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.
Cały ten proces nazywa się RAC, czyli Retrieval Augmented Generation. Retrieval, bo najpierw musimy coś wziąć, a później za pomocą tego, co wzięliśmy, tego, co znaleźliśmy, będziemy generowali lepszą augmented odpowiedź. Cały proces wydaje się dosyć prosty, ale tak naprawdę to jest architektura z masą decyzji do podjęcia. Jak dzielić te dokumenty? Jak je podzielić? Jak duże mają być te fragmenty? W jaki sposób szukać? Czy to ma być jakieś wyszukiwanie semantyczne, hybrydowe, po keywordach? Jak to zrobić? Jak dodawać metadany? Czy też wyszukiwać po tych danych? Jak to filtrować? Czy dany użytkownik może zadać takie pytanie? Czy może szukać w takich źródłach, a w innych nie?
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 2 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.