AI Engineer, ML Engineer, Data Scientist, Data Engineer — কে আসলে কী করে?

🧩 ১. গল্প: Rahim-এর দ্বিতীয় confusion — এত job title কেন?

গত পর্বে Rahim শিখেছিল AI, ML, Deep Learning আর Generative AI আসলে এক জিনিস না। কিন্তু LinkedIn খুলতেই নতুন এক সমস্যা এসে হাজির। সে দেখল একই রকম কাজের জন্য কতগুলো ভিন্ন নাম: AI Engineer, ML Engineer, Data Scientist, Data Engineer, আবার কোথাও AI Researcher।

চলুন Rahim-এর সাথে এই পাঁচটা role আলাদা করে বুঝি — যাতে আপনিও নিজের জন্য সঠিক target বাছতে পারেন।

❓ ২. আসল সমস্যা: এক কাজ ভেবে ভুল role-এ apply করা

Job title নিয়ে confusion থাকলে তিনটা বড় ক্ষতি হয়:

• ভুল skill শেখা: কেউ Data Scientist হতে চেয়ে ৬ মাস Docker আর Kubernetes শেখে, অথচ দরকার ছিল statistics আর experimentation।
• ভুল interview প্রস্তুতি: role অনুযায়ী প্রশ্ন সম্পূর্ণ আলাদা।
• ভুল প্রত্যাশা: কেউ "AI Engineer" হয়ে ভাবে সে model train করবে, বাস্তবে সে দিনরাত LLM API আর prompt নিয়ে কাজ করে।

🏭 ৩. কেন এই role-গুলো আলাদা হলো (একটা কারখানার গল্প)

ধরুন একটা জুস কারখানা। কাঁচা ফল আসে, তারপর ধোয়া-বাছাই হয়, তারপর রস বের করা হয়, তারপর বোতলজাত হয়ে দোকানে যায়। প্রথমে যখন কারখানা ছোট ছিল, তখন একজনই সব করত। কিন্তু বড় হওয়ার সাথে সাথে কাজ ভাগ হয়ে গেল — একজন ফল সরবরাহ সামলায়, একজন গুণমান পরীক্ষা করে, একজন প্যাকেজিং লাইন চালায়।

🚚 ৪. Data Engineer — যে data-র রাস্তা বানায়

Level 1 — সহজ intuition: Data Engineer হলো সেই মানুষ যে নিশ্চিত করে "ঠিক data, ঠিক সময়ে, ঠিক জায়গায় পৌঁছাচ্ছে"। ML-এর সব খেলা শুরু হয় data দিয়ে, আর সেই data-কে ব্যবহারযোগ্য অবস্থায় আনা তার কাজ।

Level 2 — technical: সে data pipeline বানায় — বিভিন্ন উৎস (database, API, log, file) থেকে data সংগ্রহ (ingestion), পরিষ্কার (cleaning), রূপান্তর (transformation) করে data warehouse বা data lake-এ জমা রাখে। ETL/ELT, scheduling, বড় data-র scalability — এসব তার রুটি-রুজি।

Level 3 — engineer perspective: Data Engineer না থাকলে Data Scientist-এর কাছে ব্যবহারযোগ্য data-ই পৌঁছায় না। বড় কোম্পানিতে এটা সবচেয়ে চাহিদাসম্পন্ন অথচ কম আলোচিত role।

🔬 ৫. Data Scientist — যে data থেকে গল্প বের করে

Level 1 — সহজ intuition: Data Scientist হলো data-র গোয়েন্দা। "customer কেন চলে যাচ্ছে?", "কোন product বেশি বিক্রি হবে?" — এই ধরনের প্রশ্নের উত্তর সে data ঘেঁটে বের করে।

Level 2 — technical: সে EDA (exploratory data analysis) করে, statistics ও hypothesis testing ব্যবহার করে, ML model prototype বানায়, আর ফলাফল business-কে বোঝানোর মতো করে visualization ও report তৈরি করে। এখানে Pandas, statistics, আর communication — তিনটাই সমান গুরুত্বপূর্ণ।

Level 3 — engineer perspective: Data Scientist-এর model অনেক সময় Jupyter notebook-এই থেকে যায়। সেটাকে production-এ নেওয়ার দায়িত্ব প্রায়ই ML Engineer-এর। মনে রাখুন — model ≠ production system।

⚙️ ৬. ML Engineer — যে model-কে চলমান রাখে

Level 1 — সহজ intuition: ML Engineer হলো সেই মানুষ যে একটা model-কে "খেলনা" থেকে "কারখানার মেশিন"-এ পরিণত করে — যেটা দিনে লক্ষ লক্ষ prediction দিতে পারে, নির্ভরযোগ্যভাবে।

Level 2 — technical: সে model-কে API-তে পরিণত করে (FastAPI/Flask), Docker-এ package করে, cloud-এ deploy করে, monitoring বসায়, আর model drift ধরে retraining-এর ব্যবস্থা করে। এটাই MLOps-এর মূল জায়গা। Software engineering দক্ষতা এখানে খুব জরুরি।

Level 3 — engineer perspective: ML Engineer সাধারণত নতুন algorithm আবিষ্কার করে না; সে বিদ্যমান model/technique নিয়ে reliable, scalable, maintainable system বানায়। বাংলাদেশের বাজারে এই role-এ software background খুব কাজে দেয় — Rahim-এর মতো developer-দের জন্য এটা সবচেয়ে স্বাভাবিক প্রবেশপথ।

✨ ৭. AI Engineer — যে LLM দিয়ে product বানায়

Level 1 — সহজ intuition: AI Engineer (আধুনিক অর্থে, বিশেষত GenAI Engineer) হলো সেই মানুষ যে তৈরি LLM (GPT, Claude, Llama) কে "কাঁচামাল" হিসেবে নিয়ে বাস্তব product বানায় — চ্যাটবট, document assistant, RAG system।

Level 2 — technical: সে prompt engineering, embeddings, vector database, RAG, function calling/agents, আর LLM API নিয়ে কাজ করে। এর সাথে থাকে solid software engineering — কারণ শেষমেশ সে একটা application বানাচ্ছে।

Level 3 — engineer perspective: এখানে সবচেয়ে বড় ভুল ধারণা দূর করা দরকার — LLM application বানানো ≠ model training। বেশিরভাগ AI Engineer কখনো নিজে একটা LLM train করে না; তারা বিদ্যমান model ব্যবহার করে system বানায়। এটা কম গুরুত্বপূর্ণ কাজ নয় — বরং industry-তে এই কাজের চাহিদাই এখন সবচেয়ে দ্রুত বাড়ছে।

🧪 ৮. AI Researcher — যে নতুন পদ্ধতি আবিষ্কার করে

Level 1 — সহজ intuition: AI Researcher হলো সেই মানুষ যে নতুন algorithm, নতুন architecture, নতুন পদ্ধতি আবিষ্কার করে — যেমন Transformer বা attention একদিন research থেকেই এসেছিল।

Level 2 — technical: গভীর গণিত (linear algebra, calculus, probability), paper পড়া ও লেখা, experiment design, এবং প্রায়ই একটা PhD বা সমতুল্য গবেষণা অভিজ্ঞতা এখানে লাগে।

Level 3 — engineer perspective: এটা junior developer-দের সাধারণ প্রবেশপথ নয়, এবং বাংলাদেশে এই role তুলনামূলক বিরল (বেশিরভাগ বড় গবেষণা বাইরে হয়)। তাই এই সিরিজ AI Researcher বানানোর লক্ষ্যে নয় — আমাদের focus হলো employable AI/ML Engineer।

🖼️ ৯. Visual: পুরো pipeline-এ কে কোথায়

খেয়াল করুন — বাম থেকে ডানে data একটা যাত্রা করে: আসা → বোঝা → product হওয়া। AI Engineer বিদ্যমান LLM দিয়ে আলাদা ধারার product বানায়, আর Researcher পুরো field-এর জন্য নতুন হাতিয়ার তৈরি করে।

📊 ১০. পাশাপাশি তুলনা টেবিল

🇧🇩 ১১. বাস্তবতা: বাংলাদেশে title-গুলো mix হয়ে যায়

এখন একটা জরুরি বাস্তবতা। উপরে আমরা role-গুলো পরিষ্কারভাবে আলাদা করলাম, কিন্তু বাংলাদেশের (এবং বেশিরভাগ ছোট-মাঝারি কোম্পানির) বাজারে এই লাইনগুলো প্রায়ই ঝাপসা হয়ে যায়।

• একটা startup-এ একজন "ML Engineer"-কে হয়তো data pipeline (Data Engineer), analysis (Data Scientist), আর deployment (ML Engineer) — তিনটাই করতে হয়।
• "AI Engineer" title দিয়ে কেউ চায় RAG chatbot বানাতে, আবার কেউ চায় classical ML model deploy করতে।
• বড় কোম্পানিতে (যেমন telco, বড় fintech) role-গুলো তুলনামূলক আলাদা ও স্পষ্ট।

💼 ১২. Boss Question

🔎 ১৩. Job Requirement Decoder

JD-তে খুব সাধারণ একটা লাইন:

⚠️ ১৪. সাধারণ ভুল ধারণা

🎤 ১৫. Interview Prep

✍️ ১৬. হাতে-কলমে (Mini Exercise)

🚀 ১৭. Project Connection

আমাদের flagship project "Bangladesh Tech Career Assistant" আসলে এই পুরো pipeline-টাই ছোট আকারে ছুঁয়ে যাবে — আর সেটাই একে এত শিক্ষামূলক করে তোলে:

📌 ১৮. সারসংক্ষেপ

➡️ ১৯. পরবর্তী পর্বে কী শিখব