ภายในบทความนี้ คุณจะเข้าใจว่าทำไม Anthropic, OpenAI, Google และบริษัท AI อื่นๆ กำลังมองหา FDE และคุณจะใช้ประโยชน์จากความต้องการนี้ได้อย่างไร
ฉันเคยทำงานนี้ด้วยตัวเอง เคยจ้างคนเก่งที่สุดในโลกมาสร้างทีม FDE ให้กับ Varick และสังเกตว่ายังไม่มีคู่มือที่ชัดเจนสำหรับบทบาทที่ร้อนแรงที่สุดในวงการเทคโนโลยีตอนนี้ นี่คือคู่มือนั้น
ทำไมบริษัท AI ถึงต้องการ FDE
การจะเป็น FDE ได้ ขั้นแรกคือต้องเข้าใจว่าทำไมบริษัท AI ถึงต้องการพวกเขาอย่าง迫切
ถ้าคุณเชื่อว่าความชาญฉลาดกำลังกลายเป็นสินค้าทั่วไป ก็ตามมาว่าข้อได้เปรียบทางการแข่งขันเพียงอย่างเดียวคือวิธีการและสถานที่ที่คุณใช้มัน ที่จริงแล้ว ฉันกล้าพูดได้เลยว่าไม่มีความได้เปรียบทางการแข่งขันใดๆ จากความชาญฉลาดเพียงอย่างเดียว ดังนั้น การกำหนดวิธีการและสถานที่ที่บริษัทต่างๆ จะใช้มันจึงกลายเป็นบทบาทที่สำคัญที่สุด และนั่นคือบทบาทของวิศวกรฝ่ายปฏิบัติการภาคสนาม (Forward Deployed Engineer)
ธุรกิจต่างๆ จ้างบริษัท AI ประยุกต์ (อย่าง Varick) ที่ส่ง FDE ไปช่วยให้พวกเขาใช้เทคโนโลยีได้อย่างคุ้มค่าที่สุด การทำเช่นนี้ทำให้พวกเขาได้เข้าถึงทีมที่เคยทำการเปลี่ยนแปลงด้าน AI ในวงกว้างมาแล้ว ซึ่งช่วยให้ลูกค้าทำงานได้เร็วกว่าคู่แข่ง และด้วยเหตุนี้ จึงสร้างประสิทธิภาพที่มหาศาล
FDE คือวิศวกรที่มีทักษะสูง ซึ่งสามารถเข้าใจปัญหาของลูกค้าได้อย่างลึกซึ้ง เขียนโค้ดลงในฐานโค้ดที่พวกเขาไม่เคยเห็นมาก่อน และสื่อสารผลกระทบทางธุรกิจให้กับผู้ตัดสินใจที่ไม่ใช่สายเทคนิคเพื่อปิดการขาย นี่คือการจ้างงานที่มีมูลค่าหลายล้านดอลลาร์
บทบาทนี้ต้องการอะไร
การเป็น FDE ต้องคุณไปทำงานอยู่กับลูกค้า ณ สถานที่จริง CTO ของ Palantir บอกว่าคุณไม่สามารถสร้างผลิตภัณฑ์สำหรับสภาพแวดล้อมใดๆ ได้ โดยไม่ได้อยู่ในสภาพแวดล้อมนั้นจริงๆ เราเห็นสิ่งเดียวกันนี้ภายในองค์กร
คำว่า FDE จริงๆ แล้วมีที่มาจาก Palantir และพวกเขาให้ความสำคัญกับการอยู่ ณ สถานที่จริงอย่างมาก ในปี 2010 พวกเขาทำงานร่วมกับหน่วยปฏิบัติการพิเศษในอัฟกานิสถาน หน่วยปฏิบัติการพิเศษจะออกปฏิบัติภารกิจในตอนกลางวัน รับฟังข้อมูลป้อนกลับ และส่งต่อไปยัง FDE ที่จะเขียนโค้ดในตอนกลางคืน
การอยู่ในสภาพแวดล้อมนั้นจำเป็นสำหรับการปรับใช้ซอฟต์แวร์ทางทหาร เช่นเดียวกับการปรับใช้ AI เพื่อให้เห็นประสิทธิภาพที่เพิ่มขึ้นอย่างแท้จริง บริษัทจำเป็นต้องถูกสร้างขึ้นใหม่รอบๆ AI ตั้งแต่พื้นฐาน และสิ่งนั้นจะเกิดขึ้นได้ก็ต่อเมื่อนั่งทำงานกับลูกค้าและสร้างเอเจนต์แบบกำหนดเองที่ถูกออกแบบมาบนข้อมูลเฉพาะของบริษัท พร้อมบริบทเฉพาะของบริษัท
เกี่ยวกับบทบาทนี้
ในมุมมองของเรา มีสามส่วนหลักของงาน FDE ด้าน AI ประยุกต์: การตรวจสอบ (Audit), การประเมินผล (Evals) และการปรับใช้ (Deployment) มาดูรายละเอียดแต่ละส่วนกัน
การตรวจสอบ (Audit): คุณไปทำงาน ณ สถานที่ของลูกค้า จับกระบวนงาน/ขั้นตอนการทำงานในทีมต่างๆ ภายในบริษัท ตัวอย่างเช่น: สองสัปดาห์กับทีมปฏิบัติการรายได้ (Rev Ops) หนึ่งสัปดาห์กับทีมจัดซื้อ และหนึ่งเดือนเต็มกับทีมการเงิน
กับแต่ละทีมที่คุณนั่งทำงานด้วย คุณจะเรียนรู้บางสิ่ง: งานของพวกเขาเป็นอย่างไร จุดคอขวดอยู่ที่ไหน และคุณจะสร้างเอเจนต์ที่ส่งมอบคุณค่าได้ตรงไหน
นอกจากการทำความเข้าใจขั้นตอนการทำงานของแต่ละทีมในบริษัทแล้ว ส่วนสำคัญของขั้นตอนการตรวจสอบคือการพิจารณาว่าสิ่งใดควรทำอัตโนมัติและสิ่งใดไม่ควร มีจุดที่เอเจนต์สามารถสร้างปัญหาได้มากกว่าที่จะแก้ไข
นี่คือหลักการทั่วไปสามข้อที่คุณสามารถใช้เพื่อช่วยในการตัดสินใจ
ถ้าขั้นตอนการทำงานสามารถสรุปเป็นกฎเกณฑ์ได้ แต่ข้อมูลนำเข้ามีความแตกต่างกัน (ข้อมูลนำเข้าหนึ่งเป็นอีเมล ถัดไปอาจเป็น PDF ถัดไปเป็นภาพที่สแกนมา) และงานเกี่ยวข้องกับการเรียกใช้เครื่องมือ ให้ใส่เอเจนต์เข้าไป ถ้ากฎเกณฑ์และข้อมูลนำเข้าสามารถคาดเดาได้ทั้งคู่ การเขียนโค้ดจะเร็วกว่าและถูกกว่า ถ้าการตัดสินใจต้องการการจดจำรูปแบบและความเชี่ยวชาญเฉพาะด้าน ให้ปล่อยให้ทำด้วยตนเอง
ลูกค้าของคุณจะไม่ได้ ROI ที่ดีถ้าเอเจนต์ทำงานเดือนละห้าครั้ง มองหางานอัตโนมัติที่ใช้เวลานานและมีปริมาณมาก ต้องมีปริมาณมากพอที่จะสร้างความแตกต่าง
อย่าใช้ AI มากเกินไปเมื่อสร้างเอเจนต์ของคุณ งานอัตโนมัติส่วนใหญ่สามารถทำได้ด้วยชุดการเรียกใช้เครื่องมือและการเรียก LLM เพียงครั้งเดียวเพื่อเป็นชั้นควบคุม การใช้ AI มากเกินไปนำไปสู่ต้นทุนโทเค็นที่ไม่จำเป็น (ซึ่งทบต้นเมื่อใช้งานในวงกว้าง) และมักจะให้ผลลัพธ์ที่มีคุณภาพต่ำลง
ส่วนสุดท้ายของขั้นตอนการตรวจสอบคือการสร้างต้นแบบ ดู Agents 101 เพื่อเรียนรู้วิธีสร้างเอเจนต์ และ Agents 102 เพื่อนำเอเจนต์นั้นจากต้นแบบไปสู่การใช้งานจริง
การประเมินผล (Evals): ถ้าลูกค้าจ่ายเงินหลายล้านดอลลาร์เพื่อปรับใช้ AI พวกเขาจำเป็นต้องรู้ว่ามันใช้งานได้จริง เพื่อทำเช่นนั้น FDE จะสร้างระบบประเมินผลโดยละเอียด
การประเมินผลที่ดีไม่เพียงแค่ตรวจสอบว่าคำตอบสุดท้ายที่เอเจนต์ให้มานั้นถูกต้องหรือไม่ แต่ยังตรวจสอบด้วยว่า AI คิดเหมือนมนุษย์หรือไม่ เพื่อทำเช่นนั้น ให้ทำสองสิ่ง:
ติดตามขั้นตอนของมนุษย์และให้คะแนน AI ในแต่ละขั้นตอน: มนุษย์ไม่ได้แก้ปัญหาในการเคลื่อนที่ครั้งเดียวมันเป็นกระบวนการหลายขั้นตอน จับแผนผังขั้นตอนเหล่านั้นและดูว่า AI ไปถึงจุดตรวจเดียวกันระหว่างทางหรือไม่
เริ่มต้นเล็กๆ ด้วยตัวอย่างที่ดีเยี่ยมของผลลัพธ์ที่ตั้งใจ จากนั้นวัดทุกอย่างเทียบกับตัวอย่างเหล่านั้น: ถ้าคุณกำลังสร้างเอเจนต์สนับสนุนลูกค้า ให้นั่งกับมนุษย์และหาคำตอบที่ดีที่สุดเท่าที่จะเป็นไปได้สำหรับคำถามของผู้ใช้ ทำซ้ำสองสามครั้งในสองสามงาน ตอนนี้คุณรู้แล้วว่า "ดีเยี่ยม" เป็นอย่างไร และสามารถยึดเอเจนต์ให้อยู่ในมาตรฐานนั้นได้
การประเมินผลพิสูจน์คุณค่าให้กับลูกค้า แม้ว่าทุกคนจะบอกว่าพวกเขาต้องการ AI ในบริษัทของตน แต่ก็ยังมีอีกหลายคนที่สงสัยว่ามันใช้งานได้จริงหรือไม่ การประเมินเอเจนต์ที่ดีคือสิ่งที่ผู้บริหารต้องการเพื่อไว้วางใจว่าเอเจนต์จะให้ ROI
การปรับใช้ (Deployment): หลีกเลี่ยงการโยกย้ายข้อมูลขนาดใหญ่ ให้สร้าง API บนชั้นข้อมูลที่มีอยู่ (SharePoint หรือฐานข้อมูล) และวางโมเดลไว้ด้านบนเป็นตัวจัดการเพื่อสอบถามผ่านข้อมูลนั้น สิ่งนี้ช่วยประหยัดเวลาและเงิน และที่สำคัญกว่านั้น ช่วยให้คุณรอดพ้นจากฝันร้ายอันโหดร้ายของการรื้อถอนระบบที่มีอยู่ของคุณ ลูกค้าของเราใช้เงินหลายล้านดอลลาร์และเวลาหลายปีในการโยกย้ายไปยัง ERP ล่าสุดของพวกเขา สิ่งสุดท้ายที่พวกเขาต้องการคือเปลี่ยนมันอีกครั้ง
เมื่อทุกอย่างข้างต้นเสร็จสมบูรณ์แล้ว ให้สร้างสภาพแวดล้อมสำหรับการดำเนินการเพื่อทดสอบเอเจนต์อย่างปลอดภัย นี่คือแซนด์บ็อกซ์โดยตรงในโครงสร้างพื้นฐานของบริษัท เพื่อให้คุณสามารถรัน ทดสอบ และดีบักเอเจนต์ก่อนที่จะใช้งานจริง
เมื่อจะย้ายไปสู่การใช้งานจริง ให้เริ่มอย่างช้าๆ นำขั้นตอนการทำงานเล็กๆ มาทำให้มันทำงานได้ จากนั้นค่อยเพิ่มความสามารถทีละชั้น ตัวอย่างเช่น เริ่มต้นด้วยเอเจนต์ที่จับบั๊ก ตรวจสอบ และเขียนตั๋วสรุปสิ่งที่มันคิดว่าผิดพลาด ถ้ามันใช้งานได้ ก็ต่อเมื่อนั้นถึงให้ความสามารถในการเขียนโค้ดและส่ง Pull Request
เริ่มต้นด้วยหน่วยอิสระที่เล็กที่สุด แล้วค่อยให้ความสามารถในการลงมือทำ
นี่คือวิธีที่คุณไปจากการตรวจสอบสู่การปรับใช้ในฐานะ FDE การเรียนรู้ขั้นตอนเหล่านี้คือตัวงานเอง
วิธีเป็น FDE ใน 30 วัน
โดยทั่วไปมีสามภูมิหลังที่ประสบความสำเร็จมากที่สุดในฐานะ FDE: ที่ปรึกษา (Consultants), ผู้จัดการผลิตภัณฑ์ (Product Managers) และวิศวกรซอฟต์แวร์ (Software Engineers) แม้ว่าคุณจะไม่ได้อยู่ในกลุ่มใดกลุ่มหนึ่ง การทำตามแผนงาน 30 วันในตอนท้ายของส่วนนี้จะเพิ่มโอกาสในการได้รับบทบาทนี้อย่างทวีคูณ ทำสิ่งเหล่านี้ควบคู่ไปกับการสมัครงานและการสัมภาษณ์
ที่ปรึกษา/ผู้จัดการผลิตภัณฑ์
ในฐานะที่ปรึกษาหรือ PM คุณน่าจะมีความสามารถในการแปลข้อมูลเป็น ROI อยู่แล้ว นั่นคืองานครึ่งหนึ่ง แต่อุปสรรคที่ใหญ่ที่สุดสำหรับคนที่มีภูมิหลังนี้คือการขาดประสบการณ์ด้านวิศวกรรม
พอร์ตโฟลิโอคุณภาพสูงสามารถลดปัญหานี้ได้ เลือกโปรเจกต์เสริมสองโปรเจกต์จากนี้และทุ่มเทให้เต็มที่:
- เอเจนต์ AI ที่พร้อมใช้งานจริง ซึ่งสามารถดำเนินกระบวนการทั้งหมดที่คุณเคยทำด้วยตนเองในงานเก่าได้ มันควรจะสามารถเรียก API, บันทึกการคิดของมันโดยอัตโนมัติ และมีระบบป้องกันความล้มเหลว
- ไพพ์ไลน์ RAG ที่สร้างบนชุดข้อมูล (เลือกชุดข้อมูลที่กำหนดเองสำหรับอุตสาหกรรมที่คุณพยายามจะเข้าสู่: เอกสารกฎหมาย เวชระเบียน เอกสารทางการเงิน ฯลฯ)
- กรอบงานประเมินผลที่คุณสร้างขึ้นเอง ซึ่งให้คะแนนผลลัพธ์ของเอเจนต์ในหลายมิติ (ความถูกต้อง รูปแบบ ต้นทุน ความหน่วง) สำหรับกระบวนการทางธุรกิจที่แตกต่างกัน (การจัดซื้อ เจ้าหนี้ ฯลฯ)
- MCP ที่คุณสามารถเชื่อมต่อ LLM เข้ากับซอฟต์แวร์รุ่นเก่าที่ยังไม่รองรับการรวม AI
อย่ามอบความเข้าใจของคุณให้กับ AI ถ้าคุณทำทีละขั้นตอน แนวคิดเหล่านี้ควรเข้าใจได้ไม่ยาก มีเหตุผลว่าทำไมถึงใช้ชื่อว่า 30 วัน ไม่ใช่ 30 นาที
วิศวกรซอฟต์แวร์
ส่วนที่สำคัญที่สุดของการเป็น FDE คือการสื่อสาร คุณต้องแปลสิ่งที่ AI ทำได้และทำไม่ได้ให้เป็นสิ่งที่รองประธานที่ไม่ใช่สายเทคนิคเข้าใจ ถ้าคุณทำไม่ได้ คุณก็เป็น FDE ไม่ได้
SWE ควรสร้างโปรเจกต์ที่คล้ายกับที่กล่าวถึงในส่วนของที่ปรึกษา/PM แต่อธิบายทุกองค์ประกอบของสิ่งที่คุณเพิ่งสร้างขึ้น ไม่ว่าจะเป็น เทคสแต็ก ผลลัพธ์ การปรับปรุงที่คุณทำ ผลลัพธ์ทางธุรกิจ ที่สำคัญที่สุด คุณต้องมีเหตุผลในการสร้างเอเจนต์เหล่านั้นตั้งแต่แรก: จุดเจ็บปวดที่คุณกำลังแก้ไขคืออะไร และสิ่งนี้จะเป็นอย่างไรในการโต้ตอบกับลูกค้าจริง
แผน 30 วันโดยไม่คำนึงถึงบทบาท
สำหรับสิ่งที่ชัดเจนยิ่งขึ้น ให้ทำตามแผน 30 วันนี้ซึ่งจะเตรียมคุณให้พร้อมสำหรับแทบทุกอย่าง:
จุดตรวจที่ 1 (7 วัน):
- เอเจนต์คืออะไรและลูปการทำงานของเอเจนต์ทำงานอย่างไร: อ่าน Building Effective Agents ของ Anthropic จากนั้นเขียนสคริปต์ที่รันลูป: พรอมต์ → โมเดล → การตอบสนอง → ขั้นตอนถัดไป
- วิธีทำให้เอเจนต์เรียกใช้เครื่องมือ: เพิ่มการเรียกใช้เครื่องมือสองครั้ง (การเรียก API และการค้นหาเว็บ) โดยใช้บทช่วยสอนการใช้เครื่องมือของ Anthropic/OpenAI
- วิธีสร้างราวกั้นที่เหมาะสม: เพิ่มการตรวจสอบความถูกต้องของข้อมูลนำเข้า, ขีดจำกัดขั้นตอนสูงสุด และการกรองผลลัพธ์ก่อนที่สิ่งใดจะถึงมือผู้ใช้
- เมื่อใดควรใช้คอนเท็กซ์วินโดว์เทียบกับหน่วยความจำภายนอก: ให้ใช้คอนเท็กซ์วินโดว์เป็นค่าเริ่มต้น เว้นแต่สถานะจำเป็นต้องคงอยู่นานกว่าการรัน
- ห่วงโซ่การตรวจสอบคืออะไรและจะสร้างมันอย่างไร: บันทึกทุกพรอมต์ การเรียกใช้เครื่องมือ และการตอบสนองพร้อมประทับเวลา สิ่งนี้ช่วยค้นหาและระบุข้อผิดพลาดของเอเจนต์
จุดตรวจที่ 2 (14 วัน):
- วิธีบังคับใช้ผลลัพธ์ที่มีโครงสร้าง: ส่งคืน JSON เสมอ อ่าน หน้าเอกสารสำหรับนักพัฒนา ของ OpenAI
- วิธีนำต้นแบบไปสู่การใช้งานจริงและอะไรที่มักจะพัง: อ่าน Agents 102
- วิธีสร้างจุดตรวจ: บันทึกสถานะเอเจนต์ทุกๆ n ขั้นตอนลงในไฟล์ เพื่อให้สามารถเริ่มใหม่จากจุดตรวจล่าสุดได้
จุดตรวจที่ 3 (21 วัน):
- ตรรกะลองใหม่และการหน่วงเวลาแบบทวีคูณทำงานอย่างไร: ทุกการเรียกภายนอกต้องมีการลองใหม่ เมื่อล้มเหลว ให้รอ 1 วินาที, 2 วินาที, 4 วินาที, 8 วินาที, สูงสุดที่ 16 วินาที
- วิธีปรับต้นทุนเมื่อปรับใช้เอเจนต์: สามสิ่ง: โมเดลที่ถูกกว่าสำหรับงานย่อยราคาถูก (ควรใช้ Opus สำหรับการให้เหตุผลเท่านั้น), แคชพรอมต์ทั่วไป, กำหนดขีดจำกัดโทเค็นสูงสุด ติดตามต้นทุนต่อคำสั่ง
- วิธีสร้างชุดข้อมูลทองคำสำหรับการประเมินผล: เริ่มต้นด้วยคำถามจริง 20 ข้อ, ติดป้ายกำกับผลลัพธ์ที่สมบูรณ์แบบด้วยตัวคุณเอง Demystifying evals for AI agents ของ Anthropic ครอบคลุมทุกอย่าง
- ไพพ์ไลน์หลายเอเจนต์และสถาปัตยกรรมแบบขนานทำงานอย่างไร: แบ่งงานเมื่อเอเจนต์เดียวไม่สามารถจัดการได้ ตัวหนึ่งวางแผน อีกตัวดำเนินการ อีกตัวสังเคราะห์
จุดตรวจที่ 4 (สัปดาห์สุดท้าย):
ทบทวนทุกอย่างข้างต้นและสื่อสารทุกอย่างออกมาดังๆ เชื่อมโยงทุกสิ่งที่คุณทำได้กับเมตริกทางธุรกิจ
สรุปสั้นๆ
FDE เป็นบทบาทที่เป็นที่ต้องการมากที่สุดในวงการเทคโนโลยีในขณะนี้ ทุกบริษัทต้องการ AI แต่ไม่มีใครรู้วิธีปรับใช้
งานมีสามขั้นตอน (การตรวจสอบ การประเมินผล การปรับใช้) งานของคุณคือการเข้าใจแต่ละขั้นตอนและวัตถุประสงค์ของมัน
พอร์ตโฟลิโอและความสามารถในการพูดถึงมันของคุณคือปัจจัยชี้ขาด สร้างเอเจนต์, ไพพ์ไลน์ RAG, กรอบงานประเมินผล, MCP ฯลฯ และที่สำคัญที่สุด คือสามารถอธิบายกรณีการใช้งานทางธุรกิจเบื้องหลังทุกสิ่งที่คุณสร้างได้อย่างมั่นใจ
การขาดความสามารถในการสื่อสารคืออุปสรรคสำหรับบทบาท FDE ถ้าคุณไม่สามารถอธิบายสิ่งที่ AI ทำได้และทำไม่ได้ให้กับผู้ตัดสินใจที่ไม่ใช่สายเทคนิค ก็จะไม่มีการปรับใช้เกิดขึ้น
รู้ว่าเมื่อใดที่ AI ไม่ใช่คำตอบ สิ่งนี้สร้างความไว้วางใจกับลูกค้า และที่สำคัญกว่าคือสร้าง ROI ให้กับเอเจนต์ที่ใช้งานจริง
ทำตามขั้นตอนเหล่านี้และโอกาสที่จะเข้าวงการของคุณจะสูงขึ้นอย่างทวีคูณ
ถ้าคุณต้องการกระโดดไปยังบริษัท AI ประยุกต์ที่เติบโตเร็วที่สุดในซานฟรานซิสโก Varick กำลังรับสมัครพนักงาน เรากำลังสร้างทีม FDE ที่ยอดเยี่ยมที่สุดใน Silicon Valley นำโดยอดีต COO ของ Citadel Securities สมัครโดยตรงที่https://www.varickagents.com/careers
