এই ব্লগ পোস্টে, আমরা সেই AI অ্যাপ্লিকেশনগুলোতে গভীরে যাব যা Upstash Redis, Upstash Vector, এবং Vercel AI SDK ব্যবহার করে তৈরি করা যায়। আমরা প্রতিটি টুলের যুনিক ফিচার এবং ক্যাপাবিলিটি এক্সপ্লোর করব, হাইলাইট করব কীভাবে সেগুলো ইন্টিগ্রেট করা যায় শক্তিশালী এবং ইফিশিয়েন্ট AI সমাধান বানাতে। এই টুলগুলোর ফাংশনালিটি পরীক্ষা করার সময়, আমরা উদাহরণ অ্যাপ্লিকেশনগুলোর ওপর এক নজরও দেব।
Upstash Vector
আসুন প্রথমে ভেক্টর এবং ভেক্টর ডেটাবেস বুঝি।
ভেক্টর ডেটাবেস হলো বিশেষাইজড ডেটা স্টোরেজ সিস্টেম যা ডেটা স্টোর এবং রিট্রিভ করে একটি নিউমেরিক্যাল অ্যারে ফরম্যাটে, যাকে ভেক্টর বলা হয়। এই ডেটাবেসগুলো হাই-ডাইমেনশনাল ভেক্টরের বড় ভলিউম দক্ষতার সাথে হ্যান্ডেল করে, যা কমপ্লেক্স ডেটা স্ট্রাকচার ম্যানেজ করার জন্য আদর্শ। ভেক্টর ডেটাবেস ব্যবহারের মূল সুবিধা:
দক্ষতা: এই ডেটাবেসগুলো হাই-ডাইমেনশনাল ভেক্টরের দক্ষ স্টোরেজ এবং রিট্রিভাল অফার করে, AI অ্যাপ্লিকেশনে কম্পিউটেশনাল লোড কমানো এবং কোয়েরি রেসপন্স গতি বাড়ানো।
সঠিকতা: অপ্টিমাইজড সার্চ অ্যালগরিদম নিশ্চিত করে যে ভেক্টর ডেটাবেস সবচেয়ে প্রাসঙ্গিক ডেটা পয়েন্ট খুঁজে পায়, সিস্টেমের পারফরম্যান্স বাড়ায় যেগুলো ডেটা ক্লাসিফিকেশনের প্রয়োজনীয়, যেমন রিকমেন্ডেশন ইঞ্জিন এবং ফ্রড ডিটেকশন সিস্টেম।
রিয়েল-টাইম প্রসেসিং: রিয়েল-টাইমে ডেটা প্রসেস করার ক্ষমতার সাথে, ভেক্টর ডেটাবেস بتلك অ্যাপ্লিকেশনের জন্য আদর্শ যেগুলো তাৎক্ষণিক রেসপন্সের প্রয়োজনীয়, যেমন চ্যাটবট এবং রিয়েল-টাইম অ্যানালিটিক্স।
AI-এ ভেক্টরগুলো সাধারণত অবজেক্টের এমবেডিং-ভিত্তিক মডেলকে রিপ্রেজেন্ট করে যা অ্যাপ্লিকেশনের কনটেক্স্টে এসেনশিয়াল ফিচার বা বৈশিষ্ট্য ক্যাপচার করে। উদাহরণস্বরূপ, একটি ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং-ভিত্তিক AI অ্যাপ্লিকেশনে, একটি ভেক্টর দেয়া টেক্সট, স্পিচ বা ডকুমেন্টের সেমান্টিক্সকে রিপ্রেজেন্ট করতে পারে। একটি ইমেজ প্রসেসিং-ভিত্তিক অ্যাপ্লিকেশনে, ভেক্টরগুলো দেয়া ইমেজের ফিচারকে রিপ্রেজেন্ট করে।
এখন, আসুন Upstash Vector-এ গভীরে যাই।
Upstash Vector একটি সার্ভারлес ভেক্টর ডেটাবেস যা DiskANN কে ভেক্টর সিমিলারিটি সার্চ অ্যালগরিদম হিসেবে ব্যবহার করে ৩ টাইপের সিমিলারিটি ফাংশনসহ: কোসাইন, ইউক্লিডিয়ান ডিস্ট্যান্স এবং ডট প্রোডাক্ট। যেহেতু Upstash Vector সার্ভারлес, এর পে-এজ-ইউ-গো প্রাইসিং এবং একটি ফ্রি টিয়ার আছে যারা এক্সপ্লোর করতে চান।
Upstash Vector-এ ব্যবহৃত অ্যালগরিদম এবং সিমিলারিটি ফাংশন সম্পর্কে আরও ডিটেইল Upstash ডকসে পাবেন।
তার লো-কস্ট হাই-পারফরম্যান্স সার্চ ক্যাপাবিলিটির পাশাপাশি, এটি REST API এবং TypeScript এবং Python-এ SDK প্রদান করে Upstash Vector কে আমাদের কোডবেসে সহজে ইন্টিগ্রেট করার জন্য।
Upstash Vector-এ ইন্টিগ্রেট করার জন্য, আমাদের প্রথমে কনসোলে লগইন করতে হবে। একবার লগইন হলে, আমরা Create Index বাটনে ক্লিক করে একটি ভেক্টর ইন্ডেক্স তৈরি করতে পারি। পপ-আপ মোডালে, আমরা আমাদের ইন্ডেক্সকে নাম দিতে পারি, ইন্ডেক্স থাকে এমন রিজন সিলেক্ট করতে পারি। তারপর, আমরা একটি এমবেডিং মডেল সিলেক্ট করতে পারি যা দেয়া অবজেক্ট থেকে এমবেডিং এক্সট্র্যাক্ট করার জন্য ব্যবহার হবে লেখার আগে Upstash Vector ইন্ডেক্সে। Upstash-এ কিছু প্রি-ডিফাইনড ওপেন-सোর্স এমবেডিং মডেল আছে যা ব্যবহার করা যায়। অন্যথায়, আমরা Custom সিলেক্ট করতে পারি যাতে আমরা এক্সটার্নাল এমবেডিং মডেল অনুযায়ী ভেক্টরের ডাইমেনশন সেট করতে পারি।
শেষে, আমরা সিমিলারিটি ফাংশন সিলেক্ট করতে পারি যা ভেক্টরগুলোর মাঝপথের দূরত্ব ক্যালকুলেট করে। Upstash-এ ৩টি সিমিলারিটি ফাংশন ডিফাইন করা আছে: কোসাইন, ইউক্লিডিয়ান ডিস্ট্যান্স এবং ডট প্রোডাক্ট। সিমিলারিটি ফাংশন সম্পর্কে Upstash ডকসে আরও জানতে পারেন।
নেক্সট স্ক্রিনে, আমরা আমাদের জন্য উপযুক্ত প্ল্যান সিলেক্ট করতে পারি।
ইন্ডেক্স তৈরি পূরণ হলে, আমরা Upstash Vector কে আমাদের কোডবেসের সাথে ইন্টিগ্রেট করতে পারি। আমি এই ব্লগ পোস্টে TypeScript ব্যবহার করব, যাইহোক, Python বা Go SDKsও ব্যবহার করা যায়। আমরা Details ট্যাবে দেওয়া ইন্টিগ্রেশন গাইড ফলো করতে পারি। আমাদের প্রথমে @upstash/vector ডিপেন্ডেন্সি ইনস্টল করতে হবে।
npm i @upstash/vector এখন আমরা সহজে কানেক্ট, রাইট এবং কোয়েরি করতে পারি নিচের মেথডগুলো দিয়ে।
import { Index } from "@upstash/vector" const index = new Index({ url: , token: , }) await index.upsert({ id: "id1", vector: […], metadata: { metadata_field: "metadata_value" }, }); await index.query({ vector: […], topK: 1, includeVectors: true, includeMetadata: true, }); Vercel AI SDK
Vercel AI SDK একটি TypeScript টুলকিট যা ডিজাইন করা হয়েছে AI ক্যাপাবিলিটি ওয়েব অ্যাপ্লিকেশনে ইন্টিগ্রেট করার প্রক্রিয়া স্ট্রিমলাইন করার জন্য। এটি React, Next.js, Vue, Svelte, এবং Node.js-এর মতো বিভিন্ন ফ্রেমওয়ার্ক সাপোর্ট করে, ডেভেলপারদের AI-পাওয়ার্ড অ্যাপ্লিকেশন দক্ষতার সাথে বানাতে সক্ষম করে। Vercel AI SDK ৩টি মূল কনসেপ্ট দিয়ে গঠিত:
AI SDK Core
Vercel AI SDK Core Vercel AI SDK-এর একটি অভিন্ন কম্পোনেন্ট, ডিজাইন করা হয়েছে আর্টিফিশিয়াল ইন্টেলিজেন্স ক্যাপাবিলিটি ওয়েব অ্যাপ্লিকেশনে ইন্টিগ্রেট করার প্রক্রিয়া স্ট্রিমলাইন করার জন্য। এই কোর মডিউল একটি ইউনিফাইড API প্রদান করে যা লার্জ ল্যাঙ্গুয়েজ মডেল (LLM) ব্যবহারকে সুবিধা দেয় টেক্সট, স্ট্রাকচারড অবজেক্ট, এবং টুল কল জেনারেট করতে।
সबচেয়ে সাধারণ ব্যবহার উদাহরণ হলো generateText বা streamText API ব্যবহার করা। আসুন দ্রুত TypeScript-এ এগুলো ব্যবহার করি।
প্রথম, Vercel AI SDK ইম্পোর্ট করুন টার্মিনালে নিচের কমান্ড রান করে।
`npm i ai` তারপর, আমরা generateText API ব্যবহার করতে পারি একটি উদাহরণ হিসেবে। Vercel AI SDK কিছু পরিচিত মডেল প্রোভাইডারের সাথে ইন্টিগ্রেশন প্রদান করে, যেমন OpenAI, Antropic, Google, Mistral ইত্যাদি। আমরা এই উদাহরণে OpenAI ব্যবহার করব, কিন্তু অন্যান্য ও OpenAI ইন্টিগ্রেশন 정도였다 সহজ।
import { generateText } from "ai" import { openai } from "@ai-sdk/openai" const { text } = await generateText({ model: openai("gpt-4-turbo"), prompt: "What is love?" })AI SDK UI
Vercel AI SDK UI একটি ফ্রেমওয়ার্ক-অগনস্টিক টুলকিট যা ডিজাইন করা হয়েছে ডেভেলপারদের ইন্টারঅ্যাক্টিভ চ্যাট, কমপ্লিশন, এবং অ্যাসিস্ট্যান্ট অ্যাপ্লিকেশন বানাতে সাহায্য করার জন্য কিছু অ্যাডিশনাল ফাংশনালিটিসহ যেমন চ্যাট ইন্টারফেস তৈরি, জেনেরেটিভ AI কম্পোনেন্ট এবং স্টেট ম্যানেজমেন্ট।
সবচেয়ে সাধারণ ব্যবহার উদাহরণ হলো useChat এবং useCompletion হুক। useChat চ্যাট মেসেজের স্ট্রিমিং প্রদান করে প্রয়োজনীয় টাইপের ইনপুট এবং আউটপুটের জন্য স্টেট ম্যানেজমেন্ট অ্যাবস্ট্রাক্ট করে যেমন মেসেজ, লোডিং স্টেট এবং এরর। useCompletion ডেভেলপারদের AI অ্যাপ্লিকেশনে টেক্সট কমপ্লিশন ম্যানেজ করতে দেয়, চ্যাট ইনপুট স্টেট হ্যান্ডেল করে এবং আপনার প্রোভাইডার থেকে নতুন কমপ্লিশন আসার সাথে সাথে UI আপডেট করে।
এখানে, useChat কীভাবে দ্রুত ব্যবহার করতে হয় সেটা দেখি AI SDK UI-এর একটি উদাহরণ হিসেবে।
const { messages, input, handleInputChange, handleSubmit} = useChat({ api: "api/chat", initialMessages: […], onResponse(response) {}, streamMode: "text", });যেমন দেখছেন, এটি API এন্ডপয়েন্ট নেয় কল করার জন্য যখন মেসেজ পাঠানো হয়, রেসপন্স রিসিভ হলে একটি ফাংশন, এবং এটি নিজে স্টেট ম্যানেজ করে।
AI SDK RSC
Vercel AI SDK-এর এই অংশটি সার্ভার-সাইড রেন্ডারিং-এর জন্য। AI SDK RSC-এর উদ্দেশ্য হলো লার্জ ল্যাঙ্গুয়েজ মডেল (LLM) কে সাপোর্ট করা UI ডাইরেক্টলি সার্ভার থেকে ক্লায়েন্টে জেনারেট এবং স্ট্রিম করার জন্য React Server Components (RSC) ব্যবহার করে।
AI SDK RSC-এ সার্ভার-সাইড রেন্ডার্ড UI-এর জন্য স্ট্রিমিং আউটপুট সাপোর্ট করার একাধিক ফাংশন আছে। আরও ডিটেইলস জন্য Vercel AI SDK RSC ডকস ভিজিট করুন। এই ব্লগে, আমরা শুধু একটি ফাংশন পরীক্ষা করব কীভাবে কাজ করে সেটা বুঝতে। এই উদ্দেশ্যে, আসুন streamUI ফাংশন কীভাবে ব্যবহার করতে হয় সেটা বুঝি।
const result = await streamUI({ model: openai('gpt-4o'), prompt: 'Get the weather for San Francisco', text: ({ content }) => {content}, tools: {}, });যেমন দেখা যাচ্ছে, streamUIও AI SDK Core ফাংশনগুলির মতো কাজ করে। মূল পার্থক্য হলো সার্ভার থেকে রেন্ডার্ড UI স্ট্রিম করা।
সংক্ষেপে, Vercel AI SDK ডেভেলপারদের ব্যাকএন্ড থেকে ফ্রন্টএন্ড পর্যন্ত সফটওয়্যার ডেভেলপমেন্টের সব পার্টে AI অ্যাপ্লিকেশন বানাতে সাহায্য করে।
Upstash Redis
AI অ্যাপ্লিকেশনে, Upstash Redis মূলত রেট লিমিটিংয়ের জন্য ব্যবহার করা হয় API এবং LLM মডেল ইউজেজ প্রোটেক্ট করার জন্য, ক্যাশিং উদ্দেশ্যে, বা একটি AI চ্যাটবট অ্যাপ্লিকেশনে মেসেজ হিস্টরি স্টোর করার জন্য।
আমাদের প্রথমে Upstash কনসোলে একটি Redis ডেটাবেস তৈরি করতে হবে।
একবার আমরা Redis ডেটাবেস তৈরি করি, তারপর আমরা আমাদের কোডবেসে Redis ইন্টিগ্রেট করতে পারি ডেটা রাইট এবং কোয়েরি করার জন্য, যা হতে পারে ক্যাশিং ডেটা, মেসেজ হিস্টরি, কনভারসেশন স্টেট ইত্যাদি। সেটি করার জন্য, আমাদের প্রথমে Upstash Redis SDK ইনস্টল করতে হবে।
npm i @upstash/redis তারপর, আমরা আমাদের কোড থেকে Redis ডেটাবেস কানেক্ট করতে পারি।
import { Redis } from '@upstash/redis' const redis = new Redis({ url: , token: , }) const data = await redis.set('foo', 'bar'); আমরা যদি Redis কে রেট লিমিটিংয়ের জন্য ব্যবহার করতে চাই, তবে আমরা Upstash প্রদত্ত রেট লিমিটিং SDK ব্যবহার করতে পারি। রেট লিমিটিং SDK-এর জন্য ডিপেন্ডেন্সি ভিন্ন।
npm install @upstash/ratelimit এখন, রেট লিমিটিং ইমপ্লিমেন্ট করতে;
import { Ratelimit } from "@upstash/ratelimit"; import { Redis } from "@upstash/redis"; // Create a new ratelimiter, that allows 10 requests per 10 seconds const ratelimit = new Ratelimit({ redis: Redis.fromEnv(), limiter: Ratelimit.slidingWindow(10, "10 s"), analytics: true, /** * Optional prefix for the keys used in redis. This is useful if you want to share a redis * instance with other applications and want to avoid key collisions.5 */ prefix: "prefix", }); // Use a constant string to limit all requests with a single ratelimit // Or use a userID, apiKey or ip address for individual limits. const identifier = "identifier"; const { success } = await ratelimit.limit(identifier); if (!success) { return "Unable to process at this time"; } // rest of the codeVercel AI SDK-র সাথে Upstash Redis এবং Vector ব্যবহার করা
এখন, উপরে ব্যাখ্যা করা টুলগুলো দিয়ে কী কী করা যায়? অনেক কিছু...
RAG চ্যাটবটগুলো Vercel AI SDK এবং Upstash Vector ডেটাবেস দিয়ে বানানো সবচেয়ে সাধারণ জেনেরেটিভ AI অ্যাপ্লিকেশন। Retrieval-Augmented Generation (RAG) একটি অ্যাডভান্সড ফ্রেমওয়ার্ক যা চ্যাটবট এবং অন্যান্য কনভারসেশনাল AI সিস্টেমের ক্যাপাবিলিটি উল্লেখযোগ্যভাবে বাড়ায়। এটি দুটি ক্রিটিক্যাল কম্পোনেন্ট—রিট্রিভাল এবং জেনারেশন—মার্জ করে আরও সঠিক, কনটেক্সটুয়ালি রেলেভ্যান্ট, এবং ইনফরমেটিভ রেসপন্স ডেলিভার করতে। RAG চ্যাটবটগুলো ভেক্টর ডেটাবেস ব্যবহার করে রিট্রিভার হিসেবে, যা চ্যাট হিস্টরি একটি এমবেডিং ফরম্যাটে স্টোর এবং দেয় যা LLM মডেল থেকে নেক্সট রেসপন্স জেনারেট করতে ব্যবহার করা হয়। এই পদ্ধতিতে, LLM মডেল olyan রেসপন্স জেনারেট করতে পারে যা কনভারসেশনের কনটেক্সটের সাথে রেলেভ্যান্ট এবং অতীতের কথোপকথন থেকে শিখে।
এই ধরনের চ্যাটবট অ্যাপ্লিকেশনের জন্য, Upstash Vector একটি পারফেক্ট ভেক্টর ডেটাবেস যা রিট্রিভার হিসেবে কাজ করতে পারে। Upstash Vector-র সাথে ইন্টিগ্রেশনের উপরে, আমরা Vercel AI SDK Core কম্পোনেন্টের streamText বা streamObject APIs ব্যবহার করতে পারি ব্যাকএন্ড সাইডে LLM মডেল যেমন OpenAI, Anthropic, Mistral ইত্যাদি থেকে আসা রেসপন্স জেনারেট এবং স্ট্রিম করতে। ফ্রন্টএন্ড সাইডে, আমরা Vercel AI SDK UI কম্পোনেন্টের useChat হুক লিভারেজ করতে পারি, যা একটি পাওয়ারফুল ফ্রেমওয়ার্ক যা চ্যাট UI এবং স্টেট ম্যানেজমেন্ট হ্যান্ডেল করে। DegreeGuru ব্লগ পোস্টে একটি উদাহরণ RAG অ্যাপ্লিকেশন দেখতে পারেন।
Vercel AI SDK দিয়ে সহজে বানানো যাবে এমন আরেকটি সাধারণ AI অ্যাপ্লিকেশন টাইপ হলো রিকমেন্ডেশন সিস্টেম। একটি রিকমেন্ডেশন সিস্টেম একটি ই-কমার্স প্ল্যাটফর্মের সবচেয়ে গুরুত্বপূর্ণ ফিচারlerden একটি। এটি ইউজার ব্যক্তিগত পছন্দ এবং ইতিহাস ব্যবহার করে ইউজার আগ্রহ চিহ্নিত করে উপযোগী রিকমেন্ডেশন দিতে। রিকমেন্ডেশন সিস্টেম বানানোর সময়, Vercel AI SDK Core আমাদের ইউজার ডেটার এমবেডিং সহজে এক্সট্র্যাক্ট করতে সাহায্য করতে পারে embed ফাংশন ব্যবহার করে। নিচের উদাহরণ কোডটি দেখুন।
import { embed } from 'ai'; import { openai } from '@ai-sdk/openai'; // 'embedding' is a single embedding object (number[]) const { embedding } = await embed({ model: openai.embedding('text-embedding-3-small'), value: 'sunny day at the beach', });এমবেডিং এক্সট্র্যাক্ট করার পর, যা আসলে সেমান্টিক ডেটা একটি নিউমেরিক্যাল অ্যারে ফরম্যাটে, আমরা আউটপুট Upstash Vector-এ স্টোর করতে পারি। সেই এমবেডিংগুলো কোয়েরি এবং ক্লাসিফাই করা যাবে ইউজার হ্যাবিট অনুযায়ী এবং ভবিষ্যতের রিকমেন্ডেশনে ব্যবহার করা যাবে।
Vercel AI SDK Core-এ embed ফাংশন যা ইনপুট থেকে এমবেডিং এক্সট্র্যাক্ট করে, যেকোনো ধরনের মেশিন লার্নিং অ্যাপ্লিকেশনে ব্যবহার করা যাবে, যেমন সেমান্টিক সার্চ, ইমেজ সার্চ, কনটেন্ট সামারি ইত্যাদি। ডেভেলপাররা এই ফাংশন দ্বারা এক্সট্র্যাক্ট করা ভেক্টর এমবেডিং Upstash Vector ডেটাবেসে ইনসার্ট করতে পারেন যাতে প্রোডাক্টগুলো ইনপুট বিশ্লেষণ করতে পারে এমবেডিং বেসডে র ডেটা স্টোর করার প্রয়োজন ছাড়া, যা AI অ্যালগরিদমের জন্য অকার্যকর। লাস্ট উদাহরণ অ্যাপ্লিকেশন হলো কাস্টমার রিভিউর AI সামারি। এই উদাহরণ অ্যাপ্লিকেশনে, আমরা দেয়া টেক্সটগুলো থেকে এমবেডিং এক্সট্র্যাক্ট করতে পারি, যেগুলো একটি প্রোডাক্টের কাস্টমার রিভিউ এবং ভেক্টর ডেটাবেসে স্টোর করতে পারি। পরে, অ্যানালিস্টরা ভেক্টরগুলো ব্যবহার করতে পারেন ডেটার সামারি পেতে LLM মডেলকে প্রম্পট দিয়ে, Vercel AI SDK Core দিয়ে আবার।
এই ব্লগ পোস্টে আমরা যে লাস্ট উদাহরণ আলোচনা করব সেটি হলো ফ্রড/অ্যানোমালি ডিটেকশন সিস্টেম। একটি খুব বেসিক ফরম্যাটের অ্যানোমালি ডিটেকশনে, ডেভেলপারদের ট্রানজ্যাকশন বা ইউজার বিহেভিয়ার ক্লাসিফাই করতে হয় যাতে সেগুলো ডিটেক্ট করতে পারে কোনো অস্বাভাবিক মুভমেন্ট আছে কিনা। সেই উদ্দেশ্যে, Upstash ভেক্টর ডেটাবেস ব্যবহার করা যাবে ভেক্টর তৈরি করতে n-ডাইমেনশনাল স্পেসে লোকেট করার জন্য। একবার ইউজার ইন্টারঅ্যাকশনগুলো ভেক্টর স্টোর করে স্পেসে লোকেট হলে, অ্যানালাইজার টুলগুলো ইনকামিং ইন্টারঅ্যাকশনের সিমিলারিটি পায় ভেক্টর স্পেসের ইন্টারঅ্যাকশনদের সাথে। এই সিমিলারিটি স্কোরগুলো সাহায্য করতে পারে চিহ্নিত করতে ইন্টারঅ্যাকশনটি নরমাল কিনা।
উপরোক্ত সব উদাহরণ অ্যাপ্লিকেশনে, আমরা Upstash রেট লিমিটিং ফিচার ব্যবহার করতে পারি যেকোনো হеви অপারেশনের জন্য, যেমন টেক্সট জেনারেট করা, AI মডেল কল করা এমবেডিং এক্সট্র্যাক্ট করার জন্য ইত্যাদি। রেট লিমিটিং-এর الفضলে, আমরা আমাদের অপারেশনগুলো ট্রাফিকের বার্স্ট থেকে প্রোটেক্ট করতে পারি। এর পাশাপাশি, Upstash Redis আমাদের অ্যাপ্লিকেশনের র ডেটা স্টোর করার জন্য একটি চমৎকার জায়গা হতে পারে, যেমন মেসেজ হিস্টরি, LLM মডেলের জন্য ব্যবহার করা প্রম্পটের ক্যাশ ইত্যাদি।
উপসংহার
এই ব্লগ পোস্টে, আমরা আবিষ্কার করেছি যে Upstash Redis, Upstash Vector, এবং Vercel AI SDK অ্যাডভান্সড AI অ্যাপ্লিকেশন নির্মাণের জন্য একটি মূল্যবান কম্বিনেশন গঠন করে। এই টুলগুলো একসাথে কাজ করে ডেটা দক্ষতার সাথে ম্যানেজ করতে, ইনফরমেশন প্রসেস করতে, এবং AI মডেল ডিপ্লয় করতে। প্রদত্ত উদাহরণগুলো এই টেকনোলজি স্ট্যাকের ভার্সাটিলিটি প্রদর্শন করে AI সমাধানের একটি রেঞ্জ তৈরি করতে।
আরও উদাহরণের জন্য, আপনি Upstash ব্লগ এবং Vercel টেমপ্লেট চেক করতে পারেন।
