Andrew Ng మరియు DeepLearning.AI, 'AI Engineering Skills Map'ను ఆవిష్కరించారు. ప్రయోగాత్మక ప్రాంప్ట్‌లను (experimental prompts) ప్రొడక్షన్-గ్రేడ్ AI సిస్టమ్స్‌గా మార్చడానికి అవసరమైన ఆరు ప్రధాన నైపుణ్యాలను ఈ ఫ్రేమ్‌వర్క్ వర్గీకరిస్తుంది. కేవలం “vibe coding” స్థాయికి పరిమితం కాకుండా, నమ్మదగిన మరియు స్కేలబుల్ AI ఉత్పత్తులను అందించాలనుకునే ఇంజనీర్లను ఈ మ్యాప్ లక్ష్యంగా చేసుకుంది.

“vibe coding” ఎందుకు ఒక అడ్డంకి?

అనేక సంస్థలలో, డెవలపర్లు లార్జ్ లాంగ్వేజ్ మోడల్స్ (LLMs)ను ఒక మంత్రదండంలా భావిస్తారు: వారు ఒక ప్రాంప్ట్‌ను రాస్తారు, కొన్ని అవుట్‌పుట్‌లను చూస్తారు, అంతే అని ముగిస్తారు. ఈ పద్ధతి త్వరిత డెమోలకు పనికిరావచ్చు, కానీ వాస్తవ ప్రపంచ వినియోగంలో ఇది విఫలమవుతుంది. LLMs నాన్-డిటర్మినిస్టిక్ (non-deterministic)—అంటే ఒకే రకమైన ఇన్‌పుట్‌లు ప్రతిసారీ వేర్వేరు ఫలితాలను ఇవ్వవచ్చు. క్రమబద్ధమైన తనిఖీలు లేకపోతే, ల్యాబ్‌లో బాగా పనిచేసిన సిస్టమ్ ప్రొడక్షన్‌లో విఫలమై, ఖరీదైన డౌన్‌టైమ్ లేదా అసురక్షిత ప్రవర్తనకు దారితీయవచ్చు.

మ్యాప్‌లోని ఆరు నైపుణ్యాలు

ఈ స్కిల్స్ మ్యాప్ ఇంజనీరింగ్ ప్రక్రియను ఆరు విభిన్న రంగాలుగా విభజిస్తుంది, ప్రతి దానికీ ప్రత్యేకమైన ఉత్తమ పద్ధతులు మరియు టూలింగ్ ఉన్నాయి.

  • Prompt Engineering – ఇది ఫ్రీ-ఫామ్ టెక్స్ట్ నుండి నిర్మాణాత్మక టెంప్లేట్‌ల వైపు మారుతుంది, వీటిని తరచుగా JSON స్కీమాలతో అమలు చేస్తారు. ఇది అస్పష్టతను తగ్గిస్తుంది మరియు తదుపరి ప్రాసెసింగ్‌ను ఊహించదగినదిగా చేస్తుంది.
  • Retrieval-Augmented Generation (RAG) – డాక్యుమెంట్ ఇంజెషన్, సెమాంటిక్ చంకింగ్ మరియు మోడల్‌కు సంబంధిత సందర్భాన్ని (context) అందించే రిట్రీవల్ పైప్‌లైన్‌లను నిర్మించడంలో నైపుణ్యం అవసరం.
  • Agentic Workflows – మోడల్ బాహ్య సాధనాలను (external tools) పిలవగలిగేలా, స్టేట్‌ను నిర్వహించగలిగేలా మరియు స్వయంప్రతిపత్తితో నిర్ణయాలు తీసుకోగలిగేలా లూప్‌లను రూపొందించడం ఇందులో భాగం.
  • Fine-tuning – కేవలం ప్రాంప్ట్ సందర్భంపై మాత్రమే ఆధారపడకుండా, మోడల్ వెయిట్స్‌ను ఎప్పుడు సర్దుబాటు చేయాలో ఇంజనీర్లు నిర్ణయించుకోవడానికి ఇది సహాయపడుతుంది. ఈ ఎంపిక స్థిరత్వాన్ని మెరుగుపరచడమే కాకుండా టోకెన్ వినియోగాన్ని కూడా తగ్గిస్తుంది.
  • Evaluation (Evals) – ముందుగా నిర్ణయించిన ప్రమాణాల ఆధారంగా ఖచ్చితత్వం, పక్షపాతం మరియు భద్రతను కొలిచే ఆటోమేటెడ్ టెస్ట్ సూట్‌లను ఇది కోరుతుంది. ఇతర కోడ్ రిగ్రెషన్ల వలె, ఒక టెస్ట్ విఫలమైతే అది బిల్డ్‌ను ఆపివేయాలి.
  • Operations – లేటెన్సీ బడ్జెటింగ్, ఖర్చు పర్యవేక్షణ మరియు రియల్ టైమ్‌లో మోడల్ డ్రిఫ్ట్ (డేటా పరిణామం చెందుతున్న కొద్దీ మోడల్ ప్రవర్తనలో క్రమంగా వచ్చే మార్పు) నిర్వహించడంపై దృష్టి పెడుతుంది.

LLMను ఒక బ్లాక్ బాక్స్‌లా కాకుండా, నమ్మకం లేని (untrusted) APIలా పరిగణించడం ద్వారా, బృందాలు సాంప్రదాయ సర్వీసుల కోసం ఉపయోగించే అదే కఠినమైన పద్ధతులను వర్తింపజేయవచ్చు.

ఎవరికి ప్రయోజనం మరియు ఎవరు వెనుకబడిపోతారు?

కేవలం మెషిన్-లెర్నింగ్ PhDలతో మాత్రమే సిబ్బందిని నియమించుకునే ఇంజనీరింగ్ నాయకులు, ప్రాజెక్టులు నిలిచిపోవడాన్ని చూడవచ్చు. API డిజైన్, క్యాషింగ్ వ్యూహాలు మరియు ఆటోమేటెడ్ టెస్టింగ్‌లో ప్రావీణ్యం ఉన్న సిస్టమ్స్ ఇంజనీర్ల అవసరాన్ని ఈ మ్యాప్ నొక్కి చెబుతుంది. కాంటెక్స్ట్ విండోస్‌ను నిర్వహించడం, ఎవాల్యుయేషన్ హార్నెస్స్‌ను నిర్మించడం మరియు ఆపరేషనల్ మెట్రిక్స్‌ను పర్యవేక్షించడం వంటి అంశాలలో బ్యాకెండ్ ఇంజనీర్లకు నైపుణ్యాలను పెంచడం (upskilling) ద్వారా టాలెంట్ గ్యాప్‌ను తగ్గించవచ్చు మరియు డెలివరీని వేగవంతం చేయవచ్చు.