એન્ડ્રુ એનજી (Andrew Ng) અને DeepLearning.AI એ AI એન્જિનિયરિંગ સ્કિલ્સ મેપ (AI Engineering Skills Map) રજૂ કર્યો છે, જે એક એવું ફ્રેમવર્ક છે જે પ્રાયોગિક પ્રોમ્પ્ટ્સને પ્રોડક્શન-ગ્રેડ AI સિસ્ટમ્સમાં ફેરવવા માટે જરૂરી છ મુખ્ય ક્ષમતાઓને જૂથબદ્ધ કરે છે. આ મેપ એવા એન્જિનિયરોને લક્ષ્ય બનાવે છે જેઓ “vibe coding” થી આગળ વધીને વિશ્વસનીય અને સ્કેલેબલ AI પ્રોડક્ટ્સ આપવા માંગે છે.

શા માટે “vibe coding” એક અવરોધ છે

ઘણી એન્ટરપ્રાઇઝમાં, ડેવલપર્સ લાર્જ લેંગ્વેજ મોડલ્સ (LLMs) ને જાદુઈ લાકડીની જેમ જુએ છે: તેઓ એક પ્રોમ્પ્ટ લખે છે, થોડા આઉટપુટ્સ પર નજર નાખે છે, અને કામ પૂરું ગણે છે. આ શોર્ટકટ ઝડપી ડેમો માટે કામ કરે છે, પરંતુ વાસ્તવિક ઉપયોગમાં તે નિષ્ફળ જાય છે. LLMs નોન-ડિટરમિનિસ્ટિક (non-deterministic) છે—સમાન ઇનપુટ્સ દરેક વખતે અલગ પરિણામો આપી શકે છે. પદ્ધતિસરની તપાસ વગર, લેબમાં જે સિસ્ટમ બરાબર લાગતી હતી તે પ્રોડક્શનમાં બગડી શકે છે, જેના કારણે મોંઘો ડાઉનટાઇમ અથવા અસુરક્ષિત વર્તન થઈ શકે છે.

મેપની છ ક્ષમતાઓ

સ્કિલ્સ મેપ એન્જિનિયરિંગ પ્રક્રિયાને છ અલગ-અલગ ક્ષેત્રોમાં વિભાજિત કરે છે, જેમાં દરેકની પોતાની શ્રેષ્ઠ પદ્ધતિઓ અને ટૂલ્સ છે.

  • Prompt Engineering – તે ફ્રી-ફોર્મ ટેક્સ્ટથી આગળ વધીને સ્ટ્રક્ચર્ડ ટેમ્પલેટ્સ તરફ જાય છે, જે ઘણીવાર JSON સ્કીમા દ્વારા લાગુ કરવામાં આવે છે. આ અસ્પષ્ટતા ઘટાડે છે અને ડાઉનસ્ટ્રીમ પાર્સિંગને અનુમાનિત બનાવે છે.
  • Retrieval-Augmented Generation (RAG) – આમાં ડોક્યુમેન્ટ ઇન્જેશન, સેમેન્ટિક ચંકિંગ અને મોડેલને સુસંગત સંદર્ભ (context) પૂરો પાડતી રિટ્રીવલ પાઇપલાઇન્સ બનાવવામાં કુશળતાની જરૂર હોય છે.
  • Agentic Workflows – આમાં એવા લૂપ્સ ડિઝાઇન કરવાનો સમાવેશ થાય છે જ્યાં મોડેલ બાહ્ય ટૂલ્સનો ઉપયોગ કરી શકે, સ્ટેટ મેનેજ કરી શકે અને સ્વાયત્ત રીતે નિર્ણયો લઈ શકે.
  • Fine-tuning – તે એન્જિનિયરોને માત્ર પ્રોમ્પ્ટ કોન્ટેક્સ્ટ પર આધાર રાખવાને બદલે મોડેલના વેટ્સ (weights) ને ક્યારે એડજસ્ટ કરવા તે નક્કી કરવામાં મદદ કરે છે, જે સુસંગતતા સુધારી શકે છે અને ટોકન વપરાશ ઘટાડી શકે છે.
  • Evaluation (Evals) – આમાં પૂર્વ-નિર્ધારિત માપદંડો સામે ચોકસાઈ, પૂર્વગ્રહ (bias) અને સુરક્ષાને માપતા ઓટોમેટેડ ટેસ્ટ સૂટ્સની જરૂર હોય છે. કોઈપણ અન્ય કોડ રિગ્રેશનની જેમ, નિષ્ફળ ટેસ્ટ બિલ્ડને અટકાવવો જોઈએ.
  • Operations – તે લેટન્સી બજેટિંગ, કોસ્ટ મોનિટરિંગ અને રિયલ ટાઇમમાં મોડેલ ડ્રિફ્ટ (ડેટા બદલાતા મોડેલના વર્તનમાં થતો ધીમો ફેરફાર) હેન્ડલ કરવા પર ધ્યાન કેન્દ્રિત કરે છે.

LLM ને બ્લેક બોક્સને બદલે એક અવિશ્વસનીય API તરીકે ગણીને, ટીમો તે જ સચોટતા લાગુ કરી શકે છે જેનો ઉપયોગ તેઓ પરંપરાગત સેવાઓ માટે કરે છે.

કોને ફાયદો થાય છે અને કોણ પાછળ રહી જાય છે

એન્જિનિયરિંગ લીડર્સ જેઓ માત્ર મશીન-લર્નિંગ PhDs ને જ સ્ટાફ તરીકે રાખે છે, તેઓ જોઈ શકે છે કે પ્રોજેક્ટ્સ અટકી જાય છે. આ મેપ સિસ્ટમ્સ એન્જિનિયર્સની જરૂરિયાત પર ભાર મૂકે છે—એવા લોકો જે API ડિઝાઇન, કેશિંગ વ્યૂહરચનાઓ અને ઓટોમેટેડ ટેસ્ટિંગમાં નિપુણ હોય. કોન્ટેક્સ્ટ વિન્ડોઝ મેનેજ કરવા, ઇવેલ્યુએશન હાર્નેસિસ બનાવવા અને ઓપરેશનલ મેટ્રિક્સનું મોનિટરિંગ કરવા માટે બેકએન્ડ એન્જિનિયરોનું અપસ્કિલિંગ ટેલેન્ટ ગેપને પૂરો કરી શકે છે અને ડિલિવરીને ઝડપી બનાવી શકે છે.