Ай инженерүүд юу хийдэг вэ

AI инженерүүд юу хийдэг вэ?

“AI Engineer” гэдэг алдартай үгийн ард юу нуугдаж байгааг та бодож байсан уу? Би ч гэсэн. Гаднаас нь харахад энэ нь гялалзсан мэт сонсогддог боловч бодит байдал дээр энэ нь ижил төстэй дизайны ажил, эмх замбараагүй өгөгдөл, системийг хооронд нь холбож, бүх зүйл хийх ёстой зүйлээ хийж байгаа эсэхийг нягт нямбай шалгах явдал юм. Хэрэв та нэг мөр хувилбарыг хүсвэл: тэд бүдэг бадаг асуудлуудыг жинхэнэ хэрэглэгчид гарч ирэхэд сүйрдэггүй AI систем болгон хувиргадаг. Илүү урт, арай эмх замбараагүй байх тусам доор байна. Кофеин аваарай. ☕

Үүний дараа унших дуртай нийтлэлүүд:

🔗 Инженерүүдэд зориулсан хиймэл оюун ухааны хэрэгслүүд: Үр ашиг, инновацийг нэмэгдүүлэх
Инженерийн бүтээмж, бүтээлч байдлыг нэмэгдүүлэх хүчирхэг хиймэл оюун ухааны хэрэгслүүдийг олж мэдээрэй.

🔗 Програм хангамжийн инженерүүд хиймэл оюун ухаанаар солигдох уу?
Автоматжуулалтын эрин үеийн програм хангамжийн инженерчлэлийн ирээдүйг судлаарай.

🔗 Хиймэл оюун ухааныг өөрчлөх үйлдвэрлэлийн инженерийн хэрэглээ
AI нь үйлдвэрлэлийн үйл явцыг хэрхэн өөрчилж, инновацийг хөдөлгөж байгааг олж мэдээрэй.

🔗 Хэрхэн хиймэл оюун ухааны инженер болох вэ
AI инженерийн чиглэлээр карьераа эхлүүлэх алхам алхмаар зааварчилгаа.

Шуурхай арга: хиймэл оюун ухааны инженер үнэхээр хийдэг вэ 💡

Хамгийн энгийн түвшинд хиймэл оюун ухааны инженер нь хиймэл оюун ухааны системийг зохион бүтээж, барьж, тээвэрлэж, засвар үйлчилгээ хийдэг. Өдөр тутмын амьдралд дараахь зүйлс орно.

  • Тодорхой бус бүтээгдэхүүн эсвэл бизнесийн хэрэгцээг загвар болгон хөрвүүлэх нь үнэхээр зохицуулж чадна.

  • Мэдээллийг цуглуулах, шошголох, цэвэрлэх, алдаж эхлэхэд зайлшгүй - дахин шалгах.

  • Загвар сонгох, сургах, тэдгээрийг зөв хэмжүүрээр шүүж, хаана бүтэлгүйтэх талаар бичих.

  • Бүх зүйлийг MLOps дамжуулах хоолойд боож, туршиж үзэх, байрлуулах, ажиглах боломжтой.

  • Үүнийг зэрлэг байгальд үзэх: нарийвчлал, аюулгүй байдал, шударга байдал ... мөн замаас гарахаас өмнө тохируулах.

Хэрэв та "энэ бол програм хангамжийн инженерчлэл, мөн бүтээгдэхүүний сэтгэлгээг агуулсан мэдээллийн шинжлэх ухаан юм" гэж бодож байгаа бол - тийм ээ, энэ нь түүний хэлбэр юм.

Сайн хиймэл оюун ухааны инженерүүдийг бусдаас юугаараа ялгадаг вэ

Та 2017 оноос хойш хэвлэгдсэн архитектурын баримт бичиг бүрийг мэддэг ч хэврэг эмх замбараагүй байдлыг бий болгож чадна. Энэ дүрд амжилттай оролцдог хүмүүс ихэвчлэн:

  • Системд бодоорой. Тэд бүх гогцоог хардаг: өгөгдөл оруулах, шийдвэр гаргах, хянах боломжтой бүх зүйл.

  • Эхлээд ид шид хөөж болохгүй. Нарийн төвөгтэй байдлыг овоолохоос өмнө үндсэн үзүүлэлтүүд болон энгийн шалгалтууд.

  • Санал хүсэлтээр жигнэх. Дахин сургах, буцаах нь нэмэлт зүйл биш, харин дизайны нэг хэсэг юм.

  • Юм бичээрэй. Худалдаа, таамаглал, хязгаарлалт - уйтгартай, гэхдээ дараа нь алт.

  • Хариуцлагатай хиймэл оюун ухаанд нухацтай ханд. Эрсдэл нь өөдрөг үзлээр арилдаггүй, тэдгээрийг бүртгэж, удирддаг.

Бяцхан түүх: Нэг туслах баг дүлий дүрмүүд+олж авах үндсэн мэдээллээр эхэлсэн. Энэ нь тэдэнд хүлээн авах тестийг тодорхой өгсөн тул дараа нь том загвараа солих үед тэд цэвэр харьцуулалт хийж, буруу ажиллах үед амархан буцаах боломжтой болсон.

Амьдралын мөчлөг: эмх замбараагүй бодит байдал ба цэвэр диаграмм 🔁

  1. Асуудлыг хүрээлэх. Зорилго, даалгавар, "хангалттай сайн" гэж юу болохыг тодорхойл.

  2. Өгөгдлийг нунтаглана. Цэвэрлэх, шошго, хуваах, хувилбар. Схемийн зөрүүг илрүүлэхийн тулд эцэс төгсгөлгүй баталгаажуулна уу.

  3. Загварын туршилтууд. Энгийн, үндсэн үзүүлэлтүүдийг туршиж үзээрэй, давтаарай, баримт бичнэ үү.

  4. Ачих. CI/CD/CT дамжуулах хоолой, аюулгүй байршуулалт, канар, буцаалт.

  5. Ажиглаж байгаарай. Нарийвчлал, хоцролт, шилжилт хөдөлгөөн, шударга байдал, хэрэглэгчийн үр дүнг хянах. Дараа нь дахин сургах.

Слайд дээр энэ нь цэвэрхэн тойрог шиг харагдаж байна. Практикт энэ нь шүүрээр спагетти жонглёрлохтой адил юм.

Резин замд хүрэхэд хариуцлагатай хиймэл оюун ухаан 🧭

Энэ бол үзэсгэлэнтэй гулсууруудын тухай биш юм. Инженерүүд эрсдэлийг бодит болгохын тулд хүрээн дээр тулгуурладаг:

  • NIST AI RMF байршуулах замаар дизайн дахь эрсдэлийг илрүүлэх, хэмжих, зохицуулах бүтцийг өгдөг [1].

  • ЭЗХАХБ -ын зарчмууд нь луужин шиг ажилладаг - өргөн хүрээний удирдамж нь олон байгууллага [2]-д нийцдэг.

Маш олон багууд мөн эдгээр амьдралын мөчлөгт тусгагдсан өөрсдийн хяналтын хуудсыг (нууцлалын тойм, хүний ​​​​даалгавар) үүсгэдэг.

Сонголт биш мэт санагдах баримтууд: Загварын карт ба мэдээллийн хуудас 📝

Дараа нь та өөртөө талархах хоёр цаасны ажил:

  • Загварын картууд → зориулалтын хэрэглээ, нөхцөл байдлыг үнэлэх, анхааруулга өгөх. Бүтээгдэхүүн/хууль ёсны хүмүүс ч дагаж мөрдөх боломжтой гэж бичсэн [3].

  • Өгөгдлийн багцад зориулсан өгөгдлийн хуудас → өгөгдөл яагаад байгаа, түүнд юу байгаа, боломжит хазайлт, аюулгүй ба аюултай хэрэглээг тайлбарлана уу [4].

Ирээдүйн та (болон ирээдүйн багийнхан) тэднийг бичсэнийхээ төлөө чамайг чимээгүйхэн магтах болно.

Гүн шумбах: өгөгдлийн дамжуулах хоолой, гэрээ, хувилбар гаргах 🧹📦

Өгөгдөл замбараагүй болдог. Ухаалаг хиймэл оюун ухааны инженерүүд гэрээгээ мөрдүүлж, шалгалт хийж, хувилбаруудыг кодтой холбодог тул та дараа дахин эргүүлэх боломжтой.

  • Баталгаажуулалт → схем, муж, шинэлэг байдлыг кодлох; автоматаар документ үүсгэх.

  • Хувилбар хийх → өгөгдлийн багц болон загваруудаа Git commit-ээр эгнээндээ оруулснаар та үнэхээр итгэж болох өөрчлөлтийн бүртгэлтэй болно.

Бяцхан жишээ: Нэг жижиглэнгийн худалдаачин ханган нийлүүлэгчийн тэжээлийг хоосон тоогоор хаахын тулд схемийг шалгаж байна. Энэ ганц tripwire нь үйлчлүүлэгчид анзаарахаас өмнө recall@k-д олон удаа уналт хийхийг зогсоосон.

Гүн шумбах: тээвэрлэлт, хэмжээ 🚢

Загварыг бүтээгдэхүүнээр ажиллуулах нь зөвхөн model.fit() . Энд байгаа багажны бүс нь:

  • Тогтвортой савлагааны зориулалттай Docker

  • Зохицуулах, масштаблах, аюулгүй нэвтрүүлэхэд зориулсан Kubernetes

  • Канарын MLOps хүрээ

Хөшигний цаана эрүүл мэндийн үзлэг, мөшгих, CPU ба GPU-ийн хуваарь, завсарлага тааруулах зэрэг орно. Дур булаам биш, зайлшгүй шаардлагатай.

Гүн шумбах: GenAI систем ба RAG 🧠📚

Генератив системүүд нь өөр нэг эргэлтийг авчирдаг - сэргээх газардуулга.

  • Embeddings + векторын хайлт нь ижил төстэй байдлын хайлтыг хурдаар хийдэг.

  • Оркестрийн номын сангууд гинжин хайлт, багаж хэрэгслийн ашиглалт, боловсруулалтын дараах.

Сонголт хийх, дахин эрэмбэлэх, үнэлэх - эдгээр жижиг дуудлагууд нь танд төвөгтэй чатбот эсвэл ашигтай туслах нисгэгч авах эсэхийг шийддэг.

Ур чадвар ба багаж хэрэгсэл: яг юу байгаа вэ 🧰

Сонгодог ML болон гүнзгий суралцах хэрэгслийн холимог баг:

  • Frameworks: PyTorch, TensorFlow, scikit-learn.

  • Дамжуулах хоолой: Хуваарьт ажлын байранд агаарын урсгал гэх мэт.

  • Үйлдвэрлэл: Docker, K8s, үйлчлэх хүрээ.

  • Ажиглах боломжтой байдал: зөрөх монитор, хоцролтыг хянах төхөөрөмж, шударга байдлыг шалгах.

бүгдийг ашигладаггүй . Энэ заль мэх бол амьдралын мөчлөгийн туршид хангалттай мэдлэгтэй байх явдал юм.

Хэрэгслийн хүснэгт: Инженерүүд юунд үнэхээр хүрдэг вэ 🧪

Хэрэгсэл Үзэгчид Үнэ Яагаад хэрэг болох вэ
PyTorch Судлаачид, инженерүүд Нээлттэй эх сурвалж Уян хатан, питоник, асар том нийгэмлэг, захиалгат тор.
ТензорФлоу Бүтээгдэхүүнд тулгуурласан багууд Нээлттэй эх сурвалж Экосистемийн гүн, байршуулах зориулалттай TF Serving & Lite.
scikit-сур Сонгодог ML хэрэглэгчид Нээлттэй эх сурвалж Гайхалтай суурь, эмх цэгцтэй API, урьдчилан боловсруулалт.
MLflow Олон туршилттай багууд Нээлттэй эх сурвалж Гүйлт, загвар, эд өлгийн зүйлсийг эмх цэгцтэй байлгадаг.
Агаарын урсгал Дамжуулах хоолойн хүмүүс Нээлттэй эх сурвалж DAG, хуваарь, ажиглалт хангалттай сайн.
Докер Үндсэндээ хүн бүр Чөлөөт цөм Ижил орчин (ихэнхдээ). "Зөвхөн миний зөөврийн компьютер дээр ажилладаг" тулаан цөөхөн.
Кубернетес Хэт их ачаалалтай багууд Нээлттэй эх сурвалж Автомат масштаб, rollouts, байгууллагын түвшний булчин.
K8 дээр ажилладаг загвар K8s загварын хэрэглэгчид Нээлттэй эх сурвалж Стандарт үйлчилгээ, дрифт дэгээ, өргөтгөх боломжтой.
Вектор хайлтын сангууд RAG барилгачид Нээлттэй эх сурвалж Хурдан ижил төстэй байдал, GPU-д ээлтэй.
Удирддаг вектор дэлгүүрүүд Аж ахуйн нэгжийн RAG багууд Төлбөртэй шат Сервергүй индекс, шүүлтүүр, найдвартай байдал.

Тиймээ, хэллэг нь жигд бус санагдаж байна. Хэрэгслийн сонголт нь ихэвчлэн байдаг.

Тоонд живэхгүйгээр амжилтыг хэмжих 📏

Чухал хэмжүүрүүд нь контекстээс хамаардаг боловч ихэвчлэн дараах зүйлсийн холимог байдаг:

  • Урьдчилан таамаглах чанар: нарийвчлал, санах ой, F1, тохируулга.

  • Систем + хэрэглэгч: хоцролт, p95/p99, хөрвүүлэлтийн өсөлт, гүйцэтгэлийн хувь.

  • Шударга байдлын үзүүлэлтүүд: тэгш байдал, ялгаатай нөлөөлөл - болгоомжтой ашигласан [1][2].

Гадаргуугийн солилцооны хэмжүүрүүд байдаг. Хэрэв тийм биш бол тэдгээрийг соль.

Хамтын ажиллагааны загвар: Энэ бол багийн спорт 🧑🤝🧑

AI инженерүүд ихэвчлэн уулзвар дээр суудаг:

  • Бүтээгдэхүүн ба домэйны хүмүүс (амжилт, хашлага зэргийг тодорхойлох).

  • Өгөгдлийн инженерүүд (эх сурвалж, схем, SLA).

  • Аюулгүй байдал/хууль (нууцлал, дагаж мөрдөх).

  • Дизайн/судалгаа (хэрэглэгчийн туршилт, ялангуяа GenAI-д зориулсан).

  • Ops/SRE (ажиллах хугацаа ба галын сургуулилт).

Самбарыг сараачиж, хааяа халуухан хэмжүүртэй мэтгэлцээнүүдийг хүлээж байгаарай - энэ нь эрүүл юм.

Нөхцөл байдал: техникийн өрийн намаг 🧨

ML системүүд далд өрийг татдаг: орооцолдсон тохиргоо, эмзэг хамаарал, мартагдсан цавуу скрипт. Мэргэжилтнүүд намаг ургахаас өмнө хамгаалалтын хашлага суурилуулдаг - өгөгдлийн тест, бичсэн тохиргоо, буцаалт -. [5]

Эрүүл мэндийг сахигчид: тусалдаг дадал зуршил 📚

  • Жижигээс эхэл. Загваруудыг төвөгтэй болгохын өмнө дамжуулах хоолойн ажлыг батлах.

  • MLOps дамжуулах хоолой. Өгөгдөл/загварт CI, үйлчилгээнд зориулсан CD, давтан сургахад зориулсан CT.

  • Хариуцлагатай AI шалгах хуудас. Загвар карт, мэдээллийн хуудас [1][3][4] зэрэг баримт бичгүүдтэй танай байгууллагад зурагдсан.

Шуурхай асуултуудыг дахин хийх: нэг өгүүлбэрийн хариулт 🥡

Хиймэл оюун ухааны инженерүүд ашигтай, туршиж үзэх боломжтой, ашиглах боломжтой, зарим талаараа аюулгүй системүүдийг бүтээдэг бөгөөд ингэснээр хэн ч харанхуйд орохгүй.

TL;DR 🎯

  • Тэд өгөгдлийн ажил, загварчлал, MLOps, хяналт зэргээр тодорхой бус асуудлууд → найдвартай AI системийг авдаг.

  • Хамгийн сайн нь эхлээд энгийн байлгаж, тасралтгүй хэмжиж, таамаглалыг баримтжуул.

  • Үйлдвэрлэлийн AI = дамжуулах хоолой + зарчмууд (CI/CD/CT, шаардлагатай бол шударга ёс, эрсдэлийн талаар бодох).

  • Багаж хэрэгсэл бол зүгээр л хэрэгсэл юм. Галт тэрэг → зам → үйлчлэх → ажиглах хамгийн бага хэмжээг ашигла.

Лавлах холбоосууд

  1. NIST AI RMF (1.0). Холбоос

  2. OECD AI зарчмууд. Холбоос

  3. Загварын картууд (Mitchell et al., 2019). Холбоос

  4. Өгөгдлийн багцад зориулсан мэдээллийн хуудас (Gebru нар, 2018/2021). Холбоос

  5. Далд техникийн өр (Sculley нар, 2015). Холбоос

Албан ёсны AI Assistant дэлгүүрээс хамгийн сүүлийн үеийн хиймэл оюун ухааныг олоорой

Бидний тухай

Блог руу буцах