AI Engineer - co robi, ile zarabia, jak nim zostać?
🟨 Społeczność analityków: https://kajodata.com/space/🟦 Kursy - Excel, Power Query, SQL, PowerBI, Python, Tableau, Data Science: https://kajodata.com/kursy/🟥 Zapisz się na newsletter i zyskaj DARMOWE BONUSY: https://kajodata.com/newsletter/ 📈 W tym odcinku opowiadam o roli AI Engineera, czyli jednej z ciekawszych nowych ścieżek na styku AI, danych i technologii. Wyjaśniam, czym taka osoba realnie się zajmuje, czym różni się od Machine Learning Engineera, Data Scientista i Prompt Engineera, oraz dlaczego nie chodzi tu po prostu o „pisanie promptów”.📈 Pokazuję też konkretne technologie, które warto znać, jeśli myślisz o wejściu w ten obszar. Pojawiają się między innymi RAG, embeddingi, bazy wektorowe, structured outputs, tool calling, API, backend, SQL, Python, Git, Docker i podstawy chmury. Bez wielkiego akademickiego zadęcia, raczej z perspektywy: co naprawdę trzeba umieć, żeby budować działające systemy oparte o modele AI.📈 Na końcu mówię też o zarobkach i o tym, jak mogłaby wyglądać ścieżka dojścia do tej roli z poziomu analityka danych. Jeżeli ogarniasz już dane, SQL-a, trochę Pythona i zaczynasz interesować się AI, to AI Engineer może być jedną z naturalnych dróg rozwoju. Nie najłatwiejszą, ale zdecydowanie wartą obserwowania.
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.
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
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.
Pokazano wszystkie 3 dopasowania. Transkrypcja generowana automatycznie i niesprawdzana ręcznie — może zawierać błędy.
Opis głównych zadań AI Engineera, takich jak projektowanie i implementacja systemów AI.
Przypadek użycia chatbotu w firmie i opis procesu RAC.
Wyjaśnienie konceptu embeddingów i RAG w kontekście AI Engineera.
Opis(prompting) i korzyści z użycia plików HTML zamiast Markdown.
Wyjaśnienie Structured Outputs i Tool Calling w kontekście AI Engineera.
Podsumowanie wymagań i umiejętności potrzebnych do stania się AI Engineerem.
Rozdziały i streszczenia generowane automatycznie. Pełna transkrypcja nie jest publikowana — wyszukaj frazę, aby zobaczyć dopasowane fragmenty.
Kliknij, aby znaleźć fragmenty, w których pada.
🟨 Społeczność analityków: https://kajodata.com/space/
🟦 Kursy - Excel, Power Query, SQL, PowerBI, Python, Tableau, Data Science: https://kajodata.com/kursy/
🟥 Zapisz się na newsletter i zyskaj DARMOWE BONUSY: https://kajodata.com/newsletter/
📈 W tym odcinku opowiadam o roli AI Engineera, czyli jednej z ciekawszych nowych ścieżek na styku AI, danych i technologii. Wyjaśniam, czym taka osoba realnie się zajmuje, czym różni się od Machine Learning Engineera, Data Scientista i Prompt Engineera, oraz dlaczego nie chodzi tu po prostu o „pisanie promptów”.
📈 Pokazuję też konkretne technologie, które warto znać, jeśli myślisz o wejściu w ten obszar. Pojawiają się między innymi RAG, embeddingi, bazy wektorowe, structured outputs, tool calling, API, backend, SQL, Python, Git, Docker i podstawy chmury. Bez wielkiego akademickiego zadęcia, raczej z perspektywy: co naprawdę trzeba umieć, żeby budować działające systemy oparte o modele AI.
📈 Na końcu mówię też o zarobkach i o tym, jak mogłaby wyglądać ścieżka dojścia do tej roli z poziomu analityka danych. Jeżeli ogarniasz już dane, SQL-a, trochę Pythona i zaczynasz interesować się AI, to AI Engineer może być jedną z naturalnych dróg rozwoju. Nie najłatwiejszą, ale zdecydowanie wartą obserwowania.