(এই পাঠের ভিডিও দেখতে উপরের ছবি ক্লিক করুন)

এই পাঠটি Agentic Retrieval-Augmented Generation (Agentic RAG) সম্পর্কে একটি ব্যাপক ওভারভিউ প্রদান করে, যা একটি উদীয়মান AI প্যারাডাইম যেখানে বড় ভাষার মডেলগুলি (LLMs) স্বয়ংক্রিয়ভাবে তাদের পরবর্তী ধাপগুলি পরিকল্পনা করে যখন তারা বাহ্যিক উৎস থেকে তথ্য সংগ্রহ করে। স্থির retrieval-then-read প্যাটার্নের বিপরীতে, Agentic RAG iterative কল করে LLM-কে, টুল বা ফাংশন কল এবং গঠনগত আউটপুট সহ। সিস্টেম ফলাফল মূল্যায়ন করে, প্রশ্নগুলি পরিমার্জন করে, প্রয়োজনে অতিরিক্ত টুল আহ্বান করে এবং এই চক্রটি চালিয়ে যায় যতক্ষণ না সন্তুষ্টিজনক সমাধান পাওয়া যায়।

এই পাঠে আলোচনা করা হবে

• Agentic RAG বোঝা: AI-তে উদীয়মান প্যারাডাইম সম্পর্কে জানুন যেখানে বড় ভাষার মডেলগুলি (LLMs) স্বয়ংক্রিয়ভাবে তাদের পরবর্তী ধাপ পরিকল্পনা করে যখন বাহ্যিক ডেটা উৎস থেকে তথ্য আহরণ করে।
• Iterative Maker-Checker স্টাইল বোঝা: LLM-এর প্রতি পুনরাবৃত্তিমূলক কলের লুপ বোঝুন, যার মধ্যে টুল বা ফাংশন কল এবং গঠনাগত আউটপুট রয়েছে, যা সঠিকতা উন্নত করতে এবং ভুলভাবে গঠিত প্রশ্নগুলি পরিচালনা করতে ডিজাইন করা হয়েছে।
• বাস্তব প্রয়োগ অনুসন্ধান: সেই পরিস্থিতিগুলি শনাক্ত করুন যেখানে Agentic RAG বিশেষভাবে কার্যকর, যেমন সঠিকতা-প্রথম পরিবেশ, জটিল ডেটাবেস ইন্টারঅ্যাকশন এবং দীর্ঘতর কাজের প্রবাহ।

এই পাঠ সম্পন্ন করার পর, আপনি জানতে পারবেন/বোঝাপড়া পাবেন:

• Agentic RAG বোঝা: AI-তে উদীয়মান প্যারাডাইম সম্পর্কে জানুন যেখানে বড় ভাষার মডেলগুলি (LLMs) স্বয়ংক্রিয়ভাবে তাদের পরবর্তী ধাপ পরিকল্পনা করে যখন বাহ্যিক ডেটা উৎস থেকে তথ্য আহরণ করে।
• Iterative Maker-Checker স্টাইল: LLM-কে পুনরাবৃত্তিমূলক কলের লুপের ধারণা আয়ত্ত করুন, যার মধ্যে টুল বা ফাংশন কল এবং গঠনগত আউটপুট রয়েছে, যা সঠিকতা উন্নত করতে এবং ভুল প্রশ্নগুলি পরিচালনা করতে তৈরি।
• যুক্তি প্রক্রিয়ার স্বত্বাধিকার: সিস্টেমের যুক্তি প্রক্রিয়াটি নিজে পরিচালনা করার ক্ষমতা বুঝুন, পূর্বনির্ধারিত পথের উপর নির্ভর না করে সমস্যা সমাধানে সিদ্ধান্ত গ্রহণ করা।
• ওয়ার্কফ্লো: বোঝুন কিভাবে একটি agentic মডেল স্বতন্ত্রভাবে বাজার প্রবণতা রিপোর্ট সংগ্রহের সিদ্ধান্ত নেয়, প্রতিদ্বন্দ্বী তথ্য সনাক্ত করে, অভ্যন্তরীণ বিক্রয় পরিসংখ্যান সমন্বয় করে, ফলাফল সংক্ষেপ করে এবং কৌশল নির্ণয় করে।
• Iterative লুপ, টুল ইন্টিগ্রেশন এবং মেমোরি: সিস্টেমের একটি লুপযুক্ত ইন্টারঅ্যাকশন প্যাটার্নের উপর নির্ভরশীলতা সম্পর্কে জানুন, যেখানে ধাপগুলির মধ্যে স্টেট এবং মেমোরি বজায় রাখা হয় যাতে পুনরাবৃত্তিমূলক লুপ এড়ানো যায় এবং তথ্যভিত্তিক সিদ্ধান্ত নেওয়া যায়।
• ব্যর্থতা মুড এবং স্ব-সংশোধন পরিচালনা: সিস্টেমের মজবুত স্ব-সংশোধন প্রক্রিয়া অনুসন্ধান করুন, যার মধ্যে পুনরাবৃত্তি এবং পুনঃপ্রশ্ন, ডায়াগনস্টিক টুল ব্যবহার, এবং মানব তদারকি অন্তর্ভুক্ত।
• এজেন্সির সীমাবদ্ধতা: Agentic RAG এর সীমাবদ্ধতা বুঝুন, যেমন ডোমেন-নির্দিষ্ট স্বায়ত্তশাসন, অবকাঠামো নির্ভরশীলতা, এবং গার্ডরেল সম্মান।
• বাস্তব ব্যবহার ক্ষেত্র এবং মূল্য: সেই পরিস্থিতিগুলো শনাক্ত করুন যেখানে Agentic RAG বিশেষভাবে কার্যকর, যেমন সঠিকতা-প্রথম পরিবেশ, জটিল ডেটাবেস ইন্টারঅ্যাকশন এবং দীর্ঘ কাজের প্রবাহ।
• শাসন, স্বচ্ছতা এবং বিশ্বাস: শাসন এবং স্বচ্ছতার গুরুত্ব শেখুন, যার মধ্যে ব্যাখ্যাযোগ্য যুক্তি, পক্ষপাত নিয়ন্ত্রণ এবং মানব তদারকি অন্তর্ভুক্ত।

Agentic Retrieval-Augmented Generation (Agentic RAG) একটি উদীয়মান AI প্যারাডাইম যেখানে বড় ভাষার মডেলগুলি (LLMs) স্বয়ংক্রিয়ভাবে তাদের পরবর্তী ধাপ পরিকল্পনা করে যখন তারা বাহ্যিক উৎস থেকে তথ্য সংগ্রহ করে। স্থির retrieval-then-read প্যাটার্নের পরিবর্তে, Agentic RAG iterative কল করে LLM-কে, টুল বা ফাংশন কল এবং গঠনগত আউটপুট সহ। সিস্টেম ফলাফল মূল্যায়ন করে, প্রশ্ন পরিমার্জন করে, প্রয়োজনে অতিরিক্ত টুল আহ্বান করে এবং এই চক্রটি চালিয়ে যায় যতক্ষণ না সন্তোষজনক সমাধান পাওয়া যায়। এই পুনরাবৃত্তিমূলক “maker-checker” স্টাইল সঠিকতা উন্নত করে, ভুলভাবে গঠিত প্রশ্নগুলি পরিচালনা করে এবং উচ্চ গুণমানের ফলাফল নিশ্চিত করে।

সিস্টেম সক্রিয়ভাবে নিজের যুক্তি প্রক্রিয়া পরিচালনা করে, ব্যর্থ প্রশ্ন পুনঃলিখন করে, ভিন্ন রিট্রিভাল পদ্ধতি নির্বাচন করে এবং একাধিক টুল ইন্টিগ্রেট করে—যেমন Azure AI Search এ ভেক্টর সার্চ, SQL ডেটাবেস, অথবা কাস্টম API—এটি চূড়ান্ত উত্তর দেওয়ার আগে। একটি agentic সিস্টেমের প্রধান বৈশিষ্ট্য হলো এটি নিজের যুক্তি প্রক্রিয়া পরিচালনার ক্ষমতা। প্রচলিত RAG বাস্তবায়নগুলি পূর্বনির্ধারিত পাথের উপর নির্ভর করে, কিন্তু একটি agentic সিস্টেম স্বয়ংক্রিয়ভাবে তথ্যের গুণগত মানের উপর ভিত্তি করে ধাপগুলির ক্রম নির্ধারণ করে।

Agentic Retrieval-Augmented Generation (Agentic RAG) AI উন্নয়নের একটি উদীয়মান প্যারাডাইম যেখানে LLM গুলি কেবল বাহ্যিক ডেটা উৎস থেকে তথ্য সংগ্রহ করে না, বরং স্বয়ংক্রিয়ভাবে তাদের পরবর্তী ধাপ পরিকল্পনা করে। স্থির retrieval-then-read প্যাটার্ন বা সাবধানে স্ক্রিপ্ট করা প্রম্পট সিকোয়েন্সের পরিবর্তে, Agentic RAG একটি লুপের মতো iterative কল করে LLM-কে, টুল বা ফাংশন কল এবং গঠনমূলক আউটপুট সহ। প্রতিটি ধাপে সিস্টেম পেয়েছে ফলাফল মূল্যায়ন করে, প্রশ্ন পরিমার্জিত করা দরকার কিনা তা সিদ্ধান্ত নেয়, প্রয়োজনে অতিরিক্ত টুল আহ্বান করে, এবং এই চক্র চালিয়ে যায় যতক্ষণ না সন্তোষজনক সমাধান পাওয়া যায়।

এই পুনরাবৃত্তিমূলক “maker-checker” অপারেশন স্টাইল সঠিকতা উন্নত করতে, গঠিত ডেটাবেসের ত্রুটিপূর্ণ প্রশ্ন (যেমন NL2SQL) পরিচালনা করতে, এবং সুষম, উচ্চ-মানের ফলাফল নিশ্চিত করতে ডিজাইন করা হয়েছে। শুধুমাত্র সাবধানে পরিকল্পিত প্রম্পট চেইনের উপর নির্ভর না করে, সিস্টেম সক্রিয়ভাবে নিজের যুক্তি প্রক্রিয়া পরিচালনা করে। এটি ব্যর্থ প্রশ্নগুলি পুনঃলিখন করতে পারে, বিভিন্ন রিট্রিভাল পদ্ধতি বেছে নিতে পারে, এবং একাধিক টুল ইন্টিগ্রেট করতে পারে — যেমন Azure AI Search এ ভেক্টর সার্চ, SQL ডাটাবেস, বা কাস্টম API — এর উত্তর চূড়ান্ত করার আগে। এটি অতিরিক্ত জটিল অর্কেস্ট্রেশন ফ্রেমওয়ার্কের প্রয়োজনীয়তা দূর করে। বরং, একটি তুলনামূলক সহজ লুপ “LLM কল → টুল ব্যবহারে → LLM কল → …” উন্নত এবং ভাল ভিত্তিক আউটপুট প্রদান করতে পারে।

একটি সিস্টেমকে “agentic” বানায় এমন বৈশিষ্ট্য হল এটি নিজের যুক্তির প্রক্রিয়া নিয়ন্ত্রণ করার ক্ষমতা। প্রচলিত RAG বাস্তবায়নগুলি সাধারণত মানুষের দ্বারা মডেলের জন্য একটি পথ পূর্বনির্ধারণের ওপর নির্ভর করে: একটি chain-of-thought যা উল্লেখ করে কখন কি রিট্রিভ করতে হবে।

কিন্তু যখন একটি সিস্টেম সত্যিকার অর্থে agentic হয়, তখন এটি অভ্যন্তরীণভাবে সিদ্ধান্ত নেয় কীভাবে সমস্যা সমাধান করা হবে। এটি শুধুমাত্র একটি স্ক্রিপ্ট চালাচ্ছে না; এটি তথ্যের গুণমানের উপর ভিত্তি করে ধাপগুলির ক্রম স্বয়ংক্রিয়ভাবে নির্ধারণ করছে।

উদাহরণস্বরূপ, যদি এটি একটি প্রোডাক্ট লঞ্চ কৌশল তৈরি করতে বললে, এটি শুধু একটি প্রম্পটের উপর নির্ভর করবে না যা পুরো গবেষণা এবং সিদ্ধান্ত গ্রহণের কাজকে বর্ণনা করে। বরং, agentic মডেল স্বতন্ত্রভাবে সিদ্ধান্ত নেয়:

1. Bing Web Grounding ব্যবহার করে বর্তমান বাজার প্রবণতা রিপোর্ট সংগ্রহ করা
2. Azure AI Search ব্যবহার করে প্রাসঙ্গিক প্রতিদ্বন্দ্বী তথ্য সনাক্ত করা।
3. Azure SQL Database ব্যবহার করে ঐতিহাসিক অভ্যন্তরীণ বিক্রয় পরিসংখ্যান তুলনা করা।
4. Azure OpenAI Service এর মাধ্যমে ফলাফলগুলোকে একত্রিত করে একটি সমন্বিত কৌশল তৈরি করা।
5. কৌশলটি গ্যাপ বা অসঙ্গতি জন্য মূল্যায়ন করা, প্রয়োজনে আরও পুনরায় তথ্য আহরণ করা।

এই সমস্ত ধাপগুলো — প্রশ্ন পরিমার্জন, উৎস নির্বাচন, উত্তর নিয়ে “খুশি” না হওয়া পর্যন্ত পুনঃপ্রক্রিয়া — মডেল নিজেই সিদ্ধান্ত নেয়, কোন মানব পূর্বনির্ধারিত স্ক্রিপ্ট নেই।

একটি agentic সিস্টেম একটি লুপযুক্ত ইন্টারঅ্যাকশন প্যাটার্নের উপর নির্ভর করে:

• শুরুতে কল: ব্যবহারকারীর লক্ষ্য (অর্থাৎ ব্যবহারকারী প্রম্পট) LLM-কে প্রদান করা হয়।
• টুল আহ্বান: যদি মডেল গুরুত্বপূর্ণ তথ্য অনুপস্থিত বা অস্পষ্ট নির্দেশনা সনাক্ত করে, এটি একটি টুল বা রিট্রিভাল পদ্ধতি বেছে নেয় — যেমন ভেক্টর ডেটাবেস অনুসন্ধান (যেমন Azure AI Search Hybrid search গোপন ডেটা নিয়ে) অথবা গঠিত SQL কল বেশি প্রসঙ্গ সংগ্রহের জন্য।
• মূল্যায়ন ও পরিমার্জন: ফেরত আসা ডেটা পর্যালোচনা করে মডেল সিদ্ধান্ত নেয় তথ্য যথেষ্ট কিনা। যদি না হয়, এটি প্রশ্ন পরিমার্জন করে, অন্য টুল চেষ্টা করে বা পন্থা সামঞ্জস্য করে।
• সন্তোষজনক না হওয়া পর্যন্ত পুনরাবৃত্তি: এই চক্র চালিয়ে যায় যতক্ষণ না মডেল একটি চূড়ান্ত, ভাল যুক্তিপূর্ণ উত্তর দেওয়ার জন্য যথেষ্ট সুনির্দিষ্টতা এবং প্রমাণ পায়।
• মেমোরি এবং স্টেট: কারণ সিস্টেম ধাপগুলির মধ্যে স্টেট এবং মেমোরি বজায় রাখে, এটি পূর্ববর্তী প্রচেষ্টা এবং ফলাফল স্মরণ করতে পারে, পুনরাবৃত্তিমূলক লুপ এড়াতে এবং এগিয়ে যেতে আরও তথ্যভিত্তিক সিদ্ধান্ত নিতে পারে।

সময়ের সাথে সাথে, এটি যা বোঝা বাড়াচ্ছে তাতে একটি বিকাশমান বোধ তৈরি করে, যার ফলে মডেল জটিল, বহু-ধাপ কাজ দক্ষতার সাথে সম্পন্ন করতে পারে, মানব হস্তক্ষেপ বা প্রম্পট পুনর্গঠন ছাড়াই।

Agentic RAG এর স্বায়ত্তশাসনে শক্তিশালী স্ব-সংশোধন প্রক্রিয়াও অন্তর্ভুক্ত। যখন সিস্টেম অযোগ্য শেষবিন্দুতে পৌঁছায় — যেমন অপ্রাসঙ্গিক ডকুমেন্ট সংগ্রহ বা ভুল প্রশ্নের সম্মুখীন হয় — তখন এটি করতে পারে:

• পুনরাবৃত্তি এবং পুনঃপ্রশ্ন: কম মানের উত্তর দেওয়ার পরিবর্তে, মডেল নতুন অনুসন্ধান কৌশল চেষ্টা করে, ডেটাবেস প্রশ্ন পুনঃলিখন করে, অথবা বিকল্প ডেটা সেট পরীক্ষা করে।
• ডায়াগনস্টিক টুল ব্যবহার: সিস্টেম অতিরিক্ত ফাংশন আহ্বান করতে পারে যা তার যুক্তি ধাপগুলি ডিবাগ করতে বা সংগৃহীত তথ্যের সঠিকতা নিশ্চিত করতে সাহায্য করে। Azure AI Tracing মত টুলগুলি দৃঢ় পর্যবেক্ষণ এবং মনিটরিং সক্ষম করতে গুরুত্বপূর্ণ হবে।
• মানব তদারকির ওপর নির্ভর: উচ্চ ঝুঁকির বা বারবার ব্যর্থ পরিস্থিতিতে, মডেল অনিশ্চয়তা চিহ্নিত করে এবং মানব নির্দেশনার অনুরোধ করতে পারে। একবার মানব সার সঠিক প্রতিক্রিয়া দিলে, মডেল ভবিষ্যতে সেই লেসন অন্তর্ভুক্ত করতে পারে।

এই পুনরাবৃত্তিমূলক এবং গতিশীল পদ্ধতি মডেলকে ক্রমাগত উন্নতির সুযোগ দেয়, নিশ্চয়তা দিয়ে যে এটি শুধুমাত্র একবারের সিস্টেম নয় বরং নির্দিষ্ট সেশনে তার ভুল থেকে শিখতে সক্ষম।

একটি কাজের মধ্যে স্বয়ংক্রিয়তার সত্বেও, Agentic RAG কৃত্রিম সাধারণ বুদ্ধিমত্তার (Artificial General Intelligence) সমতুল্য নয়। এর “agentic” সক্ষমতাগুলি মানুষের ডেভেলপারদের দ্বারা প্রদত্ত টুল, ডেটা উৎস এবং নীতিমালা সীমাবদ্ধ। এটি নিজস্ব টুল উদ্ভাবন করতে বা নির্ধারিত ডোমেন সীমানার বাইরে যেতে পারে না। বরং, এটি হাতের রিসোর্সগুলো গতিশীলভাবে পরিচালনায় সক্ষম।

উন্নত AI রূপ থেকে প্রধান পার্থক্য হলো:

1. ডোমেন-নির্দিষ্ট স্বায়ত্তশাসন: Agentic RAG সিস্টেমগুলি পরিচিত ডোমেনের মধ্যে ব্যবহারকারী-নির্ধারিত লক্ষ্য অর্জনে কেন্দ্রীভূত, ফলাফল উন্নতির জন্য প্রশ্ন পুনঃলিখন বা টুল নির্বাচন কৌশল ব্যবহার করে।
2. অবকাঠামো-নির্ভর: সিস্টেমের সক্ষমতা ডেভেলপাররা একত্রিত করা টুল এবং ডেটার ওপর নির্ভরশীল। মানব হস্তক্ষেপ ছাড়া এই সীমা পার করতে পারে না।
3. গার্ডরেলের সম্মান: নৈতিক নির্দেশিকা, সম্মতি নিয়মাবলী, এবং ব্যবসায়িক নীতিমালা খুবই গুরুত্বপূর্ণ। এজেন্টের স্বাধীনতা সর্বদা সুরক্ষা ব্যবস্থা এবং তদারকি মেকানিজম দ্বারা নিয়ন্ত্রিত থাকে (আশাকরি)।

Agentic RAG নিম্নলিখিত পরিস্থিতিতে বিশেষভাবে কার্যকর যখন পুনরাবৃত্তিমূলক পরিমার্জন এবং সঠিকতা প্রয়োজন:

1. সঠিকতা-প্রথম পরিবেশ: সম্মতি যাচাই, নিয়ন্ত্রক বিশ্লেষণ বা আইনী গবেষণায়, agentic মডেল বারবার তথ্য যাচাই করতে পারে, একাধিক উৎস পরামর্শ করে এবং প্রশ্ন পুনঃলিখন করে যতক্ষণ না সত্যতা যাচাই করা উত্তর তৈরি হয়।
2. জটিল ডেটাবেস ইন্টারঅ্যাকশন: গঠিত ডেটার ক্ষেত্রে যেখানে প্রশ্ন প্রায়ই ব্যর্থ হতে পারে বা সামঞ্জস্য প্রয়োজন, সিস্টেম স্বয়ংক্রিয়ভাবে Azure SQL বা Microsoft Fabric OneLake ব্যবহার করে প্রশ্ন পরিমার্জন করতে পারে, নিশ্চিত করে চূড়ান্ত রিট্রিভাল ব্যবহারকারীর উদ্দেশ্যের সঙ্গে সামঞ্জস্যপূর্ণ।
3. দীর্ঘতর ওয়ার্কফ্লো: দীর্ঘ সময় ধরে চলা সেশনগুলো নতুন তথ্য আসা অনুযায়ী বিকশিত হতে পারে। Agentic RAG ক্রমাগত নতুন ডেটা অন্তর্ভুক্ত করতে পারে এবং সমস্যার ক্ষেত্র সম্পর্কে আরও জানতে যেতে কৌশলগুলো পরিবর্তন করতে পারে।

এই সিস্টেমগুলো যত বেশি স্বায়ত্তশাসিত হবে তত বেশি শাসন এবং স্বচ্ছতা গুরুত্বপূর্ণ হবে:

• ব্যাখ্যাযোগ্য যুক্তি: মডেল তার করা প্রশ্নগুলোর অডিট ট্রেল প্রদান করতে পারে, ব্যবহৃত উৎসসমূহ, এবং যে যুক্তি ধাপগুলি অনুসরণ করেছে তা বর্ণনা করতে পারে। Azure AI Content Safety এবং Azure AI Tracing / GenAIOps এর মত টুল স্বচ্ছতা বজায় রাখতে এবং ঝুঁকি হ্রাস করতে সাহায্য করে।
• পক্ষপাত নিয়ন্ত্রণ ও সুষম রিট্রিভাল: ডেভেলপাররা রিট্রিভাল কৌশল টিউন করতে পারেন যাতে সুষম, প্রতিনিধিত্বমূলক ডেটা উৎস বিবেচিত হয় এবং নিয়মিত আউটপুট অডিট করে পক্ষপাত অথবা প্রবণতা শনাক্ত করা যায় কাস্টম মডেল ব্যবহার করে, যেমন Azure Machine Learning দ্বারা উন্নত ডেটা সায়েন্স সংস্থাগুলোর জন্য।
• মানব তদারকি এবং সম্মতি: সংবেদনশীল কাজের জন্য মানব পর্যালোচনা অপরিহার্য। Agentic RAG উচ্চ ঝুঁকির সিদ্ধান্তে মানব বিচারের স্থান নেয় না—বরং আরো সুষম বিকল্প প্রদান করে এটিকে সম্পূরক করে।

অ্যাকশনগুলোর একটি পরিষ্কার রেকর্ড প্রদানকারী টুল থাকা গুরুত্বপূর্ণ। এগুলো ছাড়া, বহু-ধাপ প্রক্রিয়া ডিবাগ করা অনেক কঠিন। Literal AI (Chainlit এর পিছনের কোম্পানি) থেকে Agent রান এর উদাহরণ দেখুন:

Agentic RAG AI সিস্টেমগুলি কিভাবে জটিল, ডেটা-নির্ভর কাজ পরিচালনা করে তার একটি প্রাকৃতিক বিকাশ প্রতিনিধিত্ব করে। একটি লুপযুক্ত ইন্টারঅ্যাকশন প্যাটার্ন গ্রহণ করে, স্বতন্ত্রভাবে টুল নির্বাচন করে এবং পুনরাবৃত্তভাবে প্রশ্ন পরিমার্জন করে উচ্চ-মানের ফলাফল নিশ্চিত করে, সিস্টেম স্থির প্রম্পট অনুসরণ থেকে বেরিয়ে আসে, একটি আরও অভিযোজ্য, প্রসঙ্গ-সচেতন সিদ্ধান্ত গ্রহণকারী হয়ে ওঠে। যদিও এটি এখনও মানব-নির্ধারিত অবকাঠামো এবং নৈতিক নির্দেশিকার দ্বারা সীমাবদ্ধ, তবে এই agentic সক্ষমতাগুলো আরও সমৃদ্ধ, গতিশীল এবং সর্বশেষে অধিক কার্যকর AI ইন্টারঅ্যাকশন সক্ষম করে ব্যবস্থাগুলোর জন্য এবং শেষ ব্যবহারকারীদের জন্য।

অন্য শিক্ষার্থীদের সাথে দেখা করতে, অফিস আওয়ার অংশগ্রহণ করতে এবং আপনার AI এজেন্ট সম্পর্কিত প্রশ্নগুলোর উত্তর পেতে Microsoft Foundry Discord এ যোগ দিন।

• Azure OpenAI সার্ভিসের সঙ্গে Retrieval Augmented Generation (RAG) প্রয়োগ করুন: Azure OpenAI সার্ভিসের সাথে আপনার নিজস্ব ডেটা ব্যবহার করার পদ্ধতি শিখুন। এই Microsoft Learn মডিউলটি RAG প্রয়োগের ব্যাপক গাইড প্রদান করে
• Microsoft Foundry-এর মাধ্যমে Generative AI অ্যাপ্লিকেশনগুলির মূল্যায়ন: এই নিবন্ধটি প্রকাশিত ডেটাসেটগুলিতে মডেলগুলির মূল্যায়ন এবং তুলনা কভার করে, যার মধ্যে রয়েছে Agentic AI অ্যাপ্লিকেশন এবং RAG আর্কিটেকচার
• Agentic RAG কী | Weaviate
• Agentic RAG: এজেন্ট-ভিত্তিক Retrieval Augmented Generation-এর সম্পূর্ণ গাইড – Generation RAG থেকে খবর
• Agentic RAG: কুয়েরি রিফরমুলেশন এবং স্ব-কুয়েরি দিয়ে আপনার RAG কে ত্বরান্বিত করুন! Hugging Face Open-Source AI Cookbook
• RAG এ Agentic লেয়ার যোগ করা
• জ্ঞান সহকারী ভবিষ্যত: জেরি লিউ
• কিভাবে Agentic RAG সিস্টেম তৈরি করবেন
• Microsoft Foundry Agent সার্ভিস ব্যবহার করে আপনার AI এজেন্টগুলো স্কেল করুন

• 2303.17651 Self-Refine: স্ব-প্রতিক্রিয়ার মাধ্যমে বারবার পরিমার্জন
• 2303.11366 Reflexion: বাক্যগত রিইনফোর্সমেন্ট লার্নিং সহ ভাষাগত এজেন্ট
• 2305.11738 CRITIC: বড় ভাষা মডেলগুলি টুল-ইন্টারেক্টিভ সমালোচনার মাধ্যমে স্বয়ংক্রিয়ভাবে সংশোধন করতে পারে
• 2501.09136 Agentic Retrieval-Augmented Generation: Agentic RAG উপর একটি সমীক্ষা

টুল ব্যবহার ডিজাইন প্যাটার্ন

বিশ্বাসযোগ্য AI এজেন্ট তৈরি

---

বাদ দেওয়া ঘোষণা: এই নথিটি AI অনুবাদ সেবা Co-op Translator ব্যবহার করে অনূদিত হয়েছে। আমরা যথাসাধ্য সঠিকতার চেষ্টা করি, তবে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা ভুল থাকতে পারে। মূল নথি তার স্বাভাবিক ভাষায় সর্বোচ্চ কর্তৃপক্ষ হিসেবে গণ্য হবে। গুরুত্বপূর্ণ তথ্যের জন্য পেশাদার মানব অনুবাদের পরামর্শ দেওয়া হয়। এই অনুবাদের ব্যবহারে যে কোনও ভুল বোঝাবুঝি বা ভ্রান্ত ব্যাখ্যার জন্য আমরা দায়ী নই।