STUDY MART

STUDY MART | aiquest.org | youtube.com/StudyMart Build your career in Data Science & AI!
(40)

aiQuest Intelligence believes in delivering a quality curriculum with a highly qualified professional team working as Data Engineers, Data Scientists, and Data Analysts.

✅ Our Paid Courses:
✅ Course Curriculum: https://aiquest.org
✅ Email: [email protected]

03/09/2026

আলহামদুলিল্লাহ, Docker Free Course-এর জন্য page ও অন্যান্য প্ল্যাটফর্মে ইতোমধ্যে ১০০+ Interested কমেন্ট এসেছে।

তাই ইনশাআল্লাহ আগামীকাল শুক্রবার থেকে Study Mart | Learn Data Science Smartly YouTube Channel-এ Docker-এর Free Course-এর ভিডিও আপলোড শুরু হবে।

Basic থেকে শুরু করে practical project-এর মাধ্যমে Docker শেখানোর চেষ্টা থাকবে।

আপনি যদি আগে থেকেই module গুলো দেখে শুরু করতে চান, তাহলে course-এর সব topics list & ভিডিও পাবেন 1st Comment.

সবার জন্য উন্মুক্ত এই Free Course-এ সাথে থাকুন।

Link: https://aiquest.org/complete-docker-for-everybody-free-docker-course-bangla/

30/08/2026

Docker কেন শেখা উচিত? আপনি একটা project নিজের laptop-এ খুব ভালোভাবে চালালেন। কিন্তু অন্য computer-এ নিয়ে যাওয়ার পর দেখা গেল package version মিলছে না, dependency নেই, Python version আলাদা application আর চলছে না।

বাস্তব software development-এ এই problem খুব common।

এখানেই Docker গুরুত্বপূর্ণ।

Docker আপনার application-এর সাথে প্রয়োজনীয় dependencies, libraries এবং configuration-গুলোকে একটা container-এর মধ্যে package করে দেয়। ফলে একই application development machine, testing environment কিংবা production server বিভিন্ন environment-এ অনেক বেশি consistent ভাবে চালানো যায়।

বিশেষ করে যারা Software Engineering, Data Science, Machine Learning, AI, FastAPI বা Django নিয়ে কাজ করছেন, তাদের জন্য Docker ধীরে ধীরে খুব useful একটা skill হয়ে যাচ্ছে।

ধরুন আপনি একটা Machine Learning model বানালেন, FastAPI দিয়ে API তৈরি করলেন। এখন সেটা অন্য developer-এর machine বা cloud server-এ deploy করতে হবে। Docker ব্যবহার করলে পুরো application-টাকে একটা reproducible environment-এর মধ্যে নিয়ে যাওয়া অনেক সহজ হয়।

তাই Docker শুধু DevOps-এর জন্য না। AI/ML project-কে development থেকে production-এ নেওয়ার সময়ও Docker-এর গুরুত্ব অনেক।

এখন প্রশ্ন হলো, আপনারা কি Docker নিয়ে একটা সম্পূর্ণ Free Course চান?

যদি এই পোস্টে ১০০ জন Interested বলেন, তাহলে ইনশাআল্লাহ আগামী ১ সপ্তাহের মধ্যে Study Mart | Learn Data Science Smartly YouTube channel-এর জন্য Docker-এর একটি Free Course তৈরি করার চেষ্টা করবো।

একদম basic থেকে শুরু করে practical project-এর মাধ্যমে Docker শেখানোর চেষ্টা থাকবে।

Interested হলে কমেন্টে Interested লিখুন।

28/08/2026

System Design মানে আসলে কী? AI/ML-এর জন্য এটা কেন গুরুত্বপূর্ণ?

AI/ML শেখার সময় আমরা সাধারণত Python, Machine Learning, Deep Learning, LLM, RAG, FastAPI—এসব নিয়েই বেশি কথা বলি। কিন্তু একটা সময় এসে একটা গুরুত্বপূর্ণ প্রশ্ন সামনে আসে— আমি যে AI application বানালাম, সেটা বাস্তবে হাজার হাজার মানুষ কীভাবে ব্যবহার করবে?

এই প্রশ্নের উত্তর খুঁজতে গেলেই System Design-এর প্রয়োজন হয়।

সহজভাবে বললে, System Design মানে হলো একটা software বা AI application-এর পুরো structure আগে থেকে চিন্তা করা। User কোথা থেকে request পাঠাবে, request কোথায় যাবে, কোন জায়গায় AI model কাজ করবে, data কোথায় থাকবে, কোন service কোনটার সাথে communicate করবে এবং user-এর কাছে final result কীভাবে ফিরে আসবে—পুরো flowটা design করা।

ধরুন আপনি একটা company-এর জন্য AI chatbot বানালেন। শুরুতে হয়তো আপনার মাথায় খুব simple একটা idea থাকবে—user প্রশ্ন করবে, LLM উত্তর দেবে।

কিন্তু বাস্তবে company বলবে, “আমাদের internal documents থেকেও যেন উত্তর দিতে পারে।”

তখন RAG লাগবে। Documents কোথায় থাকবে? Embeddings কোথায় রাখবেন? Vector database কী হবে? User-এর প্রশ্ন কীভাবে relevant document খুঁজে বের করবে? তারপর সেই information কীভাবে LLM-এর কাছে যাবে?

আবার company বলবে, শুধু আমাদের employees যেন access করতে পারে।

তখন authentication এবং authorization লাগবে।

তারপর যদি ১০০ জনের বদলে ৫০,০০০ জন user একই সময়ে ব্যবহার করে?

তখন আপনার একটা সাধারণ server হয়তো যথেষ্ট হবে না। Performance, scaling, caching, database optimization—এসব নিয়ে ভাবতে হবে।

আবার AI response দিতে ১০ সেকেন্ড লাগছে। User বিরক্ত হয়ে যাচ্ছে। তাহলে কোথায় সমস্যা হচ্ছে সেটা খুঁজতে হবে।

LLM API-এর খরচ অনেক বেড়ে যাচ্ছে। কীভাবে cost কমানো যায়?

কোনো service হঠাৎ down হয়ে গেল। পুরো application বন্ধ হয়ে যাবে, নাকি অন্যভাবে request handle করা যাবে?

একজন user যেন অন্য user-এর private information দেখতে না পারে—এটা কীভাবে নিশ্চিত করবেন?

এই ধরনের প্রশ্নই System Design-এর বাস্তব দিক।

আর AI application-এর ক্ষেত্রে বিষয়টা আরও interesting, কারণ এখানে সাধারণ software-এর পাশাপাশি AI-specific কিছু component থাকে।

যেমন ধরুন:

User → Frontend → FastAPI → RAG → Vector Database → LLM → Response

এটা একটা basic architecture।

এখন প্রত্যেকটা অংশের দায়িত্ব কী, কোথায় কী data যাবে, কোন অংশটা আগে কাজ করবে, কোন অংশ fail করলে কী হবে—এসব নিয়ে চিন্তা করাটাই System Design।

তবে একটা কথা junior-দের জন্য পরিষ্কার করা দরকার।

System Design শিখতে গিয়ে শুরুতেই Amazon-এর মতো system design করার দরকার নেই।

আপনি প্রথমে খুব ছোট project দিয়ে শুরু করতে পারেন।

একটা Machine Learning model বানালেন। FastAPI দিয়ে API বানালেন। একটা simple website থেকে input নিয়ে model prediction দেখালেন।

তারপর ভাবুন—database কোথায় থাকবে?

তারপর authentication যোগ করুন।

তারপর Docker দিয়ে application run করুন।

তারপর cloud-এ deploy করুন।

তারপর ভাবুন—একসাথে ১০০০ request এলে কী হবে?

এভাবে ছোট project থেকেই System Design-এর চিন্তাটা তৈরি হয়।

আমার কাছে সবচেয়ে গুরুত্বপূর্ণ বিষয় হলো, System Design মানে শুধু diagram আঁকা না।

এটা আসলে একটা engineering mindset।

আপনি কোনো feature বানানোর আগে ভাবছেন—এটা কীভাবে কাজ করবে, কোথায় সমস্যা হতে পারে, বড় হলে কী হবে, user-এর data কতটা secure থাকবে, cost কত হবে এবং ভবিষ্যতে এটাকে maintain করা কতটা সহজ হবে।

AI/ML-এর job market-এ এই skill-এর গুরুত্ব এখানেই।

কারণ company শুধু এমন কাউকে চায় না যে একটা model বা RAG demo বানিয়ে দেখাতে পারে।

তারা এমন কাউকেও চায় যে বুঝতে পারে এই AI solution-টাকে কীভাবে একটা real product-এর অংশ বানানো যায়।

তাই এখন যদি আপনি AI/ML শেখেন, model-এর পাশাপাশি একটু একটু করে API, database, architecture, security, scalability এবং deployment বুঝতে শুরু করুন।

আজ আপনার project হয়তো ১০ জন ব্যবহার করবে।

কিন্তু আপনি যদি এমনভাবে design করতে শেখেন যাতে কাল ১০ হাজার মানুষ ব্যবহার করলেও systemটা evolve করা যায়—তখন আপনি শুধু AI model বানানো থেকে ধীরে ধীরে AI Engineer-এর মতো চিন্তা করা শুরু করবেন।

23/08/2026

প্রায় সব Software Engineering বা AI/ML interview-তেই একটা পর্যায়ে real-life experience নিয়ে প্রশ্ন করা হয়।

কোনো একটা বড় problem-এর মুখোমুখি হয়েছিলেন কি না, কীভাবে problemটা identify করেছিলেন, কেন সেই solution নিয়েছিলেন—এই ধরনের discussion-এ কোনো না কোনোভাবে Load Balancer চলে আসতে পারে।

ধরুন আপনার একটা application আছে। শুরুতে user কম ছিল, তাই একটা server দিয়েই সব request handle করছিলেন। সবকিছু ঠিকঠাক চলছিল।

কিন্তু application-এর user বাড়তে শুরু করলো। একসময় দেখা গেল একই সময়ে অনেক request আসছে। Application slow হয়ে যাচ্ছে, response time বাড়ছে, কখনো কখনো server-ও crash করছে।

এখন শুধু server-এর RAM বা CPU বাড়িয়ে দিলেই কি সবসময় solution হবে?

একটা পর্যায়ের পর আপনাকে একাধিক server চালানোর কথা ভাবতে হবে।

ধরুন আপনার ৩টা server আছে। এখন প্রশ্ন হলো, user-এর request কোন server-এ যাবে?

এখানেই Load Balancer কাজ করে।

User সরাসরি কোনো নির্দিষ্ট server-এ যাবে না। প্রথমে request যাবে Load Balancer-এর কাছে।

User → Load Balancer → Server 1 / Server 2 / Server 3

Load Balancer incoming requestগুলো বিভিন্ন server-এর মধ্যে distribute করবে।

ধরুন Server 1-এর উপর অনেক বেশি load পড়ে গেছে, কিন্তু Server 3 তুলনামূলকভাবে free। তাহলে Load Balancer নতুন request Server 3-এ পাঠাতে পারে।

আর ধরুন Server 2 কোনো কারণে down হয়ে গেল। Load Balancer health check-এর মাধ্যমে সেটা বুঝতে পারবে এবং নতুন request Server 2-তে পাঠানো বন্ধ করে দেবে।

এটাই production system-এর একটা গুরুত্বপূর্ণ বিষয়।

কারণ বাস্তবে শুধু application কাজ করছে কি না সেটাই যথেষ্ট না।

User ১০০ থেকে ১ লাখ হলে কী হবে?

একটা server নষ্ট হলে কী হবে?

Traffic হঠাৎ ১০ গুণ বেড়ে গেলে কী হবে?

Response time কীভাবে কম রাখা যাবে?

এই ধরনের প্রশ্নের উত্তর দিতে গেলেই System Design-এর বিষয়গুলো সামনে আসে।

Interview-এ তখন শুধু Load Balancer-এর definition বললেই হয় না। আপনি যদি একটা real problem থেকে solution পর্যন্ত explain করতে পারেন, তখন আপনার engineering thinking-টাও বোঝা যায়।

যেমন বলতে পারেন, শুরুতে single server ছিল। Traffic বাড়ার পর latency এবং server failure-এর সমস্যা দেখা দিল। এরপর multiple application instances চালু করে Load Balancer-এর মাধ্যমে incoming traffic distribute করা হলো।

এখানে আপনি শুধু একটা technology-এর নাম বলছেন না। আপনি Problem → Impact → Solution → Architecture পুরো বিষয়টা explain করছেন।

তাই System Design শেখার সময় শুধু Load Balancer কী মুখস্থ না করে বরং নিজেকে প্রশ্ন করুন—

কোন problem হলে আমার Load Balancer দরকার হবে?

এইভাবে শিখলে interview-এর System Design প্রশ্নগুলো অনেক বেশি সহজে বুঝতে পারবেন।

23/08/2026

Statistics শিখতে আর কোথায় যাবেন?

Data Science, Machine Learning বা AI শিখতে গেলে Statistics একটা সময় এসে খুব গুরুত্বপূর্ণ হয়ে যায়। কিন্তু অনেকেই বুঝতে পারেন না—কোথা থেকে শুরু করবেন, কোন topic আগে শিখবেন, কতটুকু শিখবেন।

এই কারণেই আমরা তৈরি করেছি A-Z Statistics Resource।

এখানে Statistics শেখার জন্য প্রয়োজনীয় topic-এর পাশাপাশি PDF resources, recorded classes এবং learning materials একসাথে সাজানো আছে।

একদম basic concept থেকে শুরু করে Data Science ও Machine Learning-এর জন্য প্রয়োজনীয় Statistics পর্যন্ত ধারাবাহিকভাবে এগোতে পারবেন।

আমাদের লক্ষ্য ছিল এমন একটা resource তৈরি করা, যেটা follow করলে Statistics শেখার জন্য আলাদা করে বিভিন্ন জায়গায় ঘুরে বেড়াতে হবে না।

Resource + Video Records + PDF — সবকিছু এক জায়গায়।

যারা Data Science, Machine Learning বা AI নিয়ে সিরিয়াসভাবে এগোতে চান, তাদের জন্য resource-টা কাজে লাগবে ইনশাআল্লাহ।

Resource-এর link প্রথম কমেন্টে।

23/08/2026

AI/ML-এর ১০০টা Job Post দেখলে প্রায় ৯৫টাতেই RAG আর FastAPI কেন দেখবেন?

AI/ML-এর job posting একটু খেয়াল করে দেখলে একটা interesting বিষয় চোখে পড়ে। Company ভেদে requirement আলাদা—কেউ LLM experience চায়, কেউ Machine Learning, কেউ Agentic AI, কেউ NLP। কিন্তু এর মাঝেও RAG আর FastAPI-এর মতো skill বারবার চলে আসে।

কেন?

কারণ এখন company শুধু AI model নিয়ে experiment করার জন্য মানুষ hire করছে না। তারা চায় AI-কে তাদের existing product এবং business workflow-এর মধ্যে ব্যবহার করতে।

ধরুন একটা company-এর হাজার হাজার internal document আছে—HR policy, technical documentation, customer support guideline, product manual। তারা চায় employee যেন প্রশ্ন করলে AI সেই company-এর নিজের document থেকে উত্তর দেয়।

এখানে শুধু ChatGPT API call করলেই হবে না। LLM তো company-এর private document নিজে থেকে জানে না।

তখন RAG-এর প্রয়োজন হতে পারে।

Documentগুলো process করে chunk করা হলো, embedding তৈরি হলো, vector database-এ রাখা হলো। User প্রশ্ন করলে relevant information retrieve করা হলো এবং সেই context LLM-এর কাছে পাঠানো হলো। তারপর LLM সেই information ব্যবহার করে উত্তর তৈরি করলো।

অর্থাৎ RAG মূলত LLM-কে external/private knowledge-এর সাথে কাজ করার একটা practical architecture দেয়।

এই কারণেই অনেক AI Engineer role-এ RAG দেখা যাচ্ছে।

আর FastAPI?

ধরুন আপনি Python দিয়ে একটা RAG system বানিয়েছেন। আপনার laptop-এ perfectly কাজ করছে। কিন্তু company-এর website বা mobile application কীভাবে এই AI system-কে ব্যবহার করবে?

এখানেই API দরকার।

FastAPI দিয়ে আপনি আপনার AI functionality-কে একটা API হিসেবে expose করতে পারেন।

User application থেকে প্রশ্ন পাঠাবে।

FastAPI request গ্রহণ করবে।

তারপর RAG pipeline-এ যাবে।

Relevant documents retrieve হবে।

LLM response generate করবে।

তারপর FastAPI সেই response application-এ পাঠিয়ে দেবে।

পুরো flowটা অনেকটা:

User → Application → FastAPI → RAG → LLM → FastAPI → User

এখন বুঝতে পারবেন কেন এই দুইটা skill একই job posting-এ প্রায়ই দেখা যায়।

RAG AI-কে useful knowledge-এর সাথে connect করতে সাহায্য করে, আর FastAPI AI functionality-কে application-এর সাথে connect করতে সাহায্য করে।

তবে একটা গুরুত্বপূর্ণ বিষয় আছে।

RAG আর FastAPI জানলেই আপনি AI Engineer হয়ে যাবেন—এটা ঠিক না।

আপনার Python fundamentals থাকতে হবে। API কীভাবে কাজ করে বুঝতে হবে। Database সম্পর্কে ধারণা থাকা দরকার। LLM-এর basic concepts, embeddings, vector database, prompt engineering এবং evaluation সম্পর্কে জানতে হবে।

আর production-level কাজ করতে গেলে authentication, logging, error handling, Docker, deployment, monitoring এবং system design-এর মতো বিষয়ও ধীরে ধীরে গুরুত্বপূর্ণ হয়ে উঠবে।

তাই কোনো job description-এ যদি দেখেন:

Python + LLM + RAG + FastAPI + Vector Database

তাহলে company সম্ভবত শুধু একজন model trainer খুঁজছে না।

তারা এমন একজন মানুষ খুঁজছে যে AI model/LLM ব্যবহার করে একটা বাস্তব application তৈরি করতে পারবে।

এটাই এখন AI/ML career-এর একটা গুরুত্বপূর্ণ পরিবর্তন।

আগে প্রশ্ন ছিল: আপনি Machine Learning model বানাতে পারেন?

এখন অনেক ক্ষেত্রে প্রশ্নটা হচ্ছে: আপনি AI-কে একটা real product-এর মধ্যে integrate করে ব্যবহারযোগ্য system বানাতে পারেন?

আর এই জায়গাতেই RAG এবং FastAPI-এর মতো skill-এর গুরুত্ব তৈরি হয়েছে।

23/08/2026

AI Engineer হতে চাইলে System Design কতটা গুরুত্বপূর্ণ?

AI শেখার সময় আমরা সাধারণত Python, Machine Learning, Deep Learning, LLM, RAG, LangChain, Agentic AI—এসব নিয়েই বেশি কথা বলি। কিন্তু একটা পর্যায়ে গিয়ে শুধু model বা AI framework জানলেই যথেষ্ট হয় না। আপনার AI system-টা বাস্তবে কীভাবে কাজ করবে—এটা design করতে পারা খুব গুরুত্বপূর্ণ হয়ে ওঠে।

ধরুন আপনি একটা company-এর জন্য এমন একটা AI assistant বানালেন, যেটা employee-দের company documents থেকে প্রশ্নের উত্তর দেবে। Notebook-এ RAG pipeline বানানো খুব কঠিন নাও হতে পারে। কিন্তু বাস্তবে হাজার হাজার employee একসাথে ব্যবহার করলে কী হবে? Documents কোথায় থাকবে? Embedding কোথায় store হবে? Vector Database কোনটা হবে? User authentication কীভাবে হবে? কোন model ব্যবহার করবেন? Conversation history কোথায় রাখবেন? একই প্রশ্ন বারবার এলে কী করবেন? Response ধীর হয়ে গেলে কীভাবে improve করবেন? আর company-এর sensitive data যেন ভুল user-এর কাছে চলে না যায় সেটা কীভাবে নিশ্চিত করবেন?

এগুলো আর শুধু AI/ML problem না—এগুলো System Design problem।

একজন beginner হিসেবে আপনার প্রথম দিন থেকেই distributed systems-এর expert হওয়ার দরকার নেই। কিন্তু AI application-এর basic architecture বুঝতে শুরু করা খুব ভালো অভ্যাস। যেমন একটা request user থেকে কোথায় যাচ্ছে, API কী করছে, AI model কোথায় call হচ্ছে, database কোথায় আছে এবং final response কীভাবে user-এর কাছে ফিরে আসছে—এই পুরো flow বুঝতে হবে।

আর AI system-এ scale খুব গুরুত্বপূর্ণ। একটা prototype হয়তো দিনে ১০০টা request handle করতে পারে। কিন্তু production application-এ যদি দিনে ১০ লাখ request আসে, তখন architecture নিয়ে চিন্তা করতেই হবে। Model inference-এর cost, latency, caching, load balancing, asynchronous processing, monitoring—এসব বিষয় সামনে চলে আসবে।

বিশেষ করে Generative AI এবং Agentic AI-এর ক্ষেত্রে System Design আরও গুরুত্বপূর্ণ হয়ে যাচ্ছে। কারণ এখানে শুধু একটা model call না; অনেক সময় LLM, vector database, external API, tools, databases, authentication এবং business logic—সবকিছু একসাথে কাজ করে।

তাই AI career-এর জন্য আমি skill-টাকে এভাবে দেখতে বলবো:

Model বানানো → AI application বানানো → Scalable AI system design করা

প্রথম ধাপে Machine Learning/Deep Learning বা LLM বুঝতে হবে। দ্বিতীয় ধাপে API, database এবং application-এর সাথে AI integrate করতে হবে। এরপর যখন production-level system নিয়ে কাজ করবেন, তখন System Design আপনার জন্য অনেক গুরুত্বপূর্ণ skill হয়ে যাবে।

আর এখানেই একটা বড় career difference তৈরি হয়।

একজন ব্যক্তি বলতে পারেন, আমি RAG application বানাতে পারি।

আরেকজন বলতে পারেন, আমি এমন একটি RAG system design করতে পারি যেটা হাজার হাজার user-এর জন্য secure, scalable, cost-efficient এবং maintainable।

দুটো skill-এর মধ্যে অনেক পার্থক্য।

তাই আপনি যদি এখনো junior পর্যায়ে থাকেন, System Design দেখে ভয় পাওয়ার দরকার নেই। শুরু করুন ছোট ছোট architecture দিয়ে। একটা AI chatbot কীভাবে কাজ করে সেটা diagram করে বোঝার চেষ্টা করুন। তারপর RAG application, ML API, database integration, authentication—এগুলো একে একে বুঝুন।

AI-এর future শুধু better model বানানোর মধ্যে সীমাবদ্ধ থাকবে না। যারা সেই model-কে reliable, scalable এবং real-world system-এর মধ্যে ব্যবহার করতে পারবে, তাদের skill-এর value আরও বাড়বে।

aiQuest-এ Data Science, Machine Learning, AI, Data Analysis, Agentic AI এবং Full Stack Data Science নিয়ে বিভিন্ন structured learning resources ও courses রয়েছে। নিজের career goal অনুযায়ী website এবং YouTube-এর resourcesগুলো explore করতে পারেন। বিস্তারিত link প্রথম কমেন্টে। কোর্স সম্পর্কে বিস্তারিত জানতে সরাসরি কথা বলতে পারেন Sohan Khan

22/08/2026

Scaling জিনিসটা আসলে কী?

ধরেন আপনি একটা AI application বানালেন। শুরুতে শুধু আপনি ব্যবহার করছেন, তাই আপনার laptop বা একটা ছোট server দিয়েই দিব্যি চলছে।

তারপর ১০ জন ব্যবহার করলো, ১০০ জন ব্যবহার করলো—কোনো সমস্যা নেই।

কিন্তু একদিন আপনার application জনপ্রিয় হয়ে গেল। একই সময়ে ১০ হাজার মানুষ request পাঠাচ্ছে। তখন server-এর উপর অনেক চাপ পড়বে। Application slow হয়ে যেতে পারে, request আটকে যেতে পারে, এমনকি server crash-ও করতে পারে।

এখন প্রশ্ন হলো, আগের মতো একই system দিয়ে এত বেশি user কীভাবে handle করবেন?

এই জায়গাটাই হলো Scaling।

একটা উপায় হলো server-টার ক্ষমতা বাড়ানো—আরও CPU, RAM, GPU দেওয়া। এটাকে বলা হয় Vertical Scaling।

আরেকটা উপায় হলো একটা server-এর বদলে একাধিক server চালানো এবং user-এর requestগুলো তাদের মধ্যে ভাগ করে দেওয়া। এটাকে বলা হয় Horizontal Scaling।

বাস্তব জীবনে Facebook, Google, Netflix বা বড় AI application-গুলোকে লাখ লাখ user-এর request handle করতে হয়। তাই শুরু থেকেই এমন architecture নিয়ে চিন্তা করতে হয়, যাতে user বাড়লে system-টাকেও ধীরে ধীরে বড় করা যায়।

AI application-এর ক্ষেত্রে বিষয়টা আরও গুরুত্বপূর্ণ। কারণ একটা LLM বা বড় ML model-এর prediction করানো সাধারণ web request-এর মতো lightweight নাও হতে পারে। ফলে user বাড়ার সাথে সাথে server cost, response time, GPU usage—সবকিছুই মাথায় রাখতে হয়।

তাই সহজভাবে মনে রাখতে পারেন:

Scaling মানে হলো—আজ ১০০ জন ব্যবহার করছে, কাল ১ লাখ মানুষ ব্যবহার করলেও কীভাবে application-টা ঠিকভাবে চালিয়ে যাবেন।

আর এই চিন্তাটাই আপনাকে শুধু AI model বানানো থেকে একজন AI Engineer-এর মতো system নিয়ে ভাবতে শেখায়।

Address

Panthapath
Dhaka
1205

Telephone

+8801704265972

Website

Alerts

Be the first to know and let us send you an email when STUDY MART posts news and promotions. Your email address will not be used for any other purpose, and you can unsubscribe at any time.

Contact The Business

Send a message to STUDY MART:

Shortcuts

Share