রেকর্ড করা মিটিং একটি কম ব্যবহৃত জ্ঞানসম্পদ. এগুলো খুঁজে পাওয়া কঠিন, আবার দেখতেও সময় লাগে, আর টিম ড্রাইভে আলাদা আলাদা থাকে—ফলে মূল্যবান অন্তর্দৃষ্টি প্রায়ই চোখ এড়িয়ে যায়.
এক দিনের হ্যাকাথনে তিনজনের একটি দল Callombia তৈরি করেছে. এটি একটি অভ্যন্তরীণ প্ল্যাটফর্ম, যা রেকর্ড করা কল স্বয়ংক্রিয়ভাবে ট্রান্সক্রাইব, ট্যাগ, সারসংক্ষেপ ও ক্লিপ করে বিশ্বজুড়ে অফিসগুলোর জন্য ব্যবহারযোগ্য YouTube-ধাঁচের অনুসন্ধানযোগ্য রিপোজিটরিতে রাখে.
সমাধানটি পুরোপুরি Codex দিয়ে তৈরি; এটি OpenAI এমবেডিংস ও কোসাইন সিমিলারিটি-চালিত সেমান্টিক সার্চ ব্যবহার করে, তাই নির্দিষ্ট কীওয়ার্ড না থাকলেও প্রাসঙ্গিক মুহূর্ত সামনে আসে; এর ওপর রয়েছে RAG চ্যাটবট ও নোটিফিকেশন সিস্টেম.
যে কাজ একসময় কয়েক সপ্তাহ লাগত, তা সাত ঘণ্টায় ডেলিভার হয়েছে—এতে দেখা যায় Codex-এর মতো কোডিং এজেন্ট দিয়ে AI-নেটিভ ডেভেলপমেন্ট কীভাবে পণ্য উন্নয়নচক্রকে নাটকীয়ভাবে ছোট করতে পারে এবং অভ্যন্তরীণ হ্যাকাথন থেকে বাস্তব ব্যবসায়িক মূল্য বের করে আনতে পারে.
আপনি যদি আমার মতো হন, রেকর্ড করা মিটিং আবার শোনার সময় (বা মনোযোগ) আপনারও খুব কমই থাকে. কারণ এতে সাধারণত অগোছালো টিম ড্রাইভে খোঁজাখুঁজি করতে হয়, নিম্নমানের হালকা আলাপ এড়িয়ে যেতে হয়, আর ইমেইল ও মেসেজ পাঠাতে পাঠাতে সত্যি সত্যি শোনার চেষ্টা করতে হয়.
কিন্তু হয়তো বিষয়টা এমন হওয়ার দরকার নেই? হয়তো আমরা এমন কিছু বানাতে পারি, যা রেকর্ড করা মিটিংয়ের অভিজ্ঞতাই বদলে দেবে? আমাদের সাম্প্রতিক হ্যাকাথন প্রকল্পের পেছনে ভাবনাটা ছিল এটাই.
মাত্র এক দিনে আমাদের ইঞ্জিনিয়ারিং, ডেলিভারি ও অপস টিমের ৫০ জন ব্যবসার বিভিন্ন অংশ থেকে আসা নানা সমস্যার বিবৃতি নিয়ে কাজ করেছে—হায়ারিং অপস স্কেল করা, SoW তৈরি সহজ করা, প্রকল্পের স্বাস্থ্য বোঝা, লাইভ প্রোটোটাইপ তৈরি এবং রেকর্ড করা মিটিং থেকে অন্তর্দৃষ্টি তুলে আনা.
এই Codex-ভিত্তিক হ্যাকাথনে আমরা Callombia তৈরি করেছি. Callombia আমাদের ব্যবসার YouTube, যা প্রতিটি কলকে জীবন্ত অনুসন্ধানযোগ্য সম্পদে পরিণত করে. প্রতিটি কল স্বয়ংক্রিয়ভাবে ট্রান্সক্রাইব, ট্যাগ ও সারসংক্ষেপ করা হয়, এরপর বিষয়ভিত্তিক ক্লিপে কেটে চ্যানেল (ক্লায়েন্ট) এবং টপিক (AI বিশেষায়নের ক্ষেত্র) অনুযায়ী সাজানো একটি রিপোজিটরিতে যোগ করা হয়. এর ফলে লন্ডন, এডিনবরো, সিঙ্গাপুর ও অস্ট্রেলিয়ার যেকোনো টিম সদস্য কলের যে মুহূর্তগুলো তাদের দরকার, সেগুলো সঙ্গে সঙ্গে পেতে পারেন.
পরিচিত ও ব্র্যান্ডসম্মত ইউজার ইন্টারফেস কনটেন্ট খুঁজে পাওয়াকে সহজাত করে তোলে, আর সেমান্টিক সার্চ (এবং অবশ্যই RAG AI চ্যাটবট) মানুষকে তারা যা নির্দিষ্টভাবে খুঁজছেন তা পেতে সাহায্য করে. একটি নোটিফিকেশন সিস্টেম যোগ করায় সহকর্মীরা নির্দিষ্ট টপিকে সাবস্ক্রাইব করতে পারেন এবং তাদের জন্য প্রাসঙ্গিক কোনো নতুন ক্লিপ প্রকাশিত হলে নোটিফিকেশন পেতে পারেন.
তবে Callombia-র সবচেয়ে মজার বিষয় পণ্যটি নয়, কিংবা হ্যাকাথন জেতার £2k পুরস্কারও নয় (একটু দেখানো হলো), বরং দুইজন ইঞ্জিনিয়ার ও একজন ডেলিভারি লিড নিয়ে মাত্র সাত ঘণ্টায় আমরা এই সবকিছু বানাতে পেরেছি—এটাই. এক বছর আগে এটা সম্ভব ছিল না. কোডিং এজেন্টের উন্নতি পণ্য উন্নয়নের শুরু থেকে শেষ পর্যন্ত পুরো প্রক্রিয়াকে অনেক দ্রুত করেছে, আর এই হ্যাকাথন তার অসম সীমান্তগুলো বোঝার জন্য দারুণ পরীক্ষার ক্ষেত্র হয়েছে. তাহলে আমরা Codex কীভাবে ব্যবহার করেছি?
শুধু অনেকগুলো রিকোয়ারমেন্ট লেখার বদলে আমরা শুরু করেছিলাম সমস্যার ক্ষেত্র ও Callombia-র ভিশন নিয়ে আমাদের সম্মিলিত দৃষ্টিভঙ্গি (প্রম্পট হিসেবে) শেয়ার করে. ইচ্ছাকৃতভাবে অস্পষ্ট থাকায় আমরা মডেলকে কাজটা করতে দিয়েছি এবং সৃজনশীলভাবে ভাবার সুযোগ দিয়েছি:
১০ মিনিটের আলোচনার পর আমরা রিকোয়ারমেন্ট সীমিত করতে এবং বিল্ডের কারিগরি অংশ নির্ধারণে সাহায্য করতে প্ল্যান মোড চালু করি. প্ল্যান মোড এমন লাগে, যেন সেই বিরক্তিকর বন্ধুর প্রশ্নের উত্তর দিচ্ছেন, যে (সহায়কভাবেই) সম্ভাব্য প্রতিটি পরিস্থিতি ভেবে রেখেছে. ভিডিওর সংখ্যা, সেমান্টিক নাকি কীওয়ার্ড সার্চ, এবং আমরা কোন আর্কিটেকচার ব্যবহার করব—এসব বিষয়ে একমত হওয়ার পর এটি একটি markdown ফাইল তৈরি করে, যা সেখান থেকে প্রকল্পের ভিত্তি হয়ে ওঠে.
পরিকল্পনা হয়ে গেলে পরের ধাপ ছিল সেই মূল কম্পোনেন্টগুলো তৈরি করা, যা Callombia-কে সত্যিকারের কাজ করাবে. এর মানে ছিল রেকর্ড করা কল থেকে অনুসন্ধানযোগ্য সম্পদে যাওয়ার একটি পাইপলাইন তৈরি করা:
ভিডিও ও ট্রান্সক্রিপ্ট ইনজেস্ট করা,
সেগুলোকে অর্থবহ মুহূর্তে ভাগ করা,
সারসংক্ষেপ ও ট্যাগ দিয়ে সেগুলো সমৃদ্ধ করা,
ফ্রন্টএন্ড ব্যবহার করতে পারে এমন API-এর মাধ্যমে সেগুলো উন্মুক্ত করা.
Ed বেশি মনোযোগ দিয়েছিল কাঁচা রেকর্ডিং ও ট্রান্সক্রিপ্ট ডেটাকে ব্যবহারযোগ্য ফরম্যাটে আনার দিকে, আর Nico বেশি মনোযোগ দিয়েছিল রিট্রিভাল লেয়ারে, যা সেই মুহূর্তগুলোকে খুঁজে পাওয়া সহজ করবে. Codex ব্যবহার করে তারা দুজনই ডেটা মডেল, এক্সট্রাকশন স্ক্রিপ্ট এবং ব্যাকএন্ড প্লাম্বিং হাতে করলে যত সময় লাগত তার চেয়ে অনেক দ্রুত দাঁড় করাতে পেরেছিল. এতে আমরা ভিডিওর সঙ্গে যুক্ত একটি ট্রান্সক্রিপ্টের চেয়েও অনেক বেশি কিছু পেলাম. আমরা পেলাম মুহূর্তগুলো: Tesco অংশ, কৌশলগত আপডেট, নিয়োগ নিয়ে আলোচনা, একটি কলের সেই নির্দিষ্ট ৯০ সেকেন্ড যা কেউ সত্যিই দেখতে চায়.
রিট্রিভাল লেয়ারেই বিষয়গুলো বিশেষভাবে আকর্ষণীয় হয়ে উঠেছিল. আমরা চেয়েছিলাম কেউ “আর্থিক পারফরম্যান্স”, “Tesco রোডম্যাপ” বা “কনভারসেশন ইভ্যালস” ধরনের কিছু লিখলে তাকে সবচেয়ে প্রাসঙ্গিক ক্লিপে নিয়ে যাওয়া হবে, এমনকি ওই নির্দিষ্ট শব্দগুলো কখনো বলা না হলেও. এটি করতে আমরা টাইমস্ট্যাম্প, সারসংক্ষেপ, ট্রান্সক্রিপ্ট টেক্সট ও মেটাডেটাসহ চাঙ্ক তৈরি করেছি. স্পষ্ট আর্কিটেকচার মাথায় রেখে এবং Codex-এর অনেক সাহায্যে আমরা টপিক, সারসংক্ষেপ ও ট্রান্সক্রিপ্ট একত্র করে একটি ইনপুট বানিয়েছি এবং প্রতিটি চাঙ্কের জন্য এমবেডিং তৈরি করতে OpenAI-এর text-embedding-3-small মডেল ব্যবহার করেছি. আমরা সেই এমবেডিংগুলো আমাদের ডেটাবেসে সংরক্ষণ করেছি এবং ব্যবহারকারীর কোয়েরিকে প্রতিটি চাঙ্কের সঙ্গে তুলনা করতে কোসাইন সিমিলারিটি ব্যবহার করেছি, ফলে সাধারণ কীওয়ার্ড সার্চের বদলে একটি সেমান্টিক রিট্রিভাল লেয়ার পেয়েছি.
নির্ভুলতার ক্ষেত্রে এটি দারুণ কাজ করেছে এবং হ্যাকাথন ডেমোর সময় পণ্যটিকে “জাদুর” অনুভূতি দিয়েছে. একই সময়ে আমরা জানতাম, ভিডিওর সংখ্যা বাড়তে থাকলে এই পদ্ধতি চিরকাল স্কেল করবে না, কারণ প্রতিটি কোয়েরিকে প্রতিটি চাঙ্কের সঙ্গে তুলনা করা একসময় খুব ব্যয়বহুল হয়ে যাবে. স্বাভাবিক পরবর্তী ধাপ হবে আরও দক্ষ রিট্রিভাল কৌশল, যেমন Hierarchical Navigable Small World, চালু করা, যাতে তুলনার সংখ্যা কমে এবং করপাস বড় হলেও লেটেন্সি কম থাকে. এই ফিচারটি কাজ করতে শুরু করার পর Callombia আর কেবল মিডিয়া লাইব্রেরি মনে হচ্ছিল না, বরং জ্ঞানব্যবস্থার মতো লাগছিল.
সব ভালো হ্যাকাথনের মতো ওই অংশেও ইটারেশন দরকার ছিল: প্রথম দিকের চাঙ্ক বাউন্ডারি খুব খসখসে ছিল, কিছু টাইমস্ট্যাম্প আরও নিখুঁত করা দরকার ছিল, কিছু ট্যাগ খুব বিস্তৃত ছিল, আর ট্রান্সক্রিপ্ট ও রেকর্ডিং ফাইল সবসময় সুন্দরভাবে মেলেনি. কিন্তু সেখানেই মূল্যটা স্পষ্ট হয়েছে. Codex আমাদের সেটআপ ও পুনরায় কাজের ঝামেলায় আটকে না রেখে দ্রুত সিস্টেমটি পরিমার্জন করতে দিয়েছে. শেষ পর্যন্ত আমাদের এমন একটি ব্যাকএন্ড দাঁড়ায়, যা ক্লিপ, স্নিপেট এবং সত্যিকারের কাজে লাগে এমন সেমান্টিক সার্চ চালাতে পারে; তখনই Callombia কেবল হ্যাকাথন ডেমো নয়, বাস্তব পণ্যের মতো মনে হতে শুরু করে.
Ed ও Nico যখন ইনজেশন ও বুদ্ধিমত্তা লেয়ার বানাচ্ছিল, আমি তখন ফ্রন্টএন্ড বানিয়েছি. আমাদের ফুল-স্ট্যাক টেমপ্লেট ব্যবহার করে কোনো কোডের একটি লাইনও না লিখে আমি দ্রুত ওয়েবসাইটের প্রথম সংস্করণ দাঁড় করাতে পেরেছিলাম. ওয়েবসাইটটি আমার ব্রাউজারে লোকালি খুলতে বলার পর, আমি নকশাটি আমার চাহিদামতো করতে সহজ বুলেট-পয়েন্ট ফিডব্যাক দিতাম.
প্রায় এক ঘণ্টা এভাবে কথাবার্তার পর আমার হাতে এমন কিছু ছিল, যেটি নিয়ে আমি বেশ সন্তুষ্ট; UI বা ডিজাইনে কোনো অভিজ্ঞতা ছাড়াই. চূড়ান্ত পণ্যটি নিখুঁত নয় ঠিকই, তবে এটি বেশ ভালো প্রথম সংস্করণ, যা মানুষকে পণ্যটি বুঝতে সাহায্য করে.
দিনের শেষে যেন কিছু হাতে থাকে, তা নিশ্চিত করতে আমরা নিজেদের মধ্যে কাজ ভাগ করে নিয়েছিলাম. স্বাভাবিকভাবেই, কয়েক ঘণ্টা আধা-স্বতন্ত্রভাবে কাজ করার পর আমাদের সবার নিজের নিজের লোকাল ব্রাঞ্চে প্রচুর কনফ্লিক্ট তৈরি হয়েছিল.
যে সময় আমাদের ছিল না, তা ব্যয় করে সতর্কভাবে কনফ্লিক্ট খুঁজে সমাধান করার বদলে আমরা সিদ্ধান্ত নিলাম Codex-কে রিপোগুলোর ওপর ছেড়ে দিই, যেন সে নিজেই কনফ্লিক্ট ঠিক করে. এন্টারপ্রাইজ-গ্রেড সফটওয়্যার ডেভেলপমেন্টে এখনই আমরা এটি সুপারিশ করব না, তবে কম ঝুঁকির পরিবেশে এর কার্যকারিতা দেখা সত্যিই অসাধারণ, আর এতে আমাদের অনেক ঘণ্টা বেঁচেছে.
হ্যাকাথনের শেষ অংশ ছিল বিচারকদের জন্য Callombia-র ডেমো রেকর্ড করা. স্বভাবতই রেকর্ডিংয়ের জন্য Loom খুলতে ইচ্ছা করছিল, কিন্তু আমরা ভাবলাম এটি Codex-এর জন্য সত্যিকারের পরীক্ষা হতে পারে এবং তার বর্তমান সক্ষমতার কিছুটা বাইরের কাজও হতে পারে. তাই… আমরা একটি প্রম্পট লিখলাম, তাকে Callombia ওয়েবসাইটের একটি লিংক দিলাম, OpenAI-এর ডেভেলপার প্ল্যাটফর্মে আমার কণ্ঠের একটি রেকর্ডিং যোগ করলাম, এবং বাকি কাজ করতে বললাম.
প্রথম চেষ্টাই খুব চমকপ্রদ ছিল—এটি একটি ডেমো স্ক্রিপ্ট লিখেছিল, স্ক্রিন রেকর্ড করেছিল, আমার ভয়েসওভার যোগ করেছিল, এবং মোটামুটি ব্রিফ পূরণ করেছিল. একমাত্র যে বিষয়ে আমরা সঙ্গে সঙ্গে সন্তুষ্ট হইনি তা ছিল ডেমো রেকর্ডিংয়ের সঙ্গে ভয়েসওভার মিলিয়ে দেওয়া, তাই আমরা তাকে বললাম “আবশ্যক: ডেমোতে যা দেখানো হচ্ছে তার সঙ্গে ভয়েসওভার ঠিকভাবে মিলিয়ে দাও. অমিল ছিল (যেমন চ্যাট পেজে). শেষে ভয়েসওভার ও স্ক্রিন-রেকর্ড করা ডেমোর মিল তিনবার যাচাই করো. যেকোনোভাবে সম্ভব হলে মিলিয়ে দাও.”
এই অনুরোধের জবাবে Codex ভয়েসওভার ও রেকর্ডিংকে ছোট ছোট অংশে ভাগ করে কাজটি প্রায় নিখুঁতভাবে সম্পন্ন করল—ঠিক বিকেল ৫:৩০-এর মধ্যে, উদযাপনের বিয়ার/পিজার সময়ে.
আমরা জানি Callombia এমন একটি সমস্যা সমাধান করে, যা বেশিরভাগ ব্যবসারই আছে. দ্রুত বড় হতে থাকা কোম্পানিতে প্রতিটি কলে উপস্থিত থাকা কঠিন, কিন্তু এসব কলে শেয়ার হওয়া জ্ঞানের ছোট ছোট রত্ন অমূল্য. এখন শুধু এটিকে প্রোডাকশনে নিতে হবে.
তবে এখানে AI-নেটিভ হওয়ার আরও বড় শিক্ষা আছে, এবং অভিন্ন সমস্যা মোকাবিলায় ইঞ্জিনিয়ারিং ও পণ্যবোধ বিনিয়োগ করার লাভও আছে. আমাদের নিয়মিত কাজের চক্রের বাইরে বেরিয়ে, টিমগুলোর মধ্যে সহযোগিতা করে এবং সবকিছু একটি আধা-প্রতিযোগিতামূলক পরিবেশে করে আমরা বেশ কিছু সমাধান পেয়েছি, যেগুলো কিছু পরিবর্তন করলেই প্রোডাকশনে নেওয়া যেতে পারে. এটি নিয়মিত করলে আমরা নিশ্চিত করতে পারব, গ্রাহকদের জন্য যে সমাধানগুলো তৈরি করি, অভ্যন্তরীণভাবেও আমরা ততটাই ঝকঝকে ও কার্যকর.