AI কি অপারেশন রিসার্চ বিশ্লেষকদের প্রতিস্থাপন করবে? গণিত এখনও মানবিক

আপনি যদি একজন অপারেশনস রিসার্চ বিশ্লেষক হন, তাহলে AI-এর বিষয়ে আপনি একটি অনন্য আকর্ষণীয় অবস্থানে রয়েছেন। আপনার সম্পূর্ণ পেশাটি জটিল সিস্টেমগুলি অপ্টিমাইজ করতে গাণিতিক মডেল ব্যবহার করার উপর নির্মিত — এবং AI, অনেক দিক থেকে, আপনি দশকের পর দশক ধরে ব্যবহার করে আসা একই সরঞ্জামগুলির একটি আরও শক্তিশালী সংস্করণ। আমাদের ডেটা ৩২% অটোমেশন ঝুঁকি সহ ৫০% সামগ্রিক AI এক্সপোজার দেখায়।

সেই ৫০% এক্সপোজার সংখ্যাটি উল্লেখযোগ্য, কিন্তু ৩২% ঝুঁকি আরও গুরুত্বপূর্ণ গল্প বলে। AI অপারেশনস রিসার্চকে প্রতিস্থাপন করছে না — এটি একে সুপারচার্জ করছে। যে বিশ্লেষকরা মানিয়ে নেবেন তারা আগের চেয়ে আরও শক্তিশালী হবেন। যারা অপ্টিমাইজেশনকে একটি কারুকাজ হিসাবে বিবেচনা করেন যা তারা একাই সম্পাদন করেন, বরং একটি সক্ষমতা হিসাবে যা তারা সমন্বয় করেন, তারা ক্রমবর্ধমানভাবে চাপে পড়বেন।

এখানে গভীর পাঠ: তাত্ত্বিক এক্সপোজার প্রায় ৭২%-এ থাকে, কিন্তু পর্যবেক্ষণ করা এক্সপোজার মাত্র ৫০%। সেই ব্যবধান বিদ্যমান কারণ বেশিরভাগ সংগঠন মানব মধ্যস্থতাকারী ছাড়া কেবল AI অপ্টিমাইজেশন মোতায়েন করতে পারে না। OR বিশ্লেষক ব্যবসায়িক সমস্যাগুলিকে বিশ্লেষণাত্মক কাঠামোতে অনুবাদ করেন, ফলাফলগুলি ব্যবহারিক অর্থে বোধগম্য কিনা তা যাচাই করেন এবং এমনভাবে ফলাফল জানান যা পদক্ষেপ নেওয়ার দিকে নিয়ে যায়। গাণিতিক সরঞ্জামগুলি উন্নত হয়েছে। গণিত এবং ব্যবসায়িক সিদ্ধান্ত গ্রহণের মধ্যে সেতুটি স্বয়ংক্রিয় হয়ে যায়নি — যদি কিছু হয়, এটি আরও গুরুত্বপূর্ণ হয়ে উঠেছে কারণ গণিত এখন আরও শক্তিশালী এবং ব্যাখ্যা করা কঠিন।

অপারেশনস রিসার্চকে রূপান্তরিত করছে যেখানে AI

ঐতিহ্যগত অপ্টিমাইজেশন — রৈখিক প্রোগ্রামিং, পূর্ণসংখ্যা প্রোগ্রামিং, সিমুলেশন মডেলিং — মেশিন লার্নিং দ্বারা এমনভাবে উন্নত হচ্ছে যা গণনাগতভাবে কী সম্ভব তা প্রসারিত করে। AI ডেটায় এমন নমুনা সনাক্ত করতে পারে যা আরও ভালো মডেল প্রণয়ন পরামর্শ দেয়, স্বয়ংক্রিয়ভাবে সিমুলেশন প্যারামিটার ক্যালিব্রেট করতে পারে এবং অপ্টিমাইজেশন সমস্যাগুলি সমাধান করতে পারে যা আগে গণনাগত জটিলতার কারণে দুরূহ ছিল। [তথ্য] দুটি নেতৃস্থানীয় বাণিজ্যিক সমাধানকারী Gurobi এবং Mosek রিপোর্ট করেছে যে হাইব্রিড ML+অপ্টিমাইজেশন ওয়ার্কফ্লো শাখা-এবং-আবদ্ধ অনুসন্ধান পরিচালনা করতে শেখা হিউরিস্টিক্স ব্যবহার করে নির্দিষ্ট মিশ্র-পূর্ণসংখ্যা প্রোগ্রামগুলি বিশুদ্ধ গাণিতিক প্রোগ্রামিং পদ্ধতির চেয়ে ১০-১০০ গুণ দ্রুত সমাধান করতে পারে।

AI-চালিত প্রেসক্রিপটিভ অ্যানালিটিক্স "আমাদের কী করা উচিত?" থেকে "এটি করলে কী হবে তা এখানে" পর্যন্ত অগ্রসর হচ্ছে। এই সিস্টেমগুলি বাস্তব সময়ে হাজার হাজার সিদ্ধান্তের দৃশ্যকল্প মূল্যায়ন করতে পারে, অনিশ্চয়তা, ইন্টারেকশন এবং গতিশীল অবস্থার হিসাব নিয়ে যা ঐতিহ্যগত মডেলগুলি অদক্ষভাবে পরিচালনা করে। Walmart, FedEx এবং Amazon-এর মতো কোম্পানিগুলি এমন স্কেল এবং গতিতে সাপ্লাই চেইন সিদ্ধান্ত নিতে প্রেসক্রিপটিভ সিস্টেম ব্যবহার করে যা শাস্ত্রীয় OR একাকী মেলাতে পারত না — যদিও এই সিস্টেমগুলি তৈরি এবং রক্ষণাবেক্ষণকারী বিশ্লেষকরা তাদের মূল্যের কেন্দ্রীয় থাকেন।

রিইনফোর্সমেন্ট লার্নিং ক্রমিক সিদ্ধান্ত গ্রহণ সমস্যার জন্য একটি নতুন দৃষ্টান্ত প্রবর্তন করেছে — শিডিউলিং, ইনভেন্টরি ব্যবস্থাপনা, মূল্য নির্ধারণ — যেখানে AI সিস্টেম সিমুলেটেড পরিবেশে ট্রায়াল এবং এরর এর মাধ্যমে সর্বোত্তম নীতি শেখে। নির্দিষ্ট সমস্যা শ্রেণীর জন্য, রিইনফোর্সমেন্ট লার্নিং সমাধানগুলি হস্ত-নির্মিত OR মডেলকে ছাড়িয়ে যায়। ডেটা সেন্টার কুলিংয়ে DeepMind-এর কাজ, ক্লাউড ওয়ার্কলোডের জন্য Google-এর বিন প্যাকিং এবং বিভিন্ন গুদাম রোবট রাউটিং অ্যাপ্লিকেশন সবই উদাহরণ যেখানে RL হাত-টিউন করা হিউরিস্টিককে ছাড়িয়ে গেছে।

ন্যাচারাল ল্যাঙ্গুয়েজ প্রক্রিয়াকরণ OR বিশ্লেষকরা স্টেকহোল্ডারদের সাথে কীভাবে ইন্টারেক্ট করেন তা পরিবর্তন করছে। AI ব্যবসায়িক প্রশ্নগুলিকে গাণিতিক প্রণয়নে অনুবাদ করতে এবং ব্যবসায়িক ভাষায় অপ্টিমাইজেশন ফলাফল উপস্থাপন করতে পারে, যোগাযোগ ব্যবধান হ্রাস করে যা ঐতিহাসিকভাবে OR-এর সাংগঠনিক প্রভাব সীমিত করেছে। "অপ্টিমাইজেশনে প্রাকৃতিক ভাষা ইন্টারফেস" আর বিজ্ঞান কল্পকাহিনী নয় — Palantir Foundry এবং Microsoft-এর মতো বিক্রেতাদের প্রাথমিক বাণিজ্যিক সংস্করণ আজ উৎপাদন মোতায়েনে রয়েছে।

পূর্বাভাসের জন্য স্বয়ংক্রিয় মেশিন লার্নিং (AutoML) আরেকটি বড় পরিবর্তন। পূর্বাভাসের কাজ যা একটি OR দল সপ্তাহ ব্যয় করতে পারত — ডেটা সংগ্রহ, মডেল বেছে নেওয়া, হাইপারপ্যারামিটার টিউনিং, নির্ভুলতা যাচাই — এখন উল্লেখযোগ্যভাবে স্বয়ংক্রিয় করা যায়। বিশ্লেষকের ভূমিকা মডেল-নির্মাণের কাজ থেকে সমস্যা সংজ্ঞায়িত করা, ফিচার ইঞ্জিনিয়ারিং এবং ফলাফলের ব্যাখ্যার দিকে সরে যায়।

ডিজিটাল টুইন প্রযুক্তি, যা সম্পূর্ণ কারখানা, সাপ্লাই চেইন বা পরিবহন নেটওয়ার্ক মডেল করতে AI-উন্নত সিমুলেশন ব্যবহার করে, OR দলগুলিকে মোতায়েন করার আগে ভার্চুয়াল পরিবেশে হস্তক্ষেপ পরীক্ষা করতে দিচ্ছে। এটি বাস্তব জগতে অপ্টিমাইজেশন সুপারিশ ব্যর্থ হওয়ার ঝুঁকি নাটকীয়ভাবে হ্রাস করে এবং "আমরা মনে করি এটি কাজ করবে" থেকে "আমাদের প্রমাণ আছে এটি কাজ করবে" পর্যন্ত চক্রকে সংক্ষিপ্ত করে।

অপারেশনস রিসার্চ বিশ্লেষকরা কেন মূল্যবান থাকেন

সমস্যা ফ্রেমিং অপারেশনস রিসার্চের সবচেয়ে সমালোচনামূলক এবং সবচেয়ে মানবিক অংশ। যেকোনো মডেল তৈরির আগে, কাউকে ব্যবসায়িক সমস্যাটি বুঝতে হবে, সঠিক লক্ষ্য চিহ্নিত করতে হবে, উপযুক্ত সীমাবদ্ধতা সংজ্ঞায়িত করতে হবে এবং কী আপোষ গ্রহণযোগ্য তা নির্ধারণ করতে হবে। এটির জন্য ব্যবসায়িক দক্ষতা, স্টেকহোল্ডার সম্পৃক্ততা এবং বিচার প্রয়োজন যা AI সরবরাহ করতে পারে না। একটি দুর্বলভাবে ফ্রেম করা সমস্যা ভুল প্রশ্নের জন্য গাণিতিকভাবে সর্বোত্তম সমাধান তৈরি করে — এবং এটি কোনো সমাধান না হওয়ার চেয়ে খারাপ, কারণ এটি বিশ্লেষণাত্মক কঠোরতার মিথ্যা বিশ্বাসযোগ্যতা বহন করে।

মডেল যাচাই এবং ব্যাখ্যার জন্য গণনার বাইরে দক্ষতা প্রয়োজন। যখন একটি অপ্টিমাইজেশন মডেল একটি অপ্রত্যাশিত সমাধান সুপারিশ করে — স্টাফিং প্যাটার্ন যা ভুল মনে হয়, রাউটিং সিদ্ধান্ত যা অদক্ষ মনে হয়, মূল্য পরিবর্তন যা পাল্টা স্বজ্ঞাত মনে হয় — বিশ্লেষককে নির্ধারণ করতে হবে মডেলটি একটি প্রকৃত অন্তর্দৃষ্টি খুঁজে পেয়েছে কিনা বা প্রণয়নটি ত্রুটিপূর্ণ কিনা। এই বিচারের জন্য গণিত এবং ব্যবসা উভয় সম্পর্কে গভীর বোঝাপড়া প্রয়োজন। যে বিশ্লেষক বলতে পারেন "এই মডেলটি আমাদের X করতে বলছে, এবং কারণ হল Y, এবং আমি সেই সুপারিশটি স্ট্রেস-পরীক্ষা করেছি" তিনি অপরিবর্তনীয় আশ্বাস প্রদান করছেন।

বাস্তবায়ন সহায়তা আরেকটি মানব কাজ। বিশ্বের সেরা অপ্টিমাইজেশন মডেলটি মূল্যহীন যদি সংগঠনটি এর সুপারিশগুলি গ্রহণ না করে। OR বিশ্লেষকদের পরিবর্তন বাস্তবায়নে অপারেশনাল দলগুলির সাথে কাজ করতে হবে, মডেলে নেই এমন ব্যবহারিক সীমাবদ্ধতার সাথে সমাধানগুলি সামঞ্জস্য করতে হবে এবং বিশ্লেষণাত্মক সিদ্ধান্ত গ্রহণে আস্থা তৈরি করতে হবে। ক্লাসিক OR ব্যর্থতার মোড হল মার্জিত মডেল যা কেউ ব্যবহার করার জন্য যথেষ্ট বিশ্বাস করে না। সেই ব্যর্থতা এড়ানো প্রতিবারই মানব কাজ।

নৈতিক যুক্তি ক্রমবর্ধমানভাবে ভূমিকার অংশ। অপ্টিমাইজেশন মডেলগুলি এমন সুপারিশ তৈরি করতে পারে যা গাণিতিকভাবে সর্বোত্তম কিন্তু নৈতিকভাবে উদ্বেগজনক — মূল্য নির্ধারণ যা বন্দী গ্রাহকদের শোষণ করে, স্টাফিং সময়সূচী যা কর্মীর মঙ্গলের খরচে উৎপাদনশীলতা সর্বাধিক করে, রাউটিং সিদ্ধান্ত যা পদ্ধতিগতভাবে নির্দিষ্ট এলাকাকে অসুবিধাজনক করে। বিশ্লেষককে এই টানাপোড়েনগুলি সামনে আনতে হবে, বিকল্প প্রণয়ন প্রস্তাব করতে হবে এবং নেতৃত্বকে কী আপোষ গ্রহণযোগ্য তা সিদ্ধান্ত নিতে সহায়তা করতে হবে। AI হাত তুলে জিজ্ঞাসা করে না যে উদ্দেশ্য ফাংশনটি ন্যায্য কিনা। মানুষ করে।

স্টেকহোল্ডার শিক্ষা এবং অনুবাদ সমালোচনামূলক। OR বিশ্লেষক প্রায়ই একটি ঘরে একমাত্র ব্যক্তি যিনি গণিত এবং ব্যবসা উভয়ই সম্পূর্ণরূপে বোঝেন। একজন ভাইস প্রেসিডেন্টকে রাউটিং অপ্টিমাইজেশন কেন অদ্ভুত দেখানো সিদ্ধান্ত সুপারিশ করে তা বুঝতে সাহায্য করা, একটি ফিনান্স দলকে বুঝতে সাহায্য করা কেন ইনভেন্টরি মডেল অ-স্বজ্ঞাত নিরাপত্তা স্টক স্তর তৈরি করে এবং অপারেশনস দলগুলিকে মডেলের আউটপুটে আস্থা বিকাশে সহায়তা করা — এগুলি গভীরভাবে মানবিক কার্যক্রম যা নির্ধারণ করে বিশ্লেষণ ফাংশন উন্নতি পায় নাকি ক্ষয় হয়।

একটি আধুনিক OR ওয়ার্কফ্লো

একটি বড় উত্তর আমেরিকান লজিস্টিক্স সংস্থায় একজন OR বিশ্লেষকের কথা চিত্র করুন। তার সকাল শুরু হয় তার দল তৈরি করা AI-উন্নত রাউটিং সিস্টেম থেকে ড্যাশবোর্ড পর্যালোচনা করে। সিস্টেমটি প্রতি রাতে লক্ষ লক্ষ ডেলিভারি রুট অপ্টিমাইজ করে। রাতারাতি, এটি পাঁচটি রুটে পতাকা উড়িয়েছে যেখানে এর আস্থা অস্বাভাবিকভাবে কম ছিল — একটি বৈশিষ্ট্য যা তিনি নির্মাণের জন্য জোর দিয়েছিলেন যাতে সিস্টেম তার নিজস্ব অনিশ্চয়তা সামনে আনে। তিনি চিহ্নিত ক্ষেত্রে খোঁজেন।

তিনটি সহজ: একটি অংশীদার ক্যারিয়ার থেকে ডেটা সমস্যা। তিনি ডেটা ইঞ্জিনিয়ারিং দলের সাথে একটি টিকেট দায়ের করেন। চতুর্থটি একটি প্রকৃত অসংগতি হিসাবে দেখা যাচ্ছে — একটি উপকূলীয় এলাকায় একটি ছোট রুট যেখানে মডেলটি সঠিকভাবে সনাক্ত করছে যে সাম্প্রতিক আবহাওয়া প্যাটার্নগুলি ঐতিহাসিক প্রশিক্ষণ ডেটা ক্যাপচার করেনি এমনভাবে সর্বোত্তম ডেলিভারি সময় পরিবর্তন করেছে। তিনি অপারেশনস দলের জন্য একটি নোট তৈরি করেন এবং একটি মডেল পুনরায় প্রশিক্ষণ কাজ কিউ করেন। পঞ্চমটি সবচেয়ে আকর্ষণীয়: মডেলটি একটি রুট একত্রীকরণ সুপারিশ করছে যা প্রযুক্তিগতভাবে মাইল কমিয়ে দেবে কিন্তু, তিনি উপলব্ধি করেন, একটি প্রধান গ্রাহকের সাথে একটি পরিষেবা-স্তর চুক্তি লঙ্ঘন করবে। তিনি সুপারিশটি ওভাররাইড করেন এবং পরবর্তী মডেল পুনরাবৃত্তিতে সীমাবদ্ধতা যোগ করেন।

তার বিকেল বেশিরভাগই মিটিং — বাণিজ্যিক দলের কাছে একটি মূল্য অপ্টিমাইজেশন সুপারিশ ব্যাখ্যা করা, একটি স্থায়িত্ব কমিটির সাথে একটি উদ্দেশ্য ফাংশন নিয়ে বিতর্ক করা, একটি জুনিয়র বিশ্লেষককে অপ্রযুক্তিগত স্টেকহোল্ডারদের কাছে মডেল ফলাফল কীভাবে জানাতে হয় তা মেন্টর করা। বিকাল ৫টার মধ্যে, AI সরঞ্জামগুলি তার শারীরিকভাবে যা করতে পারত তার হাজার গুণ বেশি কাঁচা বিশ্লেষণাত্মক কাজ করেছে। কিন্তু তিনি বিচার, যোগাযোগ, নৈতিকতা এবং আস্থার অপরিহার্য কাজ করেছেন — এবং সংগঠন জুড়ে তার প্রভাব বেড়েছে, কমেনি।

২০২৮ সালের দৃষ্টিভঙ্গি

AI এক্সপোজার ২০২৮ সালের মধ্যে প্রায় ৬০%-এ পৌঁছানোর পূর্বাভাস দেওয়া হয়েছে, যখন অটোমেশন ঝুঁকি প্রায় ৪০%-এ থাকবে। OR পেশাটি মডেল-নির্মাণ থেকে সমস্যা-ফ্রেমিং, সমাধান ডিজাইন এবং কৌশলগত পরামর্শের দিকে সরে যাবে। যে বিশ্লেষক AI সরঞ্জামগুলি ব্যবহার করে বড়, আরও জটিল সমস্যাগুলি সমাধান করতে পারেন যখন যাচাই এবং বাস্তবায়নের জন্য প্রয়োজনীয় মানব বিচার বজায় রাখেন তিনি সমৃদ্ধ হবেন।

অপ্টিমাইজেশন দক্ষতার চাহিদা বাড়ছে কারণ সংগঠনগুলি সাপ্লাই চেইন, মূল্য নির্ধারণ, সম্পদ বরাদ্দ এবং স্থায়িত্বের আশেপাশে ক্রমবর্ধমান জটিল সিদ্ধান্তের মুখোমুখি। AI এই চাহিদা হ্রাস করে না — এটি অপ্টিমাইজ করা যাবে এমন পরিধি বিস্তৃত করে। [অনুমান] মার্কিন শ্রম পরিসংখ্যান ব্যুরো ২০২৪ থেকে ২০৩৪ পর্যন্ত অপারেশনস রিসার্চ বিশ্লেষকদের কর্মসংস্থান +২১% বৃদ্ধির পূর্বাভাস দেয়, AI মডেল-নির্মাণ কাজ স্বয়ংক্রিয় করলেও সমস্ত পেশার গড়ের চেয়ে অনেক দ্রুত।

BLS পেশাগত আউটলুক হ্যান্ডবুক (Operations Research Analysts, 2024) অনুযায়ী, অপারেশনস রিসার্চ বিশ্লেষকরা মে ২০২৪-এ $৯১,২৯০ মধ্যম বার্ষিক মজুরি উপার্জন করেছেন, দশক জুড়ে গড়ে প্রায় ৯,৬০০ প্রক্ষেপিত বার্ষিক উদ্বোধন সহ — বেশিরভাগই নেট প্রতিস্থাপন নয় নেট কর্মসংস্থান বৃদ্ধি থেকে আসছে, যা সংগঠনগুলি তাদের বিশ্লেষণাত্মক ফাংশন কতটা আক্রমণাত্মকভাবে স্কেল করছে তা প্রতিফলিত করে। [তথ্য] Anthropic Economic Index (Feb 2025) অনুযায়ী, AI ব্যবহার কম্পিউটার প্রোগ্রামার এবং ডেটা বিজ্ঞানীর মতো মধ্যম-থেকে-উচ্চ মজুরির প্রযুক্তিগত পেশায় ভারীভাবে কেন্দ্রীভূত, এবং অপারেশনস রিসার্চ বিশ্লেষকরা সেই ব্যান্ডে সরাসরি বসেন — মানে AI বর্ধনকরণের অনুকূল বায়ু ইতিমধ্যে গ্রহণ ডেটায় প্রদর্শিত হচ্ছে, শুধু ভবিষ্যৎ পূর্বাভাসে নয়। [তথ্য] আরও সতর্কতামূলক দৃষ্টিভঙ্গি arXiv পেপার "GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models" (Eloundou et al., 2023) থেকে আসে, যা গণিতবিদ এবং বিশ্লেষণাত্মক ভূমিকাগুলিকে GPT-শ্রেণীর মডেল সহায়তার সর্বাধিক উন্মুক্তের মধ্যে চিহ্নিত করেছে — লেখকরা জোর দিয়েছেন যে এক্সপোজার স্থানচ্যুতির মতো নয় এবং সমস্যা ফ্রেমিং, যাচাই এবং জবাবদিহিতার জন্য মানুষ অপরিহার্য থাকেন। [তথ্য]

নিয়োগের মানদণ্ডও পরিবর্তন হচ্ছে। প্রবেশ-স্তরের পদগুলি যা ঐতিহাসিকভাবে মৌলিক মডেল তৈরিতে মনোনিবেশ করেছিল AutoML দ্বারা চাপে পড়ছে। সিনিয়র পদগুলি যার জন্য ব্যবসায়িক বিচার, যোগাযোগ দক্ষতা এবং বিশ্লেষণাত্মক সুপারিশে আস্থা তৈরির ক্ষমতা প্রয়োজন সেগুলি পরিধি এবং ক্ষতিপূরণে বৃদ্ধি পাচ্ছে। OR বিশ্লেষকদের ক্যারিয়ারের পরিধি আরও দ্বিভাজিত হচ্ছে: সংকীর্ণ এবং প্রযুক্তিগত থাকুন এবং আপনি চাপে পড়ার ঝুঁকি নেন; অনুবাদ এবং নেতৃত্বের দিকে প্রসারিত করুন এবং আপনি আরও মূল্যবান হয়ে ওঠেন।

অপারেশনস রিসার্চ বিশ্লেষকদের জন্য ক্যারিয়ার পরামর্শ

মেশিন লার্নিং, রিইনফোর্সমেন্ট লার্নিং এবং AI-চালিত অপ্টিমাইজেশন সরঞ্জামগুলি শিখুন। এগুলি ঐতিহ্যগত OR পদ্ধতিগুলি প্রতিস্থাপন করছে না — তারা সেগুলি প্রসারিত করছে। যে বিশ্লেষক ক্লাসিক্যাল OR কৌশল ব্যবহার করে একটি সমস্যা প্রণয়ন করতে এবং তারপর AI-উন্নত পদ্ধতি ব্যবহার করে সমাধান করতে পারেন তিনি আরও ভালো ফলাফল সরবরাহ করবেন। বিশেষভাবে: কমপক্ষে একটি আধুনিক ML টুলকিটের সাথে হাতে-কলমে পরিচিত হন, RL কী করতে পারে এবং পারে না তা শিখুন এবং ক্লাসিক্যাল অপ্টিমাইজেশন কখন সঠিক সরঞ্জাম তার বিপরীতে শেখা নীতি কখন সঠিক তার সম্পর্কে একটি দৃষ্টিভঙ্গি বিকাশ করুন।

ইচ্ছাকৃতভাবে আপনার ডোমেন দক্ষতা বিকাশ করুন। জেনারেলিস্ট OR বিশ্লেষকরা ক্রমবর্ধমানভাবে সফটওয়্যারের সাথে প্রতিযোগিতা করছেন। বিশেষজ্ঞ OR বিশ্লেষকরা যারা একটি নির্দিষ্ট ব্যবসায়িক ডোমেন গভীরভাবে বোঝেন — সাপ্লাই চেইন, শক্তি বাজার, স্বাস্থ্যসেবা অপারেশন, ক্রীড়া বিশ্লেষণ — ক্রমবর্ধমানভাবে প্রিমিয়াম পদে নির্দেশ করতে পারছেন কারণ সেই ডোমেনে গাণিতিক সুপারিশ এবং ব্যবসায়িক সিদ্ধান্তের মধ্যে ব্যবধানের জন্য AI নকল করতে পারে না এমন ডোমেন জ্ঞান প্রয়োজন।

আপনার যোগাযোগ এবং পরামর্শ দক্ষতা শক্তিশালী করুন। ব্যবসায়িক কৌশল এবং গাণিতিক অপ্টিমাইজেশনের মধ্যে অনুবাদ করার ক্ষমতা — নেতাদের মডেল কী বলে এবং কেন তাদের এটিতে বিশ্বাস করা উচিত তা বুঝতে সাহায্য করা — OR বিশ্লেষকদের অপরিহার্য করে তোলে। নির্বাহী মেমো লেখার অনুশীলন করুন। স্টেকহোল্ডার ওয়ার্কশপ পরিচালনার অনুশীলন করুন। সংশয়ী চাপের অধীনে মডেল সুপারিশ রক্ষা করার অনুশীলন করুন। গণিত একটি পণ্য হচ্ছে। অনুবাদ পার্থক্যকারী হচ্ছে।

---

_এই বিশ্লেষণটি AI-সহায়তা, Anthropic-এর ২০২৬ শ্রমবাজার রিপোর্ট এবং সংশ্লিষ্ট গবেষণার ডেটার উপর ভিত্তি করে। বিস্তারিত অটোমেশন ডেটার জন্য, অপারেশনস রিসার্চ বিশ্লেষক পেশা পৃষ্ঠা দেখুন।_

আপডেট ইতিহাস

• ২০২৬-০৩-২৫: ২০২৫ বেসলাইন ডেটা সহ প্রাথমিক প্রকাশনা।
• ২০২৬-০৫-১৩: দৈনন্দিন জীবনের দৃশ্যকল্প, AutoML এবং ডিজিটাল টুইন বিভাগ এবং আপডেটেড ২০২৮ কর্মসংস্থান বৃদ্ধি পূর্বাভাস সহ বিস্তৃত করা হয়েছে।

সম্পর্কিত: অন্যান্য চাকরির কী হবে?

AI অনেক পেশা 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 ব্লগ-এ সমস্ত ১,০১৬ পেশা বিশ্লেষণ অন্বেষণ করুন।_