এআই বিপ্লব: বাংলাদেশ কি শুধুই ভোক্তা, নাকি চালকের আসনে বসার প্রস্তুতি নিচ্ছে?
সামনে প্রতিযোগিতাটা হবে—‘মানুষ বনাম এআই’ নয়, ‘এআই জানা দেশ বনাম এআই না জানা দেশের’ মধ্যে।
বিশ্বজুড়ে এখন আলোচনার কেন্দ্রবিন্দুতে একটিই শব্দ—এআই বা কৃত্রিম বুদ্ধিমত্তা। চ্যাটজিপিটি থেকে শুরু করে রোবটিক্স বা স্বচালিত গাড়ি, প্রযুক্তির এই জোয়ারে গা ভাসাচ্ছে পুরো বিশ্ব। বাংলাদেশেও এর ব্যতিক্রম নয়। আমাদের বেসরকারি খাত, বিশেষ করে ব্যাংক, তৈরি পোশাক শিল্প (আরএমজি), টেলিকম ও ই-কমার্সে এআই-এর ব্যবহার দ্রুত বাড়ছে। কিন্তু প্রশ্ন হলো, আমরা কি এই জোয়ারের স্রেফ ভোক্তা হয়ে থাকব, নাকি এর চালকের আসনে বসার প্রস্তুতি নিচ্ছি?
কানাডার ডালহৌসি বিশ্ববিদ্যালয়ে পিএইচডির ছাত্র হিসাবে বর্তমানে এআই গবেষণা এবং পূর্বে দীর্ঘদিন যাবৎ বাংলাদেশের স্টার্টআপগুলোতে এআই ইঞ্জিনিয়ার হিসাবে কাজ করার অভিজ্ঞতা থেকে আমি দেখছি, আমাদের সামনে এক বিশাল সুযোগ তৈরি হয়েছে। তবে এই সুযোগ কাজে লাগাতে হলে গতানুগতিক চিন্তার বাইরে এসে আমাদের কিছু সাহসী পদক্ষেপ নিতে হবে।
ক) অধিক গ্র্যাজুয়েট নয়, প্রয়োজন ‘সঠিক স্তরের দক্ষতা’
আমাদের লক্ষ্য ‘অধিক সংখ্যক এআই গ্রাজুয়েট’ তৈরি করা নয়, বরং ‘সঠিক স্তরের দক্ষতা’ তৈরি করা হওয়া উচিত। এই লক্ষ্য অর্জনে চারটি সুনির্দিষ্ট কৌশল জরুরি:
প্রথমত, কারিকুলামে ‘ইন্ডাস্ট্রি-ওরিয়েন্টেড’ পরিবর্তন। আমাদের বিশ্ববিদ্যালয়গুলোতে এআই এখনও অনেকটা থিওরি-নির্ভর, কিন্তু ইন্ডাস্ট্রিতে দরকার ‘অ্যাপ্লায়ড এআই’। যেমন—আরএমজি সেক্টরে কীভাবে ‘কম্পিউটার ভিশন’ দিয়ে ডিফেক্ট ডিটেকশন করা যায়, কিংবা ব্যাংকিংয়ে ফ্রড ডিটেকশনের জন্য লোকাল ডেটা কীভাবে ব্যবহার করা যায়—এই ধরণের প্রকল্প-ভিত্তিক শিক্ষা বাধ্যতামূলক করা প্রয়োজন। আমি বাইরের দেশের বিশ্ববিদ্যালয়গুলোতে দেখছি, শিক্ষার্থীরা ল্যাবে বসে কাল্পনিক ডেটা নয়, বরং রিয়েল-ওয়ার্ল্ড সমস্যার সমাধান করছে। বাংলাদেশেও সিলেবাসে এই পরিবর্তনটা আশু প্রয়োজন।
দ্বিতীয়ত, ডোমেইন এক্সপার্ট এবং এআই ইঞ্জিনিয়ারের মেলবন্ধন। এআই এখন একটা ‘হরিজন্টাল টেকনোলজি’। যে টেক্সটাইল ইঞ্জিনিয়ার কাপড়ের মান বোঝেন, তাকে যদি আমরা বেসিক ডেটা সায়েন্সের প্রশিক্ষণ দিতে পারি, তবে তিনি একজন পিওর প্রোগ্রামারের চেয়ে ভালো সলিউশন ডিজাইন করতে পারবেন। কল্পনা করুন, গাজীপুরের একটি গার্মেন্টস কারখানায় ফ্লোর ম্যানেজার তার স্মার্টফোন দিয়ে কাপড়ের একটি ছবি তুলছেন এবং একটি লোকাল এআই অ্যাপ মুহূর্তেই বলে দিচ্ছে সেখানে কোনো সুতোর ত্রুটি আছে কি না। এর জন্য তাকে বিশেষজ্ঞ প্রোগ্রামার হতে হবে না, শুধু এআই টুল ব্যাবহারের ‘সাক্ষরতা’ থাকলেই তিনি উৎপাদনশীলতা বহুগুণ বাড়িয়ে দিতে পারবেন।
তৃতীয়ত, আমাদের মানবসম্পদ উন্নয়নকে তিনটি স্তরে (টিয়ার্ড স্কিল স্ট্রাটেজি) ভাগ করা জরুরি। ‘ডিসিশন মেকার্স’ (ম্যানেজার বা বিজনেস লিড), যারা জানবেন এআই দিয়ে কী সম্ভব আর কী সম্ভব না; ‘প্র্যাকটিশনার্স’ (ইঞ্জিনিয়ার), যারা ওপেন সোর্স টুল বা মডেল কাস্টমাইজ করে দ্রুত সলিউশন ডেপ্লয় করতে পারবেন; এবং ‘রিসার্চার্স’, যারা গভীরতর সমস্যা নিয়ে কাজ করবেন। একই কারিকুলাম দিয়ে সবার চাহিদা মেটানোর চেষ্টা না করে, এই তিন গ্রুপের জন্য আলাদা ট্রেনিং ট্র্যাক নিশ্চিত করা যেতে পারে।
চতুর্থত, রিসোর্স বা ইনফ্রাস্ট্রাকচার এক্সেসিবিলিটি নিশ্চিত করতে সরকার বা বড় কোম্পানিগুলোর উচিত ‘ন্যাশনাল ক্লাউড ইনফ্রাস্ট্রাকচার’ বা ‘কম্পিউট ক্রেডিট’ ব্যবস্থা চালু করা, যাতে জিপিইউ-এর অভাবে আমাদের ছাত্রদের বা স্টার্টআপগুলোর উদ্ভাবন থেমে না থাকে। একজন ছাত্রের পক্ষে হাজার ডলার খরচ করে মডেল ট্রেইন করা সম্ভব নয়। এই বাধা দূর করতে পারলে, আমাদের তরুণরা বিশ্বমানের মডেল দেশেই তৈরি করতে পারবে, আর সেরকম মেধা আমাদের দেশে বেশ ভালোভাবেই আছে।
খ) শিল্প-শিক্ষা সংযোগ: ‘আনুষ্ঠানিকতা’ থেকে ‘ভ্যালু-ড্রিভেন’ পার্টনারশিপ
বাংলাদেশে শিল্প-শিক্ষা সংযোগটি অনেকটা ‘আনুষ্ঠানিকতা’ মডেলে চলে। এটাকে ‘ভ্যালু-ড্রিভেন পার্টনারশিপ’-এ রূপ দিতে তিনটি সুনির্দিষ্ট কাঠামো বা উদ্যোগ প্রয়োজন:
১. ‘আরএনডি স্যান্ডবক্স’ ও ডেটা শেয়ারিং ফ্রেমওয়ার্ক: বাংলাদেশে গবেষকদের সবচেয়ে বড় সংকট ‘লোকাল ডেটা’, আর ইন্ডাস্ট্রির সংকট ‘সময় ও গবেষণা করার লোকবল’। উদ্যোগটি এমন হতে পারে—ব্যাংক বা টেলিকম কোম্পানিগুলো তাদের নন-সেনসিটিভ বা অ্যানোনিমাইজড ডেটা এবং একটি নির্দিষ্ট সমস্যা (প্রবলেম স্টেটমেন্ট) বিশ্ববিদ্যালয়গুলোকে দেবে। এটাকে আমরা বলি ‘চ্যালেঞ্জ ফান্ড’ বা ‘স্যান্ডবক্স’। ছাত্ররা তাদের থিসিস বা প্রজেক্টের মাধ্যমে সেই সমস্যার সমাধান করবে। এতে কোম্পানি বিনা খরচে বা স্বল্প ফান্ডিংয়ের বিনিময়ে আরএনডি সলিউশন পাবে, আর ছাত্ররা পাবে রিয়েল-ওয়ার্ল্ড অভিজ্ঞতা।
২. ইন্টার্নশিপের বদলে ‘কো-অপ’ মডেল চালু করা: এআই বা ডিপ টেকের কাজ ৩ মাসের ইন্টার্নশিপে শেখা সম্ভব নয়। উন্নত বিশ্বের মতো আমাদেরও ‘কো-অপ’ (কো-অপারেটিভ এডুকেশন) মডেল চালু করা উচিত, যেখানে ছাত্ররা গ্র্যাজুয়েশনের মাঝেই ৬ মাস বা ১ বছর ইন্ডাস্ট্রিতে কাজ করবে। এতে কোম্পানিগুলো একজন ‘প্রোডাকশন-রেডি’ কর্মী পাবে, আর ছাত্রদের একাডেমিক পড়াশোনা হবে অনেক বেশি বাস্তবমুখী।
৩. ফ্যাকাল্টি এবং ইন্ডাস্ট্রির জন্য ‘দ্বিমুখী ইনসেনটিভ’: বর্তমানে শিক্ষকদের প্রমোশন হয় মূলত ‘পেপার পাবলিকেশন’-এর ওপর ভিত্তি করে। এই কাঠামোকে যুগোপযোগী করে যদি এর সাথে ‘ইন্ডাস্ট্রি সলিউশন’ বা ‘প্যাটেন্ট’-কেও প্রমোশনের মাপকাঠি করা হয়, তবে শিক্ষকরা ইন্ডাস্ট্রির সমস্যা সমাধানে আগ্রহী হবেন। অন্যদিকে, যেসব কোম্পানি স্থানীয় বিশ্ববিদ্যালয়গুলোতে গবেষণায় ফান্ডিং করবে, তাদের জন্য সরকারের পক্ষ থেকে ‘ট্যাক্স রিবেট’ বা কর ছাড়ের ব্যবস্থা থাকতে হবে।
মোট কথা, আমাদের মানসিকতা বদলাতে হবে—ইন্ডাস্ট্রি যেন বিশ্ববিদ্যালয়কে শুধু ‘কর্মী তৈরির কারখানা’ না ভাবে, বরং ‘ইনোভেশন পার্টনার’ ভাবে। আর বিশ্ববিদ্যালয় যেন শুধু ‘থিওরি’ না পড়িয়ে ‘ইমপ্যাক্ট’ তৈরির দিকে নজর দেয়।
গ) সুশাসন নিশ্চিতকরণে ডেটা অবকাঠামো শক্তিশালীকরণ
ডেটা অবকাঠামো বলতে আমরা অনেক সময় শুধু বড় সার্ভার বা ডেটা সেন্টার ভাবি, কিন্তু বাংলাদেশের জন্য সবচেয়ে বড় চ্যালেঞ্জ ‘হার্ডওয়্যার’ নয়, বরং ‘গভর্ন্যান্স’ বা পরিচালনা ব্যবস্থা। একটি শক্তিশালী ডেটা অবকাঠামো দাঁড় করাতে ৩টি সুনির্দিষ্ট প্রাতিষ্ঠানিক ব্যবস্থা নিশ্চিত করতে হবে:
১. ‘ন্যাশনাল ডেটা স্ট্যান্ডার্ডাইজেশন অথরিটি’ গঠন: বর্তমানে সরকারের এক মন্ত্রণালয়ের ডেটার সাথে অন্য মন্ত্রণালয়ের ডেটার শেয়ারিং নীতিমালা ও তার ফরম্যাটের মিল খুবই সামান্য। যেমন—কারও কাছে নাম বাংলায়, কারও ইংরেজিতে, আবার কারও জন্মতারিখের ফরম্যাট ভিন্ন। তাই একটি কেন্দ্রীয় কর্তৃপক্ষ থাকা জরুরি, যারা ডেটা সংগ্রহের একটি ‘ইউনিফাইড স্ট্যান্ডার্ড’ (যেমন:জেসন ফরম্যাট, এপিঅআই প্রটোকল) ঠিক করে দেবে। এতে করে সিস্টেমগুলোর মধ্যে ‘ইন্টারঅপারেবিলিটি’ বা আন্তঃসংযোগ তৈরি হবে এবং ডেটা মেশিন-রিডেবল হবে।
২. স্তর-ভিত্তিক ডেটা এক্সেস পলিসি (টিয়ার্ড ডাটা অ্যাক্সেস পলিসি): সব ডেটা সবার জন্য উন্মুক্ত করা যাবে না, আবার সব লুকিয়ে রাখলে গবেষণা হবে না। প্রাতিষ্ঠানিকভাবে একটি ‘তিন-স্তরের’ এক্সেস পলিসি বাস্তবায়ন করা প্রয়োজন। আবহাওয়া বা ট্রাফিকের মতো ‘ওপেন’ ডেটা সবার জন্য উন্মুক্ত থাকবে; অ্যানোনিমাইজড হেলথ ডেটার মতো ‘রেস্ট্রিকটেড’ ডেটা গবেষক বা স্টার্টআপরা নির্দিষ্ট শর্ত মেনে বা এনডিএ/ভেরিফিকেশনের মাধ্যমে পাবেন; এবং জাতীয় নিরাপত্তার মতো ‘ক্লোজড’ অত্যন্ত সংবেদনশীল ডেটা কেবল অভ্যন্তরীণ ব্যবহারের জন্য থাকবে। এই বিভাজনগুলো পরিষ্কারভাবে সংজ্ঞায়িত না থাকলে আমলাতান্ত্রিক জটিলতায় গবেষকরা কখনোই ডেটা হাতে পাবেন না।
৩. ইন্ডিপেন্ডেন্ট ডেটা ট্রাস্ট বা এথিক্স বোর্ড: মানুষের ব্যক্তিগত তথ্যের সুরক্ষা নিশ্চিত না করতে পারলে ডিজিটাল অবকাঠামো ধসে পড়বে। সরকারের নিয়ন্ত্রণের বাইরে একটি ‘স্বাধীন ডেটা সুরক্ষা বোর্ড’ থাকা প্রয়োজন, যারা নিশ্চিত করবে যে সংগৃহীত ডেটা বাণিজ্যিক বা রাজনৈতিক উদ্দেশ্যে অপব্যবহার হচ্ছে না। এই ‘আস্থা’ তৈরি করতে না পারলে সাধারণ মানুষ বা প্রাইভেট সেক্টর তাদের ডেটা শেয়ার করতে চাইবে না।
সংক্ষেপে, কেবল সার্ভার কিনলেই হবে না, ডেটা আদান-প্রদানের জন্য একটি স্বচ্ছ, মানসম্মত ও নিরাপদ ‘হাইওয়ে’ তৈরি করতে হবে।
ঘ) সরকারের ভূমিকা: ‘নিয়ন্ত্রক’ থেকে ‘এনাবলার’
সরকারের ভূমিকা এখানে কেবল ‘নিয়ন্ত্রক’-এর নয়, বরং ‘ফ্যাসিলিটেটর’ বা সহায়ক হিসেবে ৩টি কৌশলগত পরিকল্পনা গ্রহণ করতে হবে, যা বাংলাদেশের বাস্তবতায় গেম-চেঞ্জার হতে পারে:
১. ‘ন্যাশনাল কম্পিউট হাব’ বা শেয়ারড ইনফ্রাস্ট্রাকচার তৈরি: এআই গবেষণায় জিপিইউ এবং ক্লাউড রিসোর্স অত্যন্ত ব্যয়বহুল। সব স্টার্টআপ বা বিশ্ববিদ্যালয়ের পক্ষে লাখ টাকার হার্ডওয়্যার কেনা সম্ভব নয়। সরকার একটি সেন্ট্রাল ‘ন্যাশনাল কম্পিউট ক্লাউড’ তৈরি করতে পারে, যেখানে দেশীয় গবেষক এবং স্টার্টআপরা সাবসিডাইজড রেটে (ভর্তুকি মূল্যে) হাই-পারফরম্যান্স কম্পিউটিং সুবিধা পাবে। এটি আমাদের মতো গবেষকদের জন্য বিশাল বাধা দূর করবে এবং দেশীয় মডেল তৈরিতে গতি আনবে।
২. ‘ডেটা এজ এ পাবলিক গুড’ নীতি: এআই-এর মূল জ্বালানি হলো ডেটা। আমাদের সরকারের হাতে স্বাস্থ্য, কৃষি, ভূমি ও ট্রাফিকের বিশাল ডেটা আছে, কিন্তু তা অসংগঠিত বা অ্যানালগ। সরকারের উচিত ‘ডিজিটাল পাবলিক ইনফ্রাস্ট্রাকচার’-নীতিমালার আওতায় এই ডেটাগুলোকে মেশিন-রিডেবল/ডিজিটালি ব্যাবহারযোগ্য বা এপিআই-এর মাধ্যমে উন্মুক্ত করা (প্রাইভেসি নিশ্চিত করে)। গবেষকরা যখন লোকাল ডেটা পাবেন, তখনই কেবল আমাদের নিজস্ব এআই মডেল তৈরি করতে পারব।
৩. স্মার্ট প্রকিউরমেন্ট এবং দেশীয় স্টার্টআপকে অগ্রাধিকার: সরকার নিজেই হতে পারে দেশীয় এআই সলিউশনের সবচেয়ে বড় ক্রেতা। ধরুন, ট্রাফিক জ্যাম কমাতে বিদেশি ব্যয়বহুল সলিউশন না কিনে, সরকার যদি দেশীয় স্টার্টআপদের বলে—‘তোমরা এমন একটি সিস্টেম বানাও যা অ্যাম্বুলেন্স চিনতে পেরে স্বয়ংক্রিয়ভাবে সিগন্যাল ছেড়ে দেবে’—তবে তা একাধারে বিনিয়োগ এবং বাজার দুটোই নিশ্চিত করবে। সরাসরি অনুদানের চেয়ে ‘গভর্নমেন্ট প্রজেক্ট কন্ট্রাক্ট’ স্থানীয় স্টার্টআপদের টিকিয়ে রাখতে বেশি কার্যকর হবে।
সুতরাং, সরকারের উচিত ‘ইকোসিস্টেম এনাবলার’ হিসেবে কাজ করা—যেখানে ডেটা, কম্পিউট পাওয়ার এবং মার্কেট এক্সেস সহজলভ্য হবে।
স্কিল গ্যাপ, অস্তিত্ব রক্ষার প্রশ্ন ও আমাদের ভবিষ্যৎ
আমাদের বিশ্ববিদ্যালয়গুলোর প্রচলিত ৪ বছরের কারিকুলাম পরিবর্তন করা অবশ্যই সময়সাপেক্ষ একটি ব্যাপার। তাই দ্রুত এই স্কিল গ্যাপ কমাতে ৩টি তাৎক্ষণিক পদক্ষেপ নেয়া যেতে পারেঃ
১. মাইক্রো-ক্রেডেনশিয়াল ও বুটক্যাম্প: ডিগ্রির অপেক্ষা না করে, শেষ বর্ষের শিক্ষার্থীদের জন্য ৩ থেকে ৬ মাসের ইনটেনসিভ ‘ইন্ডাস্ট্রি-ফোকাসড’ ট্র্যাক চালু করা যেতে পারে। যেমন—‘এলএলএম অ্যাপ্লিকেশন ডেভেলপমেন্ট’ বা ‘ক্লাউড ডেটা ইঞ্জিনিয়ারিং’। প্রথাগত থিওরির বদলে এখানে সরাসরি টুলস ও ফ্রেমওয়ার্ক শেখানো হবে, যাতে তারা পাশ করার আগেই ‘জব-রেডি’ হয়।
২. ‘প্রফেসর অফ প্র্যাকটিস’ বা ইন্ডাস্ট্রি মেন্টর নিয়োগ: বইয়ের জ্ঞান আর ইন্ডাস্ট্রির গতির মধ্যে আকাশ-পাতাল তফাৎ। বিশ্ববিদ্যালয়গুলোর উচিত ইন্ডাস্ট্রি থেকে সিনিয়র ইঞ্জিনিয়ারদের অ্যাজান্ক্ট ফ্যাকাল্টি’ বা মেন্টর হিসেবে ল্যাব ক্লাস নেওয়ার সুযোগ দেওয়া। এতে শিক্ষার্থীরা বর্তমান মার্কেটের ডিমান্ড, যেমন: আরএজি, ভেক্টর ডাটাবেস, এলএলএম ফাইন-টিউনিং সম্পর্কে সত্যিকারের জ্ঞান পাবে।
৩. নন-সিএসই শিক্ষার্থীদের এআই সাক্ষরতা: ভবিষ্যতে শুধু কম্পিউটার ইঞ্জিনিয়ারদের এআই জানলে হবে না। বিজনেস, ইকোনমিক্স বা বায়োলজির ছাত্রদেরও ‘নো-কোড এআই টুলস’ বা রিলেটেড ডোমেইনের ডেটা অ্যানালিটিক্স শেখাতে হবে। একে আমরা বলছি ‘এআই ফর অল’। এতে মাল্টি-ডিসিপ্লিনারি সলিউশন তৈরি সহজ হবে।
দক্ষতার এই ঘাটতি যদি আমরা দ্রুত পূরণ করতে না পারি, তবে আমাদের অর্থনীতি তিনটি বড় ধাক্কা খেতে পারে:
ক. রপ্তানি ও আউটসোর্সিং বাজার হারানো: বাংলাদেশ দীর্ঘদিন ধরে ‘সস্তা শ্রম’ বা ‘লো-অ্যান্ড কোডিং’ (যেমন: সাধারণ ওয়েব ডেভেলপমেন্ট, ডেটা এন্ট্রি, গ্রাফিক্স ডিজাইন) দিয়ে ফ্রিল্যান্সিং ও আইটি রপ্তানি টিকিয়ে রেখেছে। কিন্তু এআই এখন এই সাধারণ কাজগুলো নিমেষেই করে ফেলছে। যদি আমরা আমাদের ফ্রিল্যান্সারদের ‘হাই-ভ্যালু এআই স্কিল’-এ আপগ্রেড করতে না পারি, তবে আমাদের এই বিশাল বাজার ভিয়েতনাম বা পার্শ্ববর্তী দেশগুলোর দখলে চলে যাবে।
খ. উৎপাদনশীলতা ও আরএমজি খাতের ঝুঁকি: আমাদের প্রতিযোগী দেশগুলো (যেমন চীন, ভিয়েতনাম) তাদের ফ্যাক্টরিতে অটোমেশন ও এআই-ভিত্তিক সাপ্লাই চেইন ব্যবহার করে উৎপাদন খরচ কমাচ্ছে। আমরা যদি ম্যানুয়াল প্রসেসেই পড়ে থাকি, তবে গ্লোবাল মার্কেটে আমরা ‘প্রাইস কম্পিটিটিভনেস’ হারাব। আমাদের ‘সস্তা শ্রমের’ সুবিধা তখন আর কাজে আসবে না।
গ. বিদেশি বিনিয়োগ (এফডিআই) বিমুখ হওয়া: বিদেশি টেক জায়ান্টরা (যেমন গুগল, স্যামসাং, মাইক্রোসফট, অ্যামাজন) যখন কোনো দেশে আরএনডি সেন্টার করে, তারা প্রথমে দেখে সেখানে দক্ষ ইঞ্জিনিয়ার আছে কি না (ট্যালেন্ট ডেসটিনি)। যদি তারা দেখে বাংলাদেশে পর্যাপ্ত এআই দক্ষ লোকবল নেই, তবে তারা বিনিয়োগ নিয়ে প্রতিবেশী দেশগুলোতে চলে যাবে।
আন্তর্জাতিক পর্যায়ে সামনে প্রতিযোগিতাটা হবে—‘মানুষ বনাম এআই’ নয়, ‘এআই জানা দেশ বনাম এআই না জানা দেশের’ মধ্যে। তাই স্কিল গ্যাপ কমানো এখন আর ‘অপশন’ নয়, বরং আমাদের অর্থনৈতিক অস্তিত্ব রক্ষার প্রশ্ন। আমরা কি এই পরিবর্তনের জন্য প্রস্তুত হচ্ছি?
