Andrew Ng ו-DeepLearning.AI חשפו את ה-AI Engineering Skills Map, מסגרת המקבצת שש מיומנויות ליבה הדרושות כדי להפוך פרומפטים ניסיוניים למערכות AI ברמת ייצור (production-grade). המפה מכוונת למהנדסים שרוצים להתקדם מעבר ל-"vibe coding" ולספק מוצרי AI אמינים וניתנים להרחבה (scalable).

למה "vibe coding" הוא מחסום

בארגונים רבים, מפתחים מתייחסים למודלי שפה גדולים (LLMs) כמו למטה קסמים: הם כותבים פרומפט, מציצים בכמה פלטים, וקובעים שזהו. הקיצור הזה עובד עבור הדגמות מהירות, אך הוא קורס תחת שימוש בעולם האמיתי. LLMs הם לא-דטרמיניסטיים — קלטים זהים יכולים להניב תוצאות שונות בכל פעם. ללא בדיקות שיטתיות, מערכת שנראתה תקינה במעבדה עלולה להישבר בייצור, מה שיגרום לזמני השבתה יקרים או להתנהגות לא בטוחה.

שש המיומנויות של המפה

מפת המיומנויות מחלקת את תהליך ההנדסה לשש תחומים נפרדים, שלכל אחד מהם שיטות עבודה מומלצות וכלים משלו.

  • Prompt Engineering (הנדסת פרומפטים) – עוברת מטקסט חופשי לתבניות מובנות, שלעיתים קרובות נאכפות באמצעות סכמות JSON. זה מפחית עמימות והופך את הניתוח (parsing) בשלבים הבאים לצפוי.
  • Retrieval-Augmented Generation (RAG) – דורשת מיומנות בהזנת מסמכים, חלוקה סמנטית (semantic chunking) ובניית צינורות שליפה (retrieval pipelines) המספקים הקשר רלוונטי למודל.
  • Agentic Workflows (תהליכי עבודה סוכנים) – כוללת תכנון לולאות שבהן המודל יכול לקרוא לכלים חיצוניים, לנהל מצב (state) ולקבל החלטות באופן אוטונומי.
  • Fine-tuning (כוונון עדין) – עוזרת למהנדסים להחליט מתי כדאי להתאים את משקולות המודל במקום להסתמך אך ורק על הקשר הפרומפט, בחירה שיכולה לשפר עקביות ולצמצם את השימוש בטוקנים.
  • Evaluation (Evals - הערכה) – דורשת סדרות בדיקות אוטומטיות המודדות דיוק, הטיות ובטיחות מול קריטריונים שהוגדרו מראש. בדיקה שנכשלת צריכה לעצור את תהליך הבנייה (build), בדיוק כמו רגרסיה בקוד אחר.
  • Operations (תפעול) – מתמקדת בתקצוב שיהוי (latency budgeting), ניטור עלויות וטיפול בסחף מודל (model drift - השינוי ההדרגתי בהתנהגות המודל ככל שהנתונים מתפתחים) בזמן אמת.

על ידי התייחסות ל-LLM כאל API שאינו מהימן במקום כאל "קופסה שחורה", צוותים יכולים להחיל את אותה רמת קפדנות שהם משתמשים בה עבור שירותים מסורתיים.

מי מרוויח ומי נשאר מאחור

מנהיגים הנדסיים המגייסים צוותים המורכבים אך ורק מבעלי דוקטורט בלמידת מכונה עלולים לראות פרויקטים נתקעים. המפה מדגישה את הצורך במהנדסי מערכות — אנשים המיומנים בעיצוב API, אסטרטגיות caching ובדיקות אוטומטיות. שדרוג מיומנויות של מהנדסי backend לניהול חלונות הקשר (context windows), בניית מנגנוני הערכה (evaluation harnesses) וניטור מדדים תפעוליים יכול לגשר על פער הכישרונות ולהאיץ את זמן המסירה.