ধাপে ধাপে AI সিস্টেম ডিজাইন শিখুন: LLM ইনফারেন্স থেকে প্রোডাকশন এজেন্ট পর্যন্ত

AI সিস্টেম ডিজাইন প্রকল্পটি কী?

AI System Design হলো Outcome School-এর প্রতিষ্ঠাতা অমিত শেখরের রক্ষণাবেক্ষণ করা একটি ওপেন-সোর্স শিক্ষামূলক গাইড। এটি কোনো AI পণ্যকে একটি একক মডেল API কল হিসেবে বিবেচনা না করে, একটি লার্জ ল্যাঙ্গুয়েজ মডেলের চারপাশে সম্পূর্ণ সিস্টেম কীভাবে ডিজাইন করতে হয় তা ব্যাখ্যা করে।

গাইডটি ডেটাবেস, ক্যাশ, কিউ, লোড ব্যালান্সার এবং গেটওয়ের মতো পরিচিত সিস্টেম-ডিজাইন উপাদানগুলোর সঙ্গে GPU, টোকেন, দীর্ঘমেয়াদি রিকোয়েস্ট, স্ট্রিম করা আউটপুট, অনির্ধারিত আচরণ এবং প্রতি-রিকোয়েস্ট মডেল খরচের মতো AI-নির্দিষ্ট সীমাবদ্ধতাগুলোকে যুক্ত করে।

AI সিস্টেম ডিজাইন হলো নিয়মিত সিস্টেম ডিজাইনের সঙ্গে AI মডেল প্রবর্তিত নতুন অপারেশনাল সীমাবদ্ধতার সমন্বয়।

এই উপকরণ AI ইঞ্জিনিয়ার, LLM ইঞ্জিনিয়ার, ব্যাকএন্ড ইঞ্জিনিয়ার, মেশিন লার্নিং ইঞ্জিনিয়ার, প্ল্যাটফর্ম ইঞ্জিনিয়ার, আর্কিটেক্ট, শিক্ষার্থী এবং AI সিস্টেম-ডিজাইন সাক্ষাৎকারের প্রস্তুতি নেওয়া যেকোনো ব্যক্তির জন্য তৈরি।

AI সিস্টেম ডিজাইন কেন গুরুত্বপূর্ণ

একটি স্ক্রিপ্ট থেকে LLM API কল করতে মাত্র কয়েক লাইন কোড প্রয়োজন হতে পারে। কিন্তু বহু ব্যবহারকারীর জন্য সেই ফিচার পরিচালনা করা সম্পূর্ণ ভিন্ন সমস্যা। দীর্ঘ প্রম্পট এবং টোকেন ধরে ধরে আসা প্রতিক্রিয়া সামলানোর পাশাপাশি প্রোডাকশন সিস্টেমকে লেটেন্সি, থ্রুপুট, নির্ভরযোগ্যতা, গোপনীয়তা, আউটপুটের মান এবং খরচ নিয়ন্ত্রণ করতে হয়।

উদাহরণস্বরূপ, একটি প্রোডাকশন কাস্টমার-সাপোর্ট সহকারীকে হয়তো এসব করতে হবে:

• ট্রাফিক বাড়লেও দ্রুত উত্তর দেওয়া শুরু করা।
• রিট্রিভালের মাধ্যমে কোম্পানির নথিতে উত্তরগুলোর ভিত্তি তৈরি করা।
• ব্যক্তিগত তথ্য ফাঁস হওয়া প্রতিরোধ করা।
• মডেল ব্যর্থতা, টাইমআউট এবং রেট লিমিট সামলানো।
• অনির্ধারিত আউটপুট সত্ত্বেও উত্তরের মান পরিমাপ করা।
• নির্ধারিত টোকেন ও অবকাঠামো বাজেটের মধ্যে থাকা।

এই সমস্যাগুলো সমাধানের জন্য প্রয়োজনীয় বিল্ডিং ব্লকগুলো রিপোজিটরিতে সাজানো হয়েছে এবং অনেক বিষয়ের সঙ্গে আরও গভীর ব্যাখ্যামূলক নিবন্ধের লিংক দেওয়া হয়েছে।

মূল বিষয় ও বৈশিষ্ট্য

ইনফারেন্সের ভিত্তি

গাইডটি টোকেন, ইনফারেন্স সার্ভার, ইনফারেন্স ইঞ্জিন এবং GPU, TPU ও LPU-এর মতো AI হার্ডওয়্যার দিয়ে শুরু হয়। এতে ব্যাখ্যা করা হয়েছে যে একটি LLM অটোরিগ্রেসিভভাবে টেক্সট তৈরি করে: প্রথমে একটি টোকেনের পূর্বাভাস দেয়, তারপর পরবর্তী টোকেনের পূর্বাভাস দেওয়ার সময় সেই আউটপুট ব্যবহার করে।

এতে ইনফারেন্সের দুটি প্রধান পর্যায়ও পরিচয় করিয়ে দেওয়া হয়েছে:

• Prefill: ইনপুট প্রম্পট প্রক্রিয়া করা এবং জেনারেশনের জন্য প্রয়োজনীয় অভ্যন্তরীণ স্টেট তৈরি করা।
• Decode: একবারে একটি টোকেন করে প্রতিক্রিয়া তৈরি করা।

এই পর্যায়গুলো প্রথম টোকেন পেতে সময়, প্রতি সেকেন্ডে টোকেনের সংখ্যা, থ্রুপুট এবং অবকাঠামো নির্বাচনে প্রভাব ফেলে। গাইডটিতে chunked prefill এবং prefill ও decode ওয়ার্কলোড আলাদা করার বিষয়ও রয়েছে।

স্কেলিং, রাউটিং ও ক্যাশিং

স্কেলিং বিভাগে ভার্টিক্যাল স্কেলিং, হরাইজন্টাল স্কেলিং, টেনসর প্যারালেলিজম, পাইপলাইন প্যারালেলিজম, অটোস্কেলিং, GPU হিসাব এবং খরচ হিসাব নিয়ে আলোচনা করা হয়েছে। LLM-নির্দিষ্ট লোড-ব্যালান্সিং পদ্ধতির মধ্যে রয়েছে least outstanding tokens, prefix-aware routing এবং sticky sessions।

ক্যাশিং অংশে বিভিন্ন স্তরের পার্থক্য ব্যাখ্যা করা হয়েছে:

• KV cache জেনারেশনের সময় attention key ও value পুনরায় ব্যবহার করার জন্য।
• Prompt cache পুনরাবৃত্ত প্রম্পট prefix-এর জন্য।
• Semantic cache একই ধরনের অর্থবাহী কোয়েরির জন্য।
• Embedding cache বারবার embedding গণনা এড়ানোর জন্য।

মডেল রাউটিংও আলোচিত হয়েছে, যার মধ্যে রয়েছে rule-based, classifier-based, embedding-based, LLM-based এবং cascade পদ্ধতি।

রিট্রিভাল ও কনটেক্সট ব্যবস্থাপনা

গাইডটিতে embeddings, vector database, vector index এবং retrieval-augmented generation, যা সাধারণত RAG নামে পরিচিত, ব্যাখ্যা করা হয়েছে। এর রিট্রিভাল প্রক্রিয়ায় রয়েছে ডকুমেন্ট পার্সিং, ইনজেশন, chunking, hybrid search, HyDE query transformation, reranking, ColBERT, Agentic RAG, GraphRAG এবং vectorless RAG।

ট্রাঙ্কেশন, সামারাইজেশন, sliding window, compaction এবং hierarchical memory-এর মাধ্যমে কনটেক্সট-উইন্ডোর সীমাবদ্ধতাও এতে তুলে ধরা হয়েছে। সংশ্লিষ্ট ধারণাগুলোর মধ্যে রয়েছে context rot, lost-in-the-middle behavior, RoPE decay এবং context engineering।

এজেন্ট ও মাল্টি-এজেন্ট সিস্টেম

এজেন্ট বিভাগে AI এজেন্টের মূল অংশ, end-to-end agent loop, tool calling, structured output, memory এবং সাধারণ ব্যর্থতার ধরন পরীক্ষা করা হয়েছে। এতে deterministic AI orchestration এবং আরও স্বায়ত্তশাসিত এজেন্ট আচরণের মধ্যকার পার্থক্যও ব্যাখ্যা করা হয়েছে।

অতিরিক্ত বিষয়গুলোর মধ্যে রয়েছে Model Context Protocol বা MCP, Agent Skills, computer-use agent, browser agent, loop engineering, graph engineering, subagent, coordination pattern এবং Agent2Agent protocol।

প্রোডাকশন অপারেশন

রিপোজিটরিটি মডেল কলের বাইরেও বিভিন্ন প্রোডাকশন বিষয় নিয়ে আলোচনা করে, যেমন:

• Server-Sent Events বা WebSockets-এর মাধ্যমে স্ট্রিমিং।
• দীর্ঘ কাজের জন্য অ্যাসিঙ্ক্রোনাস প্রসেসিং ও মেসেজ কিউ।
• রিকোয়েস্ট, টোকেন, কনকারেন্সি বা খরচভিত্তিক রেট লিমিট।
• AI গেটওয়ে ও মাল্টি-টেন্যান্ট আর্কিটেকচার।
• গার্ডরেল, prompt-injection প্রতিরোধ এবং AI red teaming।
• PII রিড্যাকশন, ডেটা রেসিডেন্সি, অডিট লগ এবং কমপ্লায়েন্স ক্লজ।
• ট্রেসিং, অবজারভেবিলিটি, ইভ্যালুয়েশন এবং LLM-as-a-judge ওয়ার্কফ্লো।
• টাইমআউট, backoff-সহ retry, fallback model এবং graceful degradation।

এতে quantization, continuous batching, speculative decoding, Flash Attention, Mixture of Experts, model distillation এবং Grouped Query Attention-এর মতো ইনফারেন্স অপ্টিমাইজেশনও রয়েছে।

ইনস্টলেশন ও সেটআপ

এই রিপোজিটরিটি সফটওয়্যার লাইব্রেরির বদলে একটি শিক্ষামূলক গাইড, তাই এতে প্যাকেজ ইনস্টলেশন, API key বা কোনো runtime environment প্রয়োজন হয় না। আপনি এটি সরাসরি GitHub-এ পড়তে পারেন।

স্থানীয় কপি রাখতে Git ব্যবহার করে রিপোজিটরিটি ক্লোন করুন:

git clone https://github.com/amitshekhariitbhu/ai-system-design.git
cd ai-system-design

README-টি Markdown ভিউয়ার বা Markdown রেন্ডার করতে পারে এমন এডিটরে খুলুন। গাইডটি নিয়মিত সম্প্রসারিত হওয়ায় আপনার স্থানীয় কপিটি পর্যায়ক্রমে আপডেট করুন:

git pull

README-তে কোনো বিল্ড কমান্ডের বর্ণনা নেই। প্রধান সেটআপের কাজ হলো একটি শেখার পথ বেছে নেওয়া এবং ধারণাগুলোর মধ্যে নেভিগেট করতে সূচিপত্র ব্যবহার করা।

গাইডটি কীভাবে ব্যবহার করবেন

বিকল্প ১: সম্পূর্ণ শেখার পথ অনুসরণ করুন

আপনি যদি AI সিস্টেম ডিজাইনে নতুন হন, গাইডটি ধারাবাহিকভাবে পড়ুন। প্রস্তাবিত ধারণাগত অগ্রগতি হলো:

1. টোকেন, ইনফারেন্স সার্ভার এবং AI হার্ডওয়্যার শিখুন।
2. Prefill, decode, latency এবং throughput বুঝুন।
3. স্কেলিং, অনুমান এবং লোড ব্যালান্সিং অধ্যয়ন করুন।
4. ক্যাশিং এবং মডেল-রাউটিং কৌশলগুলোর তুলনা করুন।
5. Embeddings, vector database এবং RAG শিখুন।
6. Context window ব্যবস্থাপনা অধ্যয়ন করুন।
7. Streaming, queue, rate limiting এবং gateway সম্পর্কে জানুন।
8. Agent, tool, MCP, structured output এবং memory শিখুন।
9. Multi-agent, multimodal এবং voice system নিয়ে এগিয়ে যান।
10. Guardrail, privacy, observability এবং evaluation যুক্ত করুন।
11. Cost control, fine-tuning infrastructure এবং inference optimization অধ্যয়ন করুন।
12. সিস্টেম-ডিজাইন সমস্যা সমাধানে repository-র কাঠামো প্রয়োগ করুন।

বিকল্প ২: সাক্ষাৎকারের প্রস্তুতি নিন

সাক্ষাৎকারের প্রস্তুতির জন্য যেকোনো AI সিস্টেম-ডিজাইন সমস্যা সমাধানের অংশটি দিয়ে শুরু করুন। এরপর প্রতিটি ডিজাইন সিদ্ধান্তের জন্য প্রয়োজনীয় প্রযুক্তিগত ভিত্তিগুলো পুনরায় দেখুন। কাঠামোটি আটটি ধাপ অনুসরণ করে:

1. Requirements: ব্যবহারকারী, স্কেল, latency লক্ষ্য, privacy প্রয়োজন এবং সীমাবদ্ধতা শনাক্ত করুন।
2. AI objective: মডেলকে কী করতে হবে তা নির্ধারণ করুন।
3. Data preparation: উৎস ডেটা কীভাবে সংগ্রহ, পার্স, পরিষ্কার এবং ইনডেক্স করা হবে তা নির্ধারণ করুন।
4. Architecture design: gateway, service, model, retrieval, cache, queue এবং storage-এর অবস্থান নির্ধারণ করুন।
5. Model selection and prompting: quality, latency এবং cost অনুযায়ী model ও prompt কৌশল বেছে নিন।
6. Evaluation: output এবং system behavior কীভাবে পরিমাপ করা হবে তা নির্ধারণ করুন।
7. Deployment and serving: inference, scaling, streaming এবং resilience-এর পরিকল্পনা করুন।
8. Monitoring: quality, latency, error, token consumption এবং cost পর্যবেক্ষণ করুন।

বিকল্প ৩: রেফারেন্স হিসেবে ব্যবহার করুন

আপনি যদি ইতিমধ্যে AI application তৈরি করেন, সূচিপত্রটি রেফারেন্স হিসেবে ব্যবহার করুন। উদাহরণস্বরূপ, পুনরাবৃত্ত গণনা কমাতে caching অংশগুলো দেখুন, retrieval quality দুর্বল হলে RAG অংশগুলো দেখুন, অথবা কোনো system প্রযুক্তিগতভাবে কাজ করলেও তার answer quality স্পষ্ট না হলে observability এবং evaluation অংশগুলো দেখুন।

মৌলিক ব্যবহারের উদাহরণ: একটি Support Assistant ডিজাইন

Repository-টি কোনো executable framework নয়, তাই “usage” বলতে এর ধারণাগুলো একটি design problem-এ প্রয়োগ করাকে বোঝায়। এমন একটি customer-support assistant বিবেচনা করুন, যাকে private company documentation থেকে প্রশ্নের উত্তর দিতে হবে।

১. Requirements নির্ধারণ করুন

Model বেছে নেওয়ার আগে functional এবং operational requirements লিখে নিন:

Use case: customer-support question answering
Knowledge source: private product and policy documents
Response mode: streamed text
Quality requirement: answers grounded in retrieved documents
Safety requirement: no private-data leakage
Operational goals: low latency, controlled cost, fault tolerance

বাস্তব পরিমাপ পাওয়া গেলে expected traffic, prompt length, output length, peak concurrency এবং acceptable latency যোগ করুন। এসব মান token, GPU, throughput এবং cost-এর অনুমানকে প্রভাবিত করে।

২. Request path-এর খসড়া তৈরি করুন

গাইডের building block ব্যবহার করে তৈরি একটি high-level design এভাবে উপস্থাপন করা যেতে পারে:

Client
  -> AI Gateway
  -> Authentication and rate limiting
  -> Input guardrails and PII handling
  -> Retrieval pipeline
       -> Query embedding
       -> Vector or hybrid search
       -> Reranking
  -> Prompt construction
  -> Model router or inference server
  -> Output validation and guardrails
  -> Streamed response
  -> Tracing, evaluation, and cost monitoring

এটি একটি design worksheet, repository-র সরবরাহ করা code নয়। প্রতিটি component গাইডে আলোচিত একটি topic-এর সঙ্গে সম্পর্কিত।

৩. Retrieval pipeline ডিজাইন করুন

Source document পার্স ও ingest করুন, সেগুলোকে উপযুক্ত chunk-এ ভাগ করুন, embedding তৈরি করুন এবং searchable representation সংরক্ষণ করুন। Query-এর সময় প্রাসঙ্গিক chunk retrieve করুন এবং vector similarity একাই যথেষ্ট relevance না দিলে hybrid search বা reranking বিবেচনা করুন।

চূড়ান্ত context-কে model-এর context window-এর মধ্যে রাখুন। Retrieved material, conversation history এবং instruction-এর মধ্যে জায়গার প্রতিযোগিতা হলে গাইডের context-management কৌশলগুলো সহায়তা করতে পারে।

৪. Latency এবং streaming-এর পরিকল্পনা করুন

Time to first token-কে generation speed থেকে আলাদাভাবে পরিমাপ করুন। Prefill নির্ধারণ করে generation কত দ্রুত শুরু হতে পারে, আর decode নির্ধারণ করে পরবর্তী token-গুলো কত দ্রুত আসবে। SSE বা WebSockets-এর মাধ্যমে streaming ব্যবহার করলে অন্তর্নিহিত model computation কমানো ছাড়াই ব্যবহারকারীর অনুভূত responsiveness বাড়তে পারে।

৫. Reliability এবং safety যুক্ত করুন

Timeout, backoff-সহ retry, fallback model, graceful degradation এবং output validation ব্যবহার করুন। Model-এর চারপাশে input ও output guardrail স্থাপন করুন, prompt injection থেকে সুরক্ষা দিন, প্রয়োজন অনুযায়ী PII redact করুন এবং উপযুক্ত audit log সংরক্ষণ করুন।

৬. Evaluate এবং observe করুন

শুধু model call পর্যবেক্ষণ না করে সম্পূর্ণ request trace করুন। গাইডের উপযোগী dimension-গুলোর মধ্যে রয়েছে latency, throughput, token use, cost, retrieval behavior, model output quality, tool execution এবং agent behavior। LLM output non-deterministic হওয়ায় evaluation-এর জন্য প্রচলিত exact-match unit test-এর চেয়ে বেশি কিছু প্রয়োজন।

উন্নত টিপস

সঠিক লেটেন্সি পর্যায় অপ্টিমাইজ করুন

মডেলের লেটেন্সিকে একটি মাত্র সংখ্যা হিসেবে বিবেচনা করবেন না। সমস্যাটি প্রিফিল, ডিকোড, রিট্রিভাল, কিউয়িং, নাকি কোনো বাহ্যিক টুলে—তা নির্ণয় করুন। প্রথম টোকেন পেতে সময় এবং প্রতি সেকেন্ডে টোকেনের সংখ্যা ব্যবহারকারীর ভিন্ন অভিজ্ঞতা নির্দেশ করে এবং এগুলোর জন্য ভিন্ন অপ্টিমাইজেশন প্রয়োজন হতে পারে।

সবকিছুর জন্য একটি মডেল ব্যবহার না করে অনুরোধ রাউট করুন

গাইডটিতে মডেল রাউটিংয়ের বিভিন্ন কৌশল উপস্থাপন করা হয়েছে। প্রোডাকশন ডিজাইনে অনুরোধের শ্রেণিবিন্যাস করে সহজ কাজগুলো কম খরচের মডেলে পাঠানো যায় এবং কঠিন কাজের জন্য আরও সক্ষম মডেল সংরক্ষণ করা যায়। আগের উত্তর যথেষ্ট না হলে ক্যাসকেড রাউটিং পরবর্তী মডেলে উন্নীত করতে পারে।

সঠিক স্তরে ক্যাশিং প্রয়োগ করুন

KV, প্রম্পট, সেমান্টিক এবং এমবেডিং ক্যাশ ভিন্ন সমস্যার সমাধান করে। প্রথমে শনাক্ত করুন কী পুনরাবৃত্ত হচ্ছে: জেনারেশন স্টেট, প্রম্পটের শুরু, একই অর্থের প্রশ্ন, নাকি এমবেডিং গণনা। এরপর উপযুক্ত ক্যাশ বেছে নিন এবং সঠিকতা, সতেজতা, গোপনীয়তা ও টেন্যান্ট সীমারেখা বিবেচনা করুন।

রিট্রিভালের মানকে একটি পাইপলাইন হিসেবে বিবেচনা করুন

RAG-এর মান শুধু ভেক্টর ডেটাবেসের ওপর নির্ভর করে না। পার্সিং, চাঙ্কিং, এমবেডিং, ক্যোয়েরি রূপান্তর, হাইব্রিড সার্চ, রির‍্যাঙ্কিং এবং কনটেক্সট সংযোজন—সবকিছুই চূড়ান্ত উত্তরে প্রভাব ফেলে। ভাষা মডেলকে দোষ দেওয়ার আগে রিট্রিভালের মধ্যবর্তী ফলাফল মূল্যায়ন করুন।

ওয়ার্কফ্লোতে প্রয়োজন হলেই এজেন্ট ব্যবহার করুন

পূর্বনির্ধারিত অর্কেস্ট্রেশন এবং গতিশীলভাবে টুল বা কাজ বেছে নেওয়া এজেন্টের মধ্যে পার্থক্য করুন। গাইডটিতে আরও বলা হয়েছে, মানসম্মত টুল ও কনটেক্সট ইন্টিগ্রেশনের জন্য MCP কার্যকর হতে পারে, তবে সহজ ওয়ার্কফ্লোর ক্ষেত্রে এটি অতিরিক্ত হতে পারে। প্রয়োজন পূরণ করে এমন সবচেয়ে কম জটিল পদ্ধতিটি বেছে নিন।

শুরুতেই টোকেন, GPU এবং খরচের হিসাব করুন

দ্রুত আনুমানিক হিসাব বাস্তবায়নের আগে ব্যয়বহুল অনুমানগুলো প্রকাশ করে। প্রতি অনুরোধে ইনপুট ও আউটপুট টোকেন, অনুরোধের পরিমাণ, সমকালীনতা, থ্রুপুটের প্রয়োজনীয়তা এবং প্রত্যাশিত মডেল খরচ হিসাব করুন। মনে রাখবেন, ইংরেজি লেখায় গড়ে প্রতি টোকেনে প্রায় চারটি অক্ষর থাকে, যদিও প্রকৃত টোকেনাইজেশন মডেলের টোকেনাইজারের ওপর নির্ভর করে।

প্রতিটি বিষয় নিজের ভাষায় ব্যাখ্যা করুন

README-তে প্রতিটি সম্পন্ন বিভাগ অন্য কাউকে ব্যাখ্যা করার পরামর্শ দেওয়া হয়েছে। এর একটি কার্যকর সম্প্রসারণ হলো প্রতিটি আর্কিটেকচারাল সিদ্ধান্তের পেছনের সমঝোতাটি নথিবদ্ধ করা: কেন একটি কিউ প্রয়োজন, কেন নির্দিষ্ট ক্যাশ সহায়ক, কেন একটি ফলব্যাক মডেল গ্রহণযোগ্য, এবং সিদ্ধান্তটি মান, লেটেন্সি, নিরাপত্তা বা খরচে কী প্রভাব ফেলে।

প্রস্তাবিত অনুশীলন পরিকল্পনা

1. গাইডটির একটি প্রধান বিভাগ পড়ুন।
2. লেখাটি না দেখে এর উদ্দেশ্য ও সমঝোতাগুলো সংক্ষেপে বলুন।
3. একটি নমুনা আর্কিটেকচারে কম্পোনেন্টটি যোগ করুন।
4. কম্পোনেন্টটির জন্য অন্তত একটি মেট্রিক নির্ধারণ করুন।
5. একটি ব্যর্থতার ধরন এবং একটি প্রতিকার বর্ণনা করুন।
6. ওভারভিউ যথেষ্ট না হলে সংযুক্ত গভীর বিশ্লেষণধর্মী নিবন্ধটি অনুসরণ করুন।
7. কোডিং অ্যাসিস্ট্যান্ট বা রিয়েল-টাইম ভয়েস এজেন্টের মতো কেস স্টাডি দিয়ে অনুশীলনটি পুনরাবৃত্তি করুন।

এই পদ্ধতি রিপোজিটরিটিকে শুধু একটি রেফারেন্স তালিকা না রেখে ব্যবহারিক ডিজাইন কারিকুলামে পরিণত করে।

উপসংহার

AI System Design LLM ইনফারেন্সের মৌলিক বিষয় থেকে RAG, এজেন্ট, নিরাপত্তা, মূল্যায়ন, অবজারভেবিলিটি, ত্রুটি সহনশীলতা এবং খরচ অপ্টিমাইজেশনের মতো প্রোডাকশন-সংক্রান্ত বিষয় পর্যন্ত একটি বিস্তৃত, শিক্ষানবিশ-বান্ধব পথনির্দেশ দেয়। এটি ইনস্টল করার মতো কোনো প্যাকেজ নয়; বরং AI কম্পোনেন্টগুলো কীভাবে একসঙ্গে কাজ করে তা বোঝার জন্য একটি সুসংগঠিত গাইড।

নতুন হলে ভিত্তি দিয়ে শুরু করুন, অথবা ইন্টারভিউয়ের প্রস্তুতি নিলে আট ধাপের ডিজাইন ফ্রেমওয়ার্ক দিয়ে শুরু করুন। যেকোনো ক্ষেত্রেই প্রতিটি ধারণা একটি নির্দিষ্ট সিস্টেমে প্রয়োগ করুন, এর প্রভাব পরিমাপ করুন এবং আপনার সিদ্ধান্তগুলোর পেছনের সমঝোতাগুলো নথিবদ্ধ করুন।