AI mérnöki tanulási útiterv

Az AI engineering megbízható szoftvert épít modellek köré: modellt választ, kontextust ad, eszközöket kapcsol, értékel és üzemeltet. Az ML-kutatás inkább új tanulási módszerek és modellek létrehozására fókuszál; a két terület átfed, de nem azonos.

1. Programozási alapok

Tanulj Pythont, verziókezelést, tesztelést, hibakeresést, JSON-t, HTTP-t és biztonságos titokkezelést. Először hagyományos API-val építs kis programot.

2. ML- és adatalapok

Értsd a tanító-, validációs és tesztadatot, a túlillesztést, jellemzőket, címkéket és mérőszámokat. Egy kis osztályozási projekt tegye kézzelfoghatóvá a baseline, leakage, precision és recall fogalmát.

3. LLM-alkalmazások

Tanulj tokeneket, kontextusablakot, utasításszerepeket, strukturált kimenetet, tool callingot, késleltetést és limiteket. A modell válaszát kezeld nem megbízható adatként.

4. Embedding és RAG

Ismerd meg az embeddinget, a darabolást, metaadatszűrést, szemantikus keresést, rerankinget és hivatkozásokat. Építs ismert dokumentumokra RAG-ot, majd ellenőrizd, hogy a visszakeresett rész valóban alátámasztja-e a választ. Lásd a RAG útmutatót.

5. Ágensek és értékelés

Kezdj egy ágenssel, kevés eszközzel, szigorú sémákkal, korlátozott jogosultsággal és lépéssapkával. Készíts reprezentatív tesztkészletet, és mérd a feladatsikert, forráshűséget, formátumot, eszközhasználatot, időt és költséget.

6. Telepítési fogalmak

Tanulj hitelesítést, rate limitet, retryt, cache-t, queue-t, megfigyelhetőséget, adatmegőrzést és fallbacket. A demóból akkor lesz rendszer, ha a hiba látható, korlátozott és helyreállítható.

Portfólióként készíts strukturált modellfolyamatot, hivatkozó RAG-alkalmazást és monitorozott, eszközhasználó ágenst. Az AI Developer útvonal és a kurzusok csak a konkrét hiányokat töltsék ki.