अब CS की डिग्री वैकल्पिक हो गई है।
कौशल अभी भी अनिवार्य हैं।
यह वाक्य बहुत से लोगों को नाराज़ करेगा, और उनमें से अधिकतर वे होंगे जिन्होंने चार साल और बहुत सारा पैसा एक ऐसे प्रमाण-पत्र पर खर्च किया है जिसकी कीमत बाजार चुपचाप कम कर रहा है। मैं इस गुस्से को समझता हूँ। लेकिन इससे वास्तविकता नहीं बदलती। 2026 में, AI इंजीनियरिंग भूमिकाओं के लिए कंपनियाँ भर्ती करते समय देख रही हैं कि आप क्या बना सकते हैं, न कि आप कहाँ व्याख्यानों में बैठे थे।
मैं यह नहीं कह रहा कि CS की डिग्री बेकार है। अगर आपके पास है, तो यह मददगार है। मैं यह कह रहा हूँ कि डिग्री अब प्रवेश-द्वार नहीं रही। अब प्रवेश-द्वार है प्रमाण। क्या आप कुछ ऐसा बना सकते हैं जो काम करता हो, यह समझा सकते हैं कि वह क्यों काम करता है, और उसे ऐसी जगह भेज सकते हैं जहाँ कोई उसे देख सके? यही पूरी परीक्षा है।
यह बिना डिग्री के उस परीक्षा को पास करने का पूरा रास्ता है। कोई प्रेरक बकवास नहीं, कोई "बस खुद पर विश्वास रखो" नहीं। एक वास्तविक स्टैक, क्रम में, उन सटीक प्रोजेक्ट्स के साथ जो आपको नौकरी दिलवाएँगे और प्रत्येक भाग को सीखने का सटीक तरीका, जो पहले से ही आपके लैपटॉप पर मौजूद टूल्स का उपयोग करके।
पुराना रास्ता क्यों टूट गया है
पारंपरिक रास्ता कहता था कि डिग्री लो, सामने के दरवाजे से आवेदन करो, और अनुमति का इंतज़ार करो। वह रास्ता मानता था कि प्रमाण-पत्र ही दुर्लभ चीज़ है। अब ऐसा नहीं है।
असल में यह हुआ है। AI टूल्स ने एक अवधारणा को समझने और उसके साथ कुछ बनाने के बीच की दूरी को खत्म कर दिया है। दस साल पहले, एक विचार को काम करने वाले सॉफ्टवेयर में बदलने के लिए वर्षों के संचित सिंटैक्स ज्ञान की आवश्यकता होती थी। अब सिंटैक्स सस्ता हिस्सा है। दुर्लभ हिस्सा है यह जानना कि क्या बनाना है, इसे कैसे संरचित करना है, और एक दृष्टिकोण दूसरे से बेहतर क्यों है। ये निर्णय क्षमताएँ हैं, और निर्णय क्षमता डिप्लोमा से नहीं आती। यह चीज़ों को बनाने, तोड़ने और फिर से बनाने से आती है।
इसलिए अभी जिन लोगों को काम मिल रहा है, वे वे नहीं हैं जिनके पास सबसे प्रभावशाली ट्रांसक्रिप्ट है। वे वे हैं जिनके पास अपने द्वारा बनाई गई चीज़ों का सार्वजनिक निशान है। वास्तविक प्रोजेक्ट्स से भरा GitHub। एक डेमो जिस पर कोई क्लिक कर सके। एक थ्रेड जो बताता है कि उन्होंने एक कठिन समस्या कैसे हल की। वह निशान एक डिग्री से अधिक मूल्यवान है क्योंकि यह ठीक वही साबित करता है जो एक नियोक्ता को जानना चाहिए, यानी कि क्या आप काम कर सकते हैं।
ज़्यादातर लोगों की गलती यह है कि वे तैयार होने के लिए महीनों बिताते हैं, न कि निशान बनाने में। वे एक और कोर्स करते हैं, एक और ट्यूटोरियल देखते हैं, तब तक इंतज़ार करते हैं जब तक वे योग्य महसूस न करें। वह एहसास कभी नहीं आता। आप पाठ्यक्रम पूरा करके AI इंजीनियर नहीं बन जाते। आप AI सिस्टम बनाकर बनते हैं, पहले बुरी तरह, फिर कम बुरी तरह, जब तक कि आपके द्वारा बनाई गई चीज़ें वास्तव में काम न करने लगें।
2026 में एक AI इंजीनियर वास्तव में क्या होता है
स्टैक से पहले, परिभाषा सही कर लें, क्योंकि ज़्यादातर लोग गलत लक्ष्य पर निशाना लगा रहे हैं।
एक AI इंजीनियर मशीन लर्निंग रिसर्चर नहीं है। आप शुरू से फाउंडेशन मॉडल ट्रेन नहीं कर रहे हैं या नए आर्किटेक्चर पर पेपर प्रकाशित नहीं कर रहे हैं। वह एक अलग नौकरी है, और उसके लिए गहरे गणित और आमतौर पर एक उन्नत डिग्री की आवश्यकता होती है।
एक AI इंजीनियर पहले से मौजूद मॉडल्स के साथ बनाता है। आप Claude, GPT, या ओपन मॉडल लेते हैं और उन्हें ऐसे सिस्टम में जोड़ते हैं जो उपयोगी काम करते हैं। आप उन्हें डेटा से जोड़ते हैं। आप उन्हें टूल्स देते हैं। आप रिट्रीवल, मेमोरी, एजेंट लूप्स और गार्डरेल बनाते हैं जो एक कच्चे मॉडल को एक उत्पाद में बदल देते हैं। आप एक सिस्टम बिल्डर हैं जिसका सबसे शक्तिशाली घटक एक लैंग्वेज मॉडल है।
यह अंतर मायने रखता है क्योंकि यह आपको बताता है कि वास्तव में क्या सीखना है। इस नौकरी में उत्कृष्ट होने के लिए आपको बैकप्रोपेगेशन समझने की आवश्यकता नहीं है। आपको यह समझने की आवश्यकता है कि मॉडल को सही संदर्भ कैसे खिलाएँ, एक बहु-चरणीय कार्य को कैसे संरचित करें ताकि वह बिखर न जाए, आउटपुट को कैसे सत्यापित करें, और पूरे सिस्टम को कैसे डिप्लॉय करें ताकि वह विश्वसनीय रूप से चले। ये इंजीनियरिंग कौशल हैं, और इनमें से प्रत्येक बिना डिग्री के सीखा जा सकता है।
स्टैक, क्रम में
इन्हें क्रम से सीखें। प्रत्येक पिछले पर आधारित है। आगे कूदना सबसे आम तरीका है जिससे लोग रुक जाते हैं, क्योंकि वे डेटा संभालने से पहले एजेंट बनाने की कोशिश करते हैं और फिर आश्चर्य करते हैं कि कुछ काम क्यों नहीं करता।
1. Python. फंक्शन, क्लासेस, async। आपको Python विज़ार्ड होने की आवश्यकता नहीं है। आपको कोड पढ़ने, स्क्रिप्ट लिखने और यह समझने के लिए पर्याप्त धाराप्रवाह होना चाहिए कि एक AI कोडिंग असिस्टेंट आपके लिए क्या उत्पन्न करता है। Async विशेष रूप से मायने रखता है क्योंकि अधिकांश AI कार्यों में API कॉल की प्रतीक्षा करना शामिल है, और ब्लॉकिंग कोड आपके द्वारा बनाई गई हर चीज़ को बाधित करेगा।
2. SQL और डेटा हैंडलिंग। लगभग हर वास्तविक AI एप्लिकेशन डेटा को छूता है। आपको इसे खींचना, साफ करना और आकार देना होगा। SQL इसके लिए सार्वभौमिक भाषा है और यह दशकों में मुश्किल से बदली है, जिसका अर्थ है कि यह एक सुरक्षित, स्थायी कौशल है।
3. Git, कमांड लाइन और Linux बेसिक्स। यह वह वातावरण है जिसमें हर गंभीर टूल रहता है। Claude Code टर्मिनल में चलता है। डिप्लॉयमेंट Linux सर्वर पर होता है। वर्जन कंट्रोल वह तरीका है जिससे आप काम खोने से बचते हैं और सहयोग करते हैं। कोई भी ऐसे AI इंजीनियर को नियुक्त नहीं करता जो टर्मिनल का उपयोग नहीं कर सकता।
4. REST APIs और LLM API इंटीग्रेशन। यहीं से AI इंजीनियरिंग वास्तव में शुरू होती है। आप सीखते हैं कि प्रोग्रामेटिक रूप से मॉडल को कैसे कॉल करें, उसके प्रतिक्रियाओं को कैसे संभालें, रेट लिमिट को कैसे प्रबंधित करें और त्रुटियों को कैसे संभालें। हर AI उत्पाद मूल रूप से अच्छी तरह से संरचित API कॉल की एक श्रृंखला है।
5. एम्बेडिंग और वेक्टर सर्च। यह वह तरीका है जिससे मशीनें सिर्फ कीवर्ड मिलान करने के बजाय अर्थ समझती हैं। आप टेक्स्ट को वेक्टर में बदलते हैं, उन्हें संग्रहीत करते हैं, और समानता के आधार पर खोजते हैं। यह हर रिट्रीवल सिस्टम की नींव है और वह अवधारणा है जिसे अधिकांश शुरुआती छोड़ देते हैं और बाद में पछताते हैं।
6. RAG, एंड-टू-एंड बनाया गया। रिट्रीवल ऑगमेंटेड जनरेशन। आप मॉडल को अपने स्वयं के दस्तावेज़ों तक पहुँच देते हैं ताकि वह अनुमान लगाने के बजाय वास्तविक जानकारी से उत्तर दे। यह अभी एप्लाइड AI में सबसे अधिक मांग वाला कौशल है क्योंकि लगभग हर कंपनी एक ऐसा सिस्टम चाहती है जो उनके अपने डेटा के बारे में सवालों के जवाब दे सके।
7. एजेंट फ्रेमवर्क और टूल उपयोग। आप एक ऐसे मॉडल से आगे बढ़ते हैं जो उत्तर देता है, एक ऐसे मॉडल की ओर जो कार्य करता है। यह टूल्स को कॉल करता है, बहु-चरणीय कार्यों को निष्पादित करता है, और वास्तविक काम करता है। यह सीमा है, और यहाँ सक्षम होना आपको उस भीड़ से अलग करता है जो अभी भी एकल प्रॉम्प्ट लिख रही है।
8. डिप्लॉयमेंट और बेसिक MLOps। एक प्रोजेक्ट जो केवल आपके लैपटॉप पर चलता है, एक शौक है। आपको यह जानना होगा कि इसे किसी वास्तविक स्थान पर, मॉनिटर किए गए और विश्वसनीय रूप से कैसे चलाया जाए। यह "मैंने एक डेमो बनाया" और "मैंने एक उत्पाद शिप किया" के बीच का अंतर है।
9. AI डेव टूल्स। Claude Code, Cursor, और एजेंटिक टूलिंग जो आपको नाटकीय रूप से तेज़ बनाती है। इनमें महारत हासिल करना धोखा नहीं है। यह वास्तविक काम है। एक AI इंजीनियर जो तेज़ी से बनाने के लिए AI का उपयोग नहीं कर सकता, एक बढ़ई की तरह है जो पावर टूल्स से इनकार करता है।
3 प्रोजेक्ट जो वास्तव में आपको नौकरी दिलवाते हैं
कोई भी आपको कोर्स पूरा करने के लिए नियुक्त नहीं करता। वे आपको प्रमाण के लिए नियुक्त करते हैं। इन तीनों को बनाएँ और आपके पास प्रमाण होगा जो पूरे स्टैक को कवर करता है।
प्रोजेक्ट 1. अपने स्वयं के डेटा का उपयोग करके एक RAG एप्लिकेशन।
दस्तावेज़ों का एक वास्तविक सेट लें। आपके नोट्स, PDFs का एक सेट, एक कंपनी के सार्वजनिक दस्तावेज़, कुछ भी। एक ऐसा सिस्टम बनाएँ जो उन्हें इन्जेस्ट करे, एम्बेड करे, वेक्टर को स्टोर करे, और केवल उस डेटा में आधारित प्रश्नों के उत्तर दे। यह एकल प्रोजेक्ट रिट्रीवल, एम्बेडिंग, चंकिंग और हैल्युसिनेशन को रोकने की क्षमता साबित करता है। यह सबसे सीधे तौर पर नियुक्त करने योग्य चीज़ है जिसे आप बना सकते हैं क्योंकि यह ठीक वही है जो कंपनियाँ चाहती हैं।
प्रोजेक्ट 2. एक AI एजेंट जो टूल्स का उपयोग करता है।
एक ऐसा एजेंट बनाएँ जो सिर्फ उत्तर नहीं देता बल्कि कार्य करता है। यह कम से कम दो वास्तविक टूल्स को कॉल करता है: एक सर्च API, एक कैलकुलेटर, एक फ़ाइल राइटर, एक कैलेंडर। यह योजना बनाता है, निष्पादित करता है, और उस स्थिति को संभालता है जहाँ एक टूल विफल हो जाता है। यह साबित करता है कि आप एजेंट डिज़ाइन को समझते हैं, न कि सिर्फ प्रॉम्प्टिंग को, जो वह कौशल है जो अधिकांश शुरुआती कभी प्रदर्शित नहीं करते।
प्रोजेक्ट 3. एक डिप्लॉयड, फुल-स्टैक AI उत्पाद।
उपरोक्त में से एक को लें और उसे शिप करें। एक वास्तविक इंटरफ़ेस, एक बैकएंड, कहीं एक सार्वजनिक URL के साथ डिप्लॉय किया गया जहाँ कोई अजनबी जा सके और उपयोग कर सके। यह वह चीज़ साबित करता है जिसके बारे में नियोक्ता सबसे अधिक चिंता करते हैं, कि आप "मेरी मशीन पर काम करता है" से आगे शिप कर सकते हैं। एक डिप्लॉयड प्रोजेक्ट रिज्यूमे पर दस स्थानीय प्रोजेक्ट्स के बराबर है।
तीन प्रोजेक्ट। फुल-स्टैक कवरेज। सार्वजनिक प्रमाण। यह पोर्टफोलियो इस विशिष्ट नौकरी के लिए अधिकांश डिग्रियों को मात देता है।
प्रत्येक भाग को वास्तव में कैसे सीखें
यह वह हिस्सा है जो अधिकांश गाइड छोड़ देते हैं। इनमें से कुछ भी सीखने के लिए आपको $500 का कोर्स खरीदने की आवश्यकता नहीं है। आपके पास अब तक का सबसे अच्छा ट्यूटर आपके लैपटॉप पर बैठा है। मॉडल का उपयोग करके उन कौशलों को सिखाएँ जिनका उपयोग आप मॉडल के साथ बनाने के लिए करेंगे।
इस प्रॉम्प्ट का उपयोग करके Claude को स्टैक में किसी भी कौशल के लिए एक संरचित ट्यूटर में बदलें:
<code-segment id="0" lang="text">
आप [SKILL, जैसे एम्बेडिंग और वेक्टर सर्च] के लिए मेरे कोडिंग ट्यूटर हैं।
मैं एक AI इंजीनियर बनना सीख रहा हूँ और मेरे पास CS की डिग्री नहीं है।
मुझे यह पहले बनाने के तरीके से सिखाएँ, सिद्धांत से नहीं।
- कोर अवधारणा को सरल भाषा में एक ठोस उदाहरण के साथ समझाएँ।
- मुझे सबसे छोटा संभव काम करने वाला कोड उदाहरण दें जिसे मैं आज चला सकूँ।
- मुझे अपने दम पर करने के लिए एक थोड़ा कठिन अभ्यास दें।
- मेरे प्रयास को साझा करने के बाद, उसकी आलोचना करें और बताएँ कि एक वरिष्ठ इंजीनियर क्या अलग करेगा।
मान लें कि मैं पढ़ने के बजाय बनाकर और तोड़कर सीखता हूँ।
अगले चरण पर जाने से पहले मेरे द्वारा प्रत्येक चरण को पूरा करने की प्रतीक्षा करें।
</code-segment>
वह एकल प्रॉम्प्ट अधिकांश भुगतान वाले पाठ्यक्रमों की जगह लेता है। यह आपके स्तर के अनुकूल होता है, आपके सटीक प्रश्नों का उत्तर देता है, और जब तक आप वास्तव में समझ नहीं जाते, तब तक आगे नहीं बढ़ता।
प्रोजेक्ट्स के लिए, स्कैफोल्ड करने के लिए Claude Code का उपयोग करें और फिर खुद को हर पंक्ति को समझने के लिए मजबूर करें। आँख बंद करके कॉपी न करें। कोड उत्पन्न करने के बाद, इसे चलाएँ:
<code-segment id="1" lang="text">
आपके द्वारा अभी लिखे गए कोड के माध्यम से मुझे लाइन दर लाइन चलाएँ।
प्रत्येक अनुभाग के लिए, समझाएँ कि यह क्या करता है और आपने स्पष्ट विकल्प
के बजाय यह दृष्टिकोण क्यों चुना। फिर उस एक हिस्से को इंगित करें जिसके
प्रोडक्शन में टूटने की सबसे अधिक संभावना है और मैं इसे कैसे ठीक करूँगा।
</code-segment>
इस तरह आप कोड के ढेर के बजाय वास्तविक समझ बनाते हैं जिसे आप साक्षात्कार में समझा नहीं सकते। जो लोग साक्षात्कार में असफल होते हैं, वे वे हैं जिन्होंने ऐसे प्रोजेक्ट बनाए हैं जिन्हें वे वास्तव में समझा नहीं सकते। वह मत बनिए।
बिना डिग्री के नौकरी कैसे पाएँ
पोर्टफोलियो आवश्यक है लेकिन पर्याप्त नहीं। आपको दिखाई भी देना होगा, क्योंकि कोई भी उस प्रमाण को नियुक्त नहीं करता जो उन्हें मिल नहीं सकता।
सार्वजनिक रूप से बनाएँ। आपके द्वारा बनाया गया हर प्रोजेक्ट, उसके बारे में लिखें। एक थ्रेड कि आपने क्या बनाया, कठिन हिस्सा क्या था, आपने इसे कैसे हल किया। यह दो काम करता है। यह एक सार्वजनिक निशान बनाता है जो तब दिखाई देता है जब कोई आपका नाम खोजता है, और यह आपको अपने काम को समझाने के लिए पर्याप्त रूप से समझने के लिए मजबूर करता है। नियोक्ता तेजी से इंजीनियरों को उनके सार्वजनिक निर्माण के माध्यम से ढूँढ रहे हैं, न कि जॉब बोर्ड के माध्यम से।
ओपन सोर्स में योगदान करें। एक AI प्रोजेक्ट खोजें जिसका आप उपयोग करते हैं और कुछ ठीक करें। एक बग, एक दस्तावेज़ सुधार, एक छोटी सुविधा। एक वास्तविक प्रोजेक्ट में एक मर्ज किया गया पुल रिक्वेस्ट एक ऐसा प्रमाण-पत्र है जो कोई डिग्री नहीं दे सकती। यह साबित करता है कि आप किसी और के कोडबेस में काम कर सकते हैं, जो अधिकांश वास्तविक काम है।
अनुरोधों के बजाय प्रमाण के साथ सीधे संपर्क करें। "मैं अवसरों की तलाश में हूँ" न भेजें। "मैंने यह चीज़ बनाई है जो आपके उत्पाद की सटीक समस्या को हल करती है, यह रहा डेमो" भेजें। प्रमाण संलग्न करें। यह काम करता है क्योंकि यह नौकरी माँगने के कार्य में ही कौशल प्रदर्शित करता है।
यहाँ उस आउटरीच के लिए एक टेम्पलेट है:
<code-segment id="2" lang="text">
विषय: एक [चीज़] बनाई जो [आपके द्वारा देखी गई विशिष्ट समस्या] को हल करती है
नमस्ते [नाम],
मैंने देखा [उनके उत्पाद या समस्या के बारे में विशिष्ट, वास्तविक अवलोकन]।
मैंने एक काम करने वाला प्रोटोटाइप बनाया है जो इसे संबोधित करता है: [लाइव डेमो का लिंक]।
यह [विशिष्ट तकनीकी दृष्टिकोण] का उपयोग करता है, और यहाँ कोड है: [रिपो लिंक]।
मैं अपनी अगली भूमिका की तलाश में एक AI इंजीनियर हूँ। यदि यह उपयोगी है,
तो मुझे यह बताने में 15 मिनट का समय दें कि मैं इसे ठीक से कैसे बनाऊँगा।
[आपका नाम]
</code-segment>
वह ईमेल इसलिए काम करता है क्योंकि यह प्रमाण के साथ आगे बढ़ता है और लगभग कुछ नहीं माँगता। यह उस सामान्य आवेदन के विपरीत है जिसे नजरअंदाज कर दिया जाता है।
फ्रीलांसिंग के माध्यम से अंदर आएँ। यदि प्रत्यक्ष नियुक्ति धीमी है, तो छोटे भुगतान वाले प्रोजेक्ट लें। एक स्थानीय व्यवसाय के लिए RAG बॉट बनाएँ। एक छोटी कंपनी के लिए कुछ स्वचालित करें। भुगतान वाला काम, यहाँ तक कि बहुत छोटा भुगतान वाला काम, सबसे मजबूत संभव प्रमाण है क्योंकि किसी ने इसे भुगतान करने के लिए पर्याप्त मूल्यवान समझा। आपके प्रोफाइल पर तीन छोटे भुगतान वाले प्रोजेक्ट बदल देते हैं कि हर भविष्य का नियोक्ता आपको कैसे पढ़ता है।
बुनियादी बातें समझ में आने के बाद एक विशेषज्ञता चुनना
एक बार जब आपके पास स्टैक और तीन प्रोजेक्ट हो जाते हैं, तो एक प्रश्न उभरता है जिसके बारे में कोई चेतावनी नहीं देता। AI इंजीनियरिंग व्यापक है, और इसमें सब कुछ महान होने की कोशिश करना आपको हर चीज़ में औसत बना देता है। जो लोग सबसे तेज़ी से नियुक्त होते हैं, वे एक लेन चुनते हैं।
यहाँ वे लेन हैं जो अभी वास्तव में नियुक्त कर रही हैं, और कैसे बताएँ कि कौन सी आपको फिट बैठती है।
RAG और नॉलेज सिस्टम। यदि आपको प्रोजेक्ट एक सबसे अधिक पसंद आया, रिट्रीवल का काम, चंकिंग, ग्राउंडिंग, तो यह आपकी लेन है। आंतरिक दस्तावेज़ों वाली हर कंपनी कोई ऐसा व्यक्ति चाहती है जो एक ऐसा सिस्टम बना सके जो उनके बारे में सटीक रूप से सवालों के जवाब दे। यह सबसे सुरक्षित, सबसे अधिक मांग वाली विशेषज्ञता है और प्रमाण दिखाने में सबसे आसान है, क्योंकि उपयोग का मामला सार्वभौमिक है।
एजेंटिक सिस्टम। यदि प्रोजेक्ट दो ने आपको उत्साहित किया, टूल का उपयोग, बहु-चरणीय निष्पादन, ऑर्केस्ट्रेशन, तो यह सीमांत लेन है। यह सबसे अधिक भुगतान करता है और इसमें सबसे कम प्रतिस्पर्धा है क्योंकि इसे अच्छी तरह से करना सबसे कठिन है। इसकी कीमत यह है कि प्रमाण बनाना कठिन है और क्षेत्र तेज़ी से बदलता है, इसलिए आपको लगातार सीखते रहना होगा।
AI उत्पाद इंजीनियरिंग। यदि आपको प्रोजेक्ट तीन की सबसे अधिक परवाह थी, इंटरफ़ेस, डिप्लॉयमेंट, इसे वास्तविक बनाना, तो आप एक उत्पाद इंजीनियर हैं जो AI में विशेषज्ञता रखता है। यह लेन चतुराई से अधिक शिपिंग को महत्व देती है, और यहीं अधिकांश वास्तविक नौकरियाँ हैं, क्योंकि अधिकांश कंपनियों को किसी ऐसे व्यक्ति की आवश्यकता होती है जो AI क्षमता को एक ऐसी चीज़ में बदल सके जिसका उपयोग उपयोगकर्ता वास्तव में कर सकें।
एक को चुनें जो इस बात पर आधारित हो कि आपको कौन सा प्रोजेक्ट वास्तव में पसंद आया, न कि कौन सा सबसे प्रभावशाली लगता है। आनंद ही वह ईंधन है जो किसी चीज़ में अच्छा होने के उबाऊ मध्य भाग में जीवित रहता है। जो विशेषज्ञता आप रुचि से चुनते हैं, उस पर आप वास्तव में टिके रहेंगे। जो आप स्थिति से चुनते हैं, उसे आप छोड़ देंगे।
फिर गहराई में जाएँ। अपनी चुनी हुई लेन में तीन और प्रोजेक्ट बनाएँ। उन सभी के बारे में लिखें। वह व्यक्ति बनें जिसका नाम तब आता है जब किसी को उस विशिष्ट चीज़ की आवश्यकता होती है। विशेषज्ञों को काम मिलता है। सामान्यवादियों को फ़िल्टर कर दिया जाता है।
नौकरी पर पहले 6 महीने वास्तव में कैसे दिखते हैं
यह जानना मददगार है कि आप किस लक्ष्य पर निशाना लगा रहे हैं, क्योंकि नौकरी वैसी नहीं है जैसा ट्यूटोरियल बताते हैं।
आपका अधिकांश समय चतुर प्रॉम्प्ट लिखने में नहीं बीतेगा। यह उस अप्रतिष्ठित काम पर बीतेगा जो AI सिस्टम को वास्तव में विश्वसनीय बनाता है। उन एज केस को संभालना जहाँ मॉडल कुछ अजीब करता है। उन इवैल को बनाना जो आपको बताते हैं कि क्या किसी बदलाव ने चीज़ों को बेहतर या बदतर बनाया। डेटा को एक ऐसे आकार में बदलना जिसका सिस्टम उपयोग कर सके। यह डीबग करना कि एजेंट ने परीक्षण में काम क्यों किया और प्रोडक्शन में विफल क्यों हुआ।
यह बिना डिग्री वाले व्यक्ति के लिए अच्छी खबर है, क्योंकि इसमें से कोई भी सैद्धांतिक नहीं है। यह सब व्यावहारिक इंजीनियरिंग है, करके सीखने योग्य, ठीक उसी तरह का काम जिसके लिए आपके पोर्टफोलियो प्रोजेक्ट्स ने आपको पहले ही प्रशिक्षित किया है। जिस व्यक्ति ने तीन वास्तविक प्रोजेक्ट बनाए और उन्हें टूटने पर डीबग किया, वह इसके लिए उस व्यक्ति की तुलना में कहीं अधिक तैयार है जिसने एक सिद्धांत परीक्षा में उत्कृष्ट प्रदर्शन किया और कभी कुछ शिप नहीं किया।
पहले छह महीनों में जो इंजीनियर सफल होते हैं, वे वे हैं जो सिस्टम के अपूर्ण होने और अपने काम को इसे लगातार कम अपूर्ण बनाने के साथ सहज हैं। यदि आपने अपने प्रोजेक्ट ठीक से बनाए, उन्हें तोड़ा और ठीक किया, तो आपके पास पहले से ही वह मांसपेशी है। यही पूरा कारण है कि इस विशिष्ट नौकरी के लिए पहले बनाने का रास्ता पहले प्रमाण-पत्र वाले रास्ते को हरा देता है।
ट्यूटोरियल नरक। अंतहीन ट्यूटोरियल देखना प्रगति जैसा लगता है। ऐसा नहीं है। यह उत्पादन के रूप में प्रच्छन्न उपभोग है। नियम सरल है। सीखने के हर घंटे के लिए, दो घंटे बनाएँ। यदि आप नहीं बना रहे हैं, तो आप सीख नहीं रहे हैं, आप सिर्फ मनोरंजन कर रहे हैं।
तैयार महसूस करने की प्रतीक्षा करना। आप कभी तैयार महसूस नहीं करेंगे। जो लोग इसे बनाते हैं, वे तैयार महसूस करने से पहले बनाना शुरू कर देते हैं और बनाकर योग्य हो जाते हैं। बदसूरत पहला संस्करण शिप करें। इसे सार्वजनिक रूप से सुधारें।
गलत क्रम में सीखना। डेटा और API को संभालने से पहले एजेंट बनाने की कोशिश करना। स्टैक एक कारण से अनुक्रमित है। क्रम का सम्मान करें और प्रत्येक टुकड़ा फिट बैठता है। आगे कूदें और आप रेत पर निर्माण कर रहे हैं।
ऐसे प्रोजेक्ट बनाना जो कोई नहीं देख सकता। एक निजी रिपॉजिटरी में बंद एक शानदार प्रोजेक्ट, जहाँ तक आपके करियर का संबंध है, अस्तित्व में नहीं है। सब कुछ सार्वजनिक रूप से शिप करें। बात प्रमाण की है, और प्रमाण के लिए दर्शकों की आवश्यकता होती है।
ऐसा कोड कॉपी करना जिसे आप समझा नहीं सकते। साक्षात्कार में असफल होने का सबसे तेज़ तरीका। यदि Claude ने इसे लिखा है, तो इसे दावा करने से पहले समझें। अपने स्वयं के काम को समझाने की आपकी क्षमता ही पूरी परीक्षा है।
आपकी 90 दिन की योजना
आपको वर्षों की आवश्यकता नहीं है। आपको एक केंद्रित 90 दिनों की आवश्यकता है।
दिन 1 से 30। नींव। Python प्रवाह, SQL, git, कमांड लाइन, और एक मॉडल के लिए आपकी पहली API कॉल। दिन 30 तक आपको प्रोग्रामेटिक रूप से LLM को कॉल करने और प्रतिक्रिया को संभालने में सहज होना चाहिए। छोटा बनाएँ। एक स्क्रिप्ट जो एक दस्तावेज़ का सारांश देती है। एक टूल जो एक टेक्स्ट फ़ाइल के बारे में सवालों के जवाब देता है।
दिन 31 से 60। प्रोजेक्ट एक और दो। RAG एप्लिकेशन बनाएँ। फिर एजेंट बनाएँ। परफेक्ट का लक्ष्य न रखें। काम करने, फिर समझाने योग्य का लक्ष्य रखें। प्रत्येक को पूरा करने पर उसके बारे में एक थ्रेड लिखें। दिन 60 तक आपके पास दो वास्तविक प्रोजेक्ट और दो सार्वजनिक पोस्ट हैं।
दिन 61 से 90। डिप्लॉय करें और दिखाई दें। प्रोजेक्ट तीन को एक सार्वजनिक URL के साथ शिप करें। आउटरीच शुरू करें। एक ओपन सोर्स पुल रिक्वेस्ट में योगदान करें। आप जो बना रहे हैं, उसके बारे में लगातार पोस्ट करें। दिन 90 तक आपके पास एक पोर्टफोलियो, एक सार्वजनिक निशान, और उन लोगों के साथ सक्रिय बातचीत है जो आपको नियुक्त कर सकते हैं।
यह कोई काल्पनिक समयरेखा नहीं है। यह आक्रामक है लेकिन उस व्यक्ति के लिए वास्तविक है जो इसे गंभीरता से लेता है और हर दिन बनाता है। जो लोग इस समयरेखा में असफल होते हैं, वे वे हैं जो इसे बनाने के बजाय तैयारी करने में बिताते हैं।
अब यह काम करने का असली कारण
डिग्री हमेशा एक प्रॉक्सी थी। नियोक्ता सीधे माप नहीं सकते थे कि क्या आप काम कर सकते हैं, इसलिए उन्होंने प्रमाण-पत्र का उपयोग एक स्टैंड-इन के रूप में किया। डिग्री कहती थी "यह व्यक्ति शायद कठिन चीज़ें सीख सकता है और जो शुरू करता है उसे पूरा कर सकता है।"
AI इंजीनियरिंग ने उस प्रॉक्सी को तोड़ दिया, क्योंकि अब आप सीधे सटीक कौशल प्रदर्शित कर सकते हैं। एक डिप्लॉयड RAG सिस्टम क्षमता के लिए एक प्रॉक्सी नहीं है। यह स्वयं क्षमता है, दृश्यमान बनाई गई। जब आप वास्तविक चीज़ दिखा सकते हैं, तो चीज़ के लिए स्टैंड-इन मायने रखना बंद कर देता है।
यही पूरा बदलाव है। ऐसा नहीं कि प्रमाण-पत्र बेकार हो गए, बल्कि प्रमाण सीधे उपलब्ध हो गया। और जब प्रमाण उपलब्ध है, तो इसे प्रदान करने वाले लोग उन लोगों को हरा देते हैं जिनके पास केवल प्रॉक्सी है।
इसलिए अनुमति का इंतज़ार करना बंद करें। तैयार होने की तैयारी करना बंद करें। स्टैक में पहला कौशल चुनें, Claude खोलें, और आज सबसे छोटी संभव काम करने वाली चीज़ बनाएँ। फिर कल थोड़ी बड़ी चीज़ बनाएँ। उसके 90 दिनों में, आपके पास कुछ ऐसा होगा जो कोई डिग्री नहीं दे सकती, जो प्रमाण है कि आप वास्तव में काम कर सकते हैं।
अब CS की डिग्री वैकल्पिक हो गई है।
कौशल अभी भी अनिवार्य हैं।
जाइए और प्रमाण बनाइए।
इस लेख में प्रत्येक प्रोजेक्ट के पीछे पूर्ण निर्माण, साथ ही मेरे द्वारा उपयोग किए जाने वाले सटीक प्रॉम्प्ट और स्टैक के लिए @cyrilXBT को फ़ॉलो करें।
