लायब्ररी तयार करण्यासाठी वाचणे थांबवा. समस्या सोडवण्यासाठी वाचायला सुरुवात करा.
बहुतेक इंजिनिअरिंग रीडिंग लिस्ट्स (वाचन याद्या) ज्ञान गोळा करण्यावर लक्ष केंद्रित करतात.
आधुनिक इंजिनिअरिंगमध्ये एकाच गोष्टीचे महत्त्व आहे: अडथळे (bottlenecks) दूर करणे.
एका ज्युनियर इंजिनिअरने मला नुकतीच इंजिनिअर्ससाठीच्या टॉप १० पुस्तकांची यादी दाखवली. ती दहा वर्षांपूर्वीच्या याद्यांसारखीच दिसत होती. ती अजूनही त्याच जुन्या क्लासिक्स आणि प्रोसेस पुस्तकांवर अवलंबून होती.
हा समज चुकीचा आहे. केवळ पुस्तके वाचल्याने तुम्ही आपोआप एक चांगले इंजिनिअर बनत नाही.
उच्च कार्यक्षमता असलेल्या टीम्स पुस्तकांवर आधारित लर्निंग प्लॅन्स तयार करत नाहीत. त्या मर्यादांवर (constraints) आधारित प्लॅन्स तयार करतात.
सामान्य रीडिंग लिस्ट्स असे मानतात की सर्व ज्ञानाचे मूल्य समान आहे. प्रत्यक्षात, इंजिनिअरिंगमधील मूल्य तुमच्या विशिष्ट परिस्थितीवर अवलंबून असते.
- डेटाबेसच्या समस्यांना तोंड देणाऱ्या बॅकएंड इंजिनिअरला 'Agile' पुस्तकाची गरज नसते.
- ज्या टीमचा AI खर्च जास्त आहे, त्यांना कोणत्याही सामान्य सॉफ्टवेअर पुस्तकाची गरज नसते.
- लेटन्सीच्या (latency) समस्या असलेल्या स्टार्टअपला लीडरशिप फ्रेमवर्कची गरज नसते.
या लोकांना त्यांच्यासमोर असलेल्या विशिष्ट अडथळ्यावर (bottleneck) उपाय हवे असतात.
इंजिनिअरिंगमध्ये पूर्णतेपेक्षा (completeness) सुसंगततेला (relevance) महत्त्व दिले जाते.
डेटाबेस आणि नेटवर्किंग यांसारखे मूलभूत घटक अजूनही महत्त्वाचे आहेत. पण ते आता पुरेसे नाहीत. आधुनिक सिस्टिम्स AI इन्फरन्स कॉस्ट (AI inference costs) सारखी नवीन आव्हाने घेऊन येत आहेत.
अनेक दशकांपासून इंजिनिअर्स 'डिटरमिनिस्टिक' (deterministic) सिस्टिम्सवर काम करत होते. जिथे समान इनपुटमुळे नेहमी समान आउटपुट मिळत असे.
आज, अनेक सिस्टिम्स 'प्रोबॅबिलिस्टिक' (probabilistic) आहेत. एक AI प्रॉम्प्ट प्रत्येक वेळी वेगळी उत्तरे देऊ शकतो. मॉडेल अपडेट केल्यामुळे तुम्ही कोडला स्पर्श न करताही तुमच्या ॲपच्या कार्यपद्धतीत बदल होऊ शकतो.
नवीन प्रश्न तुमच्या कामाला दिशा देतात:
- तुम्ही गुणवत्तेचे मूल्यमापन कसे करता?
- तुम्ही अनपेक्षित घटकांचे (unpredictable components) व्यवस्थापन कसे करता?
सर्वात सक्षम इंजिनिअर्स पुस्तक पूर्ण करण्यासाठी नाही, तर यंत्रणा (mechanisms) समजून घेण्यासाठी वाचतात. ते एखादा अडथळा शोधतात आणि तो सोडवण्यासाठी आवश्यक असलेले विशिष्ट लॉजिक शिकतात.
- जर लेटन्सी (latency) जास्त असेल, तर बॅचिंगचा (batching) अभ्यास करा.
- जर कॉन्टेक्स्ट (context) हरवत असेल, तर रिट्रिव्हलचा (retrieval) अभ्यास करा.
- जर AI एजंट्स अपयशी ठरत असतील, तर इव्हॅल्युएशनचा (evaluation) अभ्यास करा.
यामुळे तुमचे शिक्षण थेट प्रॉडक्शन रिझल्ट्सशी जोडले जाते. तुमचे ज्ञान त्वरित फायदेशीर ठरते.
ही लर्निंग लूप वापरा:
- अडथळा (bottleneck) ओळखा.
- तो सोडवण्यासाठी विशिष्ट रिसोर्स शोधा.
- तो सिस्टिममध्ये लागू करा.
तुमचे पुढचे पुस्तक सुरू करण्यापूर्वी, स्वतःला एक प्रश्न विचारा: सध्या माझ्या सिस्टिममधील सर्वात मोठी मर्यादा (constraint) काय आहे?
ती लेटन्सी आहे, खर्च आहे, रिलायबिलिटी (reliability) आहे की ऑब्झर्व्हेबिलिटी (observability)?
त्या समस्येवर मात करणारा रिसोर्स शोधा. सर्वात लोकप्रिय पुस्तक निवडू नका. जे तुमच्या मर्यादेवर उपाय शोधते, ते निवडा.
अभियांत्रिकी ही वाचनाची स्पर्धा नाही. हा मर्यादा किंवा अडथळे सोडवण्याचा व्यवसाय आहे. तुम्ही पुढे काय शिकाल हे तुमच्या प्रणालीला ठरवू द्या.
ऐच्छिक शिकण्याचे समुदाय: https://t.me/GyaanSetuAi