લાયબ્રેરી બનાવવા માટે વાંચવાનું બંધ કરો. સમસ્યા ઉકેલવા માટે વાંચવાનું શરૂ કરો.
મોટાભાગની એન્જિનિયરિંગ રીડિંગ લિસ્ટ જ્ઞાન એકત્રિત કરવા પર ધ્યાન કેન્દ્રિત કરે છે.
આધુનિક એન્જિનિયરિંગ એક જ વસ્તુનું વળતર આપે છે: અવરોધો (bottlenecks) દૂર કરવા.
તાજેતરમાં એક જુનિયર એન્જિનિયરે મને એન્જિનિયરો માટેના ટોચના 10 પુસ્તકોની યાદી બતાવી. તે દસ વર્ષ પહેલાની યાદીઓ જેવી જ દેખાતી હતી. તે એ જ જૂના ક્લાસિક્સ અને પ્રોસેસ પુસ્તકો પર આધારિત હતી.
આ ધારણા ખોટી છે. પુસ્તકો વાંચવાથી તમે આપમેળે સારા એન્જિનિયર બની જશો એવું નથી.
ઉચ્ચ પ્રદર્શન કરતી ટીમો પુસ્તકોના આધારે લર્નિંગ પ્લાન બનાવતી નથી. તેઓ તેને મર્યાદાઓ (constraints) ના આધારે બનાવે છે.
પ્રમાણભૂત રીડિંગ લિસ્ટ માને છે કે તમામ જ્ઞાનનું મૂલ્ય સમાન છે. વાસ્તવમાં, એન્જિનિયરિંગનું મૂલ્ય તમારી ચોક્કસ પરિસ્થિતિ પર આધાર રાખે છે.
- ડેટાબેઝની સમસ્યાઓનો સામનો કરી રહેલા બેકએન્ડ એન્જિનિયરને Agile પુસ્તકની જરૂર નથી.
- ઊંચા AI ખર્ચ ધરાવતી ટીમને કોઈ સામાન્ય સોફ્ટવેર પુસ્તકની જરૂર નથી.
- લેટન્સી (latency) ની સમસ્યા ધરાવતા સ્ટાર્ટઅપને લીડરશિપ ફ્રેમવર્કની જરૂર નથી.
આ લોકોને તેમની સામે રહેલા ચોક્કસ અવરોધ (bottleneck) ના ઉકેલોની જરૂર છે.
એન્જિનિયરિંગ સુસંગતતા (relevance) ને વળતર આપે છે, સંપૂર્ણતાને નહીં.
ડેટાબેઝ અને નેટવર્કિંગ જેવા પાયાના સિદ્ધાંતો હજુ પણ મહત્વના છે. પરંતુ તે હવે પૂરતા નથી. આધુનિક સિસ્ટમ્સ AI ઇન્ફરન્સ ખર્ચ (AI inference costs) જેવી નવી પડકારો લાવે છે.
દાયકાઓથી, એન્જિનિયરો ડિટરમિનિસ્ટિક (deterministic) સિસ્ટમ્સ સાથે કામ કરતા હતા. સમાન ઇનપુટ હંમેશા સમાન આઉટપુટ આપતું હતું.
આજે, ઘણી સિસ્ટમ્સ પ્રોબેબિલિસ્ટિક (probabilistic) છે. એક AI પ્રોમ્પ્ટ દર વખતે અલગ પ્રતિસાદ આપી શકે છે. મોડેલ અપગ્રેડ કરવાથી તમે કોડને અડક્યા વગર પણ તમારી એપ કેવી રીતે કામ કરે છે તેમાં ફેરફાર થઈ શકે છે.
નવા પ્રશ્નો તમારા કામને દોરી જાય છે:
- તમે ગુણવત્તાનું મૂલ્યાંકન કેવી રીતે કરો છો?
- તમે અનિશ્ચિત ઘટકો (unpredictable components) ને કેવી રીતે મેનેજ કરો છો?
સૌથી મજબૂત એન્જિનિયરો મિકેનિઝમ્સ (mechanisms) સમજવા માટે વાંચે છે, પુસ્તક પૂરું કરવા માટે નહીં
એન્જિનિયરિંગ એ વાંચન સ્પર્ધા નથી. તે મર્યાદાઓને ઉકેલવાનો વ્યવસાય છે. તમે આગળ શું શીખશો તે તમારી સિસ્ટમને નક્કી કરવા દો.
વૈકલ્પિક લર્નિંગ કોમ્યુનિટી: https://t.me/GyaanSetuAi