Andrew Ng और DeepLearning.AI ने AI Engineering Skills Map का अनावरण किया है, जो एक ऐसा फ्रेमवर्क है जो प्रयोगात्मक प्रॉम्प्ट्स (experimental prompts) को प्रोडक्शन-ग्रेड AI सिस्टम में बदलने के लिए आवश्यक छह मुख्य दक्षताओं को समूहित करता है। यह मैप उन इंजीनियरों को लक्षित करता है जो "vibe coding" से आगे बढ़कर विश्वसनीय और स्केलेबल AI उत्पाद बनाना चाहते हैं।

क्यों "vibe coding" एक बाधा है

कई उद्यमों में, डेवलपर्स लार्ज लैंग्वेज मॉडल्स (LLMs) को एक जादू की छड़ी की तरह मानते हैं: वे एक प्रॉम्प्ट लिखते हैं, कुछ आउटपुट पर नज़र डालते हैं, और काम पूरा मान लेते हैं। यह शॉर्टकट त्वरित डेमो के लिए तो काम करता है, लेकिन वास्तविक दुनिया के उपयोग में विफल हो जाता है। LLMs नॉन-डिटरमिनिस्टिक (non-deterministic) होते हैं—समान इनपुट हर बार अलग परिणाम दे सकते हैं। व्यवस्थित जांच के बिना, एक सिस्टम जो लैब में ठीक लग रहा था, वह प्रोडक्शन में विफल हो सकता है, जिससे महंगा डाउनटाइम या असुरक्षित व्यवहार हो सकता है।

मैप की छह दक्षताएं

स्किल्स मैप इंजीनियरिंग प्रक्रिया को छह अलग-अलग क्षेत्रों में विभाजित करता है, जिनमें से प्रत्येक की अपनी सर्वोत्तम प्रथाएं (best practices) और टूल्स हैं।

  • Prompt Engineering – यह फ्री-फॉर्म टेक्स्ट से आगे बढ़कर स्ट्रक्चर्ड टेम्पलेट्स की ओर ले जाता है, जिसे अक्सर JSON स्कीमा के साथ लागू किया जाता है। यह अस्पष्टता को कम करता है और डाउनस्ट्रीम पार्सिंग को अनुमानित (predictable) बनाता है।
  • Retrieval-Augmented Generation (RAG) – इसके लिए डॉक्यूमेंट इंजेक्शन, सिमेंटिक चंकिंग और रिट्रीवल पाइपलाइन्स बनाने में दक्षता की आवश्यकता होती है जो मॉडल को प्रासंगिक संदर्भ (context) प्रदान करती हैं।
  • Agentic Workflows – इसमें ऐसे लूप्स डिजाइन करना शामिल है जहाँ मॉडल बाहरी टूल्स को कॉल कर सके, स्टेट को मैनेज कर सके और स्वायत्त रूप से निर्णय ले सके।
  • Fine-tuning – यह इंजीनियरों को यह तय करने में मदद करता है कि केवल प्रॉम्प्ट कॉन्टेक्स्ट पर निर्भर रहने के बजाय कब मॉडल के वेट्स (weights) को एडजस्ट करना चाहिए, एक ऐसा विकल्प जो निरंतरता में सुधार कर सकता है और टोकन के उपयोग को कम कर सकता है।
  • Evaluation (Evals) – इसके लिए ऑटोमेटेड टेस्ट सूट्स की आवश्यकता होती है जो पूर्व-निर्धारित मानदंडों के आधार पर सटीकता, पूर्वाग्रह (bias) और सुरक्षा को मापते हैं। किसी भी अन्य कोड रिग्रेशन की तरह, एक विफल टेस्ट को बिल्ड को रोक देना चाहिए।
  • Operations – यह लेटेंसी बजटिंग, लागत की निगरानी और रियल टाइम में मॉडल ड्रिफ्ट (डेटा विकसित होने के साथ मॉडल व्यवहार में क्रमिक बदलाव) को संभालने पर केंद्रित है।

LLM को एक ब्लैक बॉक्स के बजाय एक अविश्वसनीय API के रूप में मानकर, टीमें उसी सटीकता को लागू कर सकती हैं जो वे पारंपरिक सेवाओं के लिए उपयोग करती हैं।

किसे लाभ होगा और कौन पीछे छूट जाएगा

जो इंजीनियरिंग लीडर्स केवल मशीन-लर्निंग PhDs के साथ टीम बनाते हैं, उनके प्रोजेक्ट्स ठप हो सकते हैं। यह मैप सिस्टम्स इंजीनियर्स की आवश्यकता पर जोर देता है—ऐसे लोग जो API डिज़ाइन, कैशिंग रणनीतियों और ऑटोमेटेड टेस्टिंग में कुशल हों। कॉन्टेक्स्ट विंडोज को मैनेज करने, इवैल्यूएशन हार्नेस बनाने और ऑपरेशनल मेट्रिक्स की निगरानी करने के लिए बैकएंड इंजीनियरों को अपस्किल (upskill) करना टैलेंट गैप को पाट सकता है और डिलीवरी में तेजी ला सकता है।