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.
Cała praca nad promptingiem i praca nad plikami, które są w kontekście i ich takie cyzelowanie doprowadza do tego, że niejednokrotnie lepiej by nam było, gdybyśmy coś po prostu sami wprost napisali w różnego rodzaju stwierdzeniach if. Ostatnim elementem, który chcę tutaj wspomnieć, który jest jakby częścią takiej pracy Ingeniera, są dwie rzeczy. Jedna to jest Structured Outputs, a druga to jest Tool Calling. Structured Outputs trochę nawiązuje do promptingu, ponieważ my często chcemy dostać właśnie output z tego promptingu, Który dostajemy w konkretnym formacie. Tutaj pięknym przykładem jest JSON, który pozwala nam na obrobienie tych danych tak, że możemy je przekazać dalej do aplikacji, która zrobi coś z nimi w powtarzalny i przewidywany sposób.
Tool Calling albo Function Calling, jak niektórzy mówią, to jest po prostu możliwość wywołania odpowiednich narzędzi, ponieważ istnieje taka możliwość, Żeby model sam skorzystał z jakiejś konkretnej funkcji, która w pewnym momencie zachowa się w dany sposób. Na przykład sprawdzić status zamówienia. Nie trzeba tego wymyślać. Tak możemy mieć konkretną funkcję, która sprawdza status zamówienia. My piszemy z chatbotem, pytamy o to, gdzie jest nasza paczka, a to nie chatbot czyta jakieś dokumenty, tylko po prostu wywołuje funkcję. Oczywiście dochodzą nam do tego jeszcze agenci, ale to jest tak rozbudowany temat, że na to również pozwalam sobie przeznaczyć osobny odcinek, który się niebawem pojawi.
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.