiti-task-eksapojar-purbabhaser/) টাস্ক-এক্সপোজার কাঠামোগুলো একটি পেশাকে এমন একটি খোলস হিসেবে দেখে যা মানুষ এখনও যে কাজগুলো করে তার চারপাশে টিকে থাকে। এজেন্টিক সিস্টেমগুলো একটি লক্ষ্য অনুসরণ করে এবং একটি সম্পূর্ণ কাজের ফলাফল প্রদান করে। Read the full article on sebastienrousseau.com: https://sebastienrousseau.com/bn/2026-10-25-ejentik-ai-pratiti-task-eksapojar-purbabhaser/
Mastodon-এর জন্য ফরম্যাট কপি করুন
এজেন্টিক AI প্রতিটি টাস্ক-এক্সপোজার পূর্বাভাসের পেছনের অনুমানকে ভেঙে দেয় — Sebastien Rousseau টাস্ক-এক্সপোজার কাঠামোগুলো একটি পেশাকে এমন একটি খোলস হিসেবে দেখে যা মানুষ এখনও যে কাজগুলো করে তার চারপাশে টিকে থাকে। এজেন্টিক সিস্টেমগুলো একটি লক্ষ্য অনুসরণ করে এবং একটি সম্পূর্ণ কাজের ফলাফল প্রদান করে। https://sebastienrousseau.com/bn/2026-10-25-ejentik-ai-pratiti-task-eksapojar-purbabhaser/
LinkedIn-এর জন্য বিন্যাসিত কপি করুন
এজেন্টিক AI প্রতিটি টাস্ক-এক্সপোজার পূর্বাভাসের পেছনের অনুমানকে ভেঙে দেয় — Sebastien Rousseau টাস্ক-এক্সপোজার কাঠামোগুলো একটি পেশাকে এমন একটি খোলস হিসেবে দেখে যা মানুষ এখনও যে কাজগুলো করে তার চারপাশে টিকে থাকে। এজেন্টিক সিস্টেমগুলো একটি লক্ষ্য অনুসরণ করে এবং একটি সম্পূর্ণ কাজের ফলাফল প্রদান করে।. এখানে মূল কৌশলগত টেকওয়েগুলি রয়েছে: - যে পূর্বাভাসগুলো লক্ষ্যমাত্রা ছাড়িয়ে গিয়েছিল. শিল্প রোবট কারখানার শ্রমিকদের স্থানচ্যুত করেছিল ঠিকই। কিন্তু তারা প্রাথমিক পূর্বাভাসগুলোর ইঙ্গিত দেওয়া সময়সীমায় বা সেই মাত্রায় তা করেনি। জীবিকার তাগিদে যারা শ্রম-বাজারের ভবিষ্যদ্বাণী পড়েন, এই বাক্যটি তাদের যে… - টাস্ক কাঠামোগুলো কীভাবে কাজ করে. চাপটি কোথা থেকে আসছে তা বোঝার জন্য, টাস্ক ঐতিহ্য (task tradition) ঠিক কী দাবি করে সে সম্পর্কে সুনির্দিষ্ট হওয়া সহায়ক।. - প্রতিটি কাঠামোর অভিন্ন অন্ধবিন্দু. মূল উৎসটি এই সমস্ত কাজ সম্পর্কে একটি তীক্ষ্ণ দাবি করে। উদ্ধৃত প্রতিটি কাঠামোরই একটি স্থাপত্যগত অন্ধবিন্দু (architectural blind spot) রয়েছে: তারা অটোমেশনকে এমনভাবে মডেল করে যে এটি পেশাটিকে অক্ষত রেখে কেবল বিচ্ছিন্ন… - এজেন্টিক হিসেবে কোনটি গণ্য হবে. যুক্তিটি যদি একটি পার্থক্যের ওপর নির্ভর করে, তবে সেই পার্থক্যটির একটি সংজ্ঞা প্রয়োজন। উৎসটি চারটি মানদণ্ডসহ একটি সংজ্ঞা সরবরাহ করে। একটি এজেন্টিক AI সিস্টেম হলো সেটি যা:. এই নিবন্ধে উল্লিখিত চ্যালেঞ্জগুলির প্রতি আপনার প্রতিষ্ঠানের পদ্ধতি কী? → https://sebastienrousseau.com/bn/2026-10-25-ejentik-ai-pratiti-task-eksapojar-purbabhaser/ #এজেন্টিক #ভাঙে #অনুমান #পেছনে #টাস্কএক্সপোজার Sebastien Rousseau | CC-BY-4.0
এই নিবন্ধটি উদ্ধৃত করুন
এজেন্টিক AI প্রতিটি টাস্ক-এক্সপোজার পূর্বাভাসের পেছনের অনুমানকে ভেঙে দেয় — Sebastien Rousseau
টাস্ক-এক্সপোজার কাঠামোগুলো একটি পেশাকে এমন একটি খোলস হিসেবে দেখে যা মানুষ এখনও যে কাজগুলো করে তার চারপাশে টিকে থাকে। এজেন্টিক সিস্টেমগুলো একটি লক্ষ্য অনুসরণ করে এবং একটি সম্পূর্ণ কাজের ফলাফল প্রদান করে।
BibTeX
@online{rousseau2026এজ,
author = {Rousseau, Sebastien},
title = {{এজেন্টিক AI প্রতিটি টাস্ক-এক্সপোজার পূর্বাভাসের পেছনের অনুমানকে ভেঙে দেয় — Sebastien Rousseau}},
year = {2026},
url = {https://sebastienrousseau.com/bn/2026-10-25-ejentik-ai-pratiti-task-eksapojar-purbabhaser/},
urldate = {2026}
}RIS
TY - GEN AU - Rousseau, Sebastien TI - এজেন্টিক AI প্রতিটি টাস্ক-এক্সপোজার পূর্বাভাসের পেছনের অনুমানকে ভেঙে দেয় — Sebastien Rousseau PY - 2026 UR - https://sebastienrousseau.com/bn/2026-10-25-ejentik-ai-pratiti-task-eksapojar-purbabhaser/ ER -
Vancouver
Rousseau S. এজেন্টিক AI প্রতিটি টাস্ক-এক্সপোজার পূর্বাভাসের পেছনের অনুমানকে ভেঙে দেয় — Sebastien Rousseau. sebastienrousseau.com. 2026 Oct 25. Available from: https://sebastienrousseau.com/bn/2026-10-25-ejentik-ai-pratiti-task-eksapojar-purbabhaser/
Chicago
Rousseau, Sebastien. "এজেন্টিক AI প্রতিটি টাস্ক-এক্সপোজার পূর্বাভাসের পেছনের অনুমানকে ভেঙে দেয় — Sebastien Rousseau." sebastienrousseau.com. October 25, 2026. https://sebastienrousseau.com/bn/2026-10-25-ejentik-ai-pratiti-task-eksapojar-purbabhaser/.
APA
Rousseau, S. (2026, October 25). এজেন্টিক AI প্রতিটি টাস্ক-এক্সপোজার পূর্বাভাসের পেছনের অনুমানকে ভেঙে দেয় — Sebastien Rousseau. sebastienrousseau.com. https://sebastienrousseau.com/bn/2026-10-25-ejentik-ai-pratiti-task-eksapojar-purbabhaser/
এই নিবন্ধটি পুনঃপ্রকাশ করুন
এজেন্টিক AI প্রতিটি টাস্ক-এক্সপোজার পূর্বাভাসের পেছনের অনুমানকে ভেঙে দেয় — Sebastien Rousseau
টাস্ক-এক্সপোজার কাঠামোগুলো একটি পেশাকে এমন একটি খোলস হিসেবে দেখে যা মানুষ এখনও যে কাজগুলো করে তার চারপাশে টিকে থাকে। এজেন্টিক সিস্টেমগুলো একটি লক্ষ্য অনুসরণ করে এবং একটি সম্পূর্ণ কাজের ফলাফল প্রদান করে।
এই নিবন্ধটি লাইসেন্স করা হয়েছে Creative Commons Attribution 4.0 International. পুনঃপ্রকাশনার জন্য মূল URL-এর কৃতিত্ব আবশ্যক।
এজেন্টিক AI প্রতিটি টাস্ক-এক্সপোজার পূর্বাভাসের পেছনের অনুমানকে ভেঙে দেয় — Sebastien Rousseau টাস্ক-এক্সপোজার কাঠামোগুলো একটি পেশাকে এমন একটি খোলস হিসেবে দেখে যা মানুষ এখনও যে কাজগুলো করে তার চারপাশে টিকে থাকে। এজেন্টিক সিস্টেমগুলো একটি লক্ষ্য অনুসরণ করে এবং একটি সম্পূর্ণ কাজের ফলাফল প্রদান করে। Originally published at https://sebastienrousseau.com/bn/2026-10-25-ejentik-ai-pratiti-task-eksapojar-purbabhaser/ by Sebastien Rousseau. Licensed under CC-BY-4.0.