AI-Ready Textile Talent: TEAACU Reunion থেকে শিক্ষা

বাংলাদেশের টেক্সটাইল ও গার্মেন্টস শিল্পে কৃত্রিম বুদ্ধিমত্তা (AI) ঢোকা এখন আর “ভবিষ্যতের প্ল্যান” না—এটা ২০২৬ সালের বাজেট, জনবল পরিকল্পনা, এবং বায়ার কমপ্লায়েন্স রোডম্যাপের অংশ। কিন্তু বাস্তব প্রশ্নটা খুব সোজা: AI প্রজেক্ট কে চালাবে—কারা ডেটা বুঝবে, কারা ফ্যাক্টরির বাস্তব সমস্যা বুঝবে, আর কারা দুটোকে একসাথে জুড়তে পারবে?

এই জায়গায় TEAACU (Textile Engineers Alumni Association of City University)–এর ২য় গ্র্যান্ড রিইউনিয়নটা শুধু একটা আবেগঘন মিলনমেলা ছিল না। ২০ বছর ধরে ৩,২০০+ গ্র্যাজুয়েট তৈরি করা একটি নেটওয়ার্ক যখন একই ছাদের নিচে বসে, তখন সেটা আসলে AI-adoption-এর জন্য একটি প্রস্তুত “ইকোসিস্টেম”—যেখানে স্কিল, ইন্ডাস্ট্রি এক্সেস, আর বাস্তব কাজের অভিজ্ঞতা একসাথে থাকে।

এই পোস্টটা আমাদের সিরিজ “বাংলাদেশের টেক্সটাইল ও গার্মেন্টস শিল্পে কৃত্রিম বুদ্ধিমত্তা কীভাবে পরিবর্তন আনছে”–এর অংশ হিসেবে দেখাবে: TEAACU–এর মতো অ্যালামনাই নেটওয়ার্ক কীভাবে AI ইন্টিগ্রেশনের গতি বাড়াতে পারে, বিশ্ববিদ্যালয়-ইন্ডাস্ট্রি সহযোগিতা কোথায় আটকে যায়, আর ২০২৬-এ ঢুকতে ঢুকতে ফ্যাক্টরি, ব্র্যান্ড, ও শিক্ষা প্রতিষ্ঠানের কী করা উচিত।

TEAACU রিইউনিয়ন আসলে কী প্রমাণ করে

উত্তরটা এক লাইনে: বাংলাদেশে AI-ready টেক্সটাইল ও গার্মেন্টস ট্রান্সফর্মেশনের সবচেয়ে বড় সম্পদ হচ্ছে মানুষের নেটওয়ার্ক—যেটা স্কিল ও সিদ্ধান্তকে দ্রুত মাঠে নামাতে পারে।

City University–এর টেক্সটাইল ডিপার্টমেন্টের ২০ বছর পূর্তি উপলক্ষে TEAACU ২য় গ্র্যান্ড রিইউনিয়নে একটা বিষয় স্পষ্ট ছিল: অ্যালামনাই নেটওয়ার্ক শুধু চাকরি বা পরিচিতির প্ল্যাটফর্ম নয়, এটা এখন প্রফেশনাল অ্যাডভোকেসি, নলেজ শেয়ারিং, এবং ইন্ডাস্ট্রি-অ্যাকাডেমিয়া সিঙ্ক করার মাধ্যম।

ইভেন্টে দুইটা সেশন ছিল—একটা “হোমকামিং” ধরনের অ্যালামনাই নেটওয়ার্কিং, আরেকটা কর্পোরেট ফোরাম যেখানে একাডেমিয়া, ইন্ডাস্ট্রি লিডার, ও পলিসি-ইনফ্লুয়েন্সারদের উপস্থিতি ছিল। এই দুইটা সেশনই AI প্রসঙ্গে খুব কাজে লাগে, কারণ:

• নেটওয়ার্কিং সেশন প্রজেক্ট টিম গঠন করে (ডেটা, প্রসেস, মেশিন—সবাইকে এক টেবিলে আনে)
• কর্পোরেট ফোরাম স্ট্যান্ডার্ড, কমপ্লায়েন্স, ও বিনিয়োগ সিদ্ধান্ত দ্রুত করে

Vice Chancellor Brigadier General Professor Dr Engr. Md. Lutfor Rahman (Retd.)–এর বক্তব্যে “Unity is strength” টাইপ বার্তা আসলে AI বাস্তবতায় আরও বেশি সত্য: একটা ফ্যাক্টরির AI উদ্যোগ আটকে যায় যখন ডেটা-টিম, প্রোডাকশন, QA, আর HR আলাদা আলাদা ভাষায় কথা বলে। অ্যালামনাই নেটওয়ার্ক এই ভাষার অনুবাদটা করতে পারে।

“আপনি AI টুল কিনলেই AI ট্রান্সফর্মেশন হয় না—AI ট্রান্সফর্মেশন হয় যখন মানুষ একই মেট্রিক, একই ডেটা, একই সিদ্ধান্ত কাঠামোতে কাজ করে।”

বাংলাদেশে টেক্সটাইল ও গার্মেন্টসে AI: ‘টুল’ না, ‘টিম’ সমস্যা

উত্তরটা পরিষ্কার: AI adoption ব্যর্থ হয় কারণ স্কিল-গ্যাপ আর কমিউনিকেশন গ্যাপ—টুলের ঘাটতি নয়।

অনেক ফ্যাক্টরি ২০২৪-২০২৫ সময়জুড়ে ERP, MES, অটোমেশন, অথবা ভিশন ইনস্পেকশনের কথা শুনে “AI প্রজেক্ট” ঘোষণা করেছে। কিন্তু মাঠে গিয়ে দেখা যায়—ডেটা প্রস্তুত না, SOP স্পষ্ট না, আর ম্যানেজাররা ROI মাপতে জানেন না।

TEAACU–এর মতো প্ল্যাটফর্ম এখানে তিনভাবে কাজ করতে পারে:

১) ফ্যাক্টরি সমস্যাকে AI ইউজ-কেসে অনুবাদ

একজন প্রোডাকশন ম্যানেজার বলবেন, “DHU কমাতে হবে।” ডেটা সায়েন্টিস্ট বলবেন, “ডেটা কোথায়?” মাঝখানে দরকার টেক্সটাইল ইঞ্জিনিয়ার যিনি বুঝবেন:

• কোন প্রসেস স্টেজে ডিফেক্ট রেট বাড়ে
• কোন প্যারামিটারগুলো (টেনশন, স্পিড, টেম্পারেচার, কেমিক্যাল ডোজ) আসলে ড্রাইভার
• ডেটা সংগ্রহ না থাকলে কীভাবে প্রথমে ম্যানুয়াল লগ + স্যাম্পলিং দিয়ে শুরু করা যায়

২) AI-Ready নেতৃত্ব তৈরি

General Secretary Limon Khan যে ethical leadership ও sustainable practices–এর কথা বলেছেন, সেটা AI-এর ক্ষেত্রেও জরুরি। কারণ ESG রিপোর্টিং, ট্রেসেবিলিটি, ও অডিটে AI ব্যবহার করলে—ডেটার সততা, বায়াস, ও প্রাইভেসি ইস্যু সামনে আসে। AI “শর্টকাট” হতে পারে না; বরং সঠিক ডেটা গভর্নেন্স না থাকলে AI ঝুঁকি বাড়ায়।

৩) দ্রুত স্কিল আপগ্রেড

Program Coordinator Engr. Md. Arifuzzaman–এর বক্তব্য ছিল কারিকুলামকে ফ্যাক্টরির দ্রুত বদলানো টেক-নিডসের সাথে মিলিয়ে নেওয়ার কথা। আমি এখানে একটু কড়া কথা বলব: কারিকুলাম যদি AI-বেসিক (ডেটা লিটারেসি, স্ট্যাটিস্টিক্যাল প্রসেস কন্ট্রোল, সেন্সর ডেটা, ভিশন QA) না শেখায়, ফ্যাক্টরি ট্রেনিং দিয়ে গ্যাপ পূরণ করতে ১৮-২৪ মাস লেগে যাবে। এই সময়টা এখন অনেক কোম্পানির হাতে নেই।

TEAACU-ধরনের নেটওয়ার্ক AI ট্রান্সফার কীভাবে দ্রুত করে

উত্তরটা: নেটওয়ার্ক “ট্যালেন্ট”, “ট্রাস্ট”, এবং “টেস্টবেড” একসাথে দেয়—যেটা AI পাইলটকে প্রোডাকশনে নিতে লাগে।

TEAACU প্রেসিডেন্ট Engr. Md. Zahurul Islam Rojen বলেছেন এই নেটওয়ার্ক “family of textile engineers”। AI প্রজেক্টে এই “family” ধারণার বাস্তব মূল্য আছে—কারণ ফ্যাক্টরিতে নতুন সিস্টেম বসাতে গেলে সবাই প্রথমে সন্দেহ করে: ডেটা শেয়ার করলে কী হবে, জব যাবে কিনা, KPI বদলাবে কিনা। পরিচিত অ্যালামনাই কানেকশন অনেক সময় ট্রাস্ট গঠন করে।

AI adoption-এ TEAACU বা অনুরূপ অ্যালামনাই কমিউনিটি যে তিনটা জিনিস করতে পারে:

1. AI Mentorship Pool: সিনিয়র অ্যালামনাইরা ৬-৮ সপ্তাহের মেন্টরশিপে জুনিয়রদের একটি নির্দিষ্ট ইউজ-কেস (যেমন fabric inspection) ডেলিভার করাবে।
2. Shared Use-Case Library: “কোন ডেটা লাগবে, কোন KPI, কোন SOP”—এমন টেমপ্লেট শেয়ার করলে প্রতিটা ফ্যাক্টরি শূন্য থেকে শুরু করবে না।
3. Factory-Academia Pilot Slots: বছরে ১০টা পাইলট—৩টা স্পিনিং/ওয়েভিং, ৪টা ডাইং, ৩টা গার্মেন্টস—এভাবে “টেস্টবেড” বানালে স্থানীয় স্কিল দ্রুত ম্যাচিউর হবে।

Shohag Sen–এর বক্তব্যে “alumni fully sponsored”–এর যে দিকটা আছে, সেটা আরেকটা বাস্তবতা দেখায়: ইন্ডাস্ট্রি স্পনসরশিপ মানে ইন্ডাস্ট্রি বিশ্বাস করছে—এই নেটওয়ার্ক থেকে কাজের আউটপুট আসবে। AI পাইলটে বিশ্বাসই বাজেট আনে।

২০২৬ সালে ফ্যাক্টরিগুলো কোথায় AI সবচেয়ে বেশি ব্যবহার করছে (এবং করবে)

উত্তরটা: মান নিয়ন্ত্রণ, প্ল্যানিং, এনার্জি অপ্টিমাইজেশন, এবং কমপ্লায়েন্স রিপোর্টিং—এই চারটা জায়গায় AI ROI সবচেয়ে দ্রুত আসে।

TEAACU রিইউনিয়নে “innovation challenges” ও “high-value-added products”–এর আলোচনা উঠেছে। হাই ভ্যালু অ্যাডেডে যেতে হলে প্রথমে ভ্যারিয়েশন কমাতে হবে—এবং সেটার সবচেয়ে সরাসরি পথ হলো ডেটা + AI। বাস্তব ইউজ-কেসগুলো:

মান নিয়ন্ত্রণ (AI Vision Inspection)

• Fabric defects, shade variation, seam issues ধরতে ক্যামেরা + মডেল
• ফলাফল: দ্রুত রিজেকশন ডিটেকশন, কম রিওয়ার্ক, কম রিটার্ন

প্রোডাকশন প্ল্যানিং ও লাইনে ব্যালান্সিং

• ঐতিহাসিক আউটপুট + SMV + অপারেটর স্কিল ম্যাট্রিক্স দিয়ে লাইন সেটআপ সাজেশন
• ফলাফল: কম বটলনেক, কম WIP, ডেলিভারি রিস্ক কমে

এনার্জি ও ইউটিলিটি অপ্টিমাইজেশন

• বয়লার/চিলার/কমপ্রেসার ডেটা দেখে অ্যানোমালি ডিটেকশন
• ফলাফল: অনাকাঙ্ক্ষিত ডাউনটাইম কমে, ইউনিট কস্ট কমে

ESG/ট্রেসেবিলিটি রিপোর্টিং অটোমেশন

• কাঁচামাল থেকে শিপমেন্ট পর্যন্ত ডেটা সংকলন, অডিট-রেডি ড্যাশবোর্ড
• ফলাফল: বায়ারের প্রশ্নের উত্তর দ্রুত, কম ম্যানুয়াল কাজ

এখানে একটা সতর্কতা: AI বসানোর আগে ডেটা ডিসিপ্লিন লাগবে। কাগজে-কলমে লগ, অসঙ্গত নামিং, একই জিনিসের ৩টা কোড—এগুলো থাকলে AI বাজে আউটপুট দেবে।

ইন্ডাস্ট্রি-অ্যাকাডেমিয়া AI রোডম্যাপ: TEAACU থেকে নেওয়া যায় এমন ৭টি পদক্ষেপ

উত্তরটা: কাজটা ছোট ছোট, কিন্তু ধারাবাহিক পদক্ষেপে করতে হয়—প্রথমে ডেটা, তারপর পাইলট, তারপর স্কেল।

নীচের রোডম্যাপটা আমি ফ্যাক্টরি ও বিশ্ববিদ্যালয়—দুই পক্ষের জন্যই বাস্তবসম্মত মনে করি:

1. একটা “AI Steering Group” বানান (ফ্যাক্টরি + শিক্ষক + অ্যালামনাই), মাসে ১বার মিটিং
2. Top 10 pain points তালিকা করুন (DHU, rework, energy spikes, delivery delay)
3. ডেটা ইনভেন্টরি করুন: কোন মেশিনে কী সেন্সর, কোন সফটওয়্যারে কী লগ আছে
4. ৩ মাসের ২টা পাইলট বাছুন: একটায় দ্রুত ROI, আরেকটায় স্কিল বিল্ডিং
5. KPI আগেই ঠিক করুন: “ডিফেক্ট ১৫% কমবে”—এই ধরনের স্পষ্ট লক্ষ্য
6. ট্রেনিংকে প্রজেক্ট-ভিত্তিক করুন: ২০ ঘণ্টার ক্লাস না; ৬ সপ্তাহে একটি ড্যাশবোর্ড/মডেল ডেলিভারি
7. ডেটা গভর্নেন্স চালু করুন: কে ডেটা এডিট করবে, কীভাবে লগ হবে, কীভাবে অডিট হবে

এই স্টেপগুলো নিলে TEAACU–এর মতো নেটওয়ার্ক সত্যিকার অর্থে “professional growth”–এর পাশাপাশি প্রোডাকশন ইমপ্যাক্ট তৈরি করতে পারে।

লিডারদের জন্য শেষ কথা: AI ট্রান্সফর্মেশন মানে সহযোগিতার নতুন নিয়ম

বাংলাদেশের টেক্সটাইল ও গার্মেন্টস শিল্পে কৃত্রিম বুদ্ধিমত্তা যে পরিবর্তন আনছে, সেটা শুধু সফটওয়্যার কেনা দিয়ে ধরা যায় না। এটা আসলে কাজের পদ্ধতি বদলানো—ডেটা-চালিত সিদ্ধান্ত, স্বচ্ছ কমপ্লায়েন্স, আর দ্রুত স্কিল আপগ্রেড।

TEAACU–এর ২য় গ্র্যান্ড রিইউনিয়ন দেখিয়েছে, আমাদের কাছে সবচেয়ে শক্তিশালী একটা জিনিস আছে: ৩,২০০+ টেক্সটাইল প্রফেশনালদের সংযুক্ত নেটওয়ার্ক। এই নেটওয়ার্ক যদি AI ইউজ-কেস, ট্রেনিং, এবং পাইলট স্কেলে সংগঠিত হয়—তাহলে ২০২৬-এ বাংলাদেশ শুধু “ম্যানুফ্যাকচারিং হাব” থাকবে না, AI-enabled sustainable sourcing hub হিসেবেও দাঁড়াতে পারবে।

আপনার ফ্যাক্টরি বা ইনস্টিটিউশন যদি ২০২৬-এ AI শুরু করতে চায়, একটা সিদ্ধান্ত আজই নিন: আপনি কি একা একা টুল কিনে এগোবেন, নাকি নেটওয়ার্ক-ভিত্তিক সহযোগিতায় দ্রুত শিখে স্কেল করবেন?