Home » Blog » AI/ML Engineer সিরিজ » Series 01 » Episode 05

বাংলাদেশে AI/ML চাকরির বাজার: Job Description কীভাবে পড়তে হয়

Must Know, Strong Advantage আর Specialization — JD ভাঙার প্রথম পাঠ (Series 01, Episode 05)

🟢 BEGINNER Series 01 — AI/ML-এর দুনিয়া Episode 05 / 06

📑 এই পর্বে যা যা আছে

১. গল্প: Rahim প্রথম JD পড়ে ভয় পেল
২. আসল সমস্যা: JD দেখে নিজেকে "অযোগ্য" ভাবা
৩. কেন JD-তে এত কিছু লেখা থাকে
৪. তিনটি বাক্স: Must Know / Strong Advantage / Specialization
৫. বাংলাদেশের বাজারে দুটি প্রধান role
৬. একটা বাস্তব JD ভেঙে দেখা
৭. Visual: JD decode করার ছক
৮. তিন স্তরে বোঝা
৯. "understand" বনাম "master"
১০. Boss Question
১১. Job Requirement Decoder (এই section-এর হৃদয়)
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 প্রথম JD পড়ে ভয় পেল

Rahim একটা "Junior AI/ML Engineer" পদের job description খুলল। পড়তে গিয়ে তার হাত-পা ঠান্ডা হয়ে গেল — Python, NumPy, Pandas, SQL, scikit-learn, PyTorch, TensorFlow, Hugging Face, NLP, LLM, RAG, vector database, Docker, Kubernetes, AWS, MLOps, CI/CD... তালিকা যেন শেষই হয় না।

Rahim হতাশ হয়ে Nila-কে (data scientist) দেখাল:

"আপা, এত কিছু! আমি তো এর অর্ধেকও জানি না। আমার কি apply করাই উচিত না?"

Nila হেসে বলল: "একটা গোপন কথা বলি — যে JD লিখেছে, সে নিজেও এই সব একসাথে চায় না। JD হলো একটা wishlist। আসল কথা হলো — কোনটা must, কোনটা থাকলে bonus, আর কোনটা পরে শিখলেও চলবে — সেটা আলাদা করতে শেখা। এই skill-টা থাকলে তুমি JD দেখে ভয় পাবে না, বরং কৌশলে apply করবে।"

এই পর্বে আমরা ঠিক সেই skill-টাই শিখব — যেকোনো AI/ML JD-কে ঠান্ডা মাথায় ভেঙে ফেলা।

❓ ২. আসল সমস্যা: JD দেখে নিজেকে "অযোগ্য" ভাবা

দুটো সাধারণ ভুল প্রতিক্রিয়া:

Impostor reaction: "১০০% না মিললে apply করব না।" — ফল: কখনো apply-ই করা হয় না। বাস্তবে ৬০–৭০% মিললেই apply করা উচিত।
Panic learning: JD-র প্রতিটা শব্দ ধরে ধরে সব একসাথে শিখতে গিয়ে কোনোটাই ভালোভাবে শেখা হয় না।

JD একটা wishlist, checklist নয়। কোম্পানি "ideal" প্রার্থীর কল্পনা লেখে, কিন্তু hire করে "best available" প্রার্থীকে। তাই আপনার কাজ — কোনটা সত্যিই দরকারি সেটা চিনে ঐগুলোতে জোর দেওয়া।

🤔 ৩. কেন JD-তে এত কিছু লেখা থাকে

Copy-paste: অনেক JD পুরনো template বা অন্য কোম্পানি থেকে কপি করা হয়।
Future-proofing: HR ভাবে "যদি ভবিষ্যতে লাগে" — তাই বাড়তি skill জুড়ে দেয়।
একাধিক role মেশানো: ছোট কোম্পানিতে এক পদে Data Engineer + ML Engineer + AI Engineer-এর কাজ চাওয়া হয়।
Buzzword pressure: "AI" trend-এ থাকতে JD-তে সব জনপ্রিয় শব্দ ঢুকে যায়।

এজন্যই একটা JD-কে আক্ষরিকভাবে না নিয়ে বিশ্লেষণ করতে হয়। responsibilities section সাধারণত requirements section-এর চেয়ে বেশি সত্য কথা বলে — কারণ সেখানে আসল কাজটা লেখা থাকে।

📦 ৪. তিনটি বাক্স: Must Know / Strong Advantage / Specialization

যেকোনো AI/ML JD-র প্রতিটা requirement আপনি এই তিন বাক্সে ফেলবেন:

বাক্স	মানে	উদাহরণ (junior AI/ML)
🟢 Must Know	এটা না থাকলে সাধারণত call-ই আসে না	Python, NumPy, Pandas, SQL, scikit-learn, ML basics, Git, একটু API
🟡 Strong Advantage	থাকলে অন্যদের থেকে এগিয়ে থাকবেন	PyTorch + একটা DL project, NLP/Transformers, RAG, embeddings, vector DB, Docker
🔴 Specialization	পরে/on-the-job শিখলেও চলে	fine-tuning (LoRA), advanced MLOps, Kubernetes, distributed training, CV depth, agents

মনে রাখুন: এই তালিকা বাংলাদেশের বাজারে বারবার দেখা যাওয়া প্যাটার্নের ভিত্তিতে (Bdjobs, LinkedIn, স্থানীয় কোম্পানির career page)। কোম্পানি ও role অনুযায়ী কিছুটা বদলাবে — কিন্তু কাঠামোটা একই থাকে।

🏢 ৫. বাংলাদেশের বাজারে দুটি প্রধান role

ML Engineer / Data Scientist
(বড় ও স্থিতিশীল বাজার)

• structured data, classical ML
• fraud detection, churn, recommendation
• fintech, telco, e-commerce
• মূল: Python, SQL, Pandas, sklearn, deploy

AI Engineer / GenAI Engineer
(নতুন, দ্রুত বাড়ছে)

• LLM, RAG, chatbot, document assistant
• customer support, content, summarization
• startup, product কোম্পানি, remote
• মূল: LLM API, prompt, RAG, embeddings, software

দুটোরই ভিত্তি এক — শক্ত Python, data handling, আর software engineering। তাই ভিত্তি ঠিক থাকলে আপনি দুই দিকেই যেতে পারবেন; JD দেখে ঠিক করবেন কোন দিকে জোর দেবেন।

📄 ৬. একটা বাস্তব JD ভেঙে দেখা

ধরুন একটা সাধারণ (typical) junior JD-তে এই লাইনগুলো আছে। চলুন প্রতিটা বাক্সে ফেলি:

JD Requirement → বাক্স ───────────────────────────────────────────────────── "Proficiency in Python" → 🟢 Must Know "Experience with Pandas, NumPy" → 🟢 Must Know "SQL and relational databases" → 🟢 Must Know "Familiarity with scikit-learn" → 🟢 Must Know "Understanding of ML concepts" → 🟢 Must Know "Version control (Git)" → 🟢 Must Know "Experience with PyTorch/TensorFlow" → 🟡 Strong Advantage "NLP / LLM / RAG exposure" → 🟡 Strong Advantage "Docker & cloud (AWS/GCP)" → 🟡 Strong Advantage "Experience with Kubernetes" → 🔴 Specialization "Fine-tuning LLMs / LoRA" → 🔴 Specialization "MLOps pipelines (Kubeflow, etc.)" → 🔴 Specialization

দেখুন — ভয়ংকর লম্বা তালিকাটা আসলে মাত্র ৬টা "must" নিয়ে দাঁড়িয়ে। ঐ ৬টা শক্ত করলে আপনি apply করার যোগ্য। বাকিগুলো এগিয়ে থাকা বা পরে শেখার জিনিস। এই একটা দৃষ্টিভঙ্গি আপনার আত্মবিশ্বাস বদলে দেবে।

🖼️ ৭. Visual: JD decode করার ছক

┌─────────────────────────────┐ │ একটা JD পড়ছি │ └──────────────┬──────────────┘ ▼ প্রতিটা requirement ধরে প্রশ্ন করি: │ ┌──────────────────────┼──────────────────────┐ ▼ ▼ ▼ "না থাকলে বাদ?" "থাকলে এগিয়ে?" "পরে শিখলেও চলে?" │ │ │ ▼ ▼ ▼ 🟢 Must Know 🟡 Strong Advantage 🔴 Specialization (এখনই শিখি) (ভিত্তির পরে শিখি) (চাকরির পরে/দরকারে) │ ▼ Must Know-র ৬০-৭০% মিললে → APPLY করি

🧠 ৮. তিন স্তরে বোঝা

Level 1 — সহজ intuition: JD পড়া মানে "তারা আসলে কী চায়" সেটা অনুবাদ করা — buzzword-এর ভিড়ের নিচে লুকানো আসল দরকারটা খুঁজে বের করা।

Level 2 — technical: প্রতিটা requirement-কে তিন বাক্সে ভাগ করুন; responsibilities অংশে বেশি গুরুত্ব দিন (ওখানে আসল কাজ); "nice to have" শব্দগুলো চিনুন — ওগুলো প্রায়ই Advantage/Specialization।

Level 3 — engineer perspective: একজন অভিজ্ঞ প্রার্থী JD দেখে তিনটা সিদ্ধান্ত নেয় — (১) apply করব কিনা, (২) resume-তে কোন skill সামনে আনব, (৩) interview-র আগে কোন gap দ্রুত পূরণ করব। JD শুধু বাধা নয়, এটা প্রস্তুতির রোডম্যাপও।

🎯 ৯. "understand" বনাম "master"

JD-তে "experience with X" দেখে আতঙ্কিত হবেন না — কারণ সব X একই গভীরতায় লাগে না।

Understand the concept

• এটা কী, কেন আছে, কখন লাগে — বলতে পারা
• trade-off বোঝা, tool বাছাই করতে পারা
• interview-তে ব্যাখ্যা করতে পারা
Specialization item-গুলোর জন্য এটুকুই junior লেভেলে যথেষ্ট।

Master the technology

• নিজে বানানো, debug করা, optimize করা
• production-এ ship করতে পারা
• প্রান্তিক সমস্যা সামলাতে পারা
শুধু Must Know core-এর জন্য junior লেভেলে এটা দরকার।

উদাহরণ: junior হিসেবে vector database "understand" করলেই যথেষ্ট (কী, কেন, কীভাবে কাজ করে); Pinecone-এর প্রতিটা config "master" করা লাগে না। কিন্তু Python আর Pandas — এগুলো "master" পর্যায়ে জানা চাই।

💼 ১০. Boss Question

💼 Boss Question

Boss: "তুমি তো Kubernetes জানো না, তাহলে তোমাকে নেব কেন? JD-তে তো লেখা আছে।"

উত্তর: এখানে আত্মবিশ্বাসী ও সৎ থাকা জরুরি: "আমি Kubernetes এখনো master করিনি, কিন্তু Docker জানি এবং containerization-এর ধারণা পরিষ্কার — Kubernetes দরকার হলে দ্রুত শিখে নিতে পারব। তবে যে কাজটা আপনার এখন সবচেয়ে বেশি দরকার — data থেকে model বানিয়ে API হিসেবে deploy করা — সেটা আমি এখনই পারি, এই project-টা তার প্রমাণ।" Boss জানে ১০০% match পাওয়া যায় না; সে চায় দরকারি কাজটা যে করতে পারে আর দ্রুত শিখতে পারে। gap-কে অজুহাত না বানিয়ে শেখার ক্ষমতা দেখান।

🔎 ১১. Job Requirement Decoder (এই section-এর হৃদয়)

পুরো সিরিজ জুড়ে আমরা প্রতিটা বড় technology-কে এই ৭টা প্রশ্ন দিয়ে ভাঙব। এই episode-এ decoder-এর কাঠামোটাই শিখিয়ে দিচ্ছি — উদাহরণ হিসেবে "Machine Learning" শব্দটা নিলাম:

🔎 Job Requirement Decoder — "Experience with Machine Learning"

১. এর মানে কী? data থেকে শেখা model (regression/classification) বানানো ও ব্যবহারের অভিজ্ঞতা।

২. কোম্পানি কেন চায়? কারণ তাদের data থেকে prediction/সিদ্ধান্ত দরকার — churn, fraud, demand ইত্যাদি।

৩. কোন সমস্যা সমাধান করে? নিয়ম হাতে লেখা অসম্ভব এমন pattern data থেকে শেখা।

৪. junior-এর কী জানা লাগে? supervised learning basics, scikit-learn, evaluation metric, overfitting/leakage — Series 05-এ পুরোটা।

৫. এখনই কী master লাগে না? নিজে নতুন algorithm লেখা, distributed training — এসব না।

৬. GitHub-এ কীভাবে দেখাবে? একটা end-to-end project: raw data → preprocessing → model → evaluation → prediction (আমাদের P2/P3 project ঠিক এটাই)।

৭. Interview-তে কী? "supervised vs unsupervised?", "overfitting কী ও কীভাবে ঠেকাবে?", "কোন metric কেন বাছবে?"

এই ৭ প্রশ্নের ছক মাথায় রাখুন। যতবার JD-তে নতুন কোনো technology দেখবেন (SQL, PyTorch, RAG, Docker...), নিজেকে এই ৭টা প্রশ্ন করুন। ভয় জায়গা করে দেবে কৌশলকে।

⚠️ ১২. সাধারণ ভুল ধারণা

ভুল ১: "JD-র সব skill না থাকলে apply করা যাবে না।" → ঠিক: Must Know-র ৬০–৭০% মিললেই apply করুন।

ভুল ২: "JD = নিশ্চিত checklist।" → ঠিক: JD একটা wishlist; responsibilities বেশি সত্য বলে।

ভুল ৩: "সব technology সমান গভীরতায় লাগে।" → ঠিক: কিছু "master", বেশিরভাগ শুধু "understand" করলেই চলে।

ভুল ৪: "বেশি buzzword মানে ভালো candidate।" → ঠিক: কম কিন্তু গভীর দক্ষতা + প্রমাণ (project) বেশি কার্যকর।

ভুল ৫: "gap থাকলে চুপ থাকি।" → ঠিক: সৎভাবে gap স্বীকার করে শেখার ক্ষমতা দেখানোই ভালো।

🎤 ১৩. Interview Prep

🎤 Interview Prep

প্রশ্ন ১: এই role-এ কেন apply করলে?
উত্তর: responsibilities-এর সাথে নিজের skill মিলিয়ে ২-৩টা concrete জায়গা দেখান ("আপনি churn model চান, আমি ঠিক এমন একটা বানিয়েছি")।

প্রশ্ন ২: JD-তে থাকা X (যেটা জানো না) নিয়ে কী বলবে?
উত্তর: সৎভাবে বলুন এখনো master করেননি, কিন্তু কাছের concept জানেন এবং দ্রুত শিখতে পারবেন — একটা উদাহরণ দিন কীভাবে আগে নতুন কিছু দ্রুত শিখেছিলেন।

প্রশ্ন ৩: তোমার সবচেয়ে শক্তিশালী skill কোনটা, JD-র সাপেক্ষে?
উত্তর: Must Know বাক্সের যেটায় আপনি সবচেয়ে ভালো, সেটা project-এর প্রমাণসহ বলুন।

প্রশ্ন ৪: ML Engineer আর GenAI Engineer role-এর মধ্যে কোনটা তোমার লক্ষ্য?
উত্তর: নিজের background অনুযায়ী সৎ উত্তর দিন; দুটোরই common ভিত্তি (Python, data, software) আপনার আছে সেটা বলুন।

✍️ ১৪. হাতে-কলমে (Mini Exercise)

✍️ হাতে-কলমে

Bdjobs বা LinkedIn থেকে একটা আসল "AI/ML Engineer" বা "Data Scientist" JD কপি করুন। একটা টেবিল বানান তিন কলামে — Must Know / Strong Advantage / Specialization — আর প্রতিটা requirement সঠিক কলামে বসান।

তারপর দুটো সংখ্যা লিখুন:
১. Must Know-র কত % আপনি এখন পারেন?
২. এই মুহূর্তে সবচেয়ে জরুরি কোন ১টা gap পূরণ করলে আপনি apply-ready হয়ে যাবেন?

লক্ষ্য: JD-কে ভয় নয়, রোডম্যাপ হিসেবে ব্যবহার করা।

🚀 ১৫. Project Connection

মজার ব্যাপার — আমাদের flagship "Bangladesh Tech Career Assistant"-এর একটা মূল feature-ই হবে JD বিশ্লেষণ! Series 03-এ আমরা অনেকগুলো job description-এর data নিয়ে বিশ্লেষণ করব —

➜ "বাংলাদেশে junior AI/ML role-এ সবচেয়ে বেশি কোন skill চাওয়া হয়?" (Series 03, data দিয়ে উত্তর)
➜ পরে (Series 08) LLM + RAG দিয়ে assistant-টি একটা JD পড়ে বলে দেবে — "আপনার কোন skill আছে, কোনটা নেই"।

অর্থাৎ আজ আপনি হাতে যে JD-decode করছেন, সেই কাজটাই project শেষে আপনার AI system স্বয়ংক্রিয়ভাবে করবে। এটাই পুরো journey-র সৌন্দর্য।

📌 ১৬. সারসংক্ষেপ

এই Episode-এ আমরা শিখলাম:

✓ JD একটা wishlist, checklist নয়; responsibilities অংশ বেশি সত্য বলে
✓ প্রতিটা requirement তিন বাক্সে ফেলুন — 🟢 Must Know / 🟡 Strong Advantage / 🔴 Specialization
✓ Must Know-র ৬০–৭০% মিললেই apply করা উচিত; ১০০% match কেউ আশা করে না
✓ বাংলাদেশে দুই প্রধান পথ — ML Engineer/Data Scientist ও AI/GenAI Engineer; ভিত্তি একই
✓ "understand the concept" বনাম "master the technology" — সব skill সমান গভীরতায় লাগে না
✓ ৭-প্রশ্নের Job Requirement Decoder দিয়ে যেকোনো technology-কে ভেঙে ফেলা যায়
✓ JD ভয়ের জিনিস নয় — প্রস্তুতির রোডম্যাপ

➡️ ১৭. পরবর্তী পর্বে কী শিখব

পরবর্তী Episode (S01E06): "Zero to Job-Ready: সম্পূর্ণ Roadmap ও এই সিরিজ কীভাবে পড়বেন"

এখন Rahim জানে AI/ML কী, কোন role আছে, কতটা গণিত লাগে, আর JD কীভাবে পড়তে হয়। Series 01-এর শেষ পর্বে আমরা পুরো ১০টি সিরিজের মানচিত্র একসাথে দেখব, flagship project কীভাবে ধাপে ধাপে গড়ে উঠবে বুঝব, আর একটা বাস্তব study plan বানাব — যাতে আপনি জানেন ঠিক কোন পথে হাঁটছেন।

⬅ পূর্ববর্তী: গণিত ভয় পরবর্তী: সম্পূর্ণ Roadmap ➡