Yapay Zeka Mühendisliği Becerileri Haritası'nı sunmaktan büyük mutluluk duyuyorum. Yapay zeka, yazılımı 2022'dekinden çok daha farklı bir şekilde geliştirmemizi sağlıyor ve bu değişimden yararlanma becerisine sahip herkes için çok sayıda heyecan verici proje ve iş fırsatı var. Ancak yapay zeka etrafındaki gürültülü, abartı dolu bilgi ortamında öğrenmeniz gereken en değerli beceriler nelerdir? Ekibimle birlikte, (i) geliştiricilerin ne öğreneceklerine öncelik vermesine ve (ii) işverenlerin yetenekli geliştiricileri işe almasına yardımcı olmak amacıyla bir yapay zeka mühendisliği becerileri haritası oluşturmak için çalışıyorum.
10.000'den fazla iş ilanının analizine; yapay zeka uzmanları, işe alım yöneticileri ve işe alım uzmanlarıyla yapılan onlarca yapılandırılmış görüşmeye; anketlerle veri toplanmasına ve diğer çevrimiçi verilerin sentezlenmesine dayanarak, işte en önemli dört yapay zeka mühendisliği becerisi:
- Yapay zeka uygulamaları geliştirmek ve dağıtmak
- Yazılım mühendisliği temelleri
- Kodlama ajanlarını kullanmak
- Geliştirmeyi şekillendirmek
Sürecimizi gayriresmi olarak, yalnızca bugün için değil yakın gelecek için de en önemli becerileri belirlemek amacıyla devasa bir iş ve uzman görüşmesi veri kümesi üzerinde kümeleme çalıştırmaya benzer şekilde düşünebilirsiniz.
Terminolojiye dair bir not: "AI Engineer" rolü yerine Yapay Zeka Mühendisliği becerilerinden bahsediyorum; çünkü ilki çok daha kapsamlı. (AI Engineer rolü, işi yapay zeka sistemleri geliştirmek olan kişidir.) Günümüzde tüm geliştiriciler bulutla çalışmayı bilmeli ve yalnızca daha küçük bir kesim "Bulut mühendisi" unvanına sahip. Benzer şekilde, tüm geliştiricilerin — full-stack mühendisler, veri mühendisleri, DevOps mühendisleri, makine öğrenimi mühendisleri ve evet, yapay zeka mühendisleri — yapay zeka mühendisliği becerilerine ihtiyacı olacak.
Yapay zeka uygulamaları geliştirmek ve dağıtmak. Yapay zeka ve yapay zeka olmayan uygulamalar arasındaki temel fark, ilkinin öngörülemeyen çıktılara sahip olmasıdır. Bir LLM'ye istem verdiğinizde ne geri alacağınızı bilemezsiniz. Bir derin öğrenme algoritması eğittiğinizde, yeni örnekler üzerinde hangi tahmini yapacağını bilemezsiniz. Buna karşılık geleneksel yazılım daha öngörülebilir davranır.
Yapay zeka uygulamaları geliştirme ve dağıtma konusunda yetkin kişiler, yapay zekanın yapı taşlarını (LLM'ler, bağlam mühendisliği, RAG, ajan tabanlı iş akışları, makine öğrenimi ve derin öğrenme gibi) ve önemlisi, yapay zeka sistemlerinin daha öngörülebilir davranması için istatistiksel teknikleri nasıl kullanacaklarını anlarlar: ölçme, yönlendirme ve yönetme. Bu konudaki temel becerilerden biri, disiplinli değerlendirme (eval) ve hata analizi döngülerini nasıl yürüteceğini bilmektir.
Yazılım mühendisliği temelleri. Yazılımın nasıl çalıştığını derinlemesine anladığınızda çok daha etkili bir şekilde geliştirme yapabilirsiniz. Mühendislik yazılımı; maliyet, ölçeklenebilirlik, güvenilirlik, hız ve daha fazlası arasında ödünleşimler yapmayı gerektirir. Güvenlik ve gizlilik ek karmaşıklık getirir.
Yazılım temellerini anlamak, hangi ödünleşimlerin mevcut olduğunu fark etmenizi sağlar. Bu da yazılım yığınınızı seçerken, sistem mimarisi tasarlarken, veri depolamanızı tasarlarken, test ederken ve benzeri konularda daha iyi kararlar almanıza yol açar. Aynı zamanda, kodlama ajanının yaptığı ödünleşimleri bilmeden vibe coding ile çözüm geliştiren deneyimsiz bir geliştiriciden çok daha iyi sonuçlar elde etmenizi sağlar; bu ödünleşimler çoğu zaman kötü olacaktır, çünkü kodlama ajanlarına hangi bağlamı vereceklerini bilmezler. Yazılım mühendisliği temellerini anlamak, kodlama ajanlarını yazılım mühendisliğinin hassas diliyle yönlendirerek iyi ödünleşimler yapmanızı sağlar.
Kodlama ajanlarını kullanmak. Ajan tabanlı kodlamayı etkili bir şekilde kullanmak artık her geliştirici için temel bir beceri. Bu beceriye sahip olduğunuzda, ajanların nasıl çalıştığına dair iyi bir zihinsel modele sahip olursunuz. Sınırlamalarını ve bunların üstesinden nasıl geleceğinizi anlarsınız ve onları hızla yönlendirebilirsiniz — ne kadar müdahale edeceğinizi ve ne kadar kendi haline bırakacağınızı bilerek — böylece aşırı zaman veya token harcamadan sağlam yazılımlar geliştirirsiniz.
Bu, bir kodlama ajanının bağlamını nasıl yöneteceğinizi, planlama ve uygulama arasında ödünleşimler yapmayı ve doğrulayıcılar veya değerlendirmeler sağlayarak ajanın döngüleri otonom şekilde kapatmasına yardımcı olmayı bilmeyi gerektirir. Ayrıca net bir spesifikasyonla nasıl çalışacağınızı (ve bunu ne zaman yapmaya gerek olmadığını) bilmeniz, birlikte çalışan birden fazla ajanı koordine etmeniz ve bir ajanın üretim veritabanınızı bozma riski gibi tuzaklardan kaçınmanız gerekir. Ajan tabanlı kodlama hızla geliştiği için, kodlama ajanlarını beceriyle kullanmak yalnızca en son uygulamaları bilmek değil, aynı zamanda yeni araçları denemeye devam etmek ve en iyi uygulamalar değiştikçe iş akışlarınızı geliştirmek için rutinlere sahip olmak anlamına gelir.
Geliştirmeyi şekillendirmek. Net bir spesifikasyon verildiğinde, kodlama ajanları bu spesifikasyonu teslim etme konusunda hızla ilerliyor. Bu nedenle mühendisler olarak işimiz, spesifikasyonda ne olması gerektiğine karar vermeye doğru kayıyor. Mühendisler artık kendilerine piksel mükemmelliğinde bir tasarım verilmesini ve yalnızca bunu uygulamalarının istenmesini beklememeli. Bunun yerine, etkili yapay zeka mühendisliği; ürün sezgisine sahip olmayı, iş bağlamını ve müşteri hedeflerini anlamayı gerektirir; böylece geliştirme sürecini şekillendirmeye ve yönlendirmeye katkıda bulunabilirsiniz.
Yapay zeka ayrıca size eskisinden daha fazla sahiplik ve inisiyatif alma fırsatı sunuyor. İlginç sorunları ve fırsatları belirleyebilir ve bunlardan sorumlu bir şekilde yararlanmak için harekete geçebilirsiniz. Bu fırsattan yararlanmak, projeleri nasıl ileriye taşıyacağınızı bilmeyi gerektirir. Örneğin, kullanıcılara test ettirmek için ne zaman hızlıca bir MVP geliştirileceğini ve daha dikkatli geliştirmek için ne zaman yavaşlanıp daha fazla zaman ayrılacağını bilmek.
Tüm bu becerilerin altında sürekli öğrenme zihniyeti yatar. Yapay zeka hızla değişmeye devam ediyor; bu nedenle hepimiz öğrenmeye devam etmeli ve ortaya çıkan en iyi uygulamaları benimsemek için becerilerimizi geliştirmeliyiz.
DeepLearning.AI'nin ana odak noktası, geliştiricilerin bu yapay zeka mühendisliği becerilerini kazanmasına yardımcı olmak. Bu dört becerinin her biri hakkında söyleyecek daha çok şeyim var; önümüzdeki yazılarda her birini ayrıntılı olarak ele alacağım ve daha ayrıntılı bir Yapay Zeka Mühendisliği Becerileri Haritası paylaşacağım. Yapay zeka mühendisliğinin nereye gittiğine baktığımda, hepimizin neler inşa edebileceği konusunda inanılmaz heyecanlıyım. Umarım bu gelecekte siz de heyecan verici bir rol oynarsınız.
