ਲਾਇਬ੍ਰੇਰੀ ਬਣਾਉਣ ਲਈ ਪੜ੍ਹਨਾ ਬੰਦ ਕਰੋ। ਕਿਸੇ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਪੜ੍ਹਨਾ ਸ਼ੁਰੂ ਕਰੋ।
ਜ਼ਿਆਦਾਤਰ ਇੰਜੀਨੀਅਰਿੰਗ ਰੀਡਿੰਗ ਲਿਸਟਾਂ ਗਿਆਨ ਇਕੱਠਾ ਕਰਨ 'ਤੇ ਕੇਂਦਰਿਤ ਹੁੰਦੀਆਂ ਹਨ।
ਆਧੁਨਿਕ ਇੰਜੀਨੀਅਰਿੰਗ ਇੱਕ ਹੀ ਚੀਜ਼ ਨੂੰ ਇਨਾਮ ਦਿੰਦੀ ਹੈ: ਰੁਕਾਵਟਾਂ (bottlenecks) ਨੂੰ ਹਟਾਉਣਾ।
ਹਾਲ ਹੀ ਵਿੱਚ ਇੱਕ ਜੂਨੀਅਰ ਇੰਜੀਨੀਅਰ ਨੇ ਮੈਨੂੰ ਇੰਜੀਨੀਅਰਾਂ ਲਈ ਚੋਟੀ ਦੀਆਂ 10 ਕਿਤਾਬਾਂ ਦੀ ਇੱਕ ਸੂਚੀ ਦਿਖਾਈ। ਇਹ ਦਸ ਸਾਲ ਪਹਿਲਾਂ ਦੀਆਂ ਸੂਚੀਆਂ ਵਰਗੀ ਹੀ ਲੱਗ ਰਹੀ ਸੀ। ਇਹ ਉਹੀ ਪੁਰਾਣੀਆਂ ਕਲਾਸਿਕ ਅਤੇ ਪ੍ਰੋਸੈਸ ਕਿਤਾਬਾਂ 'ਤੇ ਨਿਰਭਰ ਸੀ।
ਇਹ ਅੰਦਾਜ਼ਾ ਗਲਤ ਹੈ। ਕਿਤਾਬਾਂ ਪੜ੍ਹਨ ਨਾਲ ਤੁਸੀਂ ਆਪਣੇ ਆਪ ਇੱਕ ਬਿਹਤਰ ਇੰਜੀਨੀਅਰ ਨਹੀਂ ਬਣ ਜਾਂਦੇ।
ਉੱਚ-ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਵਾਲੀਆਂ ਟੀਮਾਂ ਕਿਤਾਬਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਸਿੱਖਣ ਦੀਆਂ ਯੋਜਨਾਵਾਂ ਨਹੀਂ ਬਣਾਉਂਦੀਆਂ। ਉਹ ਉਹਨਾਂ ਨੂੰ ਸੀਮਾਵਾਂ (constraints) ਦੇ ਆਧਾਰ 'ਤੇ ਬਣਾਉਂਦੀਆਂ ਹਨ।
ਸਧਾਰਨ ਰੀਡਿੰਗ ਲਿਸਟਾਂ ਇਹ ਮੰਨ ਕੇ ਚੱਲਦੀਆਂ ਹਨ ਕਿ ਸਾਰੇ ਗਿਆਨ ਦੀ ਕੀਮਤ ਬਰਾਬਰ ਹੈ। ਅਸਲ ਵਿੱਚ, ਇੰਜੀਨੀਅਰਿੰਗ ਦੀ ਕੀਮਤ ਤੁਹਾਡੀ ਖਾਸ ਸਥਿਤੀ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ।
- ਡਾਟਾਬੇਸ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਦਾ ਸਾਹਮਣਾ ਕਰ ਰਹੇ ਬੈਕਐਂਡ ਇੰਜੀਨੀਅਰ ਨੂੰ Agile ਕਿਤਾਬ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ।
- ਉੱਚ AI ਲਾਗਤਾਂ ਵਾਲੀ ਟੀਮ ਨੂੰ ਕਿਸੇ ਆਮ ਸੌਫਟਵੇਅਰ ਕਿਤਾਬ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ।
- ਲੇਟੈਂਸੀ (latency) ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਵਾਲੇ ਸਟਾਰਟਅੱਪ ਨੂੰ ਲੀਡਰਸ਼ਿਪ ਫਰੇਮਵਰਕ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ।
ਇਨ੍ਹਾਂ ਲੋਕਾਂ ਨੂੰ ਆਪਣੇ ਸਾਹਮਣੇ ਮੌਜੂਦ ਖਾਸ ਰੁਕਾਵਟ ਦੇ ਹੱਲ ਦੀ ਲੋੜ ਹੈ।
ਇੰਜੀਨੀਅਰਿੰਗ ਪ੍ਰਸੰਗਿਕਤਾ (relevance) ਨੂੰ ਇਨਾਮ ਦਿੰਦੀ ਹੈ, ਸੰਪੂਰਨਤਾ (completeness) ਨੂੰ ਨਹੀਂ।
ਡਾਟਾਬੇਸ ਅਤੇ ਨੈੱਟਵਰਕਿੰਗ ਵਰਗੇ ਮੂਲ ਤੱਤ ਅਜੇ ਵੀ ਮਹੱਤਵਪੂਰਨ ਹਨ। ਪਰ ਹੁਣ ਇਹ ਕਾਫ਼ੀ ਨਹੀਂ ਹਨ। ਆਧੁਨਿਕ ਪ੍ਰਣਾਲੀਆਂ AI inference ਲਾਗਤਾਂ ਵਰਗੀਆਂ ਨਵੀਆਂ ਚੁਣੌਤੀਆਂ ਲਿਆਉਂਦੀਆਂ ਹਨ।
ਦਹਾਕਿਆਂ ਤੋਂ, ਇੰਜੀਨੀਅਰ ਡਿਟਰਮਿਨਿਸਟਿਕ (deterministic) ਪ੍ਰਣਾਲੀਆਂ ਨਾਲ ਕੰਮ ਕਰਦੇ ਆਏ ਹਨ। ਇੱਕੋ ਜਿਹਾ ਇਨਪੁਟ ਹਮੇਸ਼ਾ ਇੱਕੋ ਜਿਹਾ ਆਉਟਪੁੱਟ ਦਿੰਦਾ ਸੀ।
ਅੱਜ, ਬਹੁਤ ਸਾਰੀਆਂ ਪ੍ਰਣਾਲੀਆਂ ਪ੍ਰੋਬੇਬਲਿਸਟਿਕ (probabilistic) ਹਨ। ਇੱਕ AI ਪ੍ਰੋਂਪਟ ਹਰ ਵਾਰ ਵੱਖਰੇ ਜਵਾਬ ਦੇ ਸਕਦਾ ਹੈ। ਮਾਡਲ ਅੱਪਗ੍ਰੇਡ ਤੁਹਾਡੇ ਕੋਡ ਨੂੰ ਛੇੜੇ ਬਿਨਾਂ ਤੁਹਾਡੀ ਐਪ ਦੇ ਕੰਮ ਕਰਨ ਦੇ ਤਰੀਕੇ ਨੂੰ ਬਦਲ ਸਕਦਾ ਹੈ।
ਨਵੇਂ ਸਵਾਲ ਤੁਹਾਡੇ ਕੰਮ ਨੂੰ ਚਲਾਉਂਦੇ ਹਨ:
- ਤੁਸੀਂ ਗੁਣਵੱਤਾ (quality) ਦਾ ਮੁਲਾਂਕਣ ਕਿਵੇਂ ਕਰਦੇ ਹੋ?
- ਤੁਸੀਂ ਅਨਿਸ਼ਚਿਤ ਤੱਤਾਂ (unpredictable components) ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਬੰਧਿਤ ਕਰਦੇ ਹੋ?
ਸਭ ਤੋਂ ਮਜ਼ਬੂਤ ਇੰਜੀਨੀਅਰ ਮਕੈਨਿਜ਼ਮਾਂ (mechanisms) ਲਈ ਪੜ੍ਹਦੇ ਹਨ, ਨਾ ਕਿ ਕਿਤਾਬ ਖਤਮ ਕਰਨ ਲਈ। ਉਹ ਇੱਕ ਰੁਕਾਵਟ ਲੱਭਦੇ ਹਨ ਅਤੇ ਉਸਨੂੰ ਠੀਕ ਕਰਨ ਲਈ ਲੋੜੀਂਦੇ ਖਾਸ ਲੌਜਿਕ ਨੂੰ ਸਿੱਖਦੇ ਹਨ।
- ਜੇਕਰ ਲੇਟੈਂਸੀ (latency) ਜ਼ਿਆਦਾ ਹੈ, ਤਾਂ ਬੈਚਿੰਗ (batching) ਦਾ ਅਧਿਐਨ ਕਰੋ।
- ਜੇਕਰ ਕੰਟੈਕਸਟ (context) ਗੁੰਮ ਹੋ ਰਿਹਾ ਹੈ, ਤਾਂ ਰਿਟ੍ਰੀਵਲ (retrieval) ਦਾ ਅਧਿਐਨ ਕਰੋ।
- ਜੇਕਰ AI ਏਜੰਟ ਫੇਲ ਹੋ ਰਹੇ ਹਨ, ਤਾਂ ਇਵੈਲੂਏਸ਼ਨ (evaluation) ਦਾ ਅਧਿਐਨ ਕਰੋ।
ਇਹ ਸਿੱਖਣ ਨੂੰ ਪ੍ਰੋਡਕਸ਼ਨ ਨਤੀਜਿਆਂ ਨਾਲ ਜੋੜਦਾ ਹੈ। ਤੁਹਾਡਾ ਗਿਆਨ ਤੁਰੰਤ ਲੀਵਰੇਜ (leverage) ਬਣ ਜਾਂਦਾ ਹੈ।
ਇਸ ਸਿੱਖਣ ਦੇ ਲੂਪ (learning loop) ਦੀ ਵਰਤੋਂ ਕਰੋ:
- ਰੁਕਾਵਟ ਦੀ ਪਛਾਣ ਕਰੋ।
- ਇਸਨੂੰ ਠੀਕ ਕਰਨ ਲਈ ਖਾਸ ਸਰੋਤ ਲੱਭੋ।
- ਇਸਨੂੰ ਪ੍ਰਣਾਲੀ 'ਤੇ ਲਾਗੂ ਕਰੋ।
ਆਪਣੀ ਅਗਲੀ ਕਿਤਾਬ ਸ਼ੁਰੂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਆਪਣੇ ਆਪ ਨੂੰ ਇੱਕ ਸਵਾਲ ਪੁੱਛੋ: ਮੇਰੀ ਪ੍ਰਣਾਲੀ ਵਿੱਚ ਇਸ ਸਮੇਂ ਸਭ ਤੋਂ ਵੱਡੀ ਸੀਮਾ (constraint) ਕੀ ਹੈ?
ਕੀ ਇਹ ਲੇਟੈਂਸੀ, ਲਾਗਤ, ਭਰੋਸੇਯੋਗਤਾ, ਜਾਂ ਆਬਜ਼ਰਵੇਬਿਲਟੀ (observability) ਹੈ?
ਉਹ ਸਰੋਤ ਲੱਭੋ ਜੋ ਉਸ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਦਾ ਹੈ। ਸਭ ਤੋਂ ਮਸ਼ਹੂਰ ਕਿਤਾਬ ਨਾ ਚੁਣੋ। ਉਹ ਚੁਣੋ ਜੋ ਤੁਹਾਡੀ ਸੀਮਾ ਨੂੰ ਹੱਲ ਕਰਦੀ ਹੈ।
ਇੰਜੀਨੀਅਰਿੰਗ ਪੜ੍ਹਨ ਦੀ ਕੋਈ ਮੁਕਾਬਲੇਬਾਜ਼ੀ ਨਹੀਂ ਹੈ। ਇਹ ਸੀਮਾਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਦਾ ਇੱਕ ਪੇਸ਼ਾ ਹੈ। ਆਪਣੇ ਸਿਸਟਮ ਨੂੰ ਫੈਸਲਾ ਕਰਨ ਦਿਓ ਕਿ ਤੁਸੀਂ ਅੱਗੇ ਕੀ ਸਿੱਖਣਾ ਹੈ।
ਵਿਕਲਪਿਕ ਸਿੱਖਣ ਕਮਿਊਨਿਟੀ: https://t.me/GyaanSetuAi