Ketika kebanyakan orang meratapi ombak besar, para pelaut yang jeli sudah berangkat mencari benua baru. Baru-baru ini, Karpathy, direktur AI Tesla dan top streamer AI yang kembali ke OpenAI belum lama ini, me-retweet episode terbaru podcast Latent Space, berpikir bahwa mengikuti perkembangan AI telah menjadi pekerjaan penuh waktu. dibutuhkan, dan permintaannya akan jauh melebihi insinyur algoritme pembelajaran mesin saat ini. Pada edisi kali ini, kami akan terus melakukan analisis lebih lanjut mengenai potret kemampuan talent AI yang akan dibutuhkan di masa mendatang.
Pemikiran Akal
Kami mencoba mengedepankan deduksi yang lebih divergen dan pemikiran mendalam berdasarkan isi artikel, selamat datang untuk bertukar.
**Teknologi Model vs. Pendaratan Produk: **Sementara kebanyakan orang meratapi gelombang besar, para pelaut yang jeli telah berangkat untuk menemukan benua baru. Pengrajin yang menemukan kompas dan membuat kapal berperan di era tersebut, dan selanjutnya, pelaut dan pekerja memperluas wilayah tersebut.
Era Perangkat Lunak 3.0: SenseAI sekali lagi menekankan jaringan Agen. Kali ini, mesin datang kepada kita, dan bahasa alami akan menjadi paket bahasa yang melengkapi sebagian besar kebutuhan pengembangan, membebaskan imajinasi manusia lebih lanjut. Agen menggunakan kepadatan interaksi dan kolaborasi jaringan untuk menyelesaikan eksekusi, dan yang harus dilakukan manusia adalah mengusulkan imajinasi tingkat bawah, menghancurkan, dan merekonstruksi.
Artikel ini memiliki total 3255 kata, dan membutuhkan waktu sekitar 9 menit untuk membacanya dengan cermat
01. Pekerjaan baru: Insinyur AI
Kami mengamati "pergeseran ke kanan" AI terapan generasional yang didorong oleh kemampuan yang muncul dan ketersediaan open source/API dari model yang mendasarinya. Serangkaian tugas kecerdasan buatan yang memakan waktu 5 tahun dan diselesaikan oleh tim peneliti pada tahun 2013 sekarang dapat diselesaikan hanya dengan dokumentasi API dan waktu luang.
API bersifat universal: insinyur AI dapat pergi ke kiri untuk mengoptimalkan/menghosting model, dan insinyur penelitian dapat pergi ke kanan untuk membangun aplikasi di atas API, tetapi kekuatan relatif dan basis teknis mereka jelas.
Namun, pekerjaan yang paling sulit adalah dalam detail implementasi spesifik.Saat ini, LLM masih memiliki tantangan berikut dalam hal evaluasi, aplikasi, dan produksi yang berhasil:
**1. Model:**Dari mengevaluasi model GPT-4 dan Claude terbesar, hingga Huggingface open source terkecil, LLaMA, dan model lainnya.
2. Alat: Dari alat penautan, pengambilan, dan pencarian vektor yang paling populer seperti LangChain, LlamaIndex, dan Pinecone, hingga bidang alat proxy yang sedang berkembang seperti Auto-GPT dan BabyAGT.
3. Berita: Jumlah makalah, model, dan teknik yang diterbitkan setiap hari tumbuh secara eksponensial dengan perhatian dan modal, sampai-sampai melacak semua perkembangan mutakhir ini hampir menjadi pekerjaan penuh waktu .
LLM menciptakan pekerjaan penuh waktu. Rekayasa perangkat lunak akan menginkubasi sub-disiplin baru, fokus pada penerapan AI, dan secara efektif menggunakan tumpukan teknologi yang muncul, seperti "insinyur keandalan situs", "insinyur operasi pengembangan dan pemeliharaan", "insinyur data ” dan "Insinyur Analitik" sebagai pendatang baru.
**Insinyur AI, akan bangkit untuk mewakili jenis peran ini. **
Hampir setiap startup memiliki beberapa bentuk grup diskusi AI. Grup ini akan beralih dari grup informal ke tim formal, seperti yang telah dilakukan Amplitudo, Replit, dan Notion. Ribuan insinyur perangkat lunak yang bekerja untuk memproduksi API AI dan model OSS, baik pada waktu perusahaan atau pada malam hari dan akhir pekan, pada Slack perusahaan atau Perselisihan mandiri, akan dikhususkan dan disatukan di bawah satu gelar - insinyur AI. Ini kemungkinan akan menjadi pekerjaan teknik yang paling banyak diminati dalam dekade berikutnya.
Dari perusahaan terbesar seperti Microsoft dan Google, hingga startup mutakhir seperti Figma (diakuisisi oleh Diagram), Vercel (RoomGPT oleh Hassan El Mghari) dan Notion (Notion AI oleh Ivan Zhao dan Simon Last), hingga peretas independen seperti Simon Willison, Pieter Levels (Foto/InteriorAI), dan Riley Goodside (sekarang di Skala AI). Mereka menghasilkan $300.000 setahun dengan melakukan rekayasa petunjuk di Anthropic dan $900.000 membangun perangkat lunak di OpenAI. Mereka menghabiskan akhir pekan gratis untuk mengerjakan ide di AGI House dan berbagi tips di /r/LocalLLaMA2. Kesamaan yang mereka semua miliki adalah bahwa mereka mengubah kemajuan dalam kecerdasan buatan menjadi produk nyata yang digunakan oleh jutaan orang hampir dalam semalam.
** Tidak ada yang memiliki gelar Ph.D. Dalam hal merilis produk AI, Anda membutuhkan insinyur, bukan peneliti. **
02, teknisi AI akan menggantikan teknisi ML
Permintaan akan insinyur AI akan tumbuh pesat di masa depan. Saat ini di Memang, insinyur ML memiliki peluang kerja 10 kali lebih banyak daripada insinyur AI, tetapi tingkat pertumbuhan AI yang lebih tinggi mengarah pada keyakinan bahwa rasio ini akan terbalik dalam 5 tahun.
Bagan Tren Ketenagakerjaan Bulanan untuk HN Who's Hiring
Semua judul pekerjaan adalah satu sisi, tetapi ada juga yang berguna. Kami waspada dan lelah dengan debat semantik tanpa akhir antara AI dan ML, namun kami sangat menyadari bahwa peran "insinyur perangkat lunak" konvensional sangat mampu membangun perangkat lunak AI. Namun, pertanyaan baru-baru ini di Ask HN tentang cara masuk ke rekayasa AI mengungkapkan persepsi mendasar yang masih ada di pasar:
Tangkapan layar Juni 2023: Jawaban pilihan teratas untuk "Cara Membobol AI Engineering"
Kebanyakan orang masih melihat rekayasa AI sebagai bentuk pembelajaran mesin atau rekayasa data, jadi mereka merekomendasikan tumpukan teknologi yang sama. Tetapi Anda dapat yakin bahwa tidak ada insinyur AI yang sangat efektif yang disebutkan di atas telah melakukan pekerjaan yang setara dengan kursus Andrew Ng Coursera, mereka tidak mengetahui PyTorch, dan mereka tidak mengetahui perbedaan antara danau data dan gudang data.
**Segera, tidak ada yang akan menyarankan untuk memulai rekayasa AI dengan membaca Hanya Perhatian yang Anda Butuhkan, sama seperti Anda akan belajar mengemudi dengan membaca gambar Ford Model T. Tentu saja, memahami dasar-dasar dan sejarah selalu membantu, dan itu benar-benar dapat membantu Anda menemukan inovasi dan perolehan efisiensi/kemampuan yang belum memasuki kesadaran umum. Namun terkadang, Anda bisa menggunakan produk secara langsung dan mengetahui kualitasnya melalui pengalaman.
Harus diakui, pembalikan AI engineer dan ML engineer tidak akan terjadi dalam semalam. Orang-orang secara alami ingin menyempurnakan resume mereka, mengisi peta pasar, dan tampil menonjol dengan mengutip topik mendalam yang lebih otoritatif. Meskipun demikian, rekayasa cepat dan rekayasa AI akan merasa dirugikan dibandingkan mereka yang memiliki latar belakang ilmu data/pembelajaran mesin yang solid untuk waktu yang lama. Namun, ekonomi penawaran dan permintaan pada akhirnya akan menang, dan permintaan akan insinyur AI akan jauh melebihi permintaan insinyur ML.
**03. Mengapa sekarang? **
Model dasarnya adalah "pebelajar beberapa langkah", yang menunjukkan kemampuan untuk belajar bahkan transfer tanpa tembakan dalam konteks, yang melampaui maksud asli dari pelatih model. Dengan kata lain, orang yang membuat model ini tidak sepenuhnya mengetahui kemampuannya. Mereka yang bukan peneliti LLM dapat menemukan dan memanfaatkan kemampuan ini hanya dengan menghabiskan lebih banyak waktu untuk berinteraksi dengan model dan menerapkannya pada bidang penelitian yang kurang dihargai (misalnya penerapan Jasper pada copywriting).
Microsoft, Google, Meta, dan laboratorium model fundamental besar telah memonopoli bakat penelitian yang langka, yang pada dasarnya menyediakan API "penelitian AI sebagai layanan". Anda tidak dapat mempekerjakan mereka, tetapi Anda dapat menyewa mereka - jika Anda memiliki insinyur perangkat lunak di tim Anda yang tahu cara bekerja dengan mereka. ** Ada sekitar 5.000 peneliti LLM di seluruh dunia, tetapi ada sekitar 50 juta insinyur perangkat lunak. Kendala pasokan menentukan bahwa insinyur AI "hub" akan muncul untuk memenuhi permintaan pasar. **
**3. Cadangan GPU. **Tentu saja, OpenAI/Microsoft adalah yang pertama melakukan pekerjaan ini, tetapi Stability AI memicu perlombaan senjata GPU di antara para pemula dengan menekankan 4000 cluster GPU mereka.
**4 Tindakan gesit langsung dari produk. **Alih-alih meminta ilmuwan data/insinyur ML untuk melakukan pengumpulan data yang berat sebelum melatih model khusus domain dan kemudian memasukkannya ke dalam produksi, manajer produk/insinyur perangkat lunak dapat meminta LLM terlebih dahulu, dan membangun/memvalidasi ide produk, lalu Kemudian dapatkan data spesifik untuk fine-tuning.
Katakanlah yang terakhir adalah 100x hingga 1000x lebih banyak dari yang sebelumnya, dan dengan mengikuti alur kerja "tembak, persiapkan, bidik" LLM membuat Anda 10x hingga 100x lebih cepat daripada pembelajaran mesin tradisional. Hasilnya, teknisi AI akan dapat memvalidasi produk AI dengan biaya 1.000 hingga 10.000 kali lebih rendah. Ini adalah pengembangan Waterfall versus Agile lainnya, dan AI adalah Agile.
**5.Python → Java. **Data/AI secara tradisional sangat bergantung pada Python, dan alat teknik AI pertama seperti LangChain, LlamaIndex, dan Guardrails juga berasal dari komunitas yang sama. Namun, kini jumlah pengembang Java sama banyaknya dengan jumlah pengembang Python, jadi alat-alat sekarang semakin melayani basis pengguna yang diperluas ini, dari LangChain.js dan Transformers.js hingga AI SDK baru Vercel. Peluang perluasan pasar sangat besar.
**6. AI Generatif vs Pengklasifikasi ML. ** "AI Generatif" sebagai istilah telah ketinggalan zaman, memberi jalan bagi kategori lain seperti "Mesin Inferensi", tetapi secara ringkas menjabarkan perbedaan antara alat MLOps yang ada dan praktisi pembelajaran mesin dan apa yang paling cocok untuk digunakan LLM dan Masih sangat berguna saat melihat peran baru dan berbeda dari pembuat teks-ke-gambar. Sementara penelitian pembelajaran mesin yang ada mungkin berfokus pada hal-hal seperti risiko penipuan, sistem pemberi rekomendasi, deteksi anomali, dan penyimpanan fitur, para insinyur AI sedang membangun aplikasi penulisan, alat pembelajaran yang dipersonalisasi, spreadsheet bahasa alami, dan aplikasi mirip Factorio. Bahasa pemrograman visual.
Setiap kali ada subkelompok dengan latar belakang yang sama sekali berbeda, berbicara dengan bahasa yang berbeda, menghasilkan produk yang sama sekali berbeda, dan menggunakan alat yang sama sekali berbeda, mereka akhirnya terpecah menjadi kelompok yang terpisah.
04, 1+2=3: Pemrograman di era software 3.0
6 tahun yang lalu, Andrej Karpathy menulis artikel yang sangat berpengaruh yang menjelaskan Perangkat Lunak 2.0, membandingkan "tumpukan klasik" dari bahasa pemrograman tulisan tangan tradisional yang memodelkan logika dengan tepat, dan jaringan saraf "pembelajaran mesin" baru yang mendekati logika. memungkinkan perangkat lunak untuk memecahkan lebih banyak masalah daripada yang dapat dimodelkan oleh manusia. Tahun ini, dia mencatat dalam artikel selanjutnya bahwa Bahasa pemrograman baru yang paling populer adalah bahasa Inggris, akhirnya mengisi area abu-abu yang tidak dia tandai di artikel aslinya.
Teknik menjadi meme tahun lalu, menggambarkan bagaimana pekerjaan akan berubah ketika orang mulai memanfaatkan GPT-3 dan Difusi Stabil. Orang-orang mengejek startup AI karena menyebut mereka "pembungkus OpenAI" dan menyampaikan kekhawatiran bahwa aplikasi LLM rentan terhadap rekayasa petunjuk dan rekayasa petunjuk terbalik. Apakah hambatan benar-benar ada? (Sense Says: Lihat artikel pertama kami "Sistem Cerdas: Parit Perusahaan AI Masa Depan")
Tetapi salah satu tema terbesar di tahun 2023 adalah membangun kembali peran kode yang ditulis manusia dalam mengoordinasikan dan menggantikan kemampuan LLM, dari Langchain senilai lebih dari $200 juta, hingga Voyager yang didukung Nvidia, yang menunjukkan pentingnya pembuatan dan penggunaan kembali kode secara jelas. . Rekayasa overhyped dan di sini untuk tinggal, tetapi kemunculan kembali paradigma Perangkat Lunak 1.0 dalam aplikasi Perangkat Lunak 3.0 merupakan peluang besar dan area kebingungan, menciptakan ruang putih untuk banyak startup.
Seorang investor yang tidak dapat melakukan riset pasar bukanlah investor yang baik
Tentu saja, ini bukan hanya kode yang ditulis oleh manusia. Cerita dari berbagai proyek menunjukkan (smol-developer, lebih luas gpt-engineer dan petualangan agen pembuat kode lainnya seperti Codium AI, Codegen.ai dan Morph/Rift) bahwa mereka akan semakin menjadi bagian dari perangkat AI engineer . Saat insinyur manusia belajar memanfaatkan AI, AI akan semakin terlibat dalam rekayasa.
Sampai suatu saat jauh di masa depan kita akan melihat ke atas dan tidak lagi bisa membedakan keduanya.
Referensi
Lihat Asli
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
_ Insinyur sudah usang? Karier baru yang dipromosikan oleh petinggi AI telah lahir
Sumber: SenseAI
Pemikiran Akal
Kami mencoba mengedepankan deduksi yang lebih divergen dan pemikiran mendalam berdasarkan isi artikel, selamat datang untuk bertukar.
**Teknologi Model vs. Pendaratan Produk: **Sementara kebanyakan orang meratapi gelombang besar, para pelaut yang jeli telah berangkat untuk menemukan benua baru. Pengrajin yang menemukan kompas dan membuat kapal berperan di era tersebut, dan selanjutnya, pelaut dan pekerja memperluas wilayah tersebut.
Era Perangkat Lunak 3.0: SenseAI sekali lagi menekankan jaringan Agen. Kali ini, mesin datang kepada kita, dan bahasa alami akan menjadi paket bahasa yang melengkapi sebagian besar kebutuhan pengembangan, membebaskan imajinasi manusia lebih lanjut. Agen menggunakan kepadatan interaksi dan kolaborasi jaringan untuk menyelesaikan eksekusi, dan yang harus dilakukan manusia adalah mengusulkan imajinasi tingkat bawah, menghancurkan, dan merekonstruksi.
Artikel ini memiliki total 3255 kata, dan membutuhkan waktu sekitar 9 menit untuk membacanya dengan cermat
01. Pekerjaan baru: Insinyur AI
Kami mengamati "pergeseran ke kanan" AI terapan generasional yang didorong oleh kemampuan yang muncul dan ketersediaan open source/API dari model yang mendasarinya. Serangkaian tugas kecerdasan buatan yang memakan waktu 5 tahun dan diselesaikan oleh tim peneliti pada tahun 2013 sekarang dapat diselesaikan hanya dengan dokumentasi API dan waktu luang.
Namun, pekerjaan yang paling sulit adalah dalam detail implementasi spesifik.Saat ini, LLM masih memiliki tantangan berikut dalam hal evaluasi, aplikasi, dan produksi yang berhasil:
**1. Model:**Dari mengevaluasi model GPT-4 dan Claude terbesar, hingga Huggingface open source terkecil, LLaMA, dan model lainnya.
2. Alat: Dari alat penautan, pengambilan, dan pencarian vektor yang paling populer seperti LangChain, LlamaIndex, dan Pinecone, hingga bidang alat proxy yang sedang berkembang seperti Auto-GPT dan BabyAGT.
3. Berita: Jumlah makalah, model, dan teknik yang diterbitkan setiap hari tumbuh secara eksponensial dengan perhatian dan modal, sampai-sampai melacak semua perkembangan mutakhir ini hampir menjadi pekerjaan penuh waktu .
LLM menciptakan pekerjaan penuh waktu. Rekayasa perangkat lunak akan menginkubasi sub-disiplin baru, fokus pada penerapan AI, dan secara efektif menggunakan tumpukan teknologi yang muncul, seperti "insinyur keandalan situs", "insinyur operasi pengembangan dan pemeliharaan", "insinyur data ” dan "Insinyur Analitik" sebagai pendatang baru.
**Insinyur AI, akan bangkit untuk mewakili jenis peran ini. **
Hampir setiap startup memiliki beberapa bentuk grup diskusi AI. Grup ini akan beralih dari grup informal ke tim formal, seperti yang telah dilakukan Amplitudo, Replit, dan Notion. Ribuan insinyur perangkat lunak yang bekerja untuk memproduksi API AI dan model OSS, baik pada waktu perusahaan atau pada malam hari dan akhir pekan, pada Slack perusahaan atau Perselisihan mandiri, akan dikhususkan dan disatukan di bawah satu gelar - insinyur AI. Ini kemungkinan akan menjadi pekerjaan teknik yang paling banyak diminati dalam dekade berikutnya.
Dari perusahaan terbesar seperti Microsoft dan Google, hingga startup mutakhir seperti Figma (diakuisisi oleh Diagram), Vercel (RoomGPT oleh Hassan El Mghari) dan Notion (Notion AI oleh Ivan Zhao dan Simon Last), hingga peretas independen seperti Simon Willison, Pieter Levels (Foto/InteriorAI), dan Riley Goodside (sekarang di Skala AI). Mereka menghasilkan $300.000 setahun dengan melakukan rekayasa petunjuk di Anthropic dan $900.000 membangun perangkat lunak di OpenAI. Mereka menghabiskan akhir pekan gratis untuk mengerjakan ide di AGI House dan berbagi tips di /r/LocalLLaMA2. Kesamaan yang mereka semua miliki adalah bahwa mereka mengubah kemajuan dalam kecerdasan buatan menjadi produk nyata yang digunakan oleh jutaan orang hampir dalam semalam.
** Tidak ada yang memiliki gelar Ph.D. Dalam hal merilis produk AI, Anda membutuhkan insinyur, bukan peneliti. **
02, teknisi AI akan menggantikan teknisi ML
Permintaan akan insinyur AI akan tumbuh pesat di masa depan. Saat ini di Memang, insinyur ML memiliki peluang kerja 10 kali lebih banyak daripada insinyur AI, tetapi tingkat pertumbuhan AI yang lebih tinggi mengarah pada keyakinan bahwa rasio ini akan terbalik dalam 5 tahun.
Semua judul pekerjaan adalah satu sisi, tetapi ada juga yang berguna. Kami waspada dan lelah dengan debat semantik tanpa akhir antara AI dan ML, namun kami sangat menyadari bahwa peran "insinyur perangkat lunak" konvensional sangat mampu membangun perangkat lunak AI. Namun, pertanyaan baru-baru ini di Ask HN tentang cara masuk ke rekayasa AI mengungkapkan persepsi mendasar yang masih ada di pasar:
Kebanyakan orang masih melihat rekayasa AI sebagai bentuk pembelajaran mesin atau rekayasa data, jadi mereka merekomendasikan tumpukan teknologi yang sama. Tetapi Anda dapat yakin bahwa tidak ada insinyur AI yang sangat efektif yang disebutkan di atas telah melakukan pekerjaan yang setara dengan kursus Andrew Ng Coursera, mereka tidak mengetahui PyTorch, dan mereka tidak mengetahui perbedaan antara danau data dan gudang data.
**Segera, tidak ada yang akan menyarankan untuk memulai rekayasa AI dengan membaca Hanya Perhatian yang Anda Butuhkan, sama seperti Anda akan belajar mengemudi dengan membaca gambar Ford Model T. Tentu saja, memahami dasar-dasar dan sejarah selalu membantu, dan itu benar-benar dapat membantu Anda menemukan inovasi dan perolehan efisiensi/kemampuan yang belum memasuki kesadaran umum. Namun terkadang, Anda bisa menggunakan produk secara langsung dan mengetahui kualitasnya melalui pengalaman.
Harus diakui, pembalikan AI engineer dan ML engineer tidak akan terjadi dalam semalam. Orang-orang secara alami ingin menyempurnakan resume mereka, mengisi peta pasar, dan tampil menonjol dengan mengutip topik mendalam yang lebih otoritatif. Meskipun demikian, rekayasa cepat dan rekayasa AI akan merasa dirugikan dibandingkan mereka yang memiliki latar belakang ilmu data/pembelajaran mesin yang solid untuk waktu yang lama. Namun, ekonomi penawaran dan permintaan pada akhirnya akan menang, dan permintaan akan insinyur AI akan jauh melebihi permintaan insinyur ML.
**03. Mengapa sekarang? **
Model dasarnya adalah "pebelajar beberapa langkah", yang menunjukkan kemampuan untuk belajar bahkan transfer tanpa tembakan dalam konteks, yang melampaui maksud asli dari pelatih model. Dengan kata lain, orang yang membuat model ini tidak sepenuhnya mengetahui kemampuannya. Mereka yang bukan peneliti LLM dapat menemukan dan memanfaatkan kemampuan ini hanya dengan menghabiskan lebih banyak waktu untuk berinteraksi dengan model dan menerapkannya pada bidang penelitian yang kurang dihargai (misalnya penerapan Jasper pada copywriting).
Microsoft, Google, Meta, dan laboratorium model fundamental besar telah memonopoli bakat penelitian yang langka, yang pada dasarnya menyediakan API "penelitian AI sebagai layanan". Anda tidak dapat mempekerjakan mereka, tetapi Anda dapat menyewa mereka - jika Anda memiliki insinyur perangkat lunak di tim Anda yang tahu cara bekerja dengan mereka. ** Ada sekitar 5.000 peneliti LLM di seluruh dunia, tetapi ada sekitar 50 juta insinyur perangkat lunak. Kendala pasokan menentukan bahwa insinyur AI "hub" akan muncul untuk memenuhi permintaan pasar. **
**3. Cadangan GPU. **Tentu saja, OpenAI/Microsoft adalah yang pertama melakukan pekerjaan ini, tetapi Stability AI memicu perlombaan senjata GPU di antara para pemula dengan menekankan 4000 cluster GPU mereka.
**4 Tindakan gesit langsung dari produk. **Alih-alih meminta ilmuwan data/insinyur ML untuk melakukan pengumpulan data yang berat sebelum melatih model khusus domain dan kemudian memasukkannya ke dalam produksi, manajer produk/insinyur perangkat lunak dapat meminta LLM terlebih dahulu, dan membangun/memvalidasi ide produk, lalu Kemudian dapatkan data spesifik untuk fine-tuning.
**5.Python → Java. **Data/AI secara tradisional sangat bergantung pada Python, dan alat teknik AI pertama seperti LangChain, LlamaIndex, dan Guardrails juga berasal dari komunitas yang sama. Namun, kini jumlah pengembang Java sama banyaknya dengan jumlah pengembang Python, jadi alat-alat sekarang semakin melayani basis pengguna yang diperluas ini, dari LangChain.js dan Transformers.js hingga AI SDK baru Vercel. Peluang perluasan pasar sangat besar.
**6. AI Generatif vs Pengklasifikasi ML. ** "AI Generatif" sebagai istilah telah ketinggalan zaman, memberi jalan bagi kategori lain seperti "Mesin Inferensi", tetapi secara ringkas menjabarkan perbedaan antara alat MLOps yang ada dan praktisi pembelajaran mesin dan apa yang paling cocok untuk digunakan LLM dan Masih sangat berguna saat melihat peran baru dan berbeda dari pembuat teks-ke-gambar. Sementara penelitian pembelajaran mesin yang ada mungkin berfokus pada hal-hal seperti risiko penipuan, sistem pemberi rekomendasi, deteksi anomali, dan penyimpanan fitur, para insinyur AI sedang membangun aplikasi penulisan, alat pembelajaran yang dipersonalisasi, spreadsheet bahasa alami, dan aplikasi mirip Factorio. Bahasa pemrograman visual.
Setiap kali ada subkelompok dengan latar belakang yang sama sekali berbeda, berbicara dengan bahasa yang berbeda, menghasilkan produk yang sama sekali berbeda, dan menggunakan alat yang sama sekali berbeda, mereka akhirnya terpecah menjadi kelompok yang terpisah.
04, 1+2=3: Pemrograman di era software 3.0
6 tahun yang lalu, Andrej Karpathy menulis artikel yang sangat berpengaruh yang menjelaskan Perangkat Lunak 2.0, membandingkan "tumpukan klasik" dari bahasa pemrograman tulisan tangan tradisional yang memodelkan logika dengan tepat, dan jaringan saraf "pembelajaran mesin" baru yang mendekati logika. memungkinkan perangkat lunak untuk memecahkan lebih banyak masalah daripada yang dapat dimodelkan oleh manusia. Tahun ini, dia mencatat dalam artikel selanjutnya bahwa Bahasa pemrograman baru yang paling populer adalah bahasa Inggris, akhirnya mengisi area abu-abu yang tidak dia tandai di artikel aslinya.
Tetapi salah satu tema terbesar di tahun 2023 adalah membangun kembali peran kode yang ditulis manusia dalam mengoordinasikan dan menggantikan kemampuan LLM, dari Langchain senilai lebih dari $200 juta, hingga Voyager yang didukung Nvidia, yang menunjukkan pentingnya pembuatan dan penggunaan kembali kode secara jelas. . Rekayasa overhyped dan di sini untuk tinggal, tetapi kemunculan kembali paradigma Perangkat Lunak 1.0 dalam aplikasi Perangkat Lunak 3.0 merupakan peluang besar dan area kebingungan, menciptakan ruang putih untuk banyak startup.
Tentu saja, ini bukan hanya kode yang ditulis oleh manusia. Cerita dari berbagai proyek menunjukkan (smol-developer, lebih luas gpt-engineer dan petualangan agen pembuat kode lainnya seperti Codium AI, Codegen.ai dan Morph/Rift) bahwa mereka akan semakin menjadi bagian dari perangkat AI engineer . Saat insinyur manusia belajar memanfaatkan AI, AI akan semakin terlibat dalam rekayasa.
Sampai suatu saat jauh di masa depan kita akan melihat ke atas dan tidak lagi bisa membedakan keduanya.
Referensi