AI-ready RMG: TEAACU reunion থেকে শেখার ৭ পাঠ

বাংলাদেশের টেক্সটাইল ও গার্মেন্টস শিল্পে AI নিয়ে কথা বললেই অনেক ম্যানেজার প্রথমে সফটওয়্যার, ক্যামেরা, বা “অটোমেশন” ভাবেন। আমি উল্টোটা বলব: AI গ্রহণের সবচেয়ে বড় বাধা প্রযুক্তি না—মানুষ, দক্ষতা, আর আস্থার নেটওয়ার্ক।

এই জায়গাতেই সিটি ইউনিভার্সিটির টেক্সটাইল বিভাগ এবং Textile Engineers Alumni Association of City University (TEAACU)-এর ২য় গ্র্যান্ড রিইউনিয়ন (২০ বছরের মাইলফলক) একটা বাস্তব বার্তা দেয়। ২০ বছরে সিটি ইউনিভার্সিটি থেকে ৩,২০০+ টেক্সটাইল প্রফেশনাল বেরিয়েছে—যারা আজ গ্লোবাল সাপ্লাই চেইনের নানা “কমান্ড সেন্টার”-এ কাজ করছে। রিইউনিয়নটা শুধু আবেগের অনুষ্ঠান ছিল না; ছিল ইন্ডাস্ট্রি-অ্যাকাডেমিয়া পার্টনারশিপ কীভাবে AI-driven RMG বানাতে পারে—সেটা ভাবার সুযোগ।

এই পোস্টটি আমাদের সিরিজ “বাংলাদেশের টেক্সটাইল ও গার্মেন্টস শিল্পে কৃত্রিম বুদ্ধিমত্তা কীভাবে পরিবর্তন আনছে”–এর অংশ। লক্ষ্য একটাই: রিইউনিয়নের ঘটনাকে ধরে ফ্যাক্টরি, ব্র্যান্ড, ইউনিভার্সিটি, আর অ্যালামনাই—সবাই কীভাবে AI অ্যাডপশন ত্বরান্বিত করতে পারে, সেটা কাজে লাগার মতো করে বলা।

১) AI adoption আসলে “ট্রাস্ট প্রোজেক্ট”—রিইউনিয়ন সেটাই প্রমাণ করে

AI সিস্টেম বসাতে ক্যাপেক্স লাগে, ঠিক। কিন্তু তার আগে লাগে ডেটা শেয়ারিং, প্রসেস শেয়ারিং, এবং ভুল করলে ‘ব্লেম’ না করে শিখতে পারার সংস্কৃতি। TEAACU-এর রিইউনিয়নের প্রথম সেশন—অ্যালামনাইদের নেটওয়ার্কিং—এখানেই বাস্তব কাজে আসে।

কারণ AI প্রজেক্টে আপনি দ্রুত বুঝবেন:

• QA টিম বলবে “ক্যামেরা ভুল রিডিং দিচ্ছে”
• প্রোডাকশন বলবে “লাইন স্লো হয়ে যাচ্ছে”
• IE বলবে “স্ট্যান্ডার্ড মিনিট ভ্যালু বদলাবে?”
• ম্যানেজমেন্ট বলবে “ROI কোথায়?”

এই ক্রস-ফাংশনাল টেনশন ভাঙতে যেটা লাগে, সেটা হলো বিশ্বাসযোগ্য লোকজনের নেটওয়ার্ক—যারা একই ভাষায় কথা বলতে পারে। ৩,২০০+ অ্যালামনাই নেটওয়ার্ক মানে শুধু চাকরি রেফারেন্স না; AI পাইলটের জন্য ইন্ডাস্ট্রি-গ্রেড কোলাবোরেশন প্ল্যাটফর্ম।

“আপনার ইমপ্যাক্ট নেটওয়ার্কের শক্তির সাথে প্রপোরশনাল।” — রিইউনিয়নে ভিসি’র বক্তব্যের মূল ভাব

২) ইন্ডাস্ট্রি-অ্যাকাডেমিয়া বন্ড শক্ত না হলে AI ‘পাইলট’ হয়, ‘স্কেল’ হয় না

রিইউনিয়নের দ্বিতীয় সেশন—কর্পোরেট ফোরাম—এটা মনে করিয়ে দেয়: অ্যাকাডেমিয়া আর ইন্ডাস্ট্রি আলাদা করে AI সক্ষমতা তৈরি করতে গেলে দু’পক্ষই হেরে যায়।

ফ্যাক্টরির সমস্যা খুব স্পষ্ট: কম ডাউনটাইম, কম রিজেকশন, দ্রুত শিপমেন্ট, কম কস্ট। ইউনিভার্সিটির শক্তি: গবেষণা, মেথডোলজি, ট্রেনিং পাইপলাইন। দুটো একসাথে হলে AI স্কেল হয়।

কীভাবে এই বন্ড AI প্রোজেক্টে রূপ নেবে

আমি যেটা কার্যকর দেখেছি, সেটা হলো “ফ্যাক্টরি সমস্যা → ক্লাসরুম প্রজেক্ট → ফ্যাক্টরি পাইলট” এই তিন ধাপ:

1. ফ্যাক্টরি ৩টা সমস্যা দেয় (যেমন সেলাই ডিফেক্ট, ডাইং শেড ভ্যারিয়েশন, মেশিন ডাউনটাইম)
2. ইউনিভার্সিটি সেই সমস্যাকে ডেটা-ফ্রেমে আনে (লেবেলিং, স্যাম্পলিং, বেসলাইন)
3. অ্যালামনাই/ইন্ডাস্ট্রি মেন্টররা ৬-৮ সপ্তাহের পাইলট চালায়

ফল? “AI ডেমো” না—অপারেশনাল আউটকাম।

৩) কারিকুলাম ‘টেকনোলজি-ল্যাগ’ কাটাতে না পারলে, ফ্যাক্টরি বাইরে থেকে লোক কিনবে

প্রোগ্রাম কো-অর্ডিনেটর Engr. Md. Arifuzzaman যে কথা বলেছেন—কারিকুলামকে দ্রুত বদলানো—এটা ২০২৬-এর জন্য বিশেষ গুরুত্বপূর্ণ। কারণ আন্তর্জাতিক বাজারে ২০২৫-২৬ সময়টা ট্রেসেবিলিটি, ESG রিপোর্টিং, এবং কমপ্লায়েন্স ডেটা–র বছর হিসেবে আরও কঠিন হচ্ছে।

AI এখানে দু’ভাবে ঢোকে:

• কম্পিউটার ভিশন দিয়ে ইনলাইন ইনস্পেকশন (ডিফেক্ট ক্যাটাগরি, ফ্রিকোয়েন্সি, রুট কজ)
• ডেটা অটোমেশন দিয়ে রিপোর্টিং (প্রোডাকশন, এনার্জি, ওয়েস্ট, কেমিক্যাল লগ)

বিশ্ববিদ্যালয়ের জন্য “AI-minimum curriculum” কেমন হতে পারে

টেক্সটাইল ইঞ্জিনিয়ারদের সবাইকে ডেটা সায়েন্টিস্ট বানাতে হবে—এটা ভুল লক্ষ্য। কিন্তু AI-সক্ষম ইঞ্জিনিয়ার দরকার। মিনিমাম লেভেলে এগুলো থাকলেই ভালো:

• ডেটা লিটারেসি: CSV, সেন্সর ডেটা, বেসিক স্ট্যাটস
• প্রসেস-ডেটা ম্যাপিং: কোন মেশিন কোন ডেটা দেয়, কেন দেয়
• কম্পিউটার ভিশনের বেসিক: ইমেজ, লেবেল, কনফিউশন ম্যাট্রিক্স
• MLOps ধারণা: মডেল আপডেট, ড্রিফট, ভ্যালিডেশন
• ইথিক্স ও কমপ্লায়েন্স: ডেটা প্রাইভেসি, অডিট ট্রেইল

৪) “নৈতিক নেতৃত্ব + ট্রান্সপারেন্সি” এখন AI স্ট্র্যাটেজির অংশ

TEAACU-এর বক্তব্যে ethical leadership ও sustainable practices–এর জোরটা খুব সময়োপযোগী। AI বসালেই স্বচ্ছতা আসে না—বরং ভুলভাবে করলে নতুন ঝুঁকি তৈরি হয়।

RMG-এ AI ব্যবহারের কিছু কমন রিস্ক:

• ডেটা ম্যানিপুলেশন (রিপোর্ট সুন্দর দেখাতে)
• এক ডিপার্টমেন্টের উপর “অ্যালগোরিদম ব্লেম” চাপানো
• ভেন্ডর ব্ল্যাক-বক্স মডেল, যেটা অডিটে ব্যাখ্যা করা যায় না

স্মার্ট সিদ্ধান্ত: AI সিস্টেমে শুরু থেকেই auditability রাখুন। মানে:

• কে কোন ডেটা এডিট করেছে—লগ থাকবে
• কোন রুল/মডেল দিয়ে সিদ্ধান্ত—ট্রেস করা যাবে
• KPI সংজ্ঞা—সবাই একভাবে বুঝবে

এটা ESG-এর জন্যও কাজ করে, আবার ফ্যাক্টরির অভ্যন্তরীণ রাজনীতিও কমায়।

৫) অ্যালামনাই নেটওয়ার্ক AI স্কিলিংকে দ্রুত “রিয়েল-ওয়ার্ল্ড” বানায়

রিইউনিয়নে Shohag Sen যেভাবে বললেন—অ্যালামনাই-ই স্পন্সর করেছে, এবং কর্পোরেটে যে উপস্থিতি—এটা একটা শক্ত ইঙ্গিত: অ্যালামনাইরা চাইলে স্কিলিংকে বাজার-চালিত করতে পারে।

TEAACU মডেল থেকে শেখা যায় এমন ৩টি উদ্যোগ

1. Factory Data Day (মাসে ১ দিন): একটি ফ্যাক্টরি অ্যানোনিমাইজড ডেটাসেট দেয় (ডিফেক্ট কাউন্ট, লাইন আউটপুট, মেশিন ডাউনটাইম)। ছাত্র-অ্যালামনাই মিলে ইনসাইট বের করে।
2. AI Pilot Guild: ২০-৩০ জন অ্যালামনাই মেন্টর—প্রতিটি পাইলটে একজন IE, একজন QA, একজন IT/ERP ব্যাকগ্রাউন্ড।
3. Vendor-neutral playbook: কোনো একটি সফটওয়্যার/ভেন্ডর না; বরং “কীভাবে রিকোয়ারমেন্ট লিখতে হয়, কীভাবে ডেমো টেস্ট করতে হয়”—সেটা শেখানো।

এই উদ্যোগগুলো ফ্যাক্টরিকে ভেন্ডর-ডিপেন্ডেন্সি থেকে বাঁচায়।

৬) Bangladesh RMG-এ AI কোথায় সবচেয়ে দ্রুত ROI দেয় (বাস্তবমুখী তালিকা)

অনেক প্রতিষ্ঠান AI শুরু করে “সব কিছু অটোমেট” স্বপ্ন দিয়ে। বেশিরভাগ জায়গায় সেটা ব্যর্থ হয়। ROI দ্রুত আসে যখন আপনি একটা সংকীর্ণ সমস্যায় আঘাত করেন।

আমি RMG অপারেশনে সবচেয়ে প্র্যাক্টিক্যাল ৫টা ইউজ-কেস দেখি:

1. ইনলাইন ভিশন ইনস্পেকশন: সেলাই স্কিপ, দাগ, হোল—ডিফেক্ট রেট কমানো, রিওয়ার্ক বাঁচানো
2. ডিমান্ড/প্রোডাকশন ফোরকাস্টিং: অর্ডার মিক্স বুঝে লাইন ব্যালান্সিং, প্ল্যানিং উন্নত
3. Predictive maintenance: কমপ্রেসর, বয়লার, ডাইং মেশিন—ডাউনটাইম আগেই ধরা
4. Fabric & shade analytics: ডাইং শেড ভ্যারিয়েশন/রিপিট সমস্যা কমানো (ডেটা ডিসিপ্লিন দরকার)
5. ESG & compliance reporting automation: ডেটা সংগ্রহে মানব-ঘণ্টা কমানো, অডিটের প্রস্তুতি শক্ত

এগুলোর প্রতিটিতে ইন্ডাস্ট্রি-অ্যাকাডেমিয়া কোলাবোরেশন বড় ভূমিকা রাখতে পারে—কারণ ডেটা ক্লিনিং, বেসলাইনিং, টেস্ট ডিজাইন—সবই মেথডোলজিকাল কাজ।

৭) ২০২৬-এর জন্য “AI-ready factory + AI-ready graduate” রোডম্যাপ

রিইউনিয়নের মূল বার্তা ছিল ঐক্য, নেটওয়ার্ক, এবং ভবিষ্যৎ নেতৃত্ব। আমি সেটাকে ২০২৬-এর জন্য দুইটা ট্র্যাকে নামিয়ে আনছি—একটা ফ্যাক্টরির জন্য, একটা ইউনিভার্সিটি/অ্যালামনাইয়ের জন্য।

AI-ready factory: ৯০ দিনের চেকলিস্ট

• Day 1-15: একটি প্রোবলেম বাছুন (যেমন টপ ৩ ডিফেক্ট), KPI ও বেসলাইন সেট করুন
• Day 16-30: ডেটা সোর্স ম্যাপিং (লাইন, QC, ERP, মেশিন লগ), ডেটা ক্লিনিং
• Day 31-60: ছোট পাইলট (এক লাইন/এক মেশিন), স্পষ্ট A/B কম্প্যারিজন
• Day 61-90: SOP আপডেট, ট্রেনিং, স্কেলিং প্ল্যান, অডিট লগ সেটআপ

AI-ready graduate: স্কিল স্ট্যাক

• প্রসেস নলেজ + ডেটা বেসিক (দুটো একসাথে)
• রিপোর্টিং অটোমেশন (Excel-ভিত্তিক ম্যানুয়াল কাজ কমানো)
• ভিজ্যুয়াল কিউএ কনসেপ্ট (ডিফেক্ট ট্যাক্সোনমি)
• কমিউনিকেশন: “ফ্যাক্টরি সমস্যাকে ডেটা সমস্যায়” অনুবাদ করার ক্ষমতা

এখানেই TEAACU টাইপ নেটওয়ার্ক ফ্যাক্টরি-রেডি মেন্টরশিপ দিতে পারে—যেটা অনেক সময় ট্র্যাডিশনাল ক্লাসরুমে পাওয়া যায় না।

যেখানে এই রিইউনিয়ন সিরিজের গল্পের সাথে মিলে যায়

এই সিরিজে আমরা বারবার একটা জিনিসই দেখছি: বাংলাদেশের টেক্সটাইল ও গার্মেন্টস শিল্পে কৃত্রিম বুদ্ধিমত্তা সফল হয় তখনই, যখন প্রযুক্তি আর মানুষকে একসাথে ডিজাইন করা হয়। TEAACU-এর ২০ বছরের যাত্রা আর ৩,২০০+ অ্যালামনাই নেটওয়ার্ক দেখায়—এই “মানুষের অংশটা” তৈরি করা সম্ভব, এবং সেটা স্কেলেবলও।

আপনি যদি ফ্যাক্টরি লিডার হন, আপনার পরের AI মিটিংটা সফটওয়্যার ডেমো দিয়ে শুরু করবেন না। শুরু করুন একটা অপারেশনাল সমস্যা, একটা মাপা যাবে এমন KPI, এবং একটি যৌথ টিম দিয়ে—যেখানে ইউনিভার্সিটি, অ্যালামনাই, এবং ফ্যাক্টরি এক টেবিলে।

আর আপনি যদি স্টুডেন্ট/অ্যালামনাই হন—আপনার সবচেয়ে বড় অ্যাডভান্টেজ সিভি নয়; আপনার নেটওয়ার্কের মাধ্যমে বাস্তব সমস্যায় হাত দেওয়ার সুযোগ।

আপনার প্রতিষ্ঠানে AI পাইলট শুরু করতে চাইলে—আপনি কোন একটাকে আগে ধরবেন: ইনলাইন ডিফেক্ট, মেশিন ডাউনটাইম, নাকি ESG রিপোর্টিং?