ಆಂಡ್ರ್ಯೂ ಎನ್ಜಿ ಮತ್ತು DeepLearning.AI ಅವರು 'AI ಇಂಜಿನಿಯರಿಂಗ್ ಸ್ಕಿಲ್ಸ್ ಮ್ಯಾಪ್' (AI Engineering Skills Map) ಅನ್ನು ಅನಾವರಣಗೊಳಿಸಿದ್ದಾರೆ. ಇದು ಪ್ರಾಯೋಗಿಕ ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು (experimental prompts) ಪ್ರೊಡಕ್ಷನ್-ಗ್ರೇಡ್ AI ವ್ಯವಸ್ಥೆಗಳಾಗಿ ಪರಿವರ್ತಿಸಲು ಅಗತ್ಯವಿರುವ ಆರು ಪ್ರಮುಖ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಒಂದು ಚೌಕಟ್ಟಾಗಿದೆ. ಈ ನಕ್ಷೆಯು ಕೇವಲ "vibe coding" ಮಾಡುವುದನ್ನು ಮೀರಿ, ವಿಶ್ವಾಸಾರ್ಹ ಮತ್ತು ಸ್ಕೇलेबल AI ಉತ್ಪನ್ನಗಳನ್ನು ನೀಡಲು ಬಯಸುವ ಇಂಜಿನಿಯರ್‌ಗಳನ್ನು ಗುರಿಯಾಗಿಸಿಕೊಂಡಿದೆ.

"vibe coding" ಏಕೆ ಅಡೆತಡೆಯಾಗಿದೆ

ಅನೇಕ ಉದ್ಯಮಗಳಲ್ಲಿ, ಡೆವಲಪರ್‌ಗಳು ಲಾರ್ಜ್ ಲ್ಯಾಂಗ್ವೇಜ್ ಮಾಡೆಲ್‌ಗಳನ್ನು (LLMs) ಒಂದು ಮಾಂತ್ರಿಕ ದಂಡದಂತೆ ಪರಿಗಣಿಸುತ್ತಾರೆ: ಅವರು ಒಂದು ಪ್ರಾಂಪ್ಟ್ ಬರೆಯುತ್ತಾರೆ, ಕೆಲವು ಔಟ್‌ಪುಟ್‌ಗಳನ್ನು ನೋಡಿ ಕೆಲಸ ಮುಗಿದಿದೆ ಎಂದು ಭಾವಿಸುತ್ತಾರೆ. ಈ ಅಡ್ಡಹಾದಿಯು ತ್ವರಿತ ಪ್ರದರ್ಶನಗಳಿಗೆ (demos) ಕೆಲಸ ಮಾಡಬಹುದು, ಆದರೆ ನೈಜ ಪ್ರಪಂಚದ ಬಳಕೆಯಲ್ಲಿ ಇದು ವಿಫಲವಾಗುತ್ತದೆ. LLMಗಳು ಅನಿಶ್ಚಿತ (non-deterministic) ಆಗಿರುತ್ತವೆ—ಅದೇ ಇನ್‌ಪುಟ್‌ಗಳು ಪ್ರತಿ ಬಾರಿಯೂ ವಿಭಿನ್ನ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡಬಹುದು. ವ್ಯವಸ್ಥಿತ ಪರಿசோதனೆಗಳಿಲ್ಲದೆ, ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ ಸರಿಯಾಗಿ ಕಂಡ ವ್ಯವಸ್ಥೆಯು ಪ್ರೊಡಕ್ಷನ್‌ನಲ್ಲಿ ವಿಫಲವಾಗಿ, ದುಬಾರಿ ಸಮಯದ ನಷ್ಟ ಅಥವಾ ಅಸುರಕ್ಷಿತ ನಡವಳಿಕೆಗೆ ಕಾರಣವಾಗಬಹುದು.

ನಕ್ಷೆಯ ಆರು ಸಾಮರ್ಥ್ಯಗಳು

ಈ ಸ್ಕಿಲ್ಸ್ ಮ್ಯಾಪ್ ಇಂಜಿನಿಯರಿಂಗ್ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಆರು ವಿಭಿನ್ನ ಕ್ಷೇತ್ರಗಳಾಗಿ ವಿಂಗಡಿಸುತ್ತದೆ, ಪ್ರತಿಯೊಂದೂ ತನ್ನದೇ ಆದ ಅತ್ಯುತ್ತಮ ಪದ್ಧತಿಗಳು ಮತ್ತು ಪರಿಕರಗಳನ್ನು (tooling) ಹೊಂದಿದೆ.

  • Prompt Engineering – ಇದು ಮುಕ್ತ ರೂಪದ ಪಠ್ಯದಿಂದ ಹೊರಬಂದು ರಚನಾತ್ಮಕ ಟೆಂಪ್ಲೇಟ್‌ಗಳತ್ತ ಸಾಗುತ್ತದೆ, ಇದನ್ನು ಹೆಚ್ಚಾಗಿ JSON ಸ್ಕೀಮಾಗಳೊಂದಿಗೆ ಜಾರಿಗೊಳಿಸಲಾಗುತ್ತದೆ. ಇದು ಅಸ್ಪಷ್ಟತೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಡೌನ್‌ಸ್ಟ್ರೀಮ್ ಪಾರ್ಸಿಂಗ್ ಅನ್ನು ಊಹಿಸಬಹುದಾಗಿಸುತ್ತದೆ.
  • Retrieval-Augmented Generation (RAG) – ಇದು ಡಾಕ್ಯುಮೆಂಟ್ ಇಂಜೆಸ್ಟಿನ್, ಸೆಂಮ್ಯಾಂಟಿಕ್ ಚಂಕಿಂಗ್ ಮತ್ತು ಮಾಡೆಲ್‌ಗೆ ಸಂಬಂಧಿತ ಸಂದರ್ಭವನ್ನು (context) ಒದಗಿಸುವ ರಿಟ್ರಿೀವಲ್ ಪೈಪ್‌ಲೈನ್‌ಗಳನ್ನು ನಿರ್ಮಿಸುವಲ್ಲಿ ಸಾಮರ್ಥ್ಯವನ್ನು ಬಯಸುತ್ತದೆ.
  • Agentic Workflows – ಮಾಡೆಲ್ ಬಾಹ್ಯ ಪರಿಕರಗಳನ್ನು (external tools) ಬಳಸಲು, ಸ್ಥಿತಿಯನ್ನು (state) ನಿರ್ವಹಿಸಲು ಮತ್ತು ಸ್ವಾಯತ್ತವಾಗಿ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಸಾಧ್ಯವಾಗುವ ಲೂಪ್‌ಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವುದನ್ನು ಒಳಗೊಂಡಿದೆ.
  • Fine-tuning – ಕೇವಲ ಪ್ರಾಂಪ್ಟ್ ಸಂದರ್ಭವನ್ನು ಅವಲಂಬಿಸುವ ಬದಲು, ಮಾಡೆಲ್‌ನ ತೂಕಗಳನ್ನು (weights) ಯಾವಾಗ ಹೊಂದಿಸಬೇಕು ಎಂದು ನಿರ್ಧರಿಸಲು ಇಂಜಿನಿಯರ್‌ಗಳಿಗೆ ಇದು ಸಹಾಯ ಮಾಡುತ್ತದೆ; ಈ ಆಯ್ಕೆಯು ಸ್ಥಿರತೆಯನ್ನು ಸುಧಾರಿಸಬಹುದು ಮತ್ತು ಟೋಕನ್ ಬಳಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು.
  • Evaluation (Evals) – ನಿಗದಿತ ಮಾನದಂಡಗಳ ವಿರುದ್ಧ ನಿಖರತೆ, ಪಕ್ಷಪಾತ ಮತ್ತು ಸುರಕ್ಷತೆಯನ್ನು ಅಳೆಯುವ ಸ್ವಯಂಚಾಲಿತ ಪರೀಕ್ಷಾ ಸೂಟ್‌ಗಳನ್ನು (automated test suites) ಇದು ಬಯಸುತ್ತದೆ. ಯಾವುದೇ ಇತರ ಕೋಡ್ ರಿಗ್ರೆಷನ್‌ನಂತೆ, ವಿಫಲವಾದ ಪರೀಕ್ಷೆಯು ಬಿಲ್ಡ್ ಅನ್ನು ತಡೆಯಬೇಕು.
  • Operations – ಇದು ಲೇಟೆನ್ಸಿ ಬಜೆಟಿಂಗ್, ವೆಚ್ಚದ ಮೇಲ್ವಿಚಾರಣೆ ಮತ್ತು ಮಾಡೆಲ್ ಡ್ರಿಫ್ಟ್ (model drift - ಡೇಟಾ ವಿಕಸನಗೊಳ್ಳುತ್ತಿದ್ದಂತೆ ಮಾಡೆಲ್ ನಡವಳಿಕೆಯಲ್ಲಿ ಉಂಟಾಗುವ ಕ್ರಮೇಣ ಬದಲಾವಣೆ) ಅನ್ನು ನೈಜ ಸಮಯದಲ್ಲಿ ನಿರ್ವಹಿಸುವುದರ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ.

LLM ಅನ್ನು ಕೇವಲ ಒಂದು 'ಬ್ಲ್ಯಾಕ್ ಬಾಕ್ಸ್' ಆಗಿ ನೋಡುವ ಬದಲು, ಅದನ್ನು ನಂಬಲಾಗದ API ಆಗಿ ಪರಿಗಣಿಸುವ ಮೂಲಕ, ತಂಡಗಳು ಸಾಂಪ್ರದಾಯಿಕ ಸೇವೆಗಳಿಗಾಗಿ ಬಳಸುವ ಅದೇ ಕಟ್ಟುನಿಟ್ಟಿನ ಕ್ರಮಗಳನ್ನು ಅನ್ವಯಿಸಬಹುದು.

ಯಾರು ಪ್ರಯೋಜನ ಪಡೆಯುತ್ತಾರೆ ಮತ್ತು ಯಾರು ಹಿಂದೆ ಉಳಿಯುತ್ತಾರೆ

ಕೇವಲ ಮೆಷಿನ್-ಲರ್ನಿಂಗ್ PhD ಹೊಂದಿರುವವರನ್ನೇ ಸಿಬ್ಬಂದಿಯಾಗಿ ನೇಮಿಸಿಕೊಳ್ಳುವ ಇಂಜಿನಿಯರಿಂಗ್ ನಾಯಕರು, ಪ್ರಾಜೆಕ್ಟ್‌ಗಳು ಸ್ಥಗಿತಗೊಳ್ಳುವುದನ್ನು ನೋಡಬಹುದು. ಈ ನಕ್ಷೆಯು ಸಿಸ್ಟಮ್ಸ್ ಇಂಜಿನಿಯರ್‌ಗಳ ಅಗತ್ಯವನ್ನು ಒತ್ತಿಹೇಳುತ್ತದೆ—ಅಂದರೆ API ವಿನ್ಯಾಸ, ಕ್ಯಾಷಿಂಗ್ ತಂತ್ರಗಳು (caching strategies) ಮತ್ತು ಸ್ವಯಂಚಾಲಿತ ಪರೀಕ್ಷೆಗಳಲ್ಲಿ ಪರಿಣತಿ ಹೊಂದಿರುವ ವ್ಯಕ್ತಿಗಳು. ಬ್ಯಾಕೆಂಡ್ ಇಂಜಿನಿಯರ್‌ಗಳಿಗೆ ಕಾಂಟೆಕ್ಸ್ಟ್ ವಿಂಡೋಗಳನ್ನು ನಿರ್ವಹಿಸುವುದು, ಇವ್ಯಾಲ್ಯೂಯೇಶನ್ ಹಾರ್ನೆಸ್‌ಗಳನ್ನು ನಿರ್ಮಿಸುವುದು ಮತ್ತು ಕಾರ್ಯಾಚರಣೆಯ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವ ಕೌಶಲ್ಯಗಳನ್ನು ಕಲಿಸುವುದು (upskilling), ಪ್ರತಿಭೆಯ ಕೊರತೆಯನ್ನು ನೀಗಿಸಿ ವಿತರಣೆಯನ್ನು ವೇಗಗೊಳಿಸಬಹುದು.