নিয়ন্ত্রিত ইন্ডাস্ট্রির জন্য Gemma 4 ও AlloyDB Omni সহ উন্নত AI

১. এক নজরে

নিয়ন্ত্রিত, মিশন-ক্রিটিক্যাল ইন্ডাস্ট্রির হাই-স্টেক্স দুনিয়ায়, সংস্থাগুলি একটি বিশাল প্যারাডক্সের মুখোমুখি হয়: আপনার সাইবার নিরাপত্তা নীতি যখন আপনার ডেটা কখনই পাবলিক ইন্টারনেটে ব্যবহার না করার নির্দেশ দেয়, তখন প্রোডাকশন অপ্টিমাইজ করার জন্য আপনি কীভাবে অত্যাধুনিক AI গ্রহণ করবেন? ইন্ট্রানেট এবং সর্বজনীন ইন্টারনেট কঠোরভাবে আলাদা করা হয় এবং তারা কখনই একে অপরের সাথে যুক্ত হয় না। যদিও আধুনিক ম্যানুফ্যাকচারিংয়ের ক্ষেত্রে সরঞ্জামের বিপর্যয়কর ব্যর্থতা প্রতিরোধ করতে এবং উৎপাদন অপ্টিমাইজ করতে প্রেডিক্টিভ AI-এর অত্যন্ত প্রয়োজন, তবে সংবেদনশীল টেলিমেট্রি লগ, পেটেন্ট করা অ্যালয় রেসিপি বা ERP ডেটা পাবলিক ক্লাউড API-তে পাঠানো সাধারণত করা হয় না। তাই, ডেটা যদি ক্লাউডে না যেতে পারে, তাহলে ক্লাউডকে ডেটার কাছে আসতে হবে।

এই কোডল্যাবে, আমরা Gemma 4 এবং AlloyDB Omni-এর মাধ্যমে Google Cloud-এর সবচেয়ে উন্নত ডেটা এবং AI টুল সরাসরি ডিসকানেক্ট করা, অত্যন্ত সুরক্ষিত পরিবেশে নিয়ে আসব।

AlloyDB Omni: ডেটা সুরক্ষিত রাখার আল্টিমেট উপায়

AlloyDB Omni-কে একটি হাই-পারফর্ম্যান্স ভল্ট হিসেবে ভাবুন। এটি একটি কন্টেনারাইজড, এন্টারপ্রাইজ-গ্রেড ডেটাবেস যা আপনি ডাউনলোড করেন এবং সম্পূর্ণভাবে আপনার নিজস্ব সুরক্ষিত ইন্ট্রানেটে চালান।

  • নিরবচ্ছিন্ন ইন্টিগ্রেশন: এটি সরাসরি ম্যানুফ্যাকচারিং সেন্সর (যেমন, VIM বা হেভি প্রেস) এবং লোকাল ERP-র (যেমন, Oracle R12) সাথে কানেক্ট করে।
  • AI-রেডি স্টোরেজ: এটি AI সার্চের (pgvector) জন্য ভেক্টর এম্বেডিং ব্যবহার করে অত্যন্ত গোপন প্রসেস শিট নিরাপদে স্টোর করে।
  • পারফর্ম্যান্স: এটি ভারী ট্রানজ্যাকশনাল ওয়ার্কলোড এবং অ্যানালিটিক্যাল AI প্রসেসিং, উভয়ের ক্ষেত্রেই স্ট্যান্ডার্ড PostgreSQL-এর চেয়ে অনেক ভালো পারফর্ম করে।

লোকাল AI এক্সপার্ট: Gemma, TimesFM, TabFM

রিমোট API ব্যবহার করার পরিবর্তে, আপনি ওপেন-ওয়েট মডেল ডাউনলোড করতে এবং কোনও API লিকেজ ছাড়াই আপনার লোকাল হার্ডওয়্যারে নেটিভভাবে চালাতে পারেন।

  • Gemma: Google-এর ওপেন-ওয়েট LLM আপনার R&D বিশেষজ্ঞ হিসেবে কাজ করে। এটি নিরাপদে ঐতিহাসিক লগ পড়তে পারে বা যান্ত্রিক বৈশিষ্ট্যগুলির পূর্বাভাস দিতে জটিল, পেটেন্ট করা অ্যালয় রেসিপি বিশ্লেষণ করতে পারে।
  • TimesFM (The Numerical Forecaster): LLM কখনও কখনও সংখ্যা হ্যালুসিনেট করতে পারে, তাই ভারী যন্ত্রপাতির জন্য একটি ডেডিকেটেড টাইম-সিরিজ ফাউন্ডেশন মডেল প্রয়োজন। TimesFM নির্ভুলভাবে দীর্ঘমেয়াদী সংখ্যাগত দিগন্ত (১৬,০০০ ডেটা পয়েন্ট পর্যন্ত) অনুমান করে, কম্পন ও তাপমাত্রার লগ পড়ে সঠিক ইকুইপমেন্ট ফেলিওর কার্ভের পূর্বাভাস দেয় — সম্পূর্ণ অফলাইনে।
  • TabFM (The Tabular Reasoner): LLM টেক্সট এবং TimesFM সংখ্যাগত ট্রেন্ড ম্যানেজ করলেও, TabFM স্ট্রাকচার্ড টেবিল ডেটার উপর যুক্তি প্রয়োগ করার ক্ষেত্রে বিশেষজ্ঞ। জটিল SQL জয়েন না লিখেই, জটিল বিশ্লেষণ করতে এবং ঘন, মাল্টি-কলাম ERP বা CRM ডেটা থেকে সরাসরি প্রশ্নের উত্তর দিতে, আপনি এটি নিরাপদে অন-প্রিমিস চালাতে পারেন।

ব্যবহারিক ক্ষেত্র

১৫০০-টন ফোর্জিং প্রেসের প্রেডিক্টিভ রক্ষণাবেক্ষণ:

এই বিশাল যন্ত্রপাতির অপরিকল্পিত ডাউনটাইম উৎপাদন বন্ধ করে দেয়, যার ফলে প্রচুর সময় এবং গুরুত্বপূর্ণ উপকরণ নষ্ট হয়। অন্যদিকে, শিডিউল করা রক্ষণাবেক্ষণের ফলে অনেক সময় দামি পার্টস খুব তাড়াতাড়ি পরিবর্তন করতে হয়, যার ফলে বাজেট নষ্ট হয়। এয়ার-গ্যাপ না ভেঙে আমাদের রিঅ্যাক্টিভ থেকে প্রেডিক্টিভ রক্ষণাবেক্ষণে যেতে হবে।

b00c0159d3e6724.png

আপনি কী শিখবেন

এই কোডল্যাবে:

  1. আপনি স্থানীয়ভাবে ভাইব্রেশন ও তাপমাত্রা সেন্সর ডেটা সুরক্ষিতভাবে ক্যাপচার করতে AlloyDB Omni ব্যবহার করবেন, আপনি এটিকে আরও বাস্তবসম্মত ও উপযোগী করে তুলতে আরও প্যারামিটার যোগ করতে পারবেন।
  2. আপনি পুরনো ব্যর্থতার লগের বিপরীতে ট্রেন্ড বিশ্লেষণ করতে Gemma ব্যবহার করতে শিখবেন।
  3. আপনি এমন একটি সিস্টেম তৈরি করবেন যা ব্যর্থতার পূর্বাভাস দেয় এবং আপনার ERP-তে অ্যাসেট ম্যানেজমেন্ট ওয়ার্ক অর্ডার অটোমেটিক মক-ট্রিগার করে।

লোকাল LLM ও AlloyDB Omni, দুটিরই প্রভিশন করার জন্য আমরা Docker-এর উপর নির্ভর করি। এই পদ্ধতির সৌন্দর্য হল এর সরলতা: AlloyDB Omni অটোমেটিক নিজস্ব ইন্টার্নাল ML-এজেন্ট প্রসেস ম্যানেজ করতে পারে।

প্রয়োজনীয়তা

  • SQL সম্পর্কে প্রাথমিক ধারণা।
  • একটি স্ট্যান্ডার্ড Linux VM (যেমন, Ubuntu 22.04) বা Docker ইনস্টল করা একটি লোকাল মেশিন (macOS/Windows)।

২. লোকাল LLM (Gemma 4) চালু করুন

আমরা Gemma-কে লোকাল লেভেলে হোস্ট করার জন্য Ollama ব্যবহার করব। Ollama ইনস্ট্যান্স কনফিগার করতে Dockerfile তৈরি করুন:

  1. আপনার লোকাল মেশিন থেকে, টার্মিনালে নিম্নলিখিত কমান্ডগুলি এক এক করে রান করুন:
mkdir -p gemma4-ollama && cd gemma4-ollama

cat << 'EOF' > Dockerfile
FROM ollama/ollama:latest
ENV OLLAMA_HOST=0.0.0.0:8080
ENV OLLAMA_MODELS=/root/.ollama
ENV MODEL=gemma4:e2b
RUN ollama serve & sleep 5 && ollama pull $MODEL
ENTRYPOINT ["ollama", "serve"]
EOF
  1. হোস্ট নেটওয়ার্কে কন্টেনার তৈরি ও রান করানো:
docker build -t gemma4-local .

docker run --network host -d -p 8080:8080 --name gemma4-ollama-instance gemma4-local
  1. আপনি এই কমান্ড ব্যবহার করে এটি পরীক্ষা করতে পারেন:
curl -X POST http://localhost:8080/api/generate -d '{
  "model": "gemma4:e2b",
  "prompt": "Hello! Explain Gemma 4 in a few sentences."
}'

৩. AlloyDB Omni ইনস্টল ও চালু করা

এরপর, হোস্ট নেটওয়ার্কে AlloyDB Omni ডেটাবেস কন্টেনার স্পিন আপ করুন:

docker run -d \
  --name my-omni \
  --network host \
  -e POSTGRES_PASSWORD=omni \
  gcr.io/alloydb-omni/alloydbomni:18

আপনার Google Cloud প্রোজেক্ট থেকে AlloyDB Omni ইমেজ খুঁজে না পেলে, উপরে উল্লেখ করা ডকার রান কমান্ড এক্সিকিউট করার আগে কমান্ড রান করে যাচাই করার চেষ্টা করুন:

gcloud auth login

প্রমাণীকরণ সম্পূর্ণ হয়ে গেলে, ডকার রান কমান্ড আবার চালানোর চেষ্টা করুন।

৪. ইন্টার্নাল ML-Agent চালু করুন

ডিফল্ট হিসেবে, AlloyDB Omni-র ML ইন্টিগ্রেশন ফিচার বন্ধ করা থাকে। ইন্টার্নাল ML-Agent প্রসেস এবং AI কোয়েরি ইঞ্জিন চালু করতে আমাদের কন্টেনারের মধ্যে postgresql.conf ফাইলটি পরিবর্তন করতে হবে।

প্রয়োজনীয় ফ্ল্যাগ যোগ করতে এই একটি কমান্ড এক্সিকিউট করুন:

docker exec -it my-omni sh -c "cat << EOF >> /var/lib/postgresql/data/postgresql.conf
omni_enable_ml_agent_process = 'on'
google_ml_integration.enable_model_support = 'on'
google_ml_integration.enable_ai_query_engine = 'on'
EOF"

পরিবর্তনগুলি প্রয়োগ করতে কন্টেনারটি রিস্টার্ট করুন:

docker restart my-omni

এই কমান্ড ব্যবহার করে psql চালু করার মাধ্যমে আপনি কোয়েরি টেস্ট করা শুরু করতে পারবেন:

docker exec -it my-omni psql -U postgres

৫. স্থানীয় LLM-এ AI-কে রুট করা

psql (docker exec -it my-omni psql -U postgres)-এর মাধ্যমে ডেটাবেসে কানেক্ট করার পরে, আপনি নিজের লোকাল, অফ-গ্রিড মডেল রেজিস্টার করতে পারবেন। ইন্টারনেটে কল করার পরিবর্তে, model_request_url-কে আপনার লোকাল Ollama সার্ভারে রুট করুন যা ৮০৮০ পোর্টে রান করছে।

টার্মিনালে psql প্রম্পট থেকে নিম্নলিখিত SQL স্টেটমেন্ট রান করুন:

CREATE EXTENSION IF NOT EXISTS google_ml_integration CASCADE;

CALL google_ml.create_model(
    model_id => 'gemma4:e2b',
    model_request_url => 'http://localhost:8080/api/generate',
    model_provider => 'custom',
    model_type => 'generic'
);

আপনি এখন SQL-এর মধ্যে থেকে নিরাপদে পূর্বাভাস কল করতে পারবেন:

SELECT google_ml.predict_row(
    'gemma4:e2b',
    '{"model": "gemma4:e2b", "prompt": "Why is the sky blue?", "stream": false}'
)->'response';

আউটপুট:

4873acf20ded9dd1.png

এখন আমরা এটি একটি সাধারণ টেস্ট কেসে পরীক্ষা করেছি, আসুন আমাদের ব্যবহারের কেস ডেটা ছবিতে নিয়ে আসি।

৬. স্কিমা তৈরি ও ডেটা ইনজেস্ট করুন

এখন, ডেমো দেখানোর জন্য প্রয়োজনীয় স্কিমা ও ডেটা তৈরি করে আমাদের ব্যবহারের কেস তৈরি করা যাক।

টার্মিনালে psql প্রম্পট থেকে নিম্নলিখিত SQL স্টেটমেন্ট রান করুন:

-- ==============================================================================
-- 1. Setup the Schema for the 1500T Forging Press
-- ==============================================================================
CREATE TABLE IF NOT EXISTS forging_press_logs (
    log_id SERIAL PRIMARY KEY,
    timestamp TIMESTAMP NOT NULL DEFAULT NOW(),
    cycle_id VARCHAR(50) NOT NULL,
    hyd_pressure_bar NUMERIC(5,2),
    oil_temp_c NUMERIC(5,2),
    vib_z_rms NUMERIC(5,2)
);

-- Clean up any existing data if running multiple times
TRUNCATE TABLE forging_press_logs;

-- ==============================================================================
-- 2. Generate 1,000 Records of Simulated Data
-- ==============================================================================
-- 99% of data is 'Normal'
INSERT INTO forging_press_logs (cycle_id, hyd_pressure_bar, oil_temp_c, vib_z_rms)
SELECT
    'C-' || LPAD(i::text, 5, '0'),
    280.0 + (random() * 10 - 5), -- Pressure around 280
    42.0 + (random() * 5),       -- Temp around 42-47
    1.8 + (random() * 0.5)       -- Vib Z around 1.8-2.3
FROM generate_series(1, 990) AS i;

-- 1% of data is 'Anomalous' (Hydraulic pressure drop & vibration spike)
INSERT INTO forging_press_logs (cycle_id, hyd_pressure_bar, oil_temp_c, vib_z_rms)
SELECT
    'C-' || LPAD((990 + i)::text, 5, '0'),
    250.0 + (random() * 5),      -- Pressure dropping
    55.0 + (random() * 5),       -- Temp rising
    5.0 + (random() * 1.5)       -- High vibration
FROM generate_series(1, 10) AS i;

-- ==============================================================================
-- 3. Run the AI Prediction via AlloyDB Omni
-- ==============================================================================
-- Ensure the model is registered (assuming 'gemma4:e2b' is running locally on port 8080)
CREATE EXTENSION IF NOT EXISTS google_ml_integration CASCADE;

DO $$ 
BEGIN
    CALL google_ml.create_model(
        model_id => 'gemma4:e2b',
        model_request_url => 'http://localhost:8080/api/generate',
        model_provider => 'custom',
        model_type => 'generic'
    );
EXCEPTION WHEN OTHERS THEN 
    -- Ignore error if model already exists
END $$;

-- Query the most recent 5 potentially anomalous records and ask Gemma for an analysis
SELECT 
    cycle_id,
    hyd_pressure_bar,
    vib_z_rms,
    google_ml.predict_row(
        model_id => 'gemma4:e2b',
        request_body => json_build_object(
            'model', 'gemma4:e2b',
            'stream', false,
            'prompt', 'You are an industrial engineer. Analyze this sensor data from a 1500T forging press: Pressure=' || hyd_pressure_bar || ' bar, Vibration=' || vib_z_rms || ' mm/s. Normal pressure is ~280 bar and normal vibration is ~2.0 mm/s. Does this indicate a hydraulic failure? Answer in one short sentence.'
        )
    )->>'response' AS ai_analysis
FROM 
    forging_press_logs
WHERE 
    hyd_pressure_bar < 260 OR vib_z_rms > 4.5
ORDER BY 
    timestamp DESC
LIMIT 5;

উপরের স্টেটমেন্টগুলি এক এক করে রান করলে আমাদের ফলাফল এখানে পাওয়া যাবে:

e8fabd49e72c225e.png

এখন আমাদের ডেটা রেডি হয়ে গেছে, চলুন, প্রেডিক্টিভ রক্ষণাবেক্ষণ ড্যাশবোর্ড তৈরি করা যাক!

৭. লাইভ স্ট্রিমিং ড্যাশবোর্ড তৈরি করা

এই আর্কিটেকচারটি সঠিকভাবে ভিজ্যুয়ালাইজ করতে, আপনি সহজেই এটিকে একটি Python Flask ড্যাশবোর্ডে ওয়্যার আপ করতে পারেন যা একটি ওয়েব অ্যাপ্লিকেশন।

ম্যানুয়ালি SQL কোয়েরি চালানোর পরিবর্তে, একটি লাইটওয়েট Flask ব্যাকএন্ড লাইভ সেন্সর টেলিমেট্রিকে একটি HTML ড্যাশবোর্ডে স্ট্রিম করে। সাধারণ অপারেশনের সময়, ড্যাশবোর্ড শুধু গ্রাফ প্লট করে।

কিন্তু ব্যাকএন্ড যখন কোনও অসঙ্গতি (যেমন, চাপ কমে যাওয়া) শনাক্ত করে, তখন Python কোডটি AlloyDB-এর মধ্যে google_ml.predict_row() ফাংশনটি অবিলম্বে ট্রিগার করে। AlloyDB সাবলীলভাবে আপনার স্থানীয় Gemma মডেলে প্রসঙ্গ ফরওয়ার্ড করে এবং AI-এর ডায়াগনস্টিক ইনসাইট ড্যাশবোর্ডে রিয়েল-টাইমে ফ্ল্যাশ করে।

💡 কোডল্যাব সংক্রান্ত পরামর্শ: ডেটাবেস কন্টেনার থেকে বেরিয়ে আপনার হোস্ট কমান্ড লাইনে ফিরে যেতে, \q টাইপ করে Enter প্রেস করুন (অথবা নতুন টার্মিনাল ট্যাব খুলুন)। তারপর, নিচে উল্লেখ করা Flask অ্যাপ্লিকেশন কমান্ড রান করার জন্য এগিয়ে যান।

এটি করতে:

  1. আপনার ডেভেলপমেন্ট এনভায়রনমেন্ট / কোড এডিটরে যান এবং টার্মিনাল খুলুন
  2. এই কমান্ড রান করুন
pip install flask psycopg2-binary
  1. আপনার Cloud Shell Terminal-এ নিম্নলিখিত কমান্ড রান করে আপনার প্রোজেক্ট ডিরেক্টরিতে কোড রেপো ক্লোন করুন:
git clone https://github.com/AbiramiSukumaran/gemma4-alloydb-omni-demo
  1. প্রোজেক্ট ফোল্ডারে নেভিগেট করুন:
cd gemma4-alloydb-omni-demo
  1. অ্যাপ্লিকেশনটি চালান:
python3 app.py

ওয়েব ব্রাউজার খুলুন অথবা আপনার লোকালহোস্টে চলা অ্যাপের লিঙ্কে ক্লিক করুন।

db2249f5d7f87d4c.png

লাইভ ড্যাশবোর্ড কী দেখায়

Flask অ্যাপ্লিকেশনটি ১৫০০-টন ফোর্জিং প্রেসের জন্য একটি রিয়েল-টাইম মনিটরিং ড্যাশবোর্ড হিসাবে কাজ করে, যা দেখায় যে কীভাবে একটি সম্পূর্ণ অফলাইন, এয়ার-গ্যাপড সিস্টেম প্রেডিক্টিভ রক্ষণাবেক্ষণ পরিচালনা করে:

  • কন্টিনিউয়াস টেলিমেট্রি স্ট্রিম: ড্যাশবোর্ড রিয়েল-টাইম ভাইব্রেশন (মিমি/সেকেন্ড) এবং হাইড্রলিক প্রেসার (বার) লগ প্লট করে, যা অ্যাক্টিভ ফ্যাক্টরি ফ্লোর অপারেশন সিমুলেট করার জন্য ডায়নামিকভাবে আপডেট হয়।
  • অন-দ্য-ফ্লাই ডেটাবেস অ্যানোমালি: যখন কোনও সেন্সর থ্রেশহোল্ডের নিচে নেমে যায় (যেমন, চাপ ২৬০ বারের নিচে নেমে যায়), তখন Python ব্যাকএন্ড ইভেন্টটিকে ফ্ল্যাগ করে এবং অবিলম্বে AlloyDB Omni-এর মধ্যে google_ml.predict_row() ফাংশন কল করে।
  • লোকালাইজড AI ডায়াগনস্টিকস: AlloyDB Omni রিয়েল-টাইম প্রসঙ্গ আপনার লোকাল Gemma 4 মডেলে ফরওয়ার্ড করে। Gemma অন-প্রিমিস ইন্ডাস্ট্রিয়াল এক্সপার্ট হিসেবে কাজ করে, টেলিমেট্রি বিশ্লেষণ করে এবং সরাসরি ড্যাশবোর্ডে ডায়াগনস্টিক অ্যালার্ট (যেমন, "সতর্কতা: প্রেশার ড্রপ এবং হাই ভাইব্রেশন থেকে বোঝা যায় যে হাইড্রলিক সিল কাজ নাও করতে পারে") প্রিন্ট করে।
  • কোনও লিকেজ নেই: সমস্ত কম্পিউটেশন, ডেটাবেস, গ্রাফ এবং AI রিজনিং সম্পূর্ণভাবে আপনার লোকাল হোস্টে এক্সিকিউট হয়, যার জন্য কোনও ইন্টারনেট কানেক্টিভিটির প্রয়োজন হয় না।

৮. প্রোডাকশনের পাথ

এয়ার-গ্যাপড নিরাপত্তা বজায় রেখে এই আর্কিটেকচারকে লোকাল প্রোটোটাইপ থেকে প্রোডাকশন-গ্রেড ফ্যাক্টরি ফ্লোর ডেপ্লয়মেন্টে স্কেল করতে, আপনি দুটি স্ট্যান্ডার্ড, অন-প্রিমিস ইনস্টলেশন ট্র্যাক থেকে বেছে নিতে পারেন:

প্রোডাকশন VM ও বেয়ার-মেটাল (নন-কন্টেনারাইজড):

যেসব এনভায়রনমেন্টে কন্টেনারাইজেশন পছন্দ করা হয় না অথবা যেখানে নিরাপত্তা নীতি অনুযায়ী হোস্ট অপারেটিং সিস্টেমের সাথে গভীর ইন্টিগ্রেশন প্রয়োজন, সেখানে আপনি অফিসিয়াল AlloyDB Omni RPM প্যাকেজ ব্যবহার করে ডেপ্লয় করতে পারবেন। AlloyDB Omni Red Hat RPM অর্কেস্ট্রেটরের সাহায্যে, এই ডিপ্লয়মেন্ট কম-লেটেন্সি পারফর্ম্যান্স, SELinux সম্মতি এবং অটোমেটেড হাই অ্যাভেলেবিলিটি (HA) সরাসরি আপনার লোকাল RHEL বা Rocky Linux VM-এ সম্পূর্ণ অফলাইনে নিয়ে আসে।

Production Kubernetes ও HA:

আপনার ফ্যাক্টরি পরিকাঠামো স্থানীয় অর্কেস্ট্রেশন ব্যবহার করলে, আপনি Kubernetes-এ AlloyDB Omni ডিপ্লয় করতে পারবেন। অফিসিয়াল AlloyDB Omni Kubernetes অপারেটর ব্যবহার করে, আপনি সিঙ্ক্রোনাস স্ট্যান্ডবাই রেপ্লিকা, অটোমেটেড লোকাল ব্যাক-আপ এবং ডেডিকেটেড রিড-অনলি এন্ডপয়েন্ট সহ একটি শক্তিশালী ডেটাবেস ক্লাস্টার ডিক্লারেটিভভাবে ডিপ্লয় করতে পারবেন।

৯. অভিনন্দন!

প্রতিরক্ষা উৎপাদন এবং এই ধরনের এয়ার-গ্যাপড ইন্ডাস্ট্রির জন্য, কঠোর নিরাপত্তা এবং প্রযুক্তিগত উদ্ভাবনের মধ্যে বেছে নেওয়ার বিকল্প আর নেই। সার্বভৌম হার্ডওয়্যারে কন্টেনারাইজড ডেটাবেস, বিশেষায়িত প্রক্সি মডেল এবং ওপেন-ওয়েট AI ডিপ্লয় করে, আপনি আপনার ফ্যাক্টরি ফ্লোরকে একটি ইন্টেলিজেন্ট, প্রেডিক্টিভ পাওয়ারহাউসে পরিণত করতে পারেন — আপনার ডিজিটাল পরিখা সম্পূর্ণ অক্ষত রেখে।