Home » Blog » AI/ML Engineer সিরিজ » Series 01 » Episode 03

একজন AI Engineer-এর একটা কর্মদিবস আসলে কেমন?

সিনেমার AI বনাম বাস্তবের AI Engineer — data, code, meeting আর business value (Series 01, Episode 03)

🟢 BEGINNER Series 01 — AI/ML-এর দুনিয়া Episode 03 / 06

📑 এই পর্বে যা যা আছে

১. গল্প: Rahim-এর কল্পনা বনাম বাস্তবতা
২. আসল সমস্যা: সিনেমার AI বনাম চাকরির AI
৩. কেন কাজের বেশিরভাগটা data ও engineering
৪. Maya-র একটা বাস্তব কর্মদিবস (ঘণ্টা ধরে)
৫. সময় আসলে কোথায় যায় (pie-এর গল্প)
৬. তিন স্তরে বোঝা: কাজটা আসলে কী
৭. একটা সাধারণ দিনের command-line ঝলক
৮. Junior বনাম Senior AI Engineer-এর দিন
৯. বাংলাদেশের বাস্তবতা
১০. Boss Question
১১. Job Requirement Decoder
১২. সাধারণ ভুল ধারণা
১৩. Interview Prep
১৪. হাতে-কলমে (Mini Exercise)
১৫. Project Connection
১৬. সারসংক্ষেপ
১৭. পরবর্তী পর্বে কী শিখব

🧩 ১. গল্প: Rahim-এর কল্পনা বনাম বাস্তবতা

Rahim ভাবত AI Engineer-রা সারাদিন সাদা বোর্ডে জটিল সমীকরণ লেখে, রোবট বানায়, আর মাঝেমধ্যে "Eureka!" বলে চিৎকার করে ওঠে। YouTube-এর thumbnail আর সিনেমা তার মাথায় এই ছবি গেঁথে দিয়েছিল।

একদিন Rahim Maya-কে জিজ্ঞেস করল:

"আপা, আপনার দিনটা কেমন কাটে? সারাদিন কি নতুন নতুন model বানান আর গণিত করেন?"

Maya হেসে ফেলল: "গত এক সপ্তাহে আমি নতুন model train করেছি হয়তো একবার। বাকি সময়? data পরিষ্কার করেছি, কেন একটা prediction খারাপ হচ্ছে সেটা debug করেছি, একটা API যাতে crash না করে সেটা ঠিক করেছি, আর অনেকগুলো meeting করেছি Boss-কে বোঝাতে যে model-টা আসলে কী করতে পারবে আর কী পারবে না। AI Engineer-এর কাজ ৮০% engineering আর data — magic math মাত্র ২০%, আর সেটাও লাইব্রেরিই করে দেয়।"

এই পর্বে আমরা সেই বাস্তব দিনটাই দেখব — যাতে আপনার প্রত্যাশা সঠিক থাকে এবং আপনি সঠিক জিনিস শিখতে পারেন।

❓ ২. আসল সমস্যা: সিনেমার AI বনাম চাকরির AI

ভুল প্রত্যাশা নিয়ে এই field-এ ঢুকলে দুটো বিপদ:

হতাশা: "আমি তো ভেবেছিলাম রোবট বানাব, কিন্তু সারাদিন CSV পরিষ্কার করছি!" — অনেক junior এই কারণে ছেড়ে দেয়।
ভুল প্রস্তুতি: কেউ শুধু গণিত মুখস্থ করে, কিন্তু Git, API, debugging শেখে না — অথচ চাকরিতে এগুলোই বেশি লাগে।

সত্য কথাটা: একজন AI Engineer আসলে একজন software engineer, যার হাতে অতিরিক্ত হাতিয়ার হিসেবে আছে data ও ML। কাজের ছন্দটা software engineering-এর মতোই — code, debug, review, deploy, meeting।

🤔 ৩. কেন কাজের বেশিরভাগটা data ও engineering

একটা ML model-এর জীবনচক্র ভাবুন। model train করার line হয়তো ৫টা: model.fit(X, y)। কিন্তু সেই X আর y তৈরি করতে লাগে হাজারটা সিদ্ধান্ত — কোন data নেব, missing value কী করব, কোন feature বানাব, leakage হচ্ছে না তো? আর model তৈরি হওয়ার পরেও সেটাকে deploy, monitor, maintain করতে হয়।

একটা প্রচলিত সত্য (industry-তে বহুবার প্রমাণিত): একটা ML project-এর প্রায় ৮০% সময় যায় data সংগ্রহ, পরিষ্কার ও প্রস্তুত করতে। model বেছে ট্রেন করা তুলনায় দ্রুত অংশ। আর তারপর deployment ও maintenance তো আছেই। এজন্যই বলা হয় — "AI is mostly data and software engineering."

🕘 ৪. Maya-র একটা বাস্তব কর্মদিবস (ঘণ্টা ধরে)

৯:৩০ — Standup meeting: গতকাল কী করলাম, আজ কী করব, কোথায় আটকে আছি ১০:০০ — গতকালের deploy করা model কেন খারাপ prediction দিচ্ছে, log দেখে debug ১১:৩০ — নতুন data source-এর CSV পরিষ্কার (missing value, duplicate, encoding) ১:০০ — দুপুরের খাবার + একটু paper/blog পড়া ২:০০ — feature engineering: নতুন feature বানিয়ে model retrain ও eval ৩:৩০ — code review: Rahim-এর pull request দেখা ও feedback দেওয়া ৪:০০ — FastAPI endpoint-এ একটা bug fix, unit test যোগ, Docker rebuild ৫:০০ — Boss-এর সাথে meeting: "model কি আগামী মাসে চালু করা যাবে?" ৫:৩০ — আগামীকালের কাজ note করে দিন শেষ

খেয়াল করুন — সারা দিনে "নতুন model" মাত্র একবার (২টার সময়), আর সেটাও লাইব্রেরি দিয়ে। বাকি সব হলো data, debugging, review, API, আর communication।

🥧 ৫. সময় আসলে কোথায় যায় (pie-এর গল্প)

একজন AI/ML Engineer-এর সময় (আনুমানিক): Data (সংগ্রহ + পরিষ্কার + feature) ██████████████████ ~40% Software engineering (API, deploy, bug) ██████████ ~25% Communication/meeting/documentation ██████ ~15% Model training + evaluation ████ ~12% শেখা/গবেষণা/paper পড়া ███ ~8%

এটা একটা approximation, কোম্পানি ও role অনুযায়ী বদলায়। কিন্তু মূল বার্তা স্থির: model train করা দিনের ছোট একটা অংশ। তাই শুধু "কোন algorithm সবচেয়ে ভালো" — এটা নিয়ে পড়ে না থেকে, data handling, Git, API আর debugging-এও সমান মনোযোগ দিন।

🧠 ৬. তিন স্তরে বোঝা: কাজটা আসলে কী

Level 1 — সহজ intuition: AI Engineer একজন problem-solver, যে data আর কিছু ready-made tool দিয়ে business-এর সমস্যা সমাধান করে। বেশিরভাগ সময় সে "নতুন কিছু আবিষ্কার" করে না, বরং "বিদ্যমান জিনিস ঠিকভাবে জুড়ে" কাজের product বানায়।

Level 2 — technical: তার দৈনন্দিন toolbox — Python, Pandas/SQL (data), scikit-learn/PyTorch বা LLM API (model), Git (collaboration), FastAPI + Docker (serving), logging/monitoring (production)। সে একটা loop-এ কাজ করে: বুঝি → data প্রস্তুত → model/solution → eval → deploy → monitor → আবার উন্নত করি।

Level 3 — engineer perspective: সবচেয়ে দামি দক্ষতা হলো judgement — কোন সমস্যায় ML লাগবে, কোনটায় লাগবে না; কখন "good enough", কখন আরও tuning দরকার; কীভাবে Boss-কে বাস্তব প্রত্যাশা বোঝাতে হবে। এটাই junior থেকে senior-এর আসল পার্থক্য।

💻 ৭. একটা সাধারণ দিনের command-line ঝলক

একজন AI Engineer-এর terminal-এ দিনে যে ধরনের command চলে, তার একটা ছোট নমুনা (এগুলো এখন বোঝার দরকার নেই — শুধু "কাজটা এমন দেখতে" এটুকু অনুভব করুন):

# নতুন feature branch-এ কাজ শুরু git checkout -b fix/churn-model-input # environment activate করে data দেখা source .venv/bin/activate python -c "import pandas as pd; print(pd.read_csv('data.csv').isna().sum())" # model retrain script চালানো python train.py --config configs/churn.yaml # API locally চালিয়ে দেখা uvicorn app.main:app --reload # সব ঠিক থাকলে test চালিয়ে commit pytest -q git add . && git commit -m "fix: handle missing income before prediction"

খেয়াল করুন && লেখা হয়েছে — কারণ .code-box-এ raw & লিখলে HTML ভেঙে যায়। এটা একজন AI Engineer-এর বাস্তব দিনের চেহারা: Git, data check, train, API, test, commit।

📈 ৮. Junior বনাম Senior AI Engineer-এর দিন

Junior-এর দিন

• নির্দিষ্ট, ছোট task (এই feature যোগ করো, এই bug ঠিক করো)
• বেশি code লেখা, কম সিদ্ধান্ত নেওয়া
• senior-এর দেওয়া approach follow করা
• "কীভাবে করব" — এটাই মূল প্রশ্ন

Senior-এর দিন

• পুরো সমস্যার approach ঠিক করা
• কম code, বেশি design ও review
• Boss/team-এর সাথে trade-off আলোচনা
• "আদৌ কি এটা করা উচিত, আর কীভাবে" — এটাই মূল প্রশ্ন

Junior হিসেবে আপনার কাছে কেউ আশা করে না যে আপনি পুরো system design করবেন। আশা করা হয় — আপনি পরিষ্কার code লিখবেন, দেওয়া task নির্ভরযোগ্যভাবে শেষ করবেন, প্রশ্ন করবেন, এবং শিখবেন। এই প্রত্যাশাটা জানা থাকলে প্রথম চাকরির চাপ অনেক কমে যায়।

🇧🇩 ৯. বাংলাদেশের বাস্তবতা

বেশিরভাগ কোম্পানিতে আপনি একটা বিদ্যমান system-এ যোগ দেবেন — একদম শূন্য থেকে কিছু বানাবেন না। তাই অন্যের code পড়া ও বোঝার দক্ষতা খুব দামি।
Data প্রায়ই এলোমেলো ও অপরিষ্কার থাকে (Excel, নানা format)। data cleaning আপনার নিত্যসঙ্গী হবে।
ছোট team-এ আপনাকে data, model, deployment — সব একটু একটু করতে হবে। তাই "T-shaped" হওয়া (এক জায়গায় গভীর, বাকিতে কাজ চালানোর মতো) সবচেয়ে ভালো কৌশল।
Communication বাংলায় হোক বা ইংরেজিতে — নিজের কাজ পরিষ্কারভাবে বোঝাতে পারা আপনাকে আলাদা করে দেবে।

💼 ১০. Boss Question

💼 Boss Question

Boss: "তুমি সারাদিন data পরিষ্কার করছ শুনলাম। এটা তো technical কাজ, এতে আমার business-এর কী লাভ?"

উত্তর: এখানেই সবচেয়ে বড় শিক্ষা — নোংরা data দিয়ে বানানো model ভুল সিদ্ধান্ত দেয়, আর ভুল সিদ্ধান্ত মানে business-এর টাকা নষ্ট। "garbage in, garbage out।" data পরিষ্কার করা মানে model-এর prediction বিশ্বাসযোগ্য করা — সেটাই আসল business value। তাই AI Engineer-এর "boring" data কাজটাই আসলে সবচেয়ে দামি বিনিয়োগ। একজন ভালো engineer এটা Boss-কে এভাবেই বোঝায়: "পরিষ্কার data = নির্ভরযোগ্য prediction = সঠিক ব্যবসায়িক সিদ্ধান্ত।"

🔎 ১১. Job Requirement Decoder

JD-তে প্রায়ই লেখা থাকে:

"Strong software engineering fundamentals and experience taking ML from prototype to production."

🔎 Job Requirement Decoder

১. এর মানে কী? তারা চায় আপনি শুধু notebook-এ model বানানোর মানুষ নন — Git, testing, API, deployment জানেন।

২. কেন চায়? কারণ চাকরির বেশিরভাগ কাজ prototype নয়, production; আর production-এ software skill ছাড়া টেকা যায় না।

৩. কোন সমস্যা সমাধান করে? "model কাজ করে কিন্তু কেউ চালু রাখতে পারে না" — এই সাধারণ সমস্যা।

৪. junior-এর কী জানা লাগে? Git basics, clean Python, একটা model-কে API বানানো, logging, একটু Docker।

৫. এখনই কী master লাগে না? বড় scale distributed system, advanced MLOps — পরে।

৬. GitHub-এ কীভাবে দেখাবে? এমন repo যেখানে শুধু model নয়, README, test, API আর deploy instruction আছে।

৭. Interview-তে কী? "তোমার একটা project-এর পুরো workflow বলো", "model deploy করার পর কী কী monitor করবে?", "একটা bug কীভাবে debug করেছিলে?"

⚠️ ১২. সাধারণ ভুল ধারণা

ভুল ১: "AI Engineer সারাদিন গণিত করে।" → ঠিক: বেশিরভাগ গণিত লাইব্রেরি করে; দিনের বড় অংশ data ও engineering।

ভুল ২: "নতুন algorithm আবিষ্কার করাই আসল কাজ।" → ঠিক: সেটা Researcher-এর কাজ; Engineer বিদ্যমান জিনিস দিয়ে product বানায়।

ভুল ৩: "Git/testing/deployment গুরুত্বপূর্ণ না, model-ই সব।" → ঠিক: production-এ software skill ছাড়া model অকেজো।

ভুল ৪: "data cleaning সময় নষ্ট।" → ঠিক: এটাই কাজের মূল অংশ ও model-এর মান নির্ধারক।

ভুল ৫: "meeting মানে অকাজ।" → ঠিক: সঠিক প্রত্যাশা ঠিক করা ও ভুল দিক এড়ানো meeting দিয়েই হয়।

🎤 ১৩. Interview Prep

🎤 Interview Prep

প্রশ্ন ১: তোমার একটা সাধারণ workflow বর্ণনা করো।
উত্তর: সমস্যা বোঝা → data সংগ্রহ ও পরিষ্কার → feature তৈরি → model বানানো ও eval → deploy → monitor → feedback নিয়ে উন্নত করা। জোর দিন — data ও deployment অংশে।

প্রশ্ন ২: একটা ML project-এ সবচেয়ে বেশি সময় কোথায় যায়?
উত্তর: সাধারণত data সংগ্রহ ও পরিষ্কারে (~৮০%); model training তুলনায় দ্রুত অংশ।

প্রশ্ন ৩: শেষবার একটা কঠিন bug কীভাবে debug করেছিলে?
উত্তর: log পড়া, ছোট করে reproduce করা, input data যাচাই, hypothesis ধরে ধরে test — একটা structured story বলুন।

প্রশ্ন ৪: AI Engineer আর software engineer-এর কাজে কতটা মিল?
উত্তর: অনেক মিল — Git, code review, API, deploy, meeting; পার্থক্য শুধু data ও model-এর অতিরিক্ত স্তর।

✍️ ১৪. হাতে-কলমে (Mini Exercise)

✍️ হাতে-কলমে

আজ ১০ মিনিট নিয়ে নিজের একটা "কল্পিত কর্মদিবস" লিখুন — ধরুন আপনি একটা e-commerce কোম্পানিতে ML Engineer। সকাল ৯টা থেকে বিকেল ৫টা পর্যন্ত ঘণ্টা ধরে লিখুন আপনি কী করবেন। শর্ত একটাই: "নতুন model train" শুধু একবার রাখতে পারবেন; বাকি সময় data, debugging, API, review, meeting দিয়ে ভরাতে হবে।

লক্ষ্য: কাজের বাস্তব ছন্দটা নিজের মাথায় বসানো — যাতে চাকরিতে গিয়ে হোঁচট না খান।

🚀 ১৫. Project Connection

আমাদের flagship "Bangladesh Tech Career Assistant" ঠিক এই বাস্তব ছন্দেই এগোবে। আপনি নিজেই টের পাবেন —

➜ কত সময় যায় শুধু job description data পরিষ্কার করতে (Series 03),
➜ model বানানো আসলে কত দ্রুত হয়ে যায় (Series 05),
➜ কিন্তু সেটাকে API + Docker দিয়ে চালু রাখতে আবার কত কাজ লাগে (Series 09)।

অর্থাৎ project-টা শুধু কোড শেখাবে না — একজন AI Engineer-এর দিন আসলে কেমন, সেটাও হাতে-কলমে বোঝাবে।

📌 ১৬. সারসংক্ষেপ

এই Episode-এ আমরা শিখলাম:

✓ AI Engineer-এর কাজ ~৮০% data ও engineering, model training ছোট একটা অংশ
✓ একজন AI Engineer মূলত একজন software engineer, হাতে অতিরিক্ত data ও ML tool নিয়ে
✓ দিন কাটে Git, data cleaning, debugging, API, code review ও meeting-এ
✓ Junior-এর কাছে system design নয়, পরিষ্কার code ও নির্ভরযোগ্য task-completion প্রত্যাশিত
✓ Senior-এর আসল দক্ষতা judgement — কখন ML লাগবে, কখন "good enough"
✓ তাই শুধু গণিত নয়, data handling, Git, API, debugging-এও সমান মনোযোগ দিন

➡️ ১৭. পরবর্তী পর্বে কী শিখব

পরবর্তী Episode (S01E04): "গণিত না পারলে AI হবে না? — ভয় বনাম বাস্তবতা"

কাজের বেশিরভাগটা data ও engineering — এটা জানার পর স্বাভাবিক প্রশ্ন: "তাহলে গণিত কতটা লাগবে?" পরের পর্বে আমরা math fear-টাকে একদম ভেঙে ফেলব — ঠিক কতটুকু গণিত সত্যিই দরকার, কোন ভয়গুলো অকারণ, আর কীভাবে ভয় না পেয়ে দরকারি টুকু শিখবেন।

⬅ পূর্ববর্তী: কে কী করে পরবর্তী: গণিত ভয় ➡