AI-muhandis kasbi: nima qiladi, ML-muhandisdan farqi va bu kasbga qanday kelish mumkin

AI-muhandis kim

AI-muhandisning odatiy vazifasi mahsulot tilida yangraydi: «assistent ichki bilimlar bazasi boʻyicha savollarga javob berishi kerak», «agent arizalarni saralab, tizimga kiritishi kerak», «hujjatlar skanlaridan maydonlarni ajratib olish kerak». Bu yerda model — qismlardan biri, asosiy ish esa uning atrofida: unga qanday maʼlumot berish, qanday amallarga ruxsat berish, natijani qanday tekshirish va u xato qilganda nima qilish.

Kasb kuchli modellar API orqali va ochiq ogʻirliklar koʻrinishida mavjud boʻlgani sababli paydo boʻldi. Koʻp kompaniyalarga oʻz katta modelini oʻqitish kerak emas, tayyorini mahsulotga ishonchli ishlaydigan qilib joylashtirish esa ommaviy vazifa. Aynan uni AI-muhandis hal qiladi.

Bu rol turli koʻrinishlarda uchraydi. Mahsulot kompaniyasida AI-muhandis SI funksiyalarini mavjud mahsulotga joylashtiradi. Ichki jamoada jarayonlarni avtomatlashtiradi: qoʻllab-quvvatlash, hujjat aylanishi, hisobotlar. Kichik jamoalarda bitta rol ham prototip, ham ekspluatatsiya uchun javob beradi. Lavozim nomlari turlicha boʻladi, shuning uchun vakansiya tavsifida sarlavhaga emas, vazifalarga qarash muhimroq.

Keyinroq uchraydigan atamalar

• LLM — kirish matni boʻyicha matn yaratadigan katta til modeli.
• Token — model ishlaydigan matn birligi; kontekst cheklovlari, kechikish va narx tokenlar soniga bogʻliq.
• Kontekst oynasi — model bitta soʻrovda qancha matnni hisobga olishi.
• Embedding — matn maʼnosini tavsiflovchi sonli vektor; semantik qidiruv shular asosida quriladi.
• RAG — topilgan hujjatlarga tayangan holda generatsiya: avval maʼlumotlaringiz boʻyicha qidiruv, keyin topilgan narsa asosida model javobi.
• Agent — vazifani hal qilish uchun qaysi vositalarni chaqirishni modelning oʻzi tanlaydigan tizim.
• Evallar (evals) — SI tizimi sifati oʻlchanadigan tekshiruv misollari toʻplamlari va metrikalar.

SI funksiyasining hayot sikli: gʻoyadan prodakshngacha

1. 01Vazifani shakllantirish. SI aynan nima qilishi, kim uchun va foydalanuvchi natija yaxshi ekanini qanday tushunishi. Shu yerda — SI umuman kerakmi yoki vazifani oddiy kod bilan hal qilish osonroqmi, degan qaror ham.
2. 02Misollar yigʻish. Kutilgan natijalar yoki baholash mezonlari bilan oʻnlab real kirishlar. Bu — boʻlajak evallar toʻplami.
3. 03Prototip. Eng oddiy versiya: bitta model, bitta prompt, tuzilmali javob. Misollarda ishga tushirish va xatolarni halol tahlil qilish.
4. 04Kontekst va vositalar. Modelga bilim yetishmasa — maʼlumotlar boʻyicha qidiruv. Amallar kerak boʻlsa — minimal huquqli vositalar.
5. 05Metrikalar boʻyicha iteratsiyalar. Prompt, model, hujjatlarni boʻlaklash oʻzgaradi — va har safar evallar qayta ishga tushiriladi.
6. 06Prodakshnga tayyorgarlik. Javoblarni tekshirish, xatolar va uzilishlarni qayta ishlash, xarajat cheklovlari, loglash, prompt injection dan himoya.
7. 07Ishga tushirish va kuzatish. Kichik foydalanuvchilar guruhi, real xatolarni yigʻish, evallar toʻplamini yangi holatlar bilan toʻldirish.

Kundalik ishda bu qanday koʻrinadi

AI-muhandis vaqtining katta qismi promptlar yozishga emas, oʻqishga ketadi: loglar, model javoblari, xatolar tahlili. Odatiy ish sikli — tizim real soʻrovlarda qayerda xato qilganini koʻrish, sababni tushunish (kerakli hujjat topilmadi, model koʻrsatmani notoʻgʻri tushundi, maʼlumotlar bir-biriga zid), oʻzgartirish kiritish va allaqachon ishlayotgan narsani buzmaslik uchun uni evallarda tekshirish.

Qolgani — oddiy muhandislik: API, navbatlar, bazalar, deploy, monitoring. Bunga yaxshi natija deb nimani hisoblash haqida mahsulot jamoasi va foydalanuvchilar bilan suhbatlar qoʻshiladi — usiz metrikalar maʼnosini yoʻqotadi.

AI-muhandis, ML-muhandis, data-sayentist va dasturchi

ML-muhandis

ML-muhandis modellarning oʻziga yaqinroq ishlaydi: maʼlumotlarni yigʻadi va belgilaydi, modellarni oʻqitadi va qoʻshimcha oʻqitadi, arxitektura va giperparametrlarni tanlaydi, oʻqitish va inferensni optimallashtiradi. Uning asosiy vositalari — mashinali oʻqitish freymvorklari, statistika, maʼlumotlar ustida tajribalar, oʻqitish uchun hisoblash infratuzilmasi.

Data-sayentist

Data-sayentist biznes savollariga maʼlumotlar yordamida javob beradi: tahlil, statistik modellar, tajribalar, prognozlar. Uning ishi natijasi koʻpincha mijozlar foydalanadigan mahsulot funksiyasi emas, balki qaror qabul qilish uchun xulosalar va modellar.

AI-muhandis

AI-muhandis modeldan bir daraja yuqorida ishlaydi: uning uchun model odatda tayyor, API orqali yoki ochiq ogʻirliklar sifatida mavjud. Uning savollari — modelni foydalanuvchi vazifasini hal qiladigan ishonchli tizimga qanday aylantirish. Chegaralar xira: AI-muhandis kichik modelni qoʻshimcha oʻqitishi, ML-muhandis esa agent yigʻishi mumkin. Lekin ogʻirlik markazi har xil.

Oddiy dasturchi

Dasturchi tizimlarni deterministik komponentlardan quradi. AI-muhandis ham dasturchi, lekin markazida bitta ehtimoliy komponent bor va bu testlash, loyihalash va ekspluatatsiyaga yondashuvni oʻzgartiradi.

Oddiy dasturlashga nisbatan nima oʻzgaradi

Oddiy kod deterministik: bir xil kirishga — bir xil chiqish, test esa yo oʻtadi, yo oʻtmaydi. Model ehtimollik asosida ishlaydi: bitta soʻrov turli javoblar berishi mumkin, xato esa koʻpincha ishonarli koʻrinadi. Bundan bir necha siljish kelib chiqadi.

• Bitta unit-test oʻrniga — har bir oʻzgarishda ishga tushiriladigan misollar toʻplami va sifat metrikalari.
• «Ishlaydimi yoki yoʻqmi» oʻrniga — «qanchalik tez-tez ishlaydi va aynan qanday buziladi» degan savol.
• Model javobi — ishonchsiz maʼlumot: uni foydalanuvchi kiritgan maʼlumot kabi sxema boʻyicha tekshirish kerak.
• Javob uzilishi, model rad etishi yoki notoʻgʻri format muvaffaqiyatli status bilan kelishi mumkin — ularni aniq aniqlash va qayta ishlash kerak.
• Narx va kechikish matn hajmiga bogʻliq va bu arxitektura qarorlarining bir qismiga aylanadi.
• Provayder versiyani yangilaganda model xatti-harakati oʻzgarishi mumkin, shuning uchun evallar faqat ishlab chiqishda emas, ekspluatatsiyada ham kerak.

Koʻnikmalar xaritasi

Muhandislik poydevori

Dasturlash tilini ishonchli bilish — koʻpincha Python yoki TypeScript, API, maʼlumotlar bazalari, asinxronlik, navbatlar, konteynerlar, deploy bilan ishlash. AI-muhandis eng avvalo muhandis: bu poydevorsiz tizim prodakshngacha yetib bormaydi.

Modellarni tushunish

Transformer formulalarini keltirib chiqara olish shart emas, lekin tokenlar va kontekst oynasi qanday tuzilganini, model nega «gallyutsinatsiya» qilishini, generatsiya parametrlari va prompt formati qanday taʼsir qilishini, turli hajm va sinfdagi modellar nimasi bilan farqlanishini, qachon mulohaza yurituvchi model, qachon tez va oddiy model yetarli ekanini tushunish kerak.

Maʼlumotlar boʻyicha qidiruv (RAG)

Hujjatlarni tayyorlash, boʻlaklarga boʻlish, embeddinglar va vektorli qidiruv, toʻliq matnli qidiruv bilan birlashtirish, qayta saralash, javob topilgan narsaga tayanishini tekshirish. RAG muammolarining koʻpchiligi generatsiya emas, qidiruv muammolari va ularni aniqlay olish yuqori baholanadi.

Agentlar va vositalar

Vositalarni tavsiflash, tuzilmali javoblar, «model — vosita — model» sikllari, huquqlarni cheklash, xavfli amallar uchun inson tasdigʻi. Shu yerda — vositalarni ulashning standart protokollari va promptdagi taqiq nega kirishni cheklash oʻrnini bosmasligini tushunish.

Sifatni baholash

Real holatlardan test misollari toʻplamini yigʻish, mezonlarni shakllantirish, tekshiruvni — qoidalar, namuna bilan solishtirish yoki baholovchi model orqali — avtomatlashtirish va natijalarni halol oʻqiy olish. Bu koʻnikma ishlaydigan tizimni ishlayotgandek koʻrinadigan tizimdan ajratib turadi.

Ekspluatatsiya va kuzatuvchanlik

Soʻrov va javoblarni loglash, koʻp bosqichli zanjirlarni trassirovka qilish, kechikish, xatolar va xarajatlar monitoringi, keshlash, takroriy urinishlar, zaxira modellar. Bunga shaxsiy maʼlumotlar bilan ishlash qoʻshiladi: nimani loglash va tashqariga yuborish mumkin, nimani mumkin emas.

Bir necha tildagi matnlar

Oʻzbekistonda foydalanuvchilar oʻzbek va rus tillarida, lotin va kirill yozuvida, koʻpincha hammasini bitta xabarda aralashtirib yozadi. Modellar va qidiruv vositalari bunday matnlarda turlicha ishlaydi, rus tilida oʻlchangan sifat esa oʻzbek tili haqida hech narsa demaydi. Bu yerda AI-muhandisga evallarga mahsulot ishlaydigan barcha tillardagi real matnlarni kiritish va har bir tilni alohida tekshirish odati kerak.

Mahsulot tafakkuri

SI qayerda haqiqatan kerak, qayerda oddiy kod yetarli; foydalanuvchi natijani qanday tekshiradi va tuzatadi; model xato qilganda nima boʻladi. Yaxshi AI-muhandis SI kerak boʻlmagan joyda undan voz kechishga koʻndira oladi.

Qayerga harakat qilish: tanlov ramkasi

• Agar sizga mahsulot qurish va uni foydalanuvchilargacha yetkazish yoqsa — AI-muhandislik tomonga qarang, chunki u yerda asosiy ish model atrofidagi tizim.
• Agar sizni modellarning oʻzi, matematika va oʻqitish bilan tajribalar qiziqtirsa — ML-muhandislik tomonga qarang, chunki u yerda oʻqitish uchun maʼlumotlar va arxitekturalar bilan ishlaysiz.
• Agar sizga funksiyalar qurishdan koʻra biznes savollariga javob berish qiziqroq boʻlsa — tahlil va data-sayens yaqinroq, u yerda SI tadqiqot vositasiga aylanadi.
• Agar infratuzilmada kuchli boʻlsangiz — modellarni ekspluatatsiya qilish yoʻli bor: inferens, masshtablash, kuzatuvchanlik, chunki bu oʻsib borayotgan va mutaxassislar yetishmaydigan soha.

Dasturlashdan oʻtish rejasi

1. 01Modellar ishlashi asoslarini oʻrganing: tokenlar, kontekst, embeddinglar, cheklovlar. Yirik model provayderlarining rasmiy hujjatlari amaliyotni yaxshi tushuntiradi.
2. 02API orqali tuzilmali javob va sxema boʻyicha tekshiruvli birinchi loyihani qiling.
3. 03Oʻz maʼlumotlaringiz boʻyicha qidiruv qoʻshing: real hujjatlar asosida kichik RAG yigʻing va u qayerda xato qilishini tushunib oling.
4. 04Evallar toʻplami va avtomatik baholashni yigʻing. Prompt yoki modelni oʻzgartiring va metrikalar qanday oʻzgarishini kuzating.
5. 05Vositali agent yarating — avval faqat oʻqish uchun, keyin inson tasdigʻi ostidagi bitta amal bilan.
6. 06Bitta loyihani ekspluatatsiyagacha yetkazing: loglar, xatolarni qayta ishlash, xarajat nazorati, injection dan himoya.
7. 07Buni hozirgi ishingizda qoʻllang: kompaniyangizda avtomatlashtirish mumkin boʻlgan vazifani toping — bu eng yaxshi tajriba va rezyumedagi eng yaxshi satr.

Oʻquv loyihalari uchun gʻoyalar

• Turli formatdagi hujjatlardan sxema boʻyicha tekshiriladigan tuzilmali maydonlarni ajratib olish va har bir maydon boʻyicha xatolarni sanash.
• Qidiruv, manbalarga havola va hujjatlarda javob boʻlmasa halol «bilmayman» bilan ochiq loyiha hujjatlari boʻyicha assistent.
• Evallar va bir nechta modelni sifat, kechikish va narx boʻyicha solishtirishli murojaatlar klassifikatori.
• Vazifa tavsifi boʻyicha trekerda tiket qoralamasini yaratadigan, lekin uni tasdiqsiz eʼlon qilmaydigan agent.

Misol: birinchi loyiha qanday koʻrinishi mumkin

Birinchi jiddiy SI loyihasini qilmoqchi boʻlgan shartli backend-dasturchini tasavvur qilaylik. Misol oʻylab topilgan va real voqeani emas, ish jarayonini koʻrsatadi.

U hisob-fakturalardan rekvizitlarni ajratib olish vazifasini oladi. Avvalo turli koʻrinishdagi bir necha oʻnlab real hisob-fakturalarni yigʻadi va maydonlarning toʻgʻri qiymatlarini qoʻlda yozib chiqadi — bu evallar toʻplami. Keyin prototip yozadi: model hisob-faktura matnini oladi va sxema boʻyicha JSON qaytaradi, kod esa format va turlarni tekshiradi.

Ishga tushirish model summa va sanani yaxshi uddalashini, lekin nostandart hisob-fakturalarda sotuvchi va xaridor rekvizitlarini adashtirishini koʻrsatadi. Dasturchi promptga izoh va bir-ikkita misol qoʻshadi, toʻplamni qayta ishga tushiradi — bu maydon boʻyicha xatolar kamayadi, lekin boshqa formatdagi sanalar bilan yangi muammo paydo boʻladi. U sanalarni normallashtirishni promptga emas, kodga qoʻshadi, chunki bu deterministik vazifa.

Natijada portfolioga «hisob-fakturalar uchun bot» emas, balki tavsif tushadi: vazifa, evallar toʻplami, maydonlar boʻyicha metrikalar, topilgan xato sinflari va har biri boʻyicha yechimlar. Aynan shu narsa suhbatda muhandislik yondashuvini koʻrsatadi.

Portfolio va suhbatlar

Portfolio uchun loyihalar soni emas, bir-ikkitasining chuqurligi muhimroq: vazifa tavsifi, baholash usuli, topilgan muammolar va ularni qanday hal qilganingiz bilan. Evallar va tushunarli tavsifli repozitoriy oʻlchovsiz oʻnta demodan qimmatroq.

Bunday rollar uchun suhbatlarda odatda bir necha narsa tekshiriladi:

• Muhandislik asoslari — har qanday dasturchidagi kabi.
• SI tizimini loyihalash: vazifa uchun assistent yoki agentni qanday qurgan boʻlardingiz, qayerda qidiruv, qayerda vositalar, qayerda inson.
• Sifatni baholash: tizim ishlayotganini qanday tushunasiz va sifat pasayishini qanday sezasiz.
• Xatolar tahlili: model notoʻgʻri javob bersa nima qilish kerak — va qidiruv muammosini prompt yoki maʼlumotlar muammosidan ajrata olish.
• Xavfsizlik va maʼlumotlar: agent huquqlari, prompt injection, shaxsiy maʼlumotlar.

Qanday tayyorlanish kerak

Eng yaxshi tayyorgarlik — oʻz loyihangiz haqida batafsil gapirib bera olish: nega aynan shunday arxitektura tanlangan, qaysi muqobillardan voz kechdingiz, sifatni qanday oʻlchadingiz, qaysi xatoni eng uzoq qidirdingiz va uni qanday topdingiz. Ovoz chiqarib loyihalashni mashq qilish foydali: bilimlar bazasi boʻyicha assistent kabi odatiy vazifani olib, murosalarni aytib, uni talablardan monitoringgacha bosib oʻting. Tizim dizayni asoslarini alohida takrorlash kerak — SI tizimlari ham boshqa tizimlar kabi navbatlar, keshlar va bazalarga tayanadi.

Odatiy xatolar va ularni qanday sezish

• Promptni cheksiz moslashtirish. Qanday sezish: oʻzgarishlar koʻp, evallar toʻplami esa yoʻq. Qanday tuzatish: avval misollarni yigʻish, keyin oʻzgartirish.
• Bitta chaqiruv yetarli boʻlgan joyda agentlar. Qanday sezish: bir necha bosqichli zanjir tuzilmali javobli bitta soʻrov hal qiladigan vazifani hal qilmoqda. Qanday tuzatish: eng oddiy yechimdan boshlash va faqat metrikalar boʻyicha murakkablashtirish.
• Chiroyli demoga ishonish. Qanday sezish: tizim faqat qulay misollarda tekshirilgan. Qanday tuzatish: evallarga kam uchraydigan, noqulay va notoʻgʻri kirishlarni qoʻshish.
• Model javobiga tekshiruvsiz ishonish. Qanday sezish: javob darhol bazaga yoziladi yoki foydalanuvchiga koʻrsatiladi. Qanday tuzatish: sxema va biznes-qoidalar boʻyicha tekshirish.
• Hamma narsa prompt bilan hal qilinadi. Qanday sezish: promptda sanalarni formatlash, hisob-kitoblar va tekshiruvlar boʻyicha koʻrsatmalar. Qanday tuzatish: deterministik narsa — kodga.
• Narx va kechikish «keyinroq». Qanday sezish: loyihada tokenlar va soʻrovga javob vaqti hisobi yoʻq. Qanday tuzatish: ularni birinchi prototipdan loglash va modellarni sifat, narx va tezlik boʻyicha bir vaqtda solishtirish.
• Faqat bitta tildagi evallar. Qanday sezish: barcha tekshiruv misollari rus tilida, foydalanuvchilar esa oʻzbek tilida ham yozadi. Qanday tuzatish: mahsulotning har bir tilida real misollar qoʻshish.
• Modellarni noldan oʻqitishdan boshlash. Qanday sezish: oylar nazariyaga ketadi, ishlaydigan mahsulot esa yoʻq. Qanday tuzatish: tayyor modellar va oʻz ishingizdagi vazifalardan boshlash.

Chek-list: birinchi rolga tayyormisiz

1. 01Tokenlar, kontekst oynasi va embeddinglar nima ekanini tushuntira olasiz.
2. 02Model nega ishonarli xato qilishini va buni qanday ushlashni tushunasiz.
3. 03Tuzilmali javob va tekshiruvli loyiha qilgansiz.
4. 04Oʻz maʼlumotlaringiz boʻyicha qidiruv qurgansiz va u qayerda buzilishini bilasiz.
5. 05Evallar toʻplamini yigʻgansiz va sifatni koʻz bilan emas, shu toʻplamda oʻlchaysiz.
6. 06Bir nechta modelni sifat, kechikish va narx boʻyicha solishtirgansiz.
7. 07Vositali agent yaratib, uning huquqlarini cheklagansiz.
8. 08Promptdagi taqiq nega prompt injection dan himoya qilmasligini tushunasiz.
9. 09Qaysi maʼlumotlarni tashqi servislarga yuborib boʻlmasligini bilasiz.
10. 10Hech boʻlmasa bitta loyihani boshqa odamlar foydalanadigan holatga yetkazgansiz.

Xulosa

AI-muhandis — ehtimoliy modellarni ishonchli mahsulotlarga aylantira oladigan dasturchi: maʼlumotlar, vositalar, sifatni baholash va xavfsizlik bilan. Uni ML-muhandisdan model atrofidagi tizimga eʼtibor, oddiy dasturchidan esa nodeterministik komponent bilan ishlash ajratib turadi. Tajribali dasturchi uchun oʻtish amaliyot orqali boʻladi: evallar bilan chuqur ishlangan bir-ikkita loyiha koʻplab yuzaki loyihalardan koʻproq maʼno beradi.