আমাদের প্রথম নিয়োগকৃত : ডেটাসেট অনুনামিকরণকারী — MVP0 ট্রায়াল সময়ে

----
----
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 : আপনি যদি দূষিত ডেটা RAG করলে (PII-কে হাল্যুটিসিনেশন, RGPD-কে পালন না করা, আইনিক ঝুঁকি), অথবা আপনি কিছুই করেন না (পণ্য নেই)। তৃতীয় পথ — ম্যানুয়ালি পরিষ্কার করা — স্কেলযোগ্য নয়।

মার উত্তর: সমस्यাকে এড়িয়ে না যাওয়া। L'**স্বয়ংক্রিয় করা**.

== MVP0 : অননিমাইজার, প্রথম নিয়োগকৃত পরীক্ষাকালে

MVP0 একটি ফিচার নয়। এটি একটি**সুবিধার বিশেষজ্ঞ**একজন কর্মচারী যিনি নisarথক এবং নিহতশালী কাজ করেন, এর বিষये কোনো পিচ ডেকে কথা বলতে চান না

যা সে 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 শনাক্ত করে (ইমেইল`.*@.*`, tokens`sk-*`, `ghp_*`, IPs), তারপর তা শিখে। পরীক্ষার কাল, এটা: তার নিশ্চিত করার আগে, আমরা যাচাই করি যে это মিথ্যা নেতিবাচকে পাস না দেয়।

== এই MVP কী উন্মুক্ত করে (এবং এটি শুধু পালন নয়)

MVP0 মতো গোপনীয়তাকরণ RGPD-এর হাইওয়ারের আগে টোল নয়; এটি নিজেই হাইওয়ার। এখানে হলো যা এটি খুলে দেয়:

=== বর্তমান : প্রম্পটে অগমেন্টেড রিয়ালিটি

[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 দূষিত ডেটা-তে খোঁজ করে না — এটি একটি স্থান-এ খোঁজ করে**निर्माणे परिष्कार**. এই উত্তর들의 গুণমানের জন্য সবকিছু পরিবর্তন করে দেয়: LLM-O তে তা গুণিত করে না যা শনাক্ত করে কিন্তু উল্লেখ করা উচিত নয়; সেই PIIকে এড়ানোর জন্য তার সময় ব্যয় না করে।

=== 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)
----

অপ্রসারিত ডেটার উপর ফাইন‑টিউনিং একটি সম্ভাব্য قانونی বিপর্যয়। পরিষ্কার ডেটার উপর, এটি একটি**প্রতিলিপিযোগ্য পদ্ধতি**. প্রত্যেক গ্রাহক তার পরিষ্কৃত ডেটাসেট জमा করে, প্রত্যেক গ্রাহক তার ব্যবসায়িক বিশেষজ্ঞদের তার ডেটা উপর ফাইন-টিউন করতে পারে — কখনো কোনো ব্যক্তিগত ডেটা প্রকাশ না করে।

== কেন এটি marketable?

এটি « একটি GDPR অনুপালন টুল » নয়। এটি একটি**বিশ্বব্যাপী সমস্যাকে সম্পদে রূপান্তরিত করে এমন পুনরাবৃত্তিযোগ্য পদ্ধতি**:

1. *প্রশিক্ষণ প্রতিষ্ঠানের ডেটা ময়লা* — এটি সমস্যা
2. *কোনটিতে মাল্টি-সোর্স পরিষ্কারিংয়ের স্বয়ংচালিত পাইপলাইন নেই* — এটি বাজার
3. লুপ: বেনামিকরণ → RAG → ফাইন‑টিউনিং মালিকানাধীন – এটি বাধা।

এডস্টার SaaS (MVP3) « একটি Gradle কর্মক্ষেত্র » বিক্রি করবে না। এটি এই বন্ধ লুপটি বিক্রি করবে। এবং MVP0 প্রবেশদ্বার।

== SQL ফরম্যাটকে কন্টেক্সটের তৃতীয় পথ হিসেবে

সংগঠিত ডেটা আমদানি মাত্র একটি বিনিময় ফরম্যাট নয়। SQL স্কিমা (DDL) ধারণ করে**ডোমেইনের ইেন্টিটি-রিলেশনশিপ মডেল**:

[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 অ্যানোনিমাইজ করা হলে (লাইন 4), LLM-এর জন্য একটি প্রেক্ষাবতির উৎস হয়ে যায়। টেক্সট নয় — এর**ব্যবসায়িক মডেল**. RAG কনটেন্ট দেয় (ভেক্টর সাদৃশ্য), Graphify সম্পর্কগুলো দেয় (সঠিক গঠন), এবং SQL স্কিমা দেয়**ডোমেইন-ড্রিভেন ডিজাইন অন্তর্নিহিত**: bounded contexts, সমষ্টি, value objects. LLM ব্যবসা বুঝে কারণ এটি তার স্কিম পড়ে।

== রোডম্যাপ : MVP0 থেকে SaaS

[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 পূর্বের উপর নির্ভর করে। MVP0 ছাড়া কোনো MVP বিতরণ করা যায় না। এটিই কেন যে অননিমাইজার ব্যাকলগে « P0 » নয় — এটি**MVP0**। এই πρώτο বাণিজ্যিক Provided, এবং সব বাকি তার সাফল条の ওপর নির্ভর করে।

== Conclusion: অদৃশ্য শ্রম যা সবকিছু সম্ভব করে

একটি সাধারণ স্টার্টআপে, ডেটা পরিষ্কারন আউটসোর্স করা, মানুয়াল, অথবা উপেক্ষা করা। এই আর্কিটেকচারে, এটি**পণ্যের মূল**. L'Anonymiseur est le premier employé parce que sans lui, rien ne fonctionne :

* MVP0 ছাড়া → কানুনী RAG নেই (MVP1)
* MVP0 বিনা → ডেটা লিকেজ বিনা ফাইন-টিউনিং না (EPIC 5)
* MVP0 ছাড়া → বিশ্বাসযোগ্য SaaS নেই (MVP3)
* MVP0 বিনা → প্রম্পটে বৃদ্ধigorst বাস্তবতা নেই
* MVP0 ছাড়াই → কোনো তৃতীয় প্রসঙ্গ পথ না (SQL DDD)

বিরক্তিকর কাজ। তিনি কখনো পিচে উল্লেখ করা হবে না। কিন্তু সে যে ফ্যাক্টরি চালিয়ে যায়।

এই কারণে আমরা প্রথমে তাকে নিয়োগ করি।

== রেফারেন্স

* স্থানীয় অন্তভুক্তি ও বিশ্বাসের বৃত্ত সম্পর্কিত নিবন্ধ :link:../2026/0114_gouvernance_cercles_confiance_ontologie_spatiale_alignement_llm_post.html[স্থানিক ওনটলজি সমন্বয়ের মেকানিজম olarak]
* অগর/লেজি এজেন্ট গভর্নেন্সের নিবন্ধ :link:../2026/0108_gouvernance_agent_opencode_eager_lazy_post.html[একটি AI এজেন্টকে AsciiDoc দিয়ে শাসন করা]
* Hot/Warm/Cold মেকানিজম : একটি নিবন্ধlink:../2026/0110_mecanisme_backup_contexte_agent_post.html[Sliding Window এবং ঠাণ্ডা লہر]
* তিন LLMs -এর তুলনার প্রবন্ধ :link:../2026/0112_comparaison_kimi_glm_deepseek_long_contexte_plugin_gradle_opencode_post.html[ডীপসিক-ভি4-প্রো, কিমি কে2.6, জিএলএম-5.1]
----