ظهور مهندسان مستقر در حوزه هوش مصنوعی کاربردی

 

یک تغییر آرام در تیم‌های هوش مصنوعی کاربردی در حال وقوع است. همزمان با عبور شرکت‌ها از فرهنگ نمایشی و شروع به اتصال عوامل هوش مصنوعی به فرآیندهای تجاری واقعی، نوع متفاوتی از نقش در حال ظهور است - بخشی مهندس، بخشی اپراتور میدانی، بخشی معمار، بخشی همدلی.

سال‌ها، عملکرد یک مهندس مستقر در جلو (FDE) به اشکال مختلف وجود داشت که عمدتاً در محیط‌های سخت دولتی یا صنعتی مفید بود. اما از زمانی که عوامل هوش مصنوعی شروع به صحبت با مشتریان، مدیریت تصمیمات و شکل‌دهی به گردش‌های کاری خط مقدم کردند، نیاز به مهندسانی که دنیای خارج از پایگاه کد را درک کنند، به شدت افزایش یافته است.

اکنون، در سراسر شرکت‌های هوش مصنوعی، این مدل که زمانی جایگاه ویژه‌ای داشت، بازگشت قدرتمندی داشته است. متخصصانی که زمانی در این زمینه فعالیت داشته‌اند، می‌گویند این نقش برای ساخت سیستم‌های هوش مصنوعی که در عمل ایمن، در زمینه مفید و متناسب با واقعیت‌های دست کم گرفته شده هر صنعت هستند، حیاتی می‌شود.

دو دنیای هوش مصنوعی کاربردی

سومانیو گوشال، مدیر محصول در Prodigal، می‌گوید هوش مصنوعی کاربردی اکنون در دو مسیر موازی فعالیت می‌کند. اولین مورد، توسعه محصول است - ساخت سیستم اصلی از طریق هماهنگ‌سازی، میزبانی امن و تنظیم دقیق مداوم. مورد دوم، استقرار است - اینکه این سیستم‌های هوش مصنوعی در حال تکامل بتوانند به طور قابل اعتمادی در محیط‌های واقعی مشتری کار کنند.

او گفت: "بخش دوم این است که چگونه راه‌حل را در حین ساخت محصول مستقر می‌کنید. به همین دلیل است که FDEها، آنچه ما مهندسان عامل می‌نامیم، اهمیت دارند."

این عنوان هنوز در Prodigal در حال شکل‌گیری است، اما نقش آن شبیه FDE کلاسیک است: بخشی سازنده راه‌حل، بخشی مشارکت‌کننده محصول.

گوشال این را از نزدیک به عنوان یک کارآموز مهندسی مستقر در Palantir تجربه کرد، جایی که کار، مرز بین ساخت‌های خاص مشتری و توسعه محصول اصلی را محو کرد. او گفت: "هر چیزی که می‌سازید، بخش خوبی از آن در نهایت بر محصول تأثیر می‌گذارد." این حلقه محکم به ویژه در هوش مصنوعی ارزشمند است، جایی که سیستم‌ها باید با نیازهای خاص دامنه سازگار شوند.

همچنین برای کنترل ریسک ضروری است. همانطور که گوشال اشاره کرد، یک عامل هوش مصنوعی نمی‌تواند خطاهای گاه به گاه را تحمل کند. «اگر یک عامل هوش مصنوعی که با مصرف‌کننده صحبت می‌کند، ۹۰٪ تخفیف بدهد یا حرف توهین‌آمیزی بزند، این یک مشکل بزرگ برای کسب‌وکار است.» این ریسک‌ها بسیار فراتر از نرم‌افزارهای سنتی است و باعث می‌شود استقرار دقیق و نظارت مهندسی در محل ضروری باشد.

شرکت‌ها به دنبال صلاحیت‌ها و مهارت‌های خاص در FDEها هستند. نیتی شارما، مدیرعامل TeamLease Digital، گفت: «بیشتر شرکت‌ها به دنبال پیشینه مهندسی قوی و سه تا هشت سال تجربه واقعی در نرم‌افزار، داده یا یادگیری ماشین کاربردی هستند.»

«آنها باید پایتون به علاوه یک زبان backend را بدانند و باید در استقرار سیستم‌ها در AWS، GCP یا Azure راحت باشند و با APIها، میکروسرویس‌ها و شیوه‌های DevOps آشنا باشند.»

FDEها اکنون برای ارائه موفقیت‌آمیز راه‌حل‌های کاربردی، به تخصص عملی در فناوری‌های هوش مصنوعی مانند LLMها، RAG و ML نیز نیاز دارند. فراتر از مهارت‌های فنی، FDEهای برتر با ارتباطات روشن، تفکر قوی در مورد محصول و توانایی مدیریت ابهام متمایز می‌شوند.

زمینه ممکن است باعث موفقیت یا شکست عامل‌های هوش مصنوعی شود

الکس هیل، مدیر هوش مصنوعی کاربردی در Celonis، معتقد است که سیستم‌های هوش مصنوعی معنادار را نمی‌توان از راه دور ساخت. او گفت: «در وضعیت فعلی هوش مصنوعی، شما نمی‌توانید از دفتر مرکزی خود راه‌حل‌هایی بسازید که سوزن را جابه‌جا کنند.» این شکاف ساده است: هیچ بحث داخلی نمی‌تواند واقعیت کسی را که در یک خط تولید یا داخل یک کارخانه کار می‌کند، تکرار کند.

Celonis برای یک مدل مهندسی مستقر در آینده برنامه‌ریزی نکرده بود؛ بلکه به ضرورت به آنجا رسید. مؤثرترین استقرارهای آن از اعزام سازندگان فنی قوی در محل برای کاربران نهایی سایه، مشاهده گردش‌های کاری، ساخت نمونه‌های اولیه سریع و تکرار فوری حاصل شده است. هیل گفت: «آنها یک راه‌حل را در یک یا دو روز می‌سازند.» برخی از تلاش‌ها شکست می‌خورند، اما بازخورد سریع و واقعی، حلقه را تنگ‌تر می‌کند - در نهایت شبیه یک مدل FDE بدون برچسب است.

برای هیل، کلید، زمینه است. این صنعت از مهندسی سریع به چیزی که او مهندسی زمینه می‌نامد، تغییر کرده است: دادن عمق اطلاعات تاریخی، عملیاتی و رابطه‌ای که انسان‌ها به آن متکی هستند به عامل‌های هوش مصنوعی. بدون این پایه، هوش مصنوعی نمی‌تواند استانداردهای سازمانی را برآورده کند یا با خیال راحت کار کند. زمینه، روابط فروشنده، تصمیمات گذشته و نشانه‌های ظریف فرآیند را در بر می‌گیرد - "حداقل آنچه انسان می‌داند، و اغلب بیشتر."

نقش بعدی به کجا می‌رود

FDEها به عنوان رابط بین تیم‌های محصول و گردش‌های کاری دنیای واقعی در حال ظهور هستند. آنها زمینه تجربی را به تصمیمات محصول می‌آورند و محدودیت‌های مدل را از همان ابتدا آشکار می‌کنند.

اومکار پاندارکامه، مدیر ارشد استراتژی در Supervity AI، آنها را به عنوان ترکیبی از غرایز مواجهه با مشتری و مهارت‌های توسعه مبتنی بر هوش مصنوعی توصیف می‌کند. "یک FDE یک مهندس راه‌حل با برند جدید نیست. آنها به درک عمیقی از گردش‌های کاری و چابکی برای ساخت عامل‌ها در عرض چند روز، نه چند ماه، نیاز دارند."

شارما از Teamlease با برجسته کردن افزایش تقاضا برای این نقش گفت: "تقاضا برای FDEها به شدت افزایش یافته است، زیرا شرکت‌ها از طرح‌های آزمایشی هوش مصنوعی به سمت استقرارهای واقعی و مقیاس‌پذیر حرکت می‌کنند. چالش امروز دسترسی به مدل‌های هوش مصنوعی نیست، بلکه ادغام هوش مصنوعی در گردش‌های کاری پیچیده، سیستم‌های قدیمی و محیط‌های کاربری واقعی است. 

منبع