A
A
  • Angol
  • Magyar
  • 31 perc

AI fejlesztők, megfigyelhetőség és a szoftverek jövője

Az AI korában új szerepkörök jelentek meg a szoftverfejlesztésben, és a megbízható rendszerek működését egyre inkább az observability, vagyis a rendszerek megfigyelhetősége teszi lehetővé. A videó izgalmas példákon keresztül mutatja be, mi különbözteti meg az AI engineer, full stack engineer és a machine learning engineer feladatait.

Az utóbbi években a mesterséges intelligencia (AI) és a szoftvermérnöki szerepkörök között újfajta elvárások és fogalmak jelentek meg, mint az AI engineer, full stack engineer, pre-training, fine-tuning, context engineering vagy prompt engineering. Ezek a kifejezések elsőre bonyolultnak tűnhetnek, ezért a videóban számos analógiával kerülnek bemutatásra, hogy könnyebben tisztázható legyen, melyik szerep pontosan mit takar, és miben különböznek egymástól.

Nagy hangsúly helyeződik az ‘observability’, vagyis a szoftverek megfigyelhetőségének fontosságára. Példákon keresztül kerül bemutatásra, miért nélkülözhetetlen, hogy a fejlesztők folyamatosan figyeljék a rendszerek, alkalmazások és AI modellek megbízhatóságát, teljesítményét. Emellett említésre kerülnek a legfrissebb piaci incidensek, például a GitHubot érintő kimaradások, amelyek rávilágítanak az observability eszközök jelentőségére a modern szoftverfejlesztésben.

A mai szoftverfejlesztésben már nemcsak alkalmazásokat írunk, hanem a mesterséges intelligencián alapuló modellek fejlesztése és integrálása is az alapfolyamatok részévé vált. Különbséget tesz a videó az AI engineer és a machine learning engineer feladatai között is: míg az előbbi elsősorban meglévő modelleket integrál alkalmazásokba, addig az utóbbi modelleket fejleszt és optimalizál.

Részletesen kibontásra kerül, hogy a nagy nyelvi modelleket (LLM) hogyan képezi a pre-training, fine-tuning és post-training, illetve mit jelent és miért kulcsfontosságú a prompt- és context engineering a mai AI-alapú fejlesztési folyamatokban. A videó példákkal szemlélteti, mikor és hogyan érdemes megfelelő utasításokat (promphotokat) vagy kontextust adni egy AI-nak a kívánt eredmény érdekében.

Felvetődik a pályaválasztási dilemmák kérdése is: vajon mennyire lesz fontos a jövőben a full stack vagy AI engineer szerepe? Érdemes-e egyik mellett dönteni, vagy a legmagasabb értéket az adja, ha valaki mindkét területen jártas lesz? A megfigyelhetőség (observability) és a fejlett eszközök, mint az OpManager Nexus szerepe mindkét szerepben jelentőséggel bírnak.