Я радий представити Мапу навичок AI-інженерії. AI дозволяє нам створювати програмне забезпечення зовсім інакше, ніж у 2022 році, і кожен, хто володіє навичками, щоб скористатися цими змінами, має безліч захопливих проєктних і кар'єрних можливостей. Але в галасливому, переповненому хайпом інформаційному середовищі навколо AI, які ж навички найцінніші для вас? Я разом зі своєю командою працював над синтезом мапи навичок AI-інженерії, щоб допомогти (i) розробникам визначити пріоритети в навчанні та (ii) роботодавцям наймати кваліфікованих розробників.
На основі аналізу понад 10 000 вакансій; проведення десятків структурованих інтерв'ю з AI-експертами, менеджерами з найму та рекрутерами; збору даних через опитування; та синтезу інших онлайн-даних, ось чотири найважливіші навички AI-інженерії:
- Створення та розгортання AI-застосунків
- Фундаментальні основи програмної інженерії
- Використання кодинг-агентів
- Формування розробки
Ви можете неформально уявляти наш процес як своєрідну кластеризацію величезного набору даних про вакансії та інтерв'ю з експертами, щоб визначити найважливіші навички — не лише на сьогодні, а й на найближче майбутнє.
Примітка щодо термінології: я говорю про навички AI-інженерії, а не про роль «AI-інженера» (людини, чия робота — створювати AI-системи), оскільки перше поняття набагато ширше. Усі сучасні розробники повинні вміти працювати з хмарою, і лише менша частина має посаду «хмарного інженера». Так само всі розробники — full-stack інженери, data-інженери, DevOps-інженери, інженери машинного навчання і, так, AI-інженери — потребуватимуть навичок AI-інженерії.
Створення та розгортання AI-застосунків. Ключова відмінність між AI- та не-AI-застосунками полягає в тому, що перші мають непередбачувані результати. Коли ви надсилаєте промпт до LLM, ви не знаєте, що отримаєте у відповідь. Коли ви тренуєте алгоритм глибокого навчання, ви не знаєте, який прогноз він зробить на нових прикладах. Натомість традиційне програмне забезпечення поводиться більш передбачувано.
Люди, які добре вміють створювати та розгортати AI-застосунки, розуміють будівельні блоки AI (такі як LLM, контекстна інженерія, RAG, агентні робочі процеси, машинне та глибоке навчання) і, що важливо, як використовувати статистичні методи для вимірювання, спрямування та контролю AI-систем, щоб вони поводилися передбачуваніше. Ключова навичка тут — вміння вести дисципліновані цикли оцінювання (evals) та аналізу помилок.
Фундаментальні основи програмної інженерії. Коли ви глибоко розумієте, як працює програмне забезпечення, ви можете створювати набагато ефективніше. Розробка програмного забезпечення вимагає компромісів між вартістю, масштабованістю, надійністю, швидкістю та іншими факторами. Безпека та конфіденційність додають додаткової складності.
Розуміння основ програмної інженерії дозволяє вам бачити, які компроміси взагалі існують. Це призводить до кращих рішень у виборі програмного стека, проєктуванні системної архітектури, проєктуванні сховища даних, тестуванні тощо. Це також дає набагато кращі результати, ніж у недосвідченого розробника, який кодить по відчуттю, не розуміючи, які компроміси робить його кодинг-агент, — а вони часто виявляються невдалими, бо він не знає, який контекст надати своєму агенту. Розуміння фундаментальних основ програмної інженерії дозволяє приймати зважені компроміси, спрямовуючи кодинг-агентів точною мовою програмної інженерії.
Використання кодинг-агентів. Ефективне використання агентного кодингу тепер є ключовою навичкою для кожного розробника. Коли ви володієте цією навичкою, у вас є хороша ментальна модель того, як працюють агенти. Ви розумієте їхні обмеження та способи їх обходити, і вмієте швидко спрямовувати їх — знаючи, коли варто втрутитися, а коли залишити їх у спокої, — щоб створювати надійне програмне забезпечення, не витрачаючи зайвого часу чи токенів.
Це вимагає вміння керувати контекстом кодинг-агента, балансувати між плануванням і виконанням і допомагати агенту самостійно закривати цикли, надаючи верифікатори або eval-тести. Також потрібно вміти працювати з чіткою специфікацією (і знати, коли не варто її створювати), оркеструвати кількох агентів, які працюють разом, та уникати підводних каменів, як-от ризику, що агент пошкодить вашу робочу базу даних. Оскільки агентний кодинг швидко розвивається, вміле використання кодинг-агентів означає не лише знання передових практик, а й наявність звички постійно пробувати нові інструменти та вдосконалювати свої робочі процеси в міру зміни найкращих практик.
Формування розробки. Маючи чітку специфікацію, кодинг-агенти швидко вдосконалюються у її виконанні. Тому наша робота як інженерів зміщується до визначення того, що має бути у специфікації. Інженерам більше не варто очікувати, що їм нададуть дизайн, вивірений до пікселя, і попросять лише реалізувати його. Натомість ефективна AI-інженерія вимагає відчуття продукту та розуміння бізнес-контексту й цілей клієнта, щоб брати участь у формуванні та спрямуванні розробки.
AI також дає вам можливість взяти на себе більше відповідальності та самостійності, ніж раніше. Ви можете визначати цікаві проблеми та можливості й діяти, щоб відповідально скористатися ними. Щоб скористатися цією можливістю, потрібно вміти просувати проєкти вперед. Наприклад, знати, коли швидко створити MVP і винести його на тестування користувачам, а коли сповільнитися та приділити більше часу ретельнішому створенню.
В основі всіх цих навичок лежить мислення безперервного навчання. AI продовжує швидко змінюватися, тому ми всі маємо постійно навчатися та вдосконалювати свої навички, переймаючи нові найкращі практики.
Основний фокус DeepLearning.AI — допомогти розробникам здобути ці навички AI-інженерії. Я маю що сказати про кожну з цих чотирьох навичок і детальніше розкрию їх у наступних публікаціях, а також поділюся детальнішою Мапою навичок AI-інженерії. Коли я дивлюся на те, куди рухається AI-інженерія, я неймовірно схвильований тим, що ми всі зможемо створити. Сподіваюся, ви відіграєте захопливу роль у цьому майбутньому.
