AI দিয়ে পুনরাবৃত্তিমূলক কাজ স্বয়ংক্রিয় করা

বেশিরভাগ চাকরিতে কাজের একটি অংশ রয়েছে যা একই ধাপ বারবার পুনরাবৃত্তি হয়: স্প্রেডশিটের মধ্যে ডেটা কপি করা, স্ট্যাটাস আপডেট ইমেল লেখা, সাপোর্ট টিকিট সাজানো, রিপোর্ট পুনর্বিন্যাস করা। AI-সহায়তাপ্রাপ্ত স্বয়ংক্রিয়করণ মানে language models, scripting এবং বিদ্যমান টুলস একসাথে ব্যবহার করা যাতে কম্পিউটার সেই অংশটি পরিচালনা করতে পারে একজন মানুষের পরিবর্তে।

এটি আসলে কী মানে

এখানে দুটি স্তর রয়েছে যা মানুষ প্রায়ই মিশ্রিত করে। একটি হল ক্লাসিক অটোমেশন: scripts, cron jobs, Zapier/Make workflows, Excel macros। অন্যটি হল AI: একটি মডেল যা অসংগঠিত টেক্সট পড়তে, সংক্ষিপ্ত করতে, শ্রেণীবদ্ধ করতে বা খসড়া তৈরি করতে পারে। এগুলি একত্রিত করা হল যেখানে মূল্য দেখা যায়। একটি স্ক্রিপ্ট একটি ইনবক্স থেকে 200 সাপোর্ট ইমেল টেনে আনতে পারে, একটি LLM প্রতিটিকে জরুরিতা এবং বিষয় অনুযায়ী শ্রেণীবদ্ধ করতে পারে, এবং অন্য একটি স্ক্রিপ্ট সেগুলি সঠিক সারিতে রুট করতে পারে। সেই তিনটি ধাপের মধ্যে কোনটিই নতুন নয় — সংমিশ্রণটি ঘণ্টা বাঁচায়।

জানার যোগ্য সাধারণ প্যাটার্ন

Text triage. একটি মডেলে আসন্ন টেক্সট (ইমেল, টিকিট, ফর্ম সাবমিশন) ফিড করুন "এটিকে billing, technical, বা sales এ শ্রেণীবদ্ধ করুন এবং জরুরিতা 1-5 রেট করুন" এর মতো প্রম্পট সহ। JSON হিসেবে আউটপুট করুন, এটি Python এ পার্স করুন, সেই অনুযায়ী রুট করুন।

Summarization pipelines. লম্বা মিটিং ট্রান্সক্রিপ্ট, লম্বা PDF, লম্বা Slack থ্রেড — একটি মডেল এগুলি তিনটি বুলেট পয়েন্টে সংক্ষিপ্ত করে। OpenAI-এর API, Anthropic-এর Claude, বা Ollama-এর মাধ্যমে স্থানীয় মডেলস সবই এটি করতে পারে; পছন্দ ডেটা সংবেদনশীলতা এবং খরচের উপর নির্ভর করে।

Data extraction. অসংগঠিত ডকুমেন্ট থেকে কাঠামোগত ফিল্ড (invoice number, date, amount) বের করা। এটি regex এবং OCR টিউনিং দাবি করত; এখন একটি vision-capable মডেল একটি স্ক্যান করা ইনভয়েস পড়তে এবং সরাসরি পরিষ্কার JSON ফিল্ড ফেরত দিতে পারে।

Drafting, not deciding. একটি প্রথম-পাস ইমেল রিপ্লাই, কোড কমেন্ট, বা রিপোর্ট সেকশন অটো-জেনারেট করা যা একজন মানুষ পাঠানোর আগে এডিট করে। এটি সবচেয়ে নিরাপদ অটোমেশন প্যাটার্ন কারণ একজন মানুষ এখনও আউটপুট চেক করে।

একটি ন্যূনতম কর্মক্ষম উদাহরণ

অনেক অটোমেশনের একটি ফ্যান্সি ফ্রেমওয়ার্কের দরকার নেই। Python প্লাস একটি API কল প্লাস একটি scheduler বেশিরভাগ কেস কভার করে:

import openai, csv

with open("tickets.csv") as f:
    rows = csv.DictReader(f)
    for row in rows:
        resp = openai.chat.completions.create(
            model="gpt-4o-mini",
            messages=[{"role": "user", "content": f"Classify urgency 1-5 for: {row['text']}"}]
        )
        print(row["id"], resp.choices[0].message.content)

সেটি cron দিয়ে প্রতি ঘণ্টায় চালান, বা এটি একটি ছোট Flask endpoint-এ মোড়ান যা একটি webhook দ্বারা ট্রিগার হয় যখন একটি নতুন টিকিট আসে। শুরু করার জন্য কোনো agent framework প্রয়োজন নেই।

Agent frameworks কোথায় আসে

একবার একটি কাজের মধ্যে একাধিক ধাপ প্রয়োজন সিদ্ধান্ত সহ — "ক্যালেন্ডার চেক করুন, তারপর ইমেল খসড়া তৈরি করুন, তারপর পাঠান যদি আস্থা বেশি থাকে, অন্যথায় রিভিউয়ের জন্য ফ্ল্যাগ করুন" — LangChain, CrewAI, বা n8n-এর মতো টুলস উপকারী হয়ে ওঠে কারণ তারা সেই অবস্থা এবং tool-calling লজিক পরিচালনা করে। কোনো framework ছাড়াই শুরু করুন। শুধুমাত্র একটি প্লেইন স্ক্রিপ্ট অনুসরণ করা কঠিন হয়ে উঠলে একটি framework যোগ করুন, কারণ frameworks ডিবাগিং ওভারহেড যোগ করে যা দুই-ধাপের কাজের জন্য সার্থক নয়।

প্রথমে কী স্বয়ংক্রিয় করতে হবে

সেই কাজগুলি বেছে নিন যা: সপ্তাহে কমপক্ষে একবার পুনরাবৃত্তি হয়, কখনও কখনও ভুল হলে কম ঝুঁকি, এবং যাচাই করা সহজ। একটি সাপ্তাহিক রিপোর্ট ফরম্যাট করা একটি ভাল প্রথম লক্ষ্য। স্বয়ংক্রিয়ভাবে রিফান্ড অনুমোদন করা নয় — একটি ভুলের খরচ প্রথম প্রচেষ্টার জন্য খুব বেশি। প্রতিটি স্বয়ংক্রিয় সিদ্ধান্ত কোথাও পর্যালোচনাযোগ্য জায়গায় লগ করুন (একটি স্প্রেডশিট, একটি ডেটাবেস টেবিল, একটি Slack চ্যানেল) যাতে ভুলগুলি তিন মাস পরে নয় তাড়াতাড়ি ধরা পড়ে। একটি অটোমেশন প্রয়োগ করুন, ম্যানুয়াল প্রক্রিয়ার সাথে সমান্তরালে দুই সপ্তাহ চালান, আউটপুট তুলনা করুন, তারপর কাটোভার করুন।

এই ব্যর্থতার মোডগুলি দেখুন

মডেলগুলি আত্মবিশ্বাসের সাথে hallucinate করে, তাই অর্থ, আইনি টেক্সট, বা কাস্টমার-ফেসিং প্রতিশ্রুতি স্পর্শ করা যে কিছুর জন্য মানুষের চেক প্রয়োজন এটি বাইরে যাওয়ার আগে। খরচ দ্রুত বাড়ে যদি একটি স্ক্রিপ্ট একটি 50,000-row স্প্রেডশিটের প্রতিটি row-এ batching বা caching ছাড়াই API-তে কল করে। এবং silent failures সবচেয়ে খারাপ ধরনের — একটি স্ক্রিপ্ট যা মঙ্গলবার কাজ করা বন্ধ করে এবং কেউ তিন সপ্তাহ ধরে লক্ষ্য করে না কারণ জায়গায় কোনো monitoring ছিল না।

পুনরাবৃত্তিমূলক কাজ স্বয়ংক্রিয় করা পদক্ষেপ বিচার প্রতিস্থাপন সম্পর্কে নয়, এটি সেই সময় মুক্ত করার বিষয়ে যা বিচার প্রকৃতপক্ষে দাবি করে না। ছোট শুরু করুন, সবকিছু লগ করুন, এবং বিরক্তিকর 80% নিজেকে চালাতে দিন।

এই pipelines নির্মাণের উপর আরও জানার জন্য, Korra Studio-এর Python scripting এবং AI tool integration-এ সেগমেন্টগুলি দেখুন।