كشف أندرو إنغ وDeepLearning.AI عن "خريطة مهارات هندسة الذكاء الاصطناعي" (AI Engineering Skills Map)، وهي إطار عمل يجمع ست كفاءات أساسية مطلوبة لتحويل المطالبات التجريبية إلى أنظمة ذكاء اصطناعي جاهزة للإنتاج. تستهدف الخريطة المهندسين الذين يرغبون في تجاوز مرحلة "البرمجة القائمة على الانطباع" (vibe coding) وتقديم منتجات ذكاء اصطناعي موثوقة وقابلة للتوسع.

لماذا تُعد "البرمجة القائمة على الانطباع" (vibe coding) عائقاً

في العديد من الشركات، يتعامل المطورون مع النماذج اللغوية الكبيرة (LLMs) كأنها عصا سحرية: يكتبون مطالبة، ويُلقون نظرة سريعة على مجموعة من المخرجات، ويعتبرون المهمة قد أُنجزت. هذا الاختصار قد ينجح في العروض التوضيحية السريعة، لكنه ينهار عند الاستخدام في العالم الحقيقي. فالنماذج اللغوية الكبيرة غير حتمية (non-deterministic)؛ حيث يمكن أن تؤدي المدخلات المتطابقة إلى نتائج مختلفة في كل مرة. وبدون فحوصات منهجية، يمكن للنظام الذي بدا جيداً في المختبر أن يتعطل في بيئة الإنتاج، مما يتسبب في توقف مكلف عن العمل أو سلوك غير آمن.

الكفاءات الست للخريطة

تقسم خريطة المهارات العملية الهندسية إلى ستة مجالات متميزة، لكل منها أفضل الممارسات والأدوات الخاصة بها.

  • هندسة المطالبات (Prompt Engineering) – تتجاوز النصوص الحرة إلى القوالب المهيكلة، والتي غالباً ما يتم فرضها باستخدام مخططات JSON. وهذا يقلل من الغموض ويجعل عملية التحليل اللاحقة (parsing) قابلة للتنبؤ.
  • التوليد المعزز بالاسترجاع (RAG) – يتطلب كفاءة في استيعاب المستندات، والتجزئة الدلالية (semantic chunking)، وبناء مسارات استرجاع تغذي النموذج بالسياق ذي الصلة.
  • سير العمل الوكيل (Agentic Workflows) – يتضمن تصميم حلقات يمكن للنموذج من خلالها استدعاء أدوات خارجية، وإدارة الحالة، واتخاذ القرارات بشكل مستقل.
  • الضبط الدقيق (Fine-tuning) – يساعد المهندسين على تحديد متى يجب تعديل أوزان النموذج بدلاً من الاعتماد فقط على سياق المطالبة، وهو خيار يمكن أن يحسن الاتساق ويقلل من استخدام الرموز (tokens).
  • التقييم (Evals) – يتطلب مجموعات اختبار مؤتمتة تقيس الدقة والتحيز والسلامة وفقاً لمعايير محددة مسبقاً. ويجب أن يؤدي الاختبار الفاشل إلى إيقاف عملية البناء (build)، تماماً مثل أي تراجع برمجِي (code regression) آخر.
  • العمليات (Operations) – تركز على ميزانية زمن الاستجابة (latency budgeting)، ومراقبة التكلفة، والتعامل مع انحراف النموذج (model drift) - وهو التحول التدريجي في سلوك النموذج مع تطور البيانات - في الوقت الفعلي.

من خلال التعامل مع النموذج اللغوي الكبير (LLM) كواجهة برمجة تطبيقات (API) غير موثوقة بدلاً من كونه "صندوقاً أسود"، يمكن للفرق تطبيق نفس الصرامة التي يستخدمونها في الخدمات التقليدية.

من المستفيد ومن سيُترك خلف الركب

قد يواجه قادة الهندسة الذين يعتمدون في فرقهم فقط على حملة الدكتوراه في تعلم الآلة تعثراً في مشاريعهم. تؤكد الخريطة على الحاجة إلى مهندسي الأنظمة؛ وهم الأشخاص المتمكنون من تصميم واجهات برمجة التطبيقات (API)، واستراتيجيات التخزين المؤقت (caching)، والاختبار المؤتمت. إن صقل مهارات مهندسي الخلفية (backend engineers) لإدارة نوافذ السياق، وبناء أطر التقييم، ومراقبة المقاييس التشغيلية يمكن أن يسد فجوة المواهب ويسرع عملية التسليم.