AI কি অপারেশন রিসার্চ বিশ্লেষকদের প্রতিস্থাপন করবে? গণিত এখনও মানবিক

৫০%। আপনি যদি একজন অপারেশন রিসার্চ বিশ্লেষক হন, তাহলে AI সম্পর্কে আপনি একটি অনন্য আকর্ষণীয় অবস্থানে আছেন। আপনার পুরো পেশাটি জটিল সিস্টেম অপ্টিমাইজ করতে গাণিতিক মডেল ব্যবহার করার উপর নির্মিত — এবং AI, অনেক উপায়ে, আপনি দশকধরে ব্যবহার করে আসছেন এমন একই সরঞ্জামের আরও শক্তিশালী সংস্করণ। আমাদের তথ্য সামগ্রিক AI এক্সপোজার ৫০% এবং অটোমেশন ঝুঁকি ৩২% দেখায়।

সেই ৫০% এক্সপোজারের সংখ্যাটি উল্লেখযোগ্য, কিন্তু ৩২% ঝুঁকি আরও গুরুত্বপূর্ণ গল্প বলে। AI অপারেশন রিসার্চকে প্রতিস্থাপন করছে না — এটি এটিকে সুপারচার্জ করছে। যে বিশ্লেষকরা অভিযোজিত হবেন তারা আগের চেয়ে আরও শক্তিশালী হবেন। যারা অপ্টিমাইজেশনকে একটি দক্ষতা হিসেবে বিবেচনা করেন যা শুধু তারাই সম্পাদন করেন, একটি সক্ষমতা হিসেবে নয় যা তারা পরিচালনা করেন, তারা ক্রমবর্ধমানভাবে চাপে পড়বেন।

এখানে আরও গভীর পাঠ: তাত্ত্বিক এক্সপোজার প্রায় ৭২% এ বসে আছে, কিন্তু পর্যবেক্ষিত এক্সপোজার মাত্র ৫০%। সেই ব্যবধানটি বিদ্যমান কারণ বেশিরভাগ সংস্থা মানব মধ্যস্থতাকারী ছাড়া AI অপ্টিমাইজেশন মোতায়েন করতে পারে না। OR বিশ্লেষক ব্যবসায়িক সমস্যাগুলিকে বিশ্লেষণমূলক কাঠামোতে অনুবাদ করেন, ফলাফলগুলি ব্যবহারিক অর্থে যুক্তিসংগত কিনা তা যাচাই করেন এবং ফলাফলগুলি এমনভাবে যোগাযোগ করেন যা কার্যক্রমকে চালিত করে। গাণিতিক সরঞ্জামগুলি উন্নত হয়েছে। গণিত এবং ব্যবসায়িক সিদ্ধান্ত গ্রহণের মধ্যে সেতুটি স্বয়ংক্রিয় হয়নি — যদি কিছু হয়, তাহলে এটি আরও গুরুত্বপূর্ণ হয়ে উঠেছে কারণ গণিত এখন আরও শক্তিশালী এবং ব্যাখ্যা করা কঠিন।

AI অপারেশন রিসার্চকে কোথায় রূপান্তরিত করছে

ঐতিহ্যবাহী অপ্টিমাইজেশন — রৈখিক প্রোগ্রামিং, পূর্ণসংখ্যা প্রোগ্রামিং, সিমুলেশন মডেলিং — মেশিন লার্নিং দ্বারা এমনভাবে উন্নত হচ্ছে যা গণনামূলকভাবে কার্যকর কী তা প্রসারিত করে। AI ডেটায় প্যাটার্ন চিহ্নিত করতে পারে যা আরও ভাল মডেল ফর্মুলেশন পরামর্শ দেয়, স্বয়ংক্রিয়ভাবে সিমুলেশন প্যারামিটার ক্যালিব্রেট করে এবং অপ্টিমাইজেশন সমস্যাগুলি সমাধান করে যা আগে গণনামূলক জটিলতার কারণে অচলনযোগ্য ছিল। [তথ্য] গুরোবি এবং মোসেক, দুটি প্রধান বাণিজ্যিক সমাধানকারী, রিপোর্ট করেছে যে হাইব্রিড ML+অপ্টিমাইজেশন ওয়ার্কফ্লো ব্রাঞ্চ-এন্ড-বাউন্ড অনুসন্ধান গাইড করতে শেখা হিউরিস্টিক্স ব্যবহার করে নির্দিষ্ট মিশ্র-পূর্ণসংখ্যা প্রোগ্রামগুলি বিশুদ্ধ গাণিতিক প্রোগ্রামিং পদ্ধতির চেয়ে ১০-১০০ গুণ দ্রুত সমাধান করতে পারে।

AI দ্বারা চালিত প্রেসক্রিপটিভ অ্যানালিটিক্স "আমাদের কী করা উচিত?" থেকে "আমরা যদি এটি করি তবে কী হবে এখানে" এ এগিয়ে যাচ্ছে। এই সিস্টেমগুলি রিয়েল টাইমে হাজার হাজার সিদ্ধান্তের পরিস্থিতি মূল্যায়ন করতে পারে, অনিশ্চয়তা, মিথস্ক্রিয়া এবং গতিশীল অবস্থার জন্য হিসাব করে যা ঐতিহ্যবাহী মডেলগুলি অস্বস্তিকরভাবে পরিচালনা করে। ওয়ালমার্ট, ফেডেক্স এবং অ্যামাজনের মতো সংস্থাগুলি এমন মাপ এবং গতিতে সরবরাহ শৃঙ্খলের সিদ্ধান্ত নিতে প্রেসক্রিপটিভ সিস্টেম ব্যবহার করে যা একা ক্লাসিক্যাল OR মেলাতে পারত না।

রিইনফোর্সমেন্ট লার্নিং ক্রমিক সিদ্ধান্ত গ্রহণের সমস্যার জন্য একটি নতুন দৃষ্টান্ত প্রবর্তন করেছে — সময়সূচী নির্ধারণ, ইনভেন্টরি ব্যবস্থাপনা, মূল্য নির্ধারণ — যেখানে AI সিস্টেম সিমুলেটেড পরিবেশে পরীক্ষা-ত্রুটির মাধ্যমে সর্বোত্তম নীতি শেখে। কিছু সমস্যা শ্রেণীর জন্য, রিইনফোর্সমেন্ট লার্নিং সমাধান হস্তশিল্পী OR মডেলগুলিকে ছাড়িয়ে যায়। ডেটা সেন্টার কুলিংয়ে DeepMind এর কাজ, ক্লাউড ওয়ার্কলোডের জন্য Google এর বিন প্যাকিং এবং বিভিন্ন গুদাম রোবট রাউটিং অ্যাপ্লিকেশন সবই এমন উদাহরণ যেখানে RL হাত-টিউন করা হিউরিস্টিক্স ছাড়িয়ে গেছে।

অটোমেটেড মেশিন লার্নিং (AutoML) পূর্বাভাসের জন্য আরেকটি প্রধান পরিবর্তন। পূর্বাভাসের কাজ যা একটি OR দল সপ্তাহ ব্যয় করতে পারত — ডেটা সংগ্রহ, মডেল বেছে নেওয়া, হাইপারপ্যারামিটার টিউন করা, নির্ভুলতা যাচাই করা — এখন যথেষ্ট পরিমাণে স্বয়ংক্রিয় করা যেতে পারে। বিশ্লেষকের ভূমিকা মডেল-নির্মাণ গ্রাইন্ডের পরিবর্তে সমস্যা সংজ্ঞায়ন, বৈশিষ্ট্য ইঞ্জিনিয়ারিং এবং ফলাফল ব্যাখ্যার দিকে স্থানান্তরিত হয়।

ডিজিটাল টুইন প্রযুক্তিগুলি, যা সম্পূর্ণ কারখানা, সরবরাহ শৃঙ্খল বা পরিবহন নেটওয়ার্ক মডেল করতে AI-উন্নত সিমুলেশন ব্যবহার করে, OR দলগুলিকে মোতায়েনের আগে ভার্চুয়াল পরিবেশে হস্তক্ষেপ পরীক্ষা করতে দিচ্ছে। এটি বাস্তব বিশ্বে অপ্টিমাইজেশন সুপারিশ ব্যর্থ হওয়ার ঝুঁকি নাটকীয়ভাবে হ্রাস করে।

কেন অপারেশন রিসার্চ বিশ্লেষকরা মূল্যবান থাকেন

সমস্যা ফ্রেমিং অপারেশন রিসার্চের সবচেয়ে সমালোচনামূলক এবং সবচেয়ে মানবিক অংশ। কোনো মডেল তৈরির আগে, কাউকে ব্যবসায়িক সমস্যা বুঝতে, সঠিক উদ্দেশ্যগুলি চিহ্নিত করতে, উপযুক্ত সীমাবদ্ধতা সংজ্ঞায়িত করতে এবং কোন ট্রেড-অফ গ্রহণযোগ্য তা নির্ধারণ করতে হবে। এর জন্য ব্যবসায়িক বুদ্ধি, স্টেকহোল্ডার সংযোজন এবং বিচারের প্রয়োজন যা AI প্রদান করতে পারে না। দুর্বলভাবে ফ্রেম করা সমস্যা ভুল প্রশ্নের গাণিতিকভাবে সর্বোত্তম সমাধান তৈরি করে — এবং এটি কোনো সমাধানের চেয়ে খারাপ, কারণ এটি বিশ্লেষণাত্মক কঠোরতার মিথ্যা বিশ্বাসযোগ্যতা বহন করে।

মডেল যাচাইকরণ এবং ব্যাখ্যার জন্য গণনার বাইরে দক্ষতার প্রয়োজন। যখন একটি অপ্টিমাইজেশন মডেল অপ্রত্যাশিত সমাধান সুপারিশ করে — স্টাফিং প্যাটার্ন যা ভুল মনে হয়, রাউটিং সিদ্ধান্ত যা অদক্ষ মনে হয়, মূল্য নির্ধারণের পরিবর্তন যা পাল্টা স্বজ্ঞাত মনে হয় — বিশ্লেষককে নির্ধারণ করতে হবে মডেলটি একটি প্রকৃত অন্তর্দৃষ্টি খুঁজে পেয়েছে নাকি ফর্মুলেশনটি ত্রুটিপূর্ণ কিনা। এই বিচারের জন্য গণিত এবং ব্যবসা উভয়ের গভীর বোঝাপড়া প্রয়োজন।

বাস্তবায়ন সহায়তা আরেকটি মানবিক কার্য। বিশ্বের সেরা অপ্টিমাইজেশন মডেলটি মূল্যহীন যদি সংস্থাটি তার সুপারিশ গ্রহণ না করে। OR বিশ্লেষকদের পরিবর্তন বাস্তবায়ন করতে অপারেশনাল দলগুলির সাথে কাজ করতে, মডেলে ছিল না এমন ব্যবহারিক সীমাবদ্ধতার সাথে সমাধান সমন্বয় করতে এবং বিশ্লেষণাত্মক সিদ্ধান্ত গ্রহণে আস্থা তৈরি করতে হবে।

নৈতিক যুক্তি ক্রমবর্ধমানভাবে ভূমিকার অংশ। অপ্টিমাইজেশন মডেলগুলি সুপারিশ তৈরি করতে পারে যা গাণিতিকভাবে সর্বোত্তম কিন্তু নৈতিকভাবে সমস্যাজনক — মূল্য নির্ধারণ যা বন্দী গ্রাহকদের শোষণ করে, স্টাফিং সময়সূচী যা শ্রমিকের কল্যাণের বিনিময়ে উৎপাদনশীলতা সর্বাধিক করে, রাউটিং সিদ্ধান্ত যা পদ্ধতিগতভাবে নির্দিষ্ট পাড়াকে অসুবিধাজনক করে। বিশ্লেষককে এই উত্তেজনাগুলি পৃষ্ঠে আনতে, বিকল্প ফর্মুলেশন প্রস্তাব করতে এবং নেতৃত্বকে সিদ্ধান্ত নিতে সাহায্য করতে হবে কোন ট্রেড-অফ গ্রহণযোগ্য।

স্টেকহোল্ডার শিক্ষা এবং অনুবাদ সমালোচনামূলক। OR বিশ্লেষক প্রায়শই একটি কক্ষে একমাত্র ব্যক্তি যিনি গণিত এবং ব্যবসা উভয়ই সম্পূর্ণ বোঝেন। একজন ভাইস প্রেসিডেন্টকে বুঝতে সাহায্য করা কেন রাউটিং অপ্টিমাইজেশন অদ্ভুত দেখতে সিদ্ধান্ত সুপারিশ করে, একটি আর্থিক দলকে বুঝতে সাহায্য করা কেন ইনভেন্টরি মডেল অ-স্বজ্ঞাত সুরক্ষা স্টক স্তর তৈরি করে — এগুলি গভীরভাবে মানবিক কার্যকলাপ।

একটি আধুনিক OR ওয়ার্কফ্লো

একটি বৃহৎ উত্তর আমেরিকার লজিস্টিক্স ফার্মে একজন OR বিশ্লেষকের কথা ভাবুন। তার সকাল শুরু হয় তার দল যে AI-উন্নত রাউটিং সিস্টেম তৈরি করেছে তার ড্যাশবোর্ড পর্যালোচনা করে। সিস্টেম প্রতি রাতে লক্ষ লক্ষ ডেলিভারি রুট অপ্টিমাইজ করে। রাতারাতি, এটি পাঁচটি রুট ফ্ল্যাগ করেছে যেখানে এর আস্থা অস্বাভাবিকভাবে কম ছিল — এমন একটি বৈশিষ্ট্য যা তিনি নির্মাণ করতে জোর দিয়েছিলেন যাতে সিস্টেম তার নিজস্ব অনিশ্চয়তা পৃষ্ঠে আনবে।

তিনটি সহজ: একটি অংশীদার বাহক থেকে ডেটা সমস্যা। চতুর্থটি একটি প্রকৃত অসঙ্গতি হতে দেখা যাচ্ছে — একটি উপকূলীয় এলাকায় একটি ছোট রুট যেখানে মডেলটি সঠিকভাবে চিহ্নিত করছে যে সাম্প্রতিক আবহাওয়ার প্যাটার্ন সর্বোত্তম ডেলিভারি সময় এমনভাবে পরিবর্তন করেছে যা ঐতিহাসিক প্রশিক্ষণ ডেটা ধারণ করেনি। পঞ্চমটি সবচেয়ে আকর্ষণীয়: মডেলটি একটি রুট একত্রীকরণ সুপারিশ করছে যা প্রযুক্তিগতভাবে মাইল কমিয়ে আনবে কিন্তু, তিনি উপলব্ধি করেন, একটি প্রধান গ্রাহকের সাথে একটি সেবা-স্তর চুক্তি ছাড়িয়ে যাবে। তিনি সুপারিশটি ওভাররাইড করেন।

তার বিকেল বেশিরভাগ মিটিং — বাণিজ্যিক দলকে একটি মূল্য অপ্টিমাইজেশন সুপারিশ ব্যাখ্যা করা, একটি স্থায়িত্ব কমিটির সাথে একটি উদ্দেশ্য ফাংশন নিয়ে বিতর্ক করা, একজন জুনিয়র বিশ্লেষককে কীভাবে অ-প্রযুক্তিগত স্টেকহোল্ডারদের কাছে মডেল ফলাফল যোগাযোগ করতে হয় তা পরামর্শদেওয়া। সন্ধ্যা ৫টার মধ্যে, AI সরঞ্জামগুলি তার শারীরিকভাবে পারতেন তার চেয়ে হাজার গুণ বেশি কাঁচা বিশ্লেষণমূলক কাজ করেছে। কিন্তু তিনি বিচার, যোগাযোগ, নৈতিকতা এবং বিশ্বাসের অপরিবর্তনীয় কাজ করেছেন।

২০২৮ সালের দৃষ্টিভঙ্গি

AI এক্সপোজার ২০২৮ সালের মধ্যে প্রায় ৬০% পর্যন্ত পৌঁছানোর অভিক্ষেপ করা হয়েছে, যখন অটোমেশন ঝুঁকি প্রায় ৪০% এর আশেপাশে থাকা উচিত। OR পেশা মডেল-নির্মাণ থেকে সমস্যা-ফ্রেমিং, সমাধান ডিজাইন এবং কৌশলগত পরামর্শের দিকে স্থানান্তরিত হবে।

অপ্টিমাইজেশন দক্ষতার চাহিদা বাড়ছে কারণ সংস্থাগুলি সরবরাহ শৃঙ্খল, মূল্য নির্ধারণ, সম্পদ বরাদ্দ এবং স্থায়িত্বের চারপাশে ক্রমবর্ধমান জটিল সিদ্ধান্তের মুখোমুখি হচ্ছে। AI এই চাহিদা হ্রাস করে না — এটি অপ্টিমাইজ করা যেতে পারে এমনটির পরিধি বাড়ায়। [অনুমান] মার্কিন শ্রম পরিসংখ্যান ব্যুরো অভিক্ষেপ করে যে অপারেশন রিসার্চ বিশ্লেষকদের নিয়োগ ২০২৩ থেকে ২০৩৩ পর্যন্ত ২৩% বৃদ্ধি পাবে, AI মডেল-নির্মাণ কাজ স্বয়ংক্রিয় করা সত্ত্বেও সমস্ত পেশার গড়ের চেয়ে অনেক দ্রুত।

হায়ারিং বারও পরিবর্তিত হচ্ছে। এন্ট্রি-স্তরের অবস্থানগুলি যেগুলি ঐতিহাসিকভাবে মৌলিক মডেল তৈরিতে মনোনিবেশ করত AutoML দ্বারা চাপে পড়ছে। সিনিয়র পদগুলি যেগুলির জন্য ব্যবসায়িক বিচার, যোগাযোগ দক্ষতা এবং বিশ্লেষণাত্মক সুপারিশে আস্থা তৈরির ক্ষমতা প্রয়োজন সুযোগ এবং ক্ষতিপূরণে বাড়ছে।

অপারেশন রিসার্চ বিশ্লেষকদের জন্য ক্যারিয়ার পরামর্শ

মেশিন লার্নিং, রিইনফোর্সমেন্ট লার্নিং এবং AI-চালিত অপ্টিমাইজেশন সরঞ্জামগুলি শিখুন। এগুলি ঐতিহ্যবাহী OR পদ্ধতিগুলি প্রতিস্থাপন করছে না — এগুলি সেগুলি বিস্তার করছে। বিশ্লেষক যিনি ক্লাসিক্যাল OR কৌশল ব্যবহার করে একটি সমস্যা ফর্মুলেট করতে এবং তারপর AI-উন্নত পদ্ধতি ব্যবহার করে এটি সমাধান করতে পারেন তিনি আরও ভাল ফলাফল সরবরাহ করবেন।

ইচ্ছাকৃতভাবে আপনার ডোমেন দক্ষতা বিকাশ করুন। জেনারেলিস্ট OR বিশ্লেষকরা ক্রমবর্ধমানভাবে সফটওয়্যারের সাথে প্রতিযোগিতা করছেন। বিশেষজ্ঞ OR বিশ্লেষকরা যারা একটি নির্দিষ্ট ব্যবসায়িক ডোমেন গভীরভাবে বোঝেন — সরবরাহ শৃঙ্খল, শক্তি বাজার, স্বাস্থ্যসেবা অপারেশন, স্পোর্টস অ্যানালিটিক্স — ক্রমবর্ধমানভাবে প্রিমিয়াম অবস্থান পেতে সক্ষম।

আপনার যোগাযোগ এবং পরামর্শ দক্ষতা শক্তিশালী করুন। ব্যবসায়িক কৌশল এবং গাণিতিক অপ্টিমাইজেশনের মধ্যে অনুবাদ করার ক্ষমতা — নেতাদের বুঝতে সাহায্য করা মডেলটি কী বলে এবং কেন তাদের বিশ্বাস করা উচিত — OR বিশ্লেষকদের অপরিহার্য করে তোলে। এক্সিকিউটিভ মেমো লেখা অনুশীলন করুন। স্টেকহোল্ডার ওয়ার্কশপ পরিচালনা অনুশীলন করুন। সংশয়জনক চাপে মডেল সুপারিশ রক্ষা করা অনুশীলন করুন। গণিত একটি পণ্য হয়ে উঠছে। অনুবাদ পার্থক্যকারী হয়ে উঠছে।

---

_এই বিশ্লেষণ AI-সহায়ক, অ্যান্থ্রপিকের ২০২৬ শ্রম বাজার প্রতিবেদন এবং সম্পর্কিত গবেষণার ডেটার উপর ভিত্তি করে। বিস্তারিত অটোমেশন ডেটার জন্য, অপারেশন রিসার্চ বিশ্লেষক পেশা পৃষ্ঠা দেখুন।_

আপডেট ইতিহাস

• ২০২৬-০৩-২৫: ২০২৫ বেসলাইন ডেটা সহ প্রাথমিক প্রকাশনা।
• ২০২৬-০৫-১৩: দিনের জীবনের পরিস্থিতি, AutoML এবং ডিজিটাল টুইন বিভাগ এবং আপডেট করা ২০২৮ কর্মসংস্থান বৃদ্ধির অভিক্ষেপ সহ প্রসারিত। ঝুঁকি ফ্রেমিং শতাংশ নোটেশনে মানক করা হয়েছে।

সম্পর্কিত: অন্যান্য চাকরি সম্পর্কে কী?

AI অনেক পেশাকে পুনর্গঠন করছে:

• AI কি স্পোর্টস ডেটা বিশ্লেষকদের প্রতিস্থাপন করবে?
• AI কি বায়োস্ট্যাটিস্টিশিয়ানদের প্রতিস্থাপন করবে?
• AI কি ডেটা বিজ্ঞানীদের প্রতিস্থাপন করবে?
• AI কি সফটওয়্যার ডেভেলপারদের প্রতিস্থাপন করবে?

_আমাদের ব্লগে সমস্ত ১,০১৬টি পেশা বিশ্লেষণ অন্বেষণ করুন।_

বিশ্লেষকের দৃষ্টিকোণ: AI যুগে নতুন শিক্ষার পথ

অনেক অপারেশন রিসার্চ বিশ্লেষক এখন তাদের দক্ষতা দ্রুতগতিতে আপডেট করতে বাধ্য হচ্ছেন। মেশিন লার্নিং এবং ডিপ লার্নিং ব্যবহারিক সরঞ্জাম হয়ে উঠেছে যা ঐতিহ্যবাহী OR পদ্ধতিগুলির পাশাপাশি ব্যবহার করতে হবে। Python, Julia এবং R-এর মতো প্রোগ্রামিং ভাষাগুলিতে দক্ষতা যারা আগে শুধু MATLAB বা CPLEX ব্যবহার করতেন তাদের জন্য নতুন চ্যালেঞ্জ তৈরি করে।

তবুও এই রূপান্তরটি বিপদের চেয়ে সুযোগের বেশি প্রতিনিধিত্ব করে। বিশ্লেষকরা যারা নতুন সরঞ্জামগুলি আয়ত্ত করেন তারা আরও বড় এবং জটিল সমস্যাগুলিতে কাজ করতে পারেন যা আগে গণনামূলকভাবে অপ্রাপ্য ছিল। একটি সরবরাহ শৃঙ্খল যা ঐতিহ্যবাহী OR পদ্ধতি দিয়ে সপ্তাহ নিত তা এখন AI-উন্নত অ্যালগরিদম দিয়ে ঘণ্টায় অপ্টিমাইজ করা যেতে পারে। এই দক্ষতার লাভ বিশ্লেষককে সংস্থার মধ্যে আরও বেশি সমস্যার সাথে জড়িত হওয়ার সুযোগ দেয়।

সাংগঠনিক পরিবর্তন এবং প্রভাব

যে সংস্থাগুলি AI-উন্নত অপারেশন রিসার্চকে কার্যকরভাবে গ্রহণ করেছে তারা প্রতিযোগিতামূলক সুবিধাগুলি রিপোর্ট করছে যা প্রভাবশালী। গুদাম থেকে মূল্য নির্ধারণ পর্যন্ত, যে সংস্থাগুলি AI এবং মানব বিচার সংযুক্ত করতে OR বিশ্লেষকদের ব্যবহার করে সেগুলি শুধু সফটওয়্যার বা শুধু মানব বিচারের উপর নির্ভরকারীদের তুলনায় উল্লেখযোগ্যভাবে ভাল ফলাফল অর্জন করে।

এই সাফল্যের গল্পগুলি একটি গুরুত্বপূর্ণ পাঠ ধারণ করে: OR বিশ্লেষকের ভূমিকা মানব-AI সহযোগিতার ক্রমবর্ধমান জটিল জগতে একটি অপরিহার্য সেতু ভূমিকা পালন করে। প্রযুক্তিগত সরঞ্জামগুলি যত উন্নত হয়, সেই সরঞ্জামগুলিকে বোঝে এবং বিশ্বাসযোগ্যভাবে প্রয়োগ করতে পারে এমন মানুষের প্রয়োজনীয়তা তত বৃদ্ধি পায়। অপারেশন রিসার্চ বিশ্লেষকরা ভবিষ্যতের এই মূল ভূমিকায় আরও কেন্দ্রীয় হতে প্রস্তুত।

ডেটা অবকাঠামোর গুরুত্ব

অপারেশন রিসার্চের AI রূপান্তরের একটি প্রায়ই উপেক্ষিত দিক হল ডেটা অবকাঠামোর ভূমিকা। সেরা AI অপ্টিমাইজেশন সরঞ্জামগুলি দুর্বল ডেটার উপর ভিত্তি করে কার্যকর নয়। OR বিশ্লেষকরা ক্রমবর্ধমানভাবে ডেটা গুণমান, ডেটা পাইপলাইন নকশা এবং ফিচার ইঞ্জিনিয়ারিংয়ে জড়িত হচ্ছেন — এমন কার্য যা ঐতিহ্যগতভাবে ডেটা ইঞ্জিনিয়ার বা ডেটা বিজ্ঞানীদের ডোমেনে ছিল।

এই সীমানা অস্পষ্টতা একটি সুযোগ। OR বিশ্লেষক যিনি ডেটা অবকাঠামো বোঝেন তিনি তার বিশ্লেষণমূলক দলের সাথে আরও কার্যকরভাবে সহযোগিতা করতে পারেন এবং এমন সমাধান তৈরি করতে পারেন যা বাস্তবে প্রয়োগ করা আরও সহজ। ডেটা ইঞ্জিনিয়ার এবং OR বিশ্লেষকের মধ্যে সেতু ভূমিকা পালন করতে পারেন এমন পেশাদাররা সবচেয়ে বেশি চাহিদা সম্পন্ন।

শিল্পে এই প্রবণতা স্পষ্ট: সফল AI-উন্নত OR প্রকল্পগুলি ক্রস-ফাংশনাল দলগুলিতে প্রদান করা হয় যেখানে OR বিশেষজ্ঞরা ডেটা বিজ্ঞানী, ডেটা ইঞ্জিনিয়ার এবং ডোমেন বিশেষজ্ঞদের পাশাপাশি কাজ করেন। এই দলগত পদ্ধতি পৃথক-শাখা পদ্ধতির চেয়ে ধারাবাহিকভাবে ভাল ফলাফল তৈরি করে।