Andrew Ng आणि DeepLearning.AI ने AI Engineering Skills Map चे अनावरण केले आहे, जो एक असा आराखडा आहे जो प्रायोगिक प्रॉम्प्ट्सना प्रोडक्शन-ग्रेड AI सिस्टम्समध्ये रूपांतरित करण्यासाठी आवश्यक असलेल्या सहा मुख्य कौशल्यांचे गट करतो. हा मॅप अशा इंजिनिअर्ससाठी आहे ज्यांना “vibe coding” च्या पलीकडे जाऊन विश्वासार्ह, स्केलेबल AI उत्पादने तयार करायची आहेत.

“vibe coding” हा अडथळा का आहे

अनेक संस्थांमध्ये, डेव्हलपर्स लार्ज लँग्वेज मॉडेल्सना (LLMs) एखाद्या जादूच्या काठीप्रमाणे मानतात: ते एक प्रॉम्प्ट लिहितात, काही आउटपुट्सवर नजर टाकतात आणि काम पूर्ण झाले असे समजतात. ही पद्धत जलद डेमोसाठी काम करते, परंतु वास्तविक वापरामध्ये ती अपयशी ठरते. LLMs हे नॉन-डिटरमिनिस्टिक (non-deterministic) असतात—सारखीच इनपुट्स प्रत्येक वेळी वेगवेगळे निकाल देऊ शकतात. पद्धतशीर तपासणीशिवाय, प्रयोगशाळेत ठीक वाटणारी सिस्टम प्रोडक्शनमध्ये बिघडू शकते, ज्यामुळे खर्चिक डाउनटाइम किंवा असुरक्षित वर्तन होऊ शकते.

मॅपमधील सहा कौशल्ये

हे स्किल्स मॅप इंजिनिअरिंग प्रक्रियेला सहा वेगवेगळ्या क्षेत्रांमध्ये विभागते, ज्यामध्ये प्रत्येकासाठी स्वतःच्या सर्वोत्तम पद्धती आणि टूल्स आहेत.

  • Prompt Engineering – हे मुक्त-स्वरूपातील मजकुराकडून संरचित टेम्पलेट्सकडे (structured templates) वळते, जे अनेकदा JSON स्कीमाद्वारे लागू केले जाते. यामुळे संदिग्धता कमी होते आणि डाउनस्ट्रीम पार्सिंग (downstream parsing) अधिक अंदाज वर्तवता येण्याजोगे होते.
  • Retrieval-Augmented Generation (RAG) – यासाठी डॉक्युमेंट इनजेशन (document ingestion), सिमेंटिक चंकिंग (semantic chunking) आणि मॉडेलला संबंधित संदर्भ पुरवणारे रिट्रिव्हल पाईपलाईन्स (retrieval pipelines) तयार करण्यातील कौशल्याची आवश्यकता असते.
  • Agentic Workflows – यामध्ये अशा लूप्सची रचना करणे समाविष्ट आहे जिथे मॉडेल बाह्य टूल्स कॉल करू शकते, स्टेट (state) व्यवस्थापित करू शकते आणि स्वायत्तपणे निर्णय घेऊ शकते.
  • Fine-tuning – केवळ प्रॉम्प्ट कॉन्टेक्स्टवर अवलंबून राहण्याऐवजी मॉडेलचे वेट्स (weights) कधी ॲडजस्ट करावेत, हे ठरवण्यास इंजिनिअर्सना मदत करते; हा असा निर्णय आहे जो सुसंगतता सुधारू शकतो आणि टोकन वापर कमी करू शकतो.
  • Evaluation (Evals) – यासाठी अशा ऑटोमेटेड टेस्ट सूट्सची आवश्यकता असते जे पूर्व-निर्धारित निकषांच्या आधारे अचूकता, पूर्वग्रह आणि सुरक्षिततेचे मोजमाप करतात. इतर कोणत्याही कोड रिग्रेशनप्रमाणेच, एखादी टेस्ट फेल झाल्यास बिल्ड (build) थांबायला हवे.
  • Operations – हे लेटन्सी बजेटिंग (latency budgeting), खर्च देखरेख आणि रिअल टाइममध्ये मॉडेल ड्रिफ्ट (डेटा बदलत असताना मॉडेलच्या वर्तनात होणारा हळूहळू बदल) हाताळण्यावर लक्ष केंद्रित करते.

LLM ला 'ब्लॅक बॉक्स' म्हणून न पाहता एका अविश्वसनीय API प्रमाणे मानल्यामुळे, टीम्स पारंपारिक सेवांसाठी वापरत असलेल्या त्याच शिस्तीचा अवलंब करू शकतात.

कोणाला फायदा होईल आणि कोण मागे पडेल

जे इंजिनिअरिंग लीडर्स फक्त मशीन-लर्निंग PhD धारकांना कामावर ठेवतात, त्यांचे प्रकल्प रखडण्याची शक्यता आहे. हा मॅप सिस्टम्स इंजिनिअर्सची गरज अधोरेखित करतो—असे लोक जे API डिझाइन, कॅशिंग स्ट्रॅटेजीज आणि ऑटोमेटेड टेस्टिंगमध्ये निपुण आहेत. कॉन्टेक्स्ट विंडोज व्यवस्थापित करणे, इव्हॅल्युएशन हार्नेस तयार करणे आणि ऑपरेशनल मेट्रिक्सवर लक्ष ठेवण्यासाठी बॅकएंड इंजिनिअर्सचे कौशल्य वाढवल्यास टॅलेंट गॅप भरून काढता येईल आणि डिलिव्हरी वेगवान करता येईल.