The Fundamentals of AI Engineering

AI Engineering বলতে existing AI model ব্যবহার করে বাস্তব software বা application-এ useful AI feature যোগ করার পুরো process-কে বোঝায়। যেমন support ticket summarize করা, customer review classify করা, product recommend করা, company document থেকে প্রশ্নের উত্তর দেওয়া, অথবা কোনো workflow automate করা।

এর জন্য আপনাকে নিজে AI model তৈরি বা train করতে হবে না। Laravel developer হিসেবে আপনার কাজ হলো উপযুক্ত model-কে application-এর সঙ্গে connect করা এবং পুরো feature-টিকে reliable করা। ধরুন একটি e-commerce site product recommendation দেবে। Model customer-এর interest analyze করতে পারে; কিন্তু কোন data model-কে দেওয়া যাবে, কী instruction পাঠানো হবে, returned product ID valid কি না এবং user শেষ পর্যন্ত কী দেখবে—এসব Laravel নিয়ন্ত্রণ করবে।

What AI Engineering Actually Includes

ধরুন একটি e-commerce application browsing behavior দেখে product recommend করবে। এখানে AI model পুরো system নয়, একটি component মাত্র। Complete engineering problem-এর মধ্যে আছে model selection, user ও product context, prompt design, retrieval, tool access, structured response, validation, retry, privacy, latency, cost control, observability এবং provider unavailable হলে fallback।

• Task অনুযায়ী quality, latency, context window এবং price বিবেচনা করে model select করা।
• শুধু relevant এবং authorized user ও product data model-কে দেওয়া।
• Prompt-কে versioned application contract হিসেবে design করা, random string হিসেবে নয়।
• Private বা current information দরকার হলে knowledge base থেকে relevant context retrieve করা।
• ছোট এবং permission-aware Laravel tool-এর মাধ্যমে model action সীমাবদ্ধ রাখা।
• Structured output চাওয়া, validate করা, এবং predictable retry বা fallback রাখা।
• Token usage, response time, failure rate এবং output quality measure করা।

Traditional Laravel App vs. AI-Powered Laravel App

Traditional feature developer-এর আগে থেকে নির্ধারণ করা rule follow করে। Result deterministic: database state একই থাকলে code একই answer return করবে।

1$products = Product::query()2    ->where('category_id', $user->preferred_category_id)3    ->orderByDesc('rating')4    ->limit(5)5    ->get();

Rule-টি পরিষ্কার এবং inexpensive: user-এর preferred category থেকে highest-rated পাঁচটি product return করবে। তবে query-তে যে assumptions লেখা আছে, feature-টির capability সেখানেই সীমাবদ্ধ।

AI-assisted version এমন signal একসঙ্গে evaluate করতে পারে যেগুলো fixed rule-এ প্রকাশ করা কঠিন—recent views, previous purchases, budget, stated preferences, product compatibility এবং current request-এর intent।

1Recently viewed:2- iPhone 173- AirPods4- MacBook Air5 6Previous purchases:7- iPhone case8- USB-C charger9 10Budget: $20011 12Return five relevant product IDs from the eligible catalog.

Four Concepts Every Developer Should Know

LLM, provider, model এবং prompt—এই চারটি term আলাদা করে বুঝলে AI application architecture অনেক পরিষ্কার হয়ে যায়। এগুলো related, কিন্তু interchangeable নয়।

• LLM (Large Language Model): language বুঝতে ও generate করতে trained underlying AI system। এটি summarize, classify, translate, information extract, code generate এবং supplied context-এর ওপর reasoning করতে পারে।
• Provider: যে company বা service model host করে এবং API দেয়। যেমন OpenAI, Anthropic, Google Gemini অথবা নিজের operate করা Ollama deployment।
• Model: request process করা specific model। একই provider-এর model-গুলোর reasoning quality, speed, context capacity, modality এবং cost আলাদা হতে পারে।
• Prompt: model-কে দেওয়া instruction ও input। Production prompt সাধারণত role, task, relevant context, constraint এবং required output format define করে।

1You are a customer-support classification service.2 3Classify the message as positive, negative, or neutral.4Return JSON with: sentiment, category, and priority.5 6Message:7"The product is good, but delivery was very late."

The Laravel AI Ecosystem

Laravel AI ecosystem শুধু model API-এর জন্য HTTP client নয়। Laravel application-এর ভেতরে production AI feature ship করতে ব্যবহৃত integration layer, provider, agent, tool, schema, retrieval system, protocol, queue এবং operational control—সব মিলেই এই ecosystem।

1# Build AI-powered application features2composer require laravel/ai3 4# Expose Laravel capabilities through an MCP server5composer require laravel/mcp

Package দুটি ecosystem-এর দুই দিক handle করে। Laravel AI SDK model consume করে AI-powered application feature বানাতে সাহায্য করে। Laravel MCP package controlled application capability AI client-এর কাছে expose করতে সাহায্য করে। Production system-এ সাতটি building block বারবার দেখা যায়।

Agents and Controlled Tool Calling

Agent-কে নির্দিষ্ট responsibility-সহ AI-powered worker হিসেবে ভাবা ভালো। ProductRecommendationAgent বা InvoiceAnalysisAgent instruction, context, tool এবং execution loop combine করে। Agent কোন tool দরকার তা decide করতে পারে, কিন্তু application-এ unrestricted access পাওয়া উচিত নয়।

• প্রতিটি tool-কে একটি narrow responsibility দিন।
• User identity authenticated request থেকে নিন, model-supplied argument থেকে নয়।
• প্রতিটি argument public API request-এর মতোই validate করুন।
• Destructive বা financially meaningful action-এর আগে explicit confirmation নিন।
• Tool selection, input, result, duration এবং authorization decision log করুন।

Structured Output Turns Language into Application Data

Natural-language response মানুষের জন্য useful, কিন্তু software-এর জন্য fragile। Application logic result-এর ওপর depend করলে typed structure চান এবং ব্যবহারের আগে validate করুন।

1{2  "sentiment": "negative",3  "category": "delivery",4  "priority": "high"5}

Schema model-কে infallible করে না; এটি Laravel enforce করতে পারে এমন contract তৈরি করে। Unknown enum, missing field, nonexistent ID, unauthorized resource এবং domain limit-এর বাইরের value reject করুন। Valid JSON-এর ভেতরেও invalid business decision থাকতে পারে।

Embeddings, Vector Search, and RAG

Model আপনার private documentation নিজে থেকে জানে না, এবং training data outdated হতে পারে। Retrieval-Augmented Generation প্রথমে নিজের knowledge base search করে, তারপর সবচেয়ে relevant passage prompt-এর context হিসেবে দেয়।

ভালো RAG-এর জন্য document quality, chunking, metadata filter, access control, retrieval evaluation এবং clear citation দরকার। Vector database infrastructure মাত্র; trustworthy answer আসে complete retrieval design থেকে।

Where MCP Fits

MCP বা Model Context Protocol standardize করে AI client কীভাবে external tool ও data source discover এবং use করবে। Laravel MCP server order, user বা report-এর মতো capability carefully designed tool ও resource হিসেবে expose করতে পারে।

The Production Engineering Checklist

Demo-তে কাজ করলেই কোনো feature production-ready হয় না। Release-এর আগে quality, safety, reliability, cost এবং operation—প্রতিটি dimension-এ system কীভাবে behave করবে তা define করতে হবে।

• Quality: representative test case তৈরি করুন এবং explicit acceptance criteria অনুযায়ী output evaluate করুন।
• Reliability: timeout, limited retry, circuit breaker, idempotency, queue এবং useful fallback রাখুন।
• Security: shared data minimize করুন, prompt injection defend করুন, tool authorize করুন, এবং prompt ও log থেকে secret দূরে রাখুন।
• Cost: context cap করুন, smallest capable model select করুন, safe result cache করুন, এবং feature ও customer অনুযায়ী usage track করুন।
• Latency: প্রয়োজন হলে user-facing text stream করুন এবং long-running work background job-এ পাঠান।
• Observability: prompt version, provider, model, token use, latency, tool call, validation failure এবং user feedback record করুন।

A Sensible First Architecture

একটি narrow ও measurable use case দিয়ে শুরু করুন। Provider call domain service-এর পেছনে রাখুন, versioned prompt ব্যবহার করুন, structured response চান, result validate করুন, operational metadata log করুন এবং non-AI fallback দিন। Use case সত্যিই demand করলে তবেই agent, RAG বা MCP যোগ করুন।

AI engineering-এর লক্ষ্য application-এর সব জায়গায় model বসানো নয়। যেখানে probabilistic capability বাস্তব value তৈরি করে, ঠিক সেখানেই এটি ব্যবহার করা—এবং চারপাশে এমন deterministic software রাখা যেটি user trust করতে পারে। এই boundary-তেই শক্তিশালী Laravel AI engineering বড় advantage হয়ে ওঠে।

এই article পুরো series-এর vocabulary ও architecture establish করল। পরের chapter-গুলোতে Laravel AI SDK, agent, prompt, structured output, reliability, model economics, RAG, MCP, security এবং observability নিয়ে আরও গভীরে আলোচনা করা হবে।