Tampere University AI in Civil Engineering Master's Thesis Guide বাংলা সংস্করণ

এই গাইডে কী আছে

Tampere University-এর AI in Civil Engineering এখন Master’s Programme in Civil Engineering-এর একটি current specialisation হিসেবে পূর্ণ programme page-এ প্রকাশিত। Degree হলো Master of Science (Technology), মোট 120 ECTS, planned duration দুই বছর, এবং এটি Faculty of Built Environment-এর অধীনে। Current thesis object হলো RAK.151 Master’s Thesis, Civil Engineering, 30 ECTS, Advanced Studies, grade 0–5। তাই এই guide-এ AI topic থাকলেও thesis route-কে Data Science বা অন্য programme-এর thesis হিসেবে ধরা হয়নি।

আগে কেন block ছিল এবং এখন কী বদলেছে

আগে applicant catalogue-এ programme name ছিল, কিন্তু stable programme-specific page পাওয়া যাচ্ছিল না। এখন official programme page degree, faculty, extent, methods environment এবং research context প্রকাশ করছে। Student’s Guide আলাদাভাবে RAK.151 thesis object দেখাচ্ছে। এই দুই independent official layer এখন একে অপরকে support করছে, তাই publication block আর প্রয়োজন নেই।

Exact thesis: RAK.151, 30 ECTS

RAK.151 current 2026–2027 Civil Engineering thesis course। এটি 30 ECTS, Advanced Studies, English/Finnish completion option এবং general 0–5 scale ব্যবহার করে। Support course, orientation বা research-work course যোগ করে thesis-কে 35 বা 40 ECTS বলা যাবে না। AI ব্যবহার হচ্ছে বলে Data Science thesis code-ও import করা যাবে না।

Degree 120 ECTS এবং core identity civil engineering

Programme-এর লক্ষ্য civil engineer-কে data analytics, modelling, machine learning এবং AI ব্যবহার করতে শেখানো। Tampere স্পষ্ট করে যে উদ্দেশ্য civil engineer-কে শুধু data scientist বানানো নয়। Thesis-এ তাই built environment, infrastructure, geotechnics, construction, real estate বা related engineering decision থাকতে হবে। শুধু কোনো dataset-এর ওপর model চালানো civil-engineering contribution নয়।

Algorithm দিয়ে নয়, engineering question দিয়ে শুরু করুন

প্রথমে লিখুন কী predict, estimate, classify, optimise বা support করা হবে এবং সেই output কোন engineering decision-এ ব্যবহৃত হবে। তারপর method বাছুন। Deep learning ব্যবহার করাই research question নয়। Baseline কী, acceptable error কত এবং ভুল prediction-এর engineering consequence কী তা আগে define করলে project scientifically bounded থাকে।

Reliability এবং uncertainty programme-এর core theme

Civil engineering data-তে natural variability, measurement error, incomplete sampling এবং model simplification থাকে। AI এগুলো দূর করে না। Confidence interval, prediction interval, calibration, sensitivity analysis, repeated validation বা probabilistic approach উপযুক্ত হলে ব্যবহার করুন। Uncertainty measurement, sample size, model assumption নাকি deployment condition থেকে আসছে তা আলাদা করে লিখুন।

Data provenance traceable রাখুন

Sensor, BIM, site investigation, laboratory, maintenance, image, company database বা public spatial source থেকে data এলে source, collection process, unit, coordinate system, time period, QC এবং preprocessing document করুন। Company database research sample নয়, operational process-এর product হতে পারে। Missingness, duplicate, coding change এবং selection mechanism report করুন।

Train-validation-test split বাস্তব structure অনুসরণ করবে

একই project, building, borehole, road segment, sensor বা time-series-এর related observation train এবং test দুদিকে গেলে leakage হতে পারে। New project-এ generalise করতে হলে group split করুন, future prediction হলে temporal split ব্যবহার করুন। Final test set model selection বা preprocessing fit করার জন্য ব্যবহার করবেন না।

Strong baseline ছাড়া AI improvement claim দুর্বল

Complex model-কে established engineering calculation, simple statistical model বা current practice-এর সঙ্গে তুলনা করুন যেখানে সম্ভব। একই data split এবং একই metric ব্যবহার করুন। সামান্য score gain-এর বিনিময়ে interpretability, stability বা deployment cost খারাপ হলে সেটিও result-এর অংশ।

Metric engineering consequence-এর সঙ্গে match করবে

Accuracy সব সমস্যার metric নয়। Safety-related flagging-এ sensitivity ও false negative গুরুত্বপূর্ণ হতে পারে; cost model-এ absolute/relative error; probabilistic model-এ calibration। Class imbalance এবং threshold selection report করুন। Final test set দেখে threshold tune করা যাবে না।

AI2Geo measurement validity শেখায়

Programme page AI2Geo project উল্লেখ করে, যেখানে advanced imaging এবং AI দিয়ে subsurface ground property নির্ধারণের চেষ্টা হচ্ছে। Imaging feature বা sensor input ব্যবহার করলে calibration, resolution, preprocessing এবং ground-truth reference method document করুন। Measurement bias থাকলে AI সেই bias-ও শিখতে পারে।

AI Champion workflow claim-এর boundary দেখায়

AI Champion data silo থেকে engineering practice-এ information flow improve করার AI agent নিয়ে কাজ করে। Thesis-এ fluent output দেখালেই workflow improvement প্রমাণ হয় না। Time, task success, decision quality, hallucination, retrieval failure এবং source traceability-এর মতো relevant outcome evaluate করুন।

Generative AI source-grounded হতে হবে

LLM fact, citation বা calculation fabricate করতে পারে। কোন source set system ব্যবহার করবে এবং output কীভাবে verify হবে তা define করুন। RAG system হলে retrieval quality আলাদা evaluate করুন। Protected company data approved basis ছাড়া external AI service-এ দেবেন না। Thesis-এ AI use supervisor-এর সঙ্গে agree করতে হবে।

Simulation field validation নয়

Simulation বা synthetic data rare event study-তে useful, কিন্তু real-world performance প্রমাণ করে না। Simulation assumption লিখুন এবং সম্ভব হলে independent field data-তে test করুন। Real validation না থাকলে conclusion simulation performance পর্যন্ত সীমিত রাখুন।

Sensor study-তে calibration ও timing গুরুত্বপূর্ণ

Sensor model, unit, sampling rate, installation, calibration, drift এবং timestamp alignment record করুন। Filtering/smoothing hidden cleaning নয়; method হিসেবে report করুন। Sensor replacement বা protocol change হলে version history রাখুন।

Spatial data-তে random split ভুল হতে পারে

Nearby location-এর data correlated হতে পারে। তাই spatial blocking বা leave-location-out validation দরকার হতে পারে। Coordinate reference system এবং aggregation rule document করুন। Area-level pattern থেকে individual-level conclusion টানবেন না।

Interpretability explanation এবং causality এক নয়

Feature importance, partial-dependence, SHAP বা surrogate model কোনো prediction কেন হয়েছে তা বোঝাতে সহায়তা করতে পারে, কিন্তু এগুলো automatic causal explanation নয়। Interpretability যদি thesis claim-এর অংশ হয়, explanation stability check করুন এবং domain expert-এর physical understanding-এর সঙ্গে compare করুন। Plausible-looking explanation unstable হতে পারে।

Domain shift engineering risk

এক project বা soil type-এ trained model অন্য site, climate, sensor, contractor practice বা data protocol-এ fail করতে পারে। Training domain এবং intended deployment domain আলাদা করে লিখুন। সম্ভব হলে truly independent site/project-এ external validation করুন। না হলে generalisability বা deployment readiness claim narrow রাখুন।

Company thesis-এ academic question আলাদা রাখুন

Company objective useful হলেও academic thesis-এর research question, method এবং evidence university standard মেনে চলবে। Data ownership, code, publication restriction এবং negative result report করা যাবে কি না আগেই agree করুন। Confidentiality public manuscript-কে methodologically opaque করতে পারে না।

Ethics actual method-এর ওপর নির্ভর করে

শুধু technical data হলে human ethics নাও লাগতে পারে। Interview, worker observation, location trace, user study বা personal data থাকলে relevant ethics/data-protection rule apply হবে। Tampere-এর Ethics Committee non-medical human research review করে applicable trigger অনুযায়ী। Every thesis needs ethics review বলা ভুল, আবার none needs review বলাও ভুল।

Personal এবং commercial data protect করুন

Name, contact, access log, photo, location বা work schedule personal data হতে পারে। Cost, contract বা operational file commercial confidential হতে পারে। Data minimisation, approved storage, access control এবং retention plan রাখুন। External AI-তে protected data upload করবেন না।

RAK.300 thesis নয়

RAK.300 Individual Research Work in Civil Engineering 2–5 ECTS research preparation course। RAK.250 orientation/information-search support দেয়। এগুলো RAK.151 নয় এবং thesis credit-এর সঙ্গে যোগ করা যাবে না।

Thesis Supervision Plan ব্যবহার করুন

Technology thesis route-এ supervisor-এর সঙ্গে Thesis Supervision Plan তৈরি করুন। Research question, milestone, meeting schedule, data access, validation, deliverable এবং timetable লিখুন। Computational thesis হলে data split, baseline ও primary metric-ও early freeze করা ভালো।

Maturity test, Turnitin এবং Trepo

International Master’s students-এর জন্য technology thesis abstract maturity test হিসেবে কাজ করে according to current Tampere guidance। Final examination-এর আগে Turnitin originality check এবং supervisor permission লাগে। তারপর thesis Trepo-তে deposit হয়। Turnitin similarity check করে, engineering validity নয়।

Public thesis এবং protected material আলাদা

Public Trepo thesis-এ raw company dataset বা protected appendix publish করা বাধ্যতামূলক নয়। কিন্তু methods, validation এবং limitation যথেষ্ট transparent থাকতে হবে। Anonymised/aggregated result ব্যবহার করুন যেখানে প্রয়োজন।

Final checklist

নিজের Sisu-তে RAK.151, 30 ECTS, 0–5 confirm করুন। Engineering decision আগে define করুন, data provenance ও measurement QC document করুন, leakage আটকান, defensible baseline ব্যবহার করুন, uncertainty ও failure case report করুন, simulation ও field evidence আলাদা রাখুন, domain shift assess করুন, ethics/data/confidentiality আগে map করুন, AI use supervisor-এর সঙ্গে agree করুন, এবং supervision plan, Turnitin, maturity route ও Trepo process complete করুন।

সবচেয়ে শক্তিশালী thesis সেইটি নয় যেখানে সবচেয়ে complex model আছে। শক্তিশালী thesis হলো যেখানে engineering claim পরিষ্কার, method defensible এবং evidence কতদূর conclusion support করে তা স্বচ্ছভাবে দেখানো হয়েছে।

Reproducibility-তে code, data এবং engineering assumption link করুন

Computational thesis-এ raw record থেকে final engineering result কীভাবে এসেছে তা reconstruct করা সম্ভব হওয়া উচিত। Dataset version, filtering, feature construction, model configuration, software/package version, random seed, training environment এবং exact evaluation split record করুন। Version control ব্যবহার করুন এবং result table/figure কোন run/configuration থেকে এসেছে তার log রাখুন।

Protected company data publish করা reproducibility-এর শর্ত নয়। Raw data share করা না গেলে data dictionary, transformation logic, model configuration এবং সম্ভব হলে synthetic/non-sensitive example দিন। লক্ষ্য হলো confidentiality না ভেঙে analytical reasoning inspectable রাখা।

Missing data এবং exclusion result-এর অংশ

Civil-engineering dataset-এ failed sensor, incomplete site record, missing measurement বা QC failure থাকতে পারে। প্রতিটি stage-এ কত data ছিল এবং কেন observation বাদ গেছে report করুন। Difficult site condition বা system failure-এর সঙ্গে missingness related হলে শুধু complete record analyse করলে easier case-এর দিকে bias হতে পারে।

যেখানে সম্ভব exclusion rule আগে define করুন। Troubleshooting-এর সময় rule বদলালে change log রাখুন এবং main conclusion change হয় কি না test করুন। Model score improve করার জন্য difficult observation silently remove করবেন না।

Data-driven model-এ physical plausibility এখনও দরকার

High-performing model engineering constraint ভাঙা output দিতে পারে। Relevant হলে unit, sign convention, feasible range, monotonic relationship, conservation principle এবং known boundary condition check করুন। Prediction expert expectation-এর সঙ্গে compare করুন এবং বড় residual শুধু noise হিসেবে ignore না করে investigate করুন।

Model established physical understanding-এর বিপরীতে গেলে সেটি interesting result হতে পারে, কিন্তু data error, leakage, confounding বা model artefact নয় তা যাচাই করতে হবে।

External validation internal score-এর চেয়ে শক্তিশালী

এক site বা project-এর cross-validation ভালো হলেই অন্য site-এ model কাজ করবে না। Soil, climate, construction process, sensor বা company workflow বদলালে distribution shift হতে পারে। সম্ভব হলে নতুন project, location বা later time period-এ external test করুন।

External dataset না থাকলে limitation স্পষ্ট লিখুন। “Generalises across civil engineering” বা “ready for deployment” ধরনের broad claim evidence ছাড়া ব্যবহার করবেন না।

Manuscript freeze-এর আগে evidence audit করুন

প্রতিটি major conclusion কোন data, model run এবং validation result-এর ওপর দাঁড়িয়ে আছে trace করুন। Conclusion descriptive, predictive, simulation-based, field-validated নাকি deployment-oriented তা label করুন। Tested domain-এর বাইরে চলে যায় এমন wording narrow করুন। সম্ভব হলে clean environment থেকে অন্তত একটি key analysis rerun করুন এবং manuscript, figure ও table-এর number মিলিয়ে দেখুন।

AI project-এ preprocessing, random seed বা data partition change result বদলাতে পারে। Final thesis-এ experimentation-এর সবচেয়ে favourable output নয়, verification survive করা evidence report করুন।

Negative বা null result-কে project failure হিসেবে লুকাবেন না। Complex AI model simple baseline-এর চেয়ে ভালো না করলে সেটি গুরুত্বপূর্ণ engineering evidence হতে পারে। এর মানে input measurement-এ signal কম, label unreliable, domain shift বড়, sample ছোট বা existing engineering method ইতিমধ্যে শক্তিশালী হতে পারে। Planned analysis এবং exploratory troubleshooting আলাদা করে report করুন। Preferred result না পাওয়া পর্যন্ত model বদলাতে থাকলে evidence bias হয়। কোন additional data, validation বা physical measurement দরকার হলে Discussion-এ তা স্পষ্ট লিখুন।

Final manuscript-এর language-ও evidence level-এর সঙ্গে match করতে হবে। “Can support”, “was associated with”, “predicted within this dataset” এবং “validated for deployment” এক জিনিস নয়। শুধু internal validation থাকলে deployment-ready claim করবেন না। Thesis-এর strength complexity নয়, বরং claim, data, method এবং uncertainty-এর alignment।