AI Engineer - co robi, ile zarabia, jak nim zostać?

Jedną z nowych ról, która pojawiła się w świecie AI, technologii i danych jest AI Engineer. Jeszcze kilka lat temu tej roli po prostu nie było, chociaż ona też nie wzięła się znikąd. Dzisiaj chcę Ci opowiedzieć o tym, nad czym ta rola polega mniej więcej, czego trzeba się nauczyć, jak przejść do tej roli z analityka danych, no i z jakim wynagrodzeniem ta rola się Spróbuję to zrobić w dosyć szybki sposób, tak żebyś miał relatywnie szybko z całego tego filmiku taką mapę, czy to się opłaca, za ile i jak to zrobić. Zacznijmy od tego, że AI Engineer to nie jest osoba, która tworzy modele AI, bo może się to tak wydawać, prawda? Jeżeli mamy inżyniera, to znaczy, że inżynier coś tworzy.

W tej piżamie może nie wyglądam, ale jestem inżynierem. I tutaj rzeczywiście trzeba porobić rozróżnienia między różnymi rolami, które są podobne, zbliżone, ale nie pokrywają się z AI Engineering. Przychodzi mi do głowy kilka takich zawodów. Jednym z takich zawodów jest Machine Learning Engineer. To jest rola, która jest z nami już długo w świecie danych i Machine Learning Engineer zajmuje się Wydrażanie modeli maszyn learningowych, ale takich, które już istnieją w firmie. One najczęściej nie są związane ze światem generatywnej sztucznej inteligencji, którą posługujemy się teraz, tylko bardziej są związane z takimi starszymi, ale wciąż bardzo użytecznymi modelami, które na przykład klasyfikują nam różnego rodzaju rzeczy, polecają nam różnego rodzaju rzeczy.

Takie serwisy jak YouTube, czy Netflix, czy Spotify na potęgę używają Machine Learningu. No i tutaj główną rolą, która w tym pomaga jest Machine Learning Engineer. AI Engineer nie jest też Data Scientistem, czyli kimś kto przygotowuje jakiś model, robi bardzo skomplikowane obliczenia. Nie jest też Prompt Ingenierem, czyli kimś kto po prostu pisze prompty. Jest to rola troszeczkę inna. AI Engineer Ma sprawić, że model wskazany, wybrany przez nas bądź wybrany w danym kontekście, dostanie jakiś input i da output, który pomaga firmie działać, pomaga firmie zarabiać. To brzmi na bardzo prostą rzecz, bo możesz się wydawać, że w zasadzie to ty również jesteś swego rodzaju AI Ingenierem, pisz, dasz o coś Claude'a, Groka albo Chata GPT i on ci daje jakiś tam output no i pomaga ci robić rzeczy, które potrzebujesz.

Natomiast musisz sobie wyobrazić, że w firmie mamy dziesiątki narzędzi, dziesiątki instrukcji, bazy wiedzy i to nie może polegać po prostu na wygenerowaniu tekstu, tylko na stworzeniu prawdziwego produktu de facto, który jest po drugiej stronie. Czyli mamy do czynienia z całym procesem, który AI Engineer Projektuje. Główną częścią tego procesu jest AI, ale zaprojektowanie tego tak, żeby to było skuteczne, powtarzalne, bezpieczne, sensowne i optymalne, jeżeli chodzi o koszty, jest naprawdę trudnym zadaniem. No i tym zadaniem zajmuje się właśnie AI Engineer. Jeżeli myślisz o przebranżowieniu, chcesz zmienić poradcę albo poprawić swoje umiejętności, albo przekonać się, czy analiza danych jest dla Ciebie, to zachęcam Cię do KajoData Space.

Ludzie co chwilę się pytają siebie jak to zrobić, jak robiliśmy to, a jak powinniśmy robić to, a czy mamy template na to, a jakie są dane o tym. I teraz wyobraźmy sobie sytuację firmową, gdzie ktoś pyta jak się rozlicza delegację do Niemiec. Albo jaka jest procedura zwrotu dla klienta B2B w takim segmencie. I teraz, żeby to zadziałało, AI Engineer musi zbudować system, który weźmie dokumenty firmowe, podzieli je na mniejsze fragmenty, zamieni te fragmenty na embeddingi, zapisze to w bazie wektorowej. Gdy użytkownik zada pytanie, to ten model musi znaleźć najbardziej odpowiednie fragmenty. One później trafiają do modelu i model na ich podstawie tworzy odpowiedź.

Jest tego bardzo dużo i o Ragu będzie osobny odcinek. Chciałbym tutaj tylko zaznaczyć, że to jest np. jedna z rzeczy, którą AI Engineer musi dość dobrze opanować. Kolejna rzecz, którą już trochę wspomniałem, to ebendingi w bazy wektorowe. Dlatego, że jak się domyślasz, bo komputer nie zapisuje przecież słów, komputer korzysta z liczb, ale tutaj wchodzimy na jeszcze wyższy poziom. Dlaczego? Dlatego, że chodzi o to, że ja mogę zapytać o coś na dwa sposoby. Mogę pytać o odzyskaniu pieniędzy albo mówić o procedurze zwrotu. To są dokładnie dwie te same rzeczy. Użyłem różnych słów, a jeżeli zadam je modelowi AI, to on powinien wiedzieć, że te rzeczy są mniej więcej w tym samym miejscu.

Chodzi o to samo. Embedding to po prostu jest sposób zapisania znaczenia na liczby i to taki sposób, który spowoduje, że ta przestrzeń Kolejnym aspektem jest prompting. To nam się bardzo pięknie rozszerza ostatnio i buduje w takie przeróżne zaułki. Ludzie się zastanawiają, jak zarządzać kontekstem. Bardzo dużą karierę zrobiły pliki Markdown. Teraz np. uczymy się tego, że lepiej jest pracować z plikami HTML zamiast plików Markdown, ponieważ pliki HTML pozwalają na o wiele bardziej rozbudowane dokumenty, które wciąż są czytelne dla ludzi, a które modele AI świetnie

Natomiast jeżeli teraz słyszysz to wszystko, o czym mówię, o tych AI Engineerach, I teraz pytanie, ile to wszystko sporo da nam pieniędzy? Zrobiłem sobie research i tutaj sytuacja jest dosyć ciekawa, bo mniej więcej wychodzi nam, że mediana na UOP jest tak w okolicach 19-20 brutto, a na B2B to jest około 23. To są stawki, powiedziałbym, prawie seniorskie programistycznie, ale niektórzy byliby skłonni twierdzić, że te umiejętności, które tutaj się zdobywa, zaczynają być konkretne, biorąc pod uwagę to, jak młoda jest to technologia.

Jak spojrzymy sobie na zachód, to tam te stawki odpowiednio rosną, czyli jeżeli porównamy sobie moc nabywczą wynagrodzenia, Odkładając różnicę ogólnej mocy nabywczej, ewidentnie widać, że moc nabywcza firm technologicznych na zachodzie Europy, tutaj głównie sprawdzałem Francję i Niemce, czy w Stanach Zjednoczonych jest o wiele większa niż w Polsce. W związku z tym, Jeżeli ktoś ma bardzo mocną motywację finansową, trudno zaprzeczyć, żeby to nie był dobry pomysł. No dobra, ale wyobraźmy sobie teraz, że ty jesteś gdzieś na początku drogi analitycznej, chciałbyś pójść w tamtą stronę. No i teraz pytanie, jak to zrobić? W którą stronę w ogóle z tym pójść? I teraz spójrzmy na taką prostą ścieżkę, gdzie mamy kolejne kamienie milowe, które potrzebujemy sobie przejść, żeby tym AI Ingenierem zostać.

Zaczynamy od opanowania podstaw programistycznych, czyli Python albo TypeScript. Python jest zazwyczaj troszeczkę bardziej popularny, natomiast TypeScript też jest używany w aplikacjach webowych. Tutaj po prostu musimy opanować Python na dosyć dobrym poziomie i myślę, że wielu analityków gdzieś to zaczyna mieć już w kieszeni. Punkt numer dwa to jest API i backend. Musimy wiedzieć, jak się przez API komunikować, jak ogarnąć sobie różnego rodzaju endpointy, jak obsługiwać błędy, timeouty i tak dalej. Kolejna rzecz to praca z danymi. W dużej skali projektach te dane będą w klasycznych bazach danych, więc SQL i w ogóle model pracy z danymi będzie bardzo istotny dla AI Engineer i tutaj większość analityków powinna mieć to z głowy.

Dalej dochodzą takie rzeczy jak Git, Docker, jakieś podstawy chmury, no bo tak jak wspomniałem, my się nie bawimy w teorie, tylko my próbujemy wdrożyć system, który będzie nam w firmie rzeczywiście działał. Ponieważ osią tego systemu są modele AI, to te modele AI, lelemy, także te modele płatne, także modele open source'owe musimy dosyć dobrze znać, rozumieć jakie są ograniczenia, co, kiedy. Później dochodzą nam elementy stricte techniczne, o których wspominałem, czyli embeddingi, czyli RAG, czyli Structured Outputs, czyli Tool Calling. Później musimy do tego dodać jakiś sposób ewaluacji, musimy wiedzieć czy to co zrobiliśmy rzeczywiście działa. A na końcu warto jeszcze dodać do tego warstwę bezpieczeństwa, no bo to dosyć istotne kto ma mieć dostęp do czego, a zauważ, że tworzymy tutaj całkiem rozbudowany system.