Agentic AI অবকাঠামো হলো ডেটা, পুনরুদ্ধার এবং এক্সিকিউশন স্তর যা স্বায়ত্তশাসিত AI এজেন্টদের বাস্তব সময়ে বাস্তব জগতে কাজ করতে দেয়। এটিই একটি এজেন্ট ডেমো এবং প্রোডাকশনে একটি এজেন্টের মধ্যে পার্থক্য তৈরি করে — এবং এটি সেই স্তর যা বেশিরভাগ এন্টারপ্রাইজ AI কৌশল এখনো নির্মাণ করেনি।
Agentic AI সম্পর্কিত প্রায় প্রতিটি এক্সিকিউটিভ ব্রিফিং এখন এজেন্ট স্তরে মনোযোগ দেয় — অর্কেস্ট্রেটর, টুল-কলিং প্যাটার্ন, পরিকল্পনা লুপ। এই মনোযোগ বোধগম্য, কিন্তু এটি সেই প্রশ্নটি এড়িয়ে যায় যা নির্ধারণ করে এজেন্ট আদৌ কাজ করবে কিনা: এজেন্ট তার ডেটা কোথা থেকে পায়, এটি কতটা তাজা, এবং এটি কি একই ডেটা স্ট্রাকচার যার বিপরীতে এজেন্টের কোড লেখা হয়েছিল? নিচে বর্ণনা করা হয়েছে অবকাঠামো স্তরকে আসলে কী করতে হবে, পাঁচটি অপরিহার্য প্রয়োজনীয়তা এবং এন্টারপ্রাইজগুলো পাইলট থেকে প্রোডাকশনে এজেন্ট নিয়ে যাওয়ার সময় যে আর্কিটেকচারাল রূপে স্থির হচ্ছে।
Agentic AI অবকাঠামো আসলে কী
একটি AI এজেন্ট হলো সফটওয়্যার যা সিদ্ধান্ত নেয়, কাজ করে এবং প্রতিক্রিয়া দেখায়। একটি স্ট্যাটিক মডেলের বিপরীতে যা একটি প্রম্পটের উত্তর দিয়ে থামে, একটি এজেন্ট বিশ্বকে পড়ে, পরবর্তী কার্যক্রম নির্বাচন করে, টুল বা API-এর মাধ্যমে তা কার্যকর করে, ফলাফল পর্যবেক্ষণ করে এবং আবার সিদ্ধান্ত নেয়। সেই লুপের একটি কঠিন পূর্বশর্ত আছে যা বেশিরভাগ আর্কিটেকচার অবমূল্যায়ন করে: এজেন্ট যে বিশ্ব থেকে পড়ে তা অবশ্যই এজেন্টের জিজ্ঞাসার মুহূর্তে উপলব্ধ, বর্তমান, কাঠামোবদ্ধ এবং বিশ্বাসযোগ্য হতে হবে। এটিই আমরা agentic AI অবকাঠামো বলতে বোঝাই — আপস্ট্রিম ডেটা স্তর যা লুপকে সক্ষম করে। Forage AI-তে, আমরা এই স্তরটি এন্টারপ্রাইজদের জন্য একটি ম্যানেজড সার্ভিস হিসেবে পরিচালনা করি যাদের এজেন্টদের বাহ্যিক ওয়েব ডেটা, ডকুমেন্ট ডেটা এবং ফার্মোগ্রাফিক সিগন্যালে কাজ করতে হয় — বাজার, ফাইলিং, নিউজ ফিড, প্রতিযোগী সাইট এবং কাঠামোবদ্ধ উৎসের দীর্ঘ তালিকা যা এজেন্টদের বাস্তব-জগতের সিদ্ধান্ত নিতে প্রয়োজন।
RAG থেকে agentic AI-তে রূপান্তর ডেটা-স্তরের প্রয়োজনীয়তা একটি গুরুত্বপূর্ণ উপায়ে পরিবর্তন করেছে। RAG রাতের রিফ্রেশ সহ্য করতে পারে। একটি এজেন্ট পারে না। একটি এজেন্ট যে গতকালের মূল্য, গত সপ্তাহের ফাইলিং বা একজন প্রতিযোগীর পুরনো মূল্য নির্ধারণ পৃষ্ঠা উদ্ধৃত করে তা শুধু ভুল নয় — এটি সক্রিয়ভাবে পুরনো ভিত্তিতে ব্যবসায়িক সিদ্ধান্ত নিচ্ছে। এজেন্টদের জন্য ডেটা স্তরকে একটি ত্রৈমাসিক ডেটা ওয়্যারহাউস রিফ্রেশের চেয়ে একটি আধুনিক ম্যানেজড ডেটা-এক্সট্রাকশন অবকাঠামোর মতো দেখতে হবে, এবং এই পরিবর্তনটিই বেশিরভাগ এন্টারপ্রাইজ আর্কিটেকচার এখনো অনুসরণ করার চেষ্টা করছে।
বিশেষজ্ঞ দৃষ্টিভঙ্গি: মডেল স্তর শিরোনাম পায়। ডেটা স্তর প্রোডাকশন ইনসিডেন্ট পায়। Forage AI সমর্থন করে এমন agentic AI বাস্তবায়নগুলো জুড়ে, যে ভ্যারিয়েবলটি ধারাবাহিকভাবে পূর্বাভাস দেয় যে এজেন্ট বাস্তব জগতের সংস্পর্শে টিকে থাকবে কিনা তা হলো ডেটার তাজাত্ব এবং অখণ্ডতা যার উপর এটি কাজ করছে — মডেলের আকার নয়।
Agentic AI অবকাঠামোকে যে ৫টি জিনিস সরবরাহ করতে হবে
এগুলো হলো সেই প্রয়োজনীয়তা যা প্রতিটি গুরুতর এন্টারপ্রাইজ agentic AI বাস্তবায়নে উত্থাপিত হয়। এর যেকোনো একটিকে ঐচ্ছিক হিসেবে বিবেচনা করুন, এবং এজেন্ট ডেমো বোর্ডরুমে দুর্দান্ত দেখাবে এবং চুপচাপ প্রোডাকশনে ব্যর্থ হবে।
- ক্রমাগত তাজাত্ব, নির্ধারিত রিফ্রেশ নয়। এজেন্টরা তারা মুহূর্তে যা পড়ে তার উপর কাজ করে। একটি রাতের ব্যাচ পুল নিশ্চিত করে যে এজেন্টের কিছু শতাংশ কার্যক্রম গতকালের বাস্তবতার উপর ভিত্তি করে। উৎস যাই হোক না কেন — মূল্য নির্ধারণ পৃষ্ঠা, নিয়ন্ত্রক ফাইলিং, নিউজ স্ট্রিম, প্রতিযোগী ক্যাটালগ — অবকাঠামোকে প্রতিটি উৎসের জন্য একটি তাজাত্ব বাজেট সমর্থন করতে হবে, যা উৎস আসলে কত দ্রুত পরিবর্তন হয় তার সাথে সামঞ্জস্যপূর্ণ। Forage AI-এর ম্যানেজড এক্সট্রাকশন স্তর এই প্রয়োজনীয়তার চারপাশে ডিজাইন করা হয়েছে, পাইপলাইন-ব্যাপী ব্যাচ উইন্ডোর পরিবর্তে প্রতি-উৎস তাজাত্ব SLA সহ।
- উৎসের বিস্তার, শুধু উৎসের গভীরতা নয়। একটি বাস্তব ব্যবসায়িক প্রসঙ্গে কার্যরত একটি এজেন্ট একটি উৎস থেকে পড়ে না — এটি বিশটি থেকে পড়ে। এখানে বাজারের ডেটা, সেখানে নিয়ন্ত্রক ফিড, তৃতীয় জায়গা থেকে ফার্মোগ্রাফিক সিগন্যাল, চতুর্থ থেকে গ্রাহক-পক্ষীয় ডকুমেন্টেশন। বেশিরভাগ ইন-হাউস ডেটা দল তিন বা চারটি মূল উৎসে গভীরে যাওয়ার জন্য সেট আপ করা। Agentic AI দ্রুত ফাঁকটি প্রকাশ করে: এজেন্টের বুদ্ধিমত্তা তার ডেটা ফুটপ্রিন্টের সংকীর্ণতম অংশ দ্বারা সীমাবদ্ধ। এখানেই Forage AI স্কেলে ম্যানেজড এক্সট্রাকশন গুরুত্বপূর্ণ — হাজার হাজার সোর্স ইন্টিগ্রেশন সমান্তরালে চালানো দশটি ভালোভাবে চালানোর চেয়ে মূলগতভাবে ভিন্ন একটি অপারেশনাল সমস্যা।
- স্কিমা-স্থিতিশীল কাঠামোবদ্ধ আউটপুট। যখন সোর্স সাইট একটি ফিল্ডের নাম পরিবর্তন করে, এজেন্ট সুন্দরভাবে অবনমিত হয় না — এটি ভুল আর্গুমেন্ট সহ একটি টুল কল করে এবং আত্মবিশ্বাসের সাথে ভুল কাজ তৈরি করে। ডেটা স্তরকে আপস্ট্রিম স্কিমা ড্রিফ্ট শোষণ করতে হবে এবং এজেন্ট যে চুক্তির বিপরীতে নির্মিত হয়েছিল তা নির্গত করতে থাকতে হবে। এটির জন্য প্রতিটি এক্সট্রাকশন রানে স্কিমা-ডিফ ডিটেকশন প্রয়োজন, একটি ট্রান্সলেশন লেয়ার যা সোর্স-পক্ষের পরিবর্তনগুলোকে একটি স্থিতিশীল ডাউনস্ট্রিম স্কিমায় ম্যাপ করে, এবং যখন ট্রান্সলেশন স্বয়ংক্রিয়ভাবে করা যায় না তখন একটি অ্যালার্টিং পাথ। শিল্পটি এই এন্টারপ্রাইজ ওয়েব ডেটা এক্সট্রাকশন ক্রেতার গাইডে ইন-হাউস তৈরি করা বনাম কেনার ট্রেডঅফ কভার করে, যা যেকোনো ইন-হাউস বিল্ড প্রতিশ্রুতি দেওয়ার আগে পড়ার যোগ্য।
- এক্সট্রাকশনে সংযুক্ত কমপ্লায়েন্স মেটাডেটা। যে এজেন্ট ডেটার উপর কাজ করে তাকে অবশ্যই ব্যাখ্যা করতে সক্ষম হতে হবে — একজন নিয়ন্ত্রক, বোর্ড বা গ্রাহককে — ডেটা কোথা থেকে এসেছে এবং উৎস গৃহীত কার্যক্রমের জন্য এর ব্যবহারের অনুমতি দেয় কিনা। সেই মেটাডেটা ক্যাপচার করার সবচেয়ে সস্তা জায়গা হলো এক্সট্রাকশনের সময়। তথ্যসূত্র এবং সম্মতি মেটাডেটা পরে একটি ওয়্যারহাউসে রেট্রোফিট করা আজকের এন্টারপ্রাইজ AI-তে প্রযুক্তিগত ঋণের সবচেয়ে ব্যয়বহুল রূপগুলির একটি। আপনার নির্দিষ্ট পরিস্থিতির জন্য আইনি পরামর্শ নিন, কিন্তু আর্কিটেকচারালি, প্রতিটি এখতিয়ারে উত্তর একই: এক্সট্রাকশনের মুহূর্তে প্রতিটি রেকর্ডে সোর্স-অফ-রেকর্ড, টাইমস্ট্যাম্প এবং অনুমোদিত-ব্যবহার মেটাডেটা সংযুক্ত করুন। Forage AI-এর ম্যানেজড পাইপলাইনগুলো এটি স্বয়ংক্রিয়ভাবে করে, যা একটি কারণ যা নিয়ন্ত্রিত শিল্পগুলো গড়ের চেয়ে দ্রুত ম্যানেজড এক্সট্রাকশনে চলে যাচ্ছে।
- সোর্স-সাইড অ্যান্টি-বট এস্কেলেশনের প্রতি স্থিতিস্থাপকতা। Cloudflare এবং Akamai প্রতি কোয়ার্টারে নতুন ডিটেকশন লেয়ার রোলআউট করে। ব্লক রেট বাড়ে। একটি ইন-হাউস স্ক্র্যাপিং দল রাত ২টায় পেজড হয় এবং একটি করে সাইট প্যাচ করে, যখন এজেন্ট চুপচাপ ১৮% উৎসে ব্যর্থ হয় যেগুলো এখনো ঠিক করা হয়নি। অবকাঠামোকে প্রক্সি রোটেশন, ব্রাউজার ফিঙ্গারপ্রিন্ট বৈচিত্র্য, একটি গ্লোবাল IP ফুটপ্রিন্ট এবং ব্লক রেট পর্যবেক্ষণকারী একটি ২৪/৭ অপারেশন দলের মাধ্যমে এটি শোষণ করতে হবে — অবকাঠামো যা যেকোনো একক AI দলের জন্য ইন-হাউস মালিকানার ন্যায্যতা দেওয়া কঠিন। এটি হলো অপারেশনাল স্তর যা Forage AI এন্টারপ্রাইজ গ্রাহকদের জন্য শোষণ করে, যাতে ইন-হাউস দল এজেন্ট স্তরে মনোযোগ দিতে পারে।
বিশেষজ্ঞ দৃষ্টিভঙ্গি: এই পাঁচটির প্রতিটি একটি মেট্রিক হিসেবে পর্যবেক্ষণযোগ্য — তাজাত্ব লেটেন্সি, সোর্স কভারেজ, স্কিমা-ড্রিফ্ট রেট, কমপ্লায়েন্স-মেটাডেটা সম্পূর্ণতা, ব্লক-রেট ট্রেন্ড — এবং প্রতিটি একই ড্যাশবোর্ডে থাকা উচিত যা মডেল দল এজেন্ট পারফরম্যান্স ট্র্যাক করতে ব্যবহার করে। যে দলগুলো চুপচাপ ব্যর্থতা ছাড়া প্রোডাকশনে এজেন্ট পাঠায় তারা হলো যারা ডেটা স্তরকে প্রথম-শ্রেণীর ইঞ্জিনিয়ারিং সারফেস হিসেবে বিবেচনা করে, একটি কোণে ডেটা দলের মালিকানাধীন স্ক্রিপ্ট হিসেবে নয়।
এন্টারপ্রাইজগুলো কীভাবে এজেন্টদের জন্য ডেটা স্তর তৈরি করে
এন্টারপ্রাইজ স্কেলে এখন যে আর্কিটেকচারাল প্যাটার্ন জয়ী হচ্ছে তা এরকম দেখায়: এজেন্ট স্তর ইন-হাউস তৈরি করুন, ডেটা স্তর কিনুন। এজেন্ট স্তর হলো যেখানে পার্থক্য থাকে — মালিকানাধীন যুক্তি, ডোমেইন প্রম্পট, কাস্টম টুল ব্যবহার, উল্লম্ব ওয়ার্কফ্লো। ডেটা স্তর হলো যেখানে ঘনত্বে লিভারেজ আছে — একই ম্যানেজড-এক্সট্রাকশন অবকাঠামো যা একজন গ্রাহকের এজেন্টকে সেবা দেয় পঞ্চাশজনকে সেবা দেয়, এবং ইউনিট ইকোনমিক্স শুধুমাত্র সেই স্কেলের উপরে কাজ করে।
AI নেতারা যারা সেই সিদ্ধান্তের ক্রয় দিক মূল্যায়ন করছেন, তাদের জন্য বিক্রেতার ল্যান্ডস্কেপ গত ১৮ মাসে অর্থপূর্ণভাবে একত্রিত হয়েছে। পাইপলাইন-স্তরের SLA, স্কিমা-ড্রিফ্ট অ্যালার্টিং, কমপ্লায়েন্স মেটাডেটা এবং প্রক্সি অবকাঠামো এখন প্রিমিয়াম অ্যাড-অনের পরিবর্তে স্ট্যান্ডার্ড — এবং যে বিক্রেতারা এটি ভালো করে এবং যারা করে না তাদের মধ্যে ব্যবধান প্রশস্ত হচ্ছে। শীর্ষ ওয়েব ডেটা এক্সট্রাকশন সার্ভিস কোম্পানিগুলির এই শর্টলিস্ট বেঞ্চমার্কিংয়ের জন্য একটি যুক্তিসঙ্গত শুরুর বিন্দু। Forage AI বিশেষভাবে agentic এবং AI-পাইপলাইন ব্যবহারের ক্ষেত্রে নির্মিত, তাজাত্ব, কমপ্লায়েন্স এবং স্কিমা-স্থিতিশীলতার গ্যারান্টি সহ যা এজেন্ট অবকাঠামোর প্রয়োজন — এবং আমাদের গ্রাহক বেস AI-নেটিভ এবং Fortune 500 এন্টারপ্রাইজের দিকে ঝুঁকে যাদের এজেন্টদের প্রথমবারেই কাজ করতে হবে।
বিশেষজ্ঞ দৃষ্টিভঙ্গি: Agentic AI অবকাঠামোর জন্য বিল্ড-বনাম-বায় প্রশ্নটি সত্যিই বিল্ড-বনাম-বায় প্রশ্ন নয়। এটি এই বিষয়ে যে এজেন্টের নির্ভরযোগ্যতার জন্য দায়ী দলটি কি এজেন্ট যে স্তর থেকে পড়ে তারও মালিক। যদি এগুলো দুটি ভিন্ন রিপোর্টিং লাইনে দুটি ভিন্ন দল হয়, তাহলে ব্যর্থতাগুলো তাদের মধ্যে রুট হবে — এবং এজেন্ট সর্বশেষ জানবে।
AI নেতাদের জন্য প্রকৃত প্রশ্ন
Agentic AI বিচার করা হবে এজেন্টরা প্রোডাকশনে আসলে কী করে তার উপর, সেলস কলে তারা কী ডেমো করে তার উপর নয়। যে দলগুলো সেই বিচারে জয়ী হবে তারা হলো যারা তাদের এজেন্টরা যে ডেটা স্তর থেকে পড়ে তাতে ততটাই বিনিয়োগ করেছে যতটা তারা মডেল স্তরে বিনিয়োগ করেছে যার সাথে তাদের এজেন্টরা যুক্তি তর্ক করে। অবকাঠামোর প্রশ্নটি আর একটি ব্যাকএন্ড সিদ্ধান্ত নয় — এটি সেই কৌশলগত সিদ্ধান্ত যা নির্ধারণ করে এজেন্ট প্রোগ্রাম ফলাফল দেয় নাকি থামে। এই কোয়ার্টারে প্রতিটি AI নেতাকে যে প্রশ্নের উত্তর দিতে সক্ষম হওয়া উচিত তা হলো: তাদের এজেন্ট যে ডেটার উপর কাজ করে তার মালিক কে, এবং সেই মালিকের কি যথেষ্ট অপারেশনাল গভীরতা আছে এজেন্টকে সঠিক রাখতে যখন এটি যে বিশ্ব থেকে পড়ে তা পরিবর্তন হয়?
———
লেখক সম্পর্কে: এই নিবন্ধটি Forage AI-এর দল দ্বারা অবদান রাখা হয়েছে, একটি এন্টারপ্রাইজ-ম্যানেজড ডেটা এক্সট্রাকশন এবং Intelligent Document Processing অংশীদার যা agentic AI, RAG সিস্টেম এবং এন্টারপ্রাইজ AI পাইপলাইনের জন্য ডেটা অবকাঠামো স্তরকে শক্তি দেয়। Forage AI প্রতিদিন লক্ষ লক্ষ উৎস জুড়ে প্রোডাকশন এক্সট্রাকশন চালায়, পাইপলাইন-স্তরের SLA, কমপ্লায়েন্স মেটাডেটা এবং স্কিমা-ড্রিফ্ট ডিটেকশন অন্তর্নির্মিত। forage.ai-এ Forage AI সম্পর্কে আরও জানুন।
