- Nvidia GB10 এবং স্ট্রাকচার্ড AI ওয়ার্কফ্লো ব্যবহার করে ম্যানুয়াল রিপোর্টিং সম্পূর্ণভাবে প্রতিস্থাপন করা যেতে পারে
- সুসংগত রিপোর্টিং নির্ভুলতা বজায় রেখে অটোমেশন অতিরিক্ত কর্মীদের উপর নির্ভরতা হ্রাস করে
- এন্টারপ্রাইজ-লেভেল অটোমেশন স্কেল করার আগে অনুক্রমিক ওয়ার্কফ্লো পরীক্ষা এবং সমস্যা সমাধানকে সহজ করে
অনেক প্রতিষ্ঠান একাধিক ডিজিটাল প্ল্যাটফর্ম থেকে ম্যানুয়ালি সংগ্রহ, সংগঠিত এবং কর্মক্ষমতা মেট্রিক্স রিপোর্ট করার জন্য কর্মীদের উপর নির্ভর করে।
একটি তাজা বাড়ির পরিবেশন করা Nvidia GB10 হার্ডওয়্যারের আশেপাশে নির্মিত একটি স্থানীয় AI সিস্টেম ব্যবহার করে এই ম্যানুয়াল রিপোর্টিং প্রক্রিয়ার অংশটি প্রতিস্থাপিত হয়েছে।
এই কাজটি দীর্ঘ, অসংগঠিত ইমেলের মাধ্যমে বারবার প্রাপ্ত অনুরোধগুলিকে জড়িত করে, প্রায়শই একাধিক উত্স থেকে এবং নির্দিষ্ট তারিখের ব্যাপ্তিতে মেট্রিক্সের জন্য জিজ্ঞাসা করে।
অতিরিক্ত কর্মীদের প্রয়োজন হ্রাস
এই ক্রমবর্ধমান ভলিউম পরিচালনার জন্য অতিরিক্ত কর্মী নিয়োগের পরিবর্তে, sth ফোকাস ছিল একটি স্বয়ংক্রিয় রিপোর্টিং পাইপলাইন ডিজাইন করা যা এই কাজগুলিকে নির্ভরযোগ্যভাবে পরিচালনা করতে পারে।
অটোমেশন সমস্ত প্রাসঙ্গিক প্ল্যাটফর্ম থেকে ডেটা সংগ্রহ এবং একত্রিত করার জন্য একটি কাঠামোগত প্রবাহ অনুসরণ করে।
n8n-এর মধ্যে পূর্ব-নির্মিত ইন্টিগ্রেশনগুলি কাস্টম কোডের প্রয়োজন ছাড়াই অ্যানালিটিক্স সিস্টেমে সরাসরি সংযোগ করে সেটআপের সময় কমিয়ে দেয়।
সময়সীমা, ফিল্টার এবং ক্যোয়ারী বিশদগুলি ধারাবাহিকভাবে প্রয়োগ করা হয়েছে তা নিশ্চিত করার জন্য প্রতিটি পদক্ষেপের পরিকল্পনা করা হয়েছিল।
যদিও কর্মপ্রবাহটি ক্রমানুসারে চলছিল, এই পদ্ধতিটি প্রাথমিক বাস্তবায়নের সময় পরীক্ষা এবং সমস্যা সমাধানকে সরল করেছে, যা পর্যালোচককে স্কেল করার আগে ফলাফল যাচাই করার অনুমতি দেয়।
সিস্টেমটি যাচাই করার জন্য, পর্যালোচনাটি 2015 থেকে 2025 পর্যন্ত পরিচিত ফলাফল সহ প্রায় 1,000টি ঐতিহাসিক অনুরোধ ব্যবহার করেছে৷
Gpt-oss-20b FP8 এবং gpt-oss-120b FP8 সহ বিভিন্ন AI মডেলগুলি ফেজ নির্ভুলতা মূল্যায়ন করার জন্য তুলনা করা হয়েছিল।
প্রাথমিক পরীক্ষায় দেখা গেছে যে ছোট মডেলগুলি সাধারণ অনুরোধে ভাল পারফর্ম করেছে, কিন্তু জটিলতা বৃদ্ধির সাথে সাথে ত্রুটিগুলি আবির্ভূত হয়েছে।
কারণ কর্মপ্রবাহের জন্য অনুরোধ প্রতি একাধিক মডেল কলের প্রয়োজন হয়, এমনকি ছোটখাটো ভুলত্রুটিও যোগ করে, সামগ্রিক নির্ভরযোগ্যতা হ্রাস করে।
বৃহত্তর মডেলগুলি সাপ্তাহিক ইভেন্ট থেকে বিরল বার্ষিক ইভেন্ট পর্যন্ত কর্মপ্রবাহের ত্রুটিগুলি হ্রাস করে, প্রতি-ধাপে নির্ভুলতাকে 99.9%-এর বেশি উন্নত করেছে।
GB10 ইউনিট সহ দুটি ডেল প্রো ম্যাক্স সিস্টেম স্থানীয়ভাবে AI চালায়, সমস্ত ডেটা প্রাঙ্গনে রেখে।
পর্যালোচক গণনা করেছেন যে অটোমেশন একটি ডেডিকেটেড রিপোর্টিং ভূমিকার প্রয়োজনীয়তা প্রতিস্থাপন করেছে, হার্ডওয়্যার খরচ বারো মাসের মধ্যে কভার করে।
AI টুলটি মানুষের হস্তক্ষেপের প্রয়োজন ছাড়াই আর্টিকেল ভিউ, ভিডিও এনগেজমেন্ট এবং নিউজলেটার মেট্রিক্স সহ অভ্যন্তরীণ এবং বাহ্যিক প্রতিবেদনের অনুরোধগুলি পরিচালনা করে।
এই প্রক্রিয়াটি সিস্টেমকে অন্যান্য কাজের জন্য রিডাইরেক্ট করার অনুমতি দেয়, যেমন একজন ম্যানেজিং এডিটর নিয়োগ, সামঞ্জস্যপূর্ণ রিপোর্টিং গুণমান বজায় রেখে।
AI সিস্টেমের সাথে স্বয়ংক্রিয় রিপোর্টিং দেখায় কিভাবে ম্যানুয়াল মেট্রিক পুনরুদ্ধার এবং একত্রীকরণের কাজগুলি মানুষের কর্মপ্রবাহ থেকে সরানো যেতে পারে।
এর অর্থ হল যে ভূমিকাগুলি প্রাথমিকভাবে সংগ্রহ করা, পরিষ্কার করা এবং কর্মক্ষমতা ডেটার সংক্ষিপ্তকরণের উপর ফোকাস করে সেগুলি নির্ভরযোগ্য অটোমেশন চালু হওয়ার পরে বিশেষভাবে দুর্বল হয়ে পড়ে।
যদিও পর্যালোচনাগুলি স্পষ্ট দক্ষতা লাভ দেখায়, তবে এর সাফল্য মডেলের নির্ভুলতা, ওয়ার্কফ্লো ডিজাইন এবং সংবেদনশীল ডেটার উপর নিয়ন্ত্রণ বজায় রাখার উপর নির্ভর করে।
Google News-এ TechRadar অনুসরণ করুন এবং একটি প্রিয় উৎস হিসাবে আমাদের যোগ করুন আপনার ফিডে আমাদের বিশেষজ্ঞ খবর, পর্যালোচনা এবং মতামত পেতে. ফলো বাটনে ক্লিক করতে ভুলবেন না!
এবং হ্যাঁ আপনিও পারেন TikTok এ TechRadar অনুসরণ করুন খবর, পর্যালোচনা, ভিডিও আকারে আনবক্সিংয়ের জন্য এবং আমাদের কাছ থেকে নিয়মিত আপডেট পান হোয়াটসঅ্যাপ খুব।
