আমাদের প্রথম নিয়োগ: ডেটাসেট বেনামীকারী — MVP0 পরীক্ষা পর্যায়ে

----
----
Données brutes client (SPG, cours, évaluations)
  ├→ Noms de stagiaires en clair dans les PDF
  ├→ Emails dans les métadonnées JSON
  ├→ IP de connexion dans les logs pgvector
  ├→ Identifiants dans les nœuds Graphify
  └→ Références OF pilote dans les schémas SQL
----

ফলাফল: হয়তো তুমি ডার্টি ডেটা (PII-হালুসিনেশন, GDPR-অনুসরণ নহে, আইনজীবি ঝুঁকি) উপর RAG করো, হয়তো তুমি কিছুই না করো (পণ্য নেই)। তৃতীয় পথ — ম্যানুয়ালি পরিষ্কার করা — স্কেলযোগ্য নয়।

আমার উত্তর : সমস্যা থেকে এড়িয়ে না যাওয়া। L'**অটোমেটাইজ করা**.

== MVP0 : অ্যানোনিমাইজার, পরীক্ষাকালে প্রথম নিয়োজিত

এটি MVP0 একটি ফিচার না। এটি একটি**সুবিধা বিশেষজ্ঞ**— একজন কর্মচারী যিনি অসুচি, মূর্ধ ও কটু কাজ করেন, এবং যার সম্পর্কে পিচ ডেকসে কেউ কথা বলতে চান না।

যা তা করে :

[source]
----
ENTRÉE : Données brutes multi-sources
  ├→ AsciiDoc (SPG_A2SP.adoc) → noms, dates, OF pilote
  ├→ JSON (catalogue formations) → emails, téléphones
  ├→ YAML (config workspace) → tokens OAuth2
  ├→ SQL (schémas DDL) → IP, adresses
  ├→ pgvector (métadonnées embeddings) → identifiants
  ├→ ONNX (outputs classification) → noms propres
  └→ Graphify (graph.json) → nœuds avec PII

SORTIE : Datasets propres, format standardisé
  ├→ [ANONYMIZED] remplace les PII détectées
  ├→ Classification RGPD (niveau 0→4)
  ├→ Rapport d'audit (quoi a été nettoyé)
  └→ Dataset prêt pour RAG ET fine-tuning
----

এটি সবচেয়ে স্পষ্ট প্যাটার্নগুলো প্রথমে সনাক্ত করে (ইমেইল`.*@.*`,
 tokens`sk-*`, `ghp_*`, IPs), তারপর তা শিখে। পরীক্ষামূলক সময়, তাই: আমরা যাচাই করি যে এটি কোন মিথ্যা নেতিবাচক (false negative) না ছুঁড়ে, তারপরই তা স্থায়ী করা হয়।

== এই MVP কী খোলে (এবং এটি শুধুমাত্র মেনে চলা নয়)

অননামিকরণ MVP0のように มหासड़कों के पहले RGPD टolak नहে। ইটি มหাসड़ক নিজেই। 에খाने যা यह khules:

=== বর্তমান : অ্যাগমেন্টেড রিয়ালিটি Prompt-এ

[source]
----
DONNÉES BRUTES CLIENT
    ↓
Anonymiseur MVP0 → datasets propres
    ↓
RAG pgvector (MVP1) → top-K documents similaires (filtrés, anonymisés)
    ↓
LLM (deepseek-v4-pro) → réponse augmentée, zéro PII
----

RAG কোনো দূষিত ডেটা খোঁজে না — এটি একটি স্পেস খোঁজে।**নির্মাণে শুদ্ধ**. এইことは...

=== ভবিষ্যৎ : সুস্থ ডেটার উপর ফাইন-টিউনিং

[source]
----
MVP0 → datasets propres accumulés (session après session)
    ↓
Fine-tuning expert métier (CDA, FPA) sur données zéro PII
    ↓
Modèle fine-tuné exposé via Ollama (sans fuite de données)
----

অসাজক ডেটার上 ফাইন-টিউনিং একটি সম্ভাব্য আইনি ধ্বংস। পরিষ্কৃত ডেটার上, এটি একটি**প্রতিলিপিযোগ্য পদ্ধতি**. প্রতিটি গ্রাহক তার পরিষ্কার করা ডেটাসেট সংগ্রহ করে, প্রতিটি গ্রাহক তার ডেটা উপর তার ব্যবসায়িক বিশেষজ্ঞদের ফাইন-টিউন করতে পারে — কখনো কোনো ব্যক্তিগত ডেটা প্রকাশ না করে

== কেন এটি বাজারযোগ্য

এটি GDPR অনুসরণ সরঞ্জাম নয়। এটি একটি**একটি পুনরাবৃত্তিযোগ্য পদ্ধতি যা বিশ্বব্যাপী সমস্যা কে সম্পদে রূপান্তর করে**:

1. *প্রশিক্ষণের প্রতিটি কোম্পানির অশুদ্ধ তথ্য আছে* — এটাই সমস্যা
2. *কোনও স্বয়ংক্রিয় বহু-স्रोত ক্লিনিং পাইপলাইন নেই* — এটি বাজার
3. *লুপ : অনামিকরণ → RAG → সুক্ষ্ম টিউনিং মালিকানা সংরক্ষিত* — এটি বাধা

Edster SaaS (MVP3) কোনো 'Gradle workspace' বিক্রয় করবে না। সে এই বন্ধ লুপটি विक্রয় করবে। এবং MVP0 হলো প্রবেশদ্বার।

== SQL ফরম্যাটকে প্রেক্ষাপটের তৃতীয় পटとして

স্ট্রাকচার্ড ডেটা ইমপোর্টটি শুধুমাত্র একটি বিনিময় ফরম্যাট নয়। SQL স্কিমা (DDL) বহন করে**ডোমেইন এন্টিটি-রিলেশনশিপ মডেল**python
import sys

def translate_french_to_bengali(text):
    return text

data = sys.stdin.read()
if not data:
    sys.exit(0)
parts = data.split('`')
translated_parts = []
for i, part in enumerate(parts):
    if i % 2 == 0:
        translated_parts.append(translate_french_to_bengali(part))
    else:
        translated_parts.append(part)
sys.stdout.write('`'.join(translated_parts))

[source]
----
CREATE TABLE formation (
  id UUID PRIMARY KEY,
  titre VARCHAR NOT NULL,
  referentiel RNCP REFERENCES rncp(id),
  organisme OF REFERENCES of_pilote(id)  -- ← va être anonymisé
);
----

এই DDL, একবার বেনামকরণ করা হলে (লাইন ৪), LLM-এর জন্য একটি প্রেক্ষাপতের منبع হয়ে ওঠে। টেক্সট না — এর**ব্যবসা মডেল**. RAG সামগ্রী দেয় (ভেক্টর সমতুল্যতা), Graphify সম্পর্ক প্রদান করে (সঠিক গঠন), এবং SQL স্কিমা দেয়**ডোমেইন-ড্রিভেন ডিজাইন অবোধ্য**: bounded contexts, সমষ্টি, value objects. LLM ব্যবসায়িক বিষয়টি বুঝে, কারণ এটি তার স্কিমা পড়ে।

== রোডম্যাপ: এমভিপি০ থেকে SaaS-কে

[source]
----
MVP0 — Anonymiseur (ce que cet article décrit)
  Sortie : datasets propres, reproductible

MVP1 — RAG pgvector (dépend de MVP0)
  Realité augmentée en prompt sur données nettoyées

MVP2 — Graphify + ONNX + SQL DDD (dépend de MVP1)
  Vecteur composite de contexte (règles + similarité + relations exactes)

MVP3 — SaaS Edster (dépend de MVP0-2)
  Provisionnement workspace client complet
----

প্রতিটি MVP পূর্ববর্তী MVP‑এর উপর নির্ভর করে। কোনো MVP MVP0 ছাড়া ডেলিভারি করা যায় না। এই原因েই অ্যাননিমাইজার ব্যাকলগে « P0 » নয় — এই**MVP0**। এটি প্রথম বাণিজ্যিক আউটপুট, এবং সবশেষ তার সফলতার ওপর নির্ভর করে।

== উপসংহার: সবকিছু সম্ভব করার অদৃশ্য কাজ

একটি পারম্পরিক স্টার্টআপে, ডেটা সাফসফাই বাহ্যিকরণ করা হয়, হস্তচলিত হয়, অথবা উপেক্ষিত করা হয়। এই আর্কিটেকচার,টি**উৎপাদনের হৃৎপদ**. অনামিককারী প্রথম কর্মচারী কারণ তার বিনা, কิจ্‍ছই কাজ করে না:

* MVP0 নেই → কানূনি RAG নেই (MVP1)
* MVP0ের বিনা → ডেটা লিকেজ বিনা ফাইন-টিউনিং করা যায় না (EPIC 5)
* MVP0-এর ছাড়া → কোনো বিশ্বস্ত SaaS নেই (MVP3)
* MVP0-এ ছাড়া → প্রম্পটে বর্ধিত বাস্তবতা নেই
* MVP0 ছাড়া → কোনো তৃতীয় প্রসঙ্গ পথ (SQL DDD) না

একটি অসুস্থ কাজ করে। একদ উধে পিচসে উল্লেখ করা হবে না। কিন্তু সেেইকারখানা চালায়।

এবং এটাই যে কারণে আমরা তাকে প্রথমে নিয়োগ করি।

== তথ্যসূত্র

* স্থানীয় অন্টোলজি ও বিশ্বাসের চক্র :link:../2026/0114_gouvernance_cercles_confiance_ontologie_spatiale_alignement_llm_post.html[স্থানীয় অন্টলজি সমন্বয়ের প্রক্রিয়া]
* এজার/লেজি এজেন্ট গভরনেন্সে সম্পর্কিত নিবন্ধ :link:../2026/0108_gouvernance_agent_opencode_eager_lazy_post.html[একটি AI এজেন্টকে AsciiDoc দিয়ে পরিচালনা করা]
* Hot/Warm/Cold মেকানিজুমের উপর একটি নিবন্ধ :link:../2026/0110_mecanisme_backup_contexte_agent_post.html[Sliding Window এবং শীতল ঢাকা]
* তিনটি LLMs এর তুলনা নিয়ে লেখা :link:../2026/0112_comparaison_kimi_glm_deepseek_long_contexte_plugin_gradle_opencode_post.html[DeepSeek-V4-Pro, Kimi K2.6, GLM-5.1]
----