বিষয় 64 / 64· সফটওয়্যার প্রকৌশল ও ডিজিটাল প্রদানের সংযোগ

সরকারি খাতে AI উৎপাদনশীলতা

AI কোডিং সহায়তা প্রকৌশল উৎপাদনের উপর প্রকৃতপক্ষে কী প্রভাব ফেলে তার মেট্রিক্স — পরামর্শ গ্রহণের হার, নিয়ন্ত্রিত-গবেষণার গতিবৃদ্ধি, PR থ্রুপুট, এবং কোড ধরে রাখার হার — সরকারি খাতের সীমাবদ্ধতা যোগ করার আগেই একটি সত্যিকারের পরস্পরবিরোধী প্রমাণ-ভিত্তি বহন করে: তথ্য শ্রেণিবিন্যাস নির্ধারণ করে একটি পুরনো এস্টেটের কোন অংশ একটি AI টুল আদৌ স্পর্শ করতে পারবে, সংগ্রহ চক্রের অর্থ হলো মূল্যায়নাধীন টুলটি প্রায়ই বর্তমান সক্ষমতার চেয়ে এক মডেল প্রজন্ম পিছিয়ে থাকে, এবং নিরাপত্তা ছাড়পত্রের প্রয়োজনীয়তা নির্ধারণ করে কে কীসের উপর এটি ব্যবহার করতে পারবে।

কেন এটি গুরুত্বপূর্ণ

দুটি সর্বাধিক উদ্ধৃত নিয়ন্ত্রিত গবেষণা বিপরীত দিক নির্দেশ করে। পেং এবং অন্যান্যদের ২০২৩ সালের GitHub Copilot RCT দেখেছে যে ডেভেলপাররা একটি নতুন (greenfield) HTTP-সার্ভার কাজ Copilot দিয়ে ৫৫.৮% দ্রুত সম্পন্ন করেছে (১ঘ১১মি বনাম ২ঘ৪১মি, n=৯৫)। METR-এর ২০২৫ সালের RCT দেখেছে যে অভিজ্ঞ ওপেন-সোর্স ডেভেলপাররা তাদের নিজস্ব পরিণত রিপোজিটরিতে কাজ করার সময় ২০২৫-এর গোড়ার দিকের AI টুল দিয়ে ১৯% ধীর ছিল, অথচ তারা বিশ্বাস করছিল তারা প্রায় ২০% দ্রুত। দুটি গবেষণাই সঠিক; বৈপরীত্যই হলো ফলাফল — নতুন-কাজের কার্যকারিতা পরিণত-কোডবেসের কার্যকারিতায় স্থানান্তরিত হয় না, এবং সরকারি প্রকৌশলের অনেকটাই পরিণত-কোডবেস কাজ, যা মাঝারি বাণিজ্যিক রিপোজিটরির চেয়ে পুরনো ও স্বতন্ত্র প্রকৃতির এস্টেটে সম্পন্ন হয়। কেন্দ্রীয় ডিজিটাল ও তথ্য দপ্তরের HMG-এর জন্য জেনারেটিভ AI কাঠামো (২০২৪, https://www.gov.uk/government/publications/generative-ai-framework-for-hmg) দায়িত্বশীল গ্রহণের জন্য নীতি নির্ধারণ করে ঠিক এই কারণেই যে এই প্রমাণ-ভিত্তি সরবরাহকারীর প্রদর্শনী থেকে সরাসরি আমদানি করা যায় না; বিভাগগুলোকে রোলআউটের আগে নিজস্ব তথ্য-পরিচালনা ও নিরাপত্তা প্রয়োজনীয়তার বিপরীতে টুল মূল্যায়ন করার আশা করা হয়।

গাণিতিক হিসাব

Acceptance rate  = accepted suggestions / shown suggestions
Retention rate   = AI code surviving to merge / accepted AI code
Speedup          = (t_control − t_AI) / t_control  (from controlled comparison ONLY)
Throughput delta = Δ merged PRs/dev/week

Public-sector coverage factor:
  eligible codebase share = LOC on systems where the classification
    (OFFICIAL, OFFICIAL-SENSITIVE, SECRET) permits the tool at all

Value model = devs × eligible-coverage × time saved × loaded rate × utilization
             — every term needs local measurement, and the coverage factor
             has no private-sector equivalent

ব্যবহারিক উদাহরণ

একটি সরকারি বিভাগ ৩০০ জন ডেভেলপার জুড়ে একটি AI কোডিং সহায়ক পাইলট করছে, কিন্তু শুধুমাত্র OFFICIAL শ্রেণিবদ্ধ ব্যবস্থাগুলোই টুল ব্যবহারের যোগ্য — কর্মী বরাদ্দের হিসেবে এস্টেটের ৭০%, বাকি ৩০% (উচ্চতর-শ্রেণিবদ্ধ ব্যবস্থা) সম্পূর্ণরূপে বাদ।

Eligible developers = 300 × 0.70 = 210

Pilot result: self-reported time saved 40 min/day;
              measured task-level saving 12 min/day (0.2h)
              — the METR perception gap, reproduced in the wild

Value the MEASURED number:
  210 × 0.2h × 220 days × £55/hr loaded × 0.6 utilization
  = 210 × 44 hours × £55 × 0.6
  = 9,240 hours × £55 × 0.6 ≈ £304,920/year capacity

Cost: 210 licensed seats × £22/month × 12 ≈ £55,440/year

Net capacity ratio ≈ 304,920 / 55,440 ≈ 5.5:1

স্ব-প্রতিবেদিত সুবিধার প্রায় এক-তৃতীয়াংশ হারে তহবিলযোগ্য, এবং তাও শ্রেণিবিন্যাস সীমা প্রয়োগ করার পরই — স্ব-প্রতিবেদিত সংখ্যার জোরে সব ৩০০ ডেভেলপারকে লাইসেন্স দিলে যোগ্য জনসংখ্যা এবং প্রকৃত সাশ্রয় উভয়ই বাড়িয়ে দেখানো হতো।

সফটওয়্যার ইঞ্জিনিয়ারিং সংযোগ

যে অনুশাসনগুলো সরাসরি প্রযোজ্য: বিভাগের নিজস্ব কোডবেস ও প্রকৃত টিকিটে বাস্তবসম্মত পরীক্ষা চালান, সরবরাহকারীর প্রদর্শনী কাজে নয়, কারণ METR-এর ফলাফল নির্দিষ্টভাবে একটি পরিণত-কোডবেস আবিষ্কার; গ্রহণের হারকে একটি প্রক্সি হিসেবে বিবেচনা করুন, ফলাফল হিসেবে নয় — কম ধরে-রাখার সাথে উচ্চ গ্রহণ সফটওয়্যারের অতিরিক্ত-নির্ণয়ের সমতুল্য; প্রতিটি থ্রুপুট দাবিকে একটি স্থিতিশীলতা যাচাইয়ের সাথে জোড়া লাগান, যেহেতু DORA-র ২০২৫ প্রতিবেদন দেখেছে যে AI গ্রহণ থ্রুপুট বাড়ায় কিন্তু পরিবর্তনের স্থিতিশীলতা কমায়, যা ঠিক সেই নিট-সুবিধা বিশ্লেষণ যা জনমূল্যের জন্য DORA মেট্রিক্স চালাতে তৈরি; এবং সৎ থাকুন যে AI টুলিং প্রযুক্তিগত ঋণ-সমৃদ্ধ পুরনো এস্টেটে ব্যবধান সংকুচিত না করে বরং প্রশস্ত করতে পারে, কারণ প্রশিক্ষণ তথ্যে সরকারে প্রচলিত COBOL, 4GL, এবং বিশেষায়িত মেইনফ্রেম কোডের প্রতিনিধিত্ব কম থাকে, তাই যে ব্যবস্থাগুলোর সবচেয়ে বেশি সাহায্য দরকার সেগুলোতেই প্রায়ই পরামর্শের মান সবচেয়ে দুর্বল হয়। এটি বৃহত্তর সরকারি মূল্যে AI প্রশ্নের পাশাপাশি বসে এবং একই সরকারি খাতে সাইবার নিরাপত্তার মূল্য সীমাবদ্ধতা দ্বারা শাসিত হওয়া উচিত যা কোনো তৃতীয়-পক্ষ টুল আদৌ কোথায় কোড বা তথ্য দেখতে পারবে তা সীমিত করে।

সাধারণ ভুলত্রুটি

  • সরবরাহকারী-গবেষণা প্রতিস্থাপন: নতুন-কাজের RCT গতিবৃদ্ধি লিগ্যাসি-একীকরণ কাজে প্রয়োগ করা ঠিক সেই ত্রুটি যা METR গবেষণা উন্মোচিত করেছে।
  • পরিমাপ হিসেবে স্ব-প্রতিবেদন: ২০-শতাংশ-বিন্দু ধারণা-বনাম-পরিমাপ ব্যবধান এই সাহিত্যে পরিচিত সবচেয়ে বড় পক্ষপাত, এবং এটি শুধুমাত্র ডেভেলপার সমীক্ষার উপর নির্ভরশীল ব্যবসায়িক কেসগুলোকে ফুলিয়ে তোলে।
  • শ্রেণিবিন্যাস সীমা উপেক্ষা করা: মোট কর্মী সংখ্যার উপর ভিত্তি করে তৈরি লাইসেন্সিং ও মূল্য মডেল, যোগ্য, শ্রেণিবিন্যাস-অনুমোদিত উপসেট নয়, নিয়মতান্ত্রিকভাবে খরচ-কার্যকারিতা এবং অর্জনযোগ্য কভারেজ উভয়ই বাড়িয়ে দেখায়।
  • সংগ্রহ-চক্র বিলম্ব: কাঠামো-ভিত্তিক টুল সংগ্রহের অর্থ হতে পারে যে একটি পাইলট এমন একটি মডেল প্রজন্ম মূল্যায়ন করছে যা সম্পূর্ণ রোলআউটের সময় পর্যন্ত পাবলিকলি উপলব্ধ যা থেকে ১২–১৮ মাস পিছিয়ে, যা মূল ব্যবসায়িক কেসের গতিবৃদ্ধি অনুমানকে চালুর আগেই পুরনো করে দেয়।

তথ্যসূত্র