तकनीक में अभी सबसे ज़्यादा कमाई वाली भूमिका आपके डिप्लोमा की परवाह नहीं करती। वह इस बात की परवाह करती है कि आपने क्या बनाया और लॉन्च किया है। यहाँ बिल्कुल सटीक 12 महीने का रास्ता है।
ज़्यादातर लोग सोचते हैं कि AI में काम करने के लिए कंप्यूटर साइंस की डिग्री चाहिए। एक छोटे समूह ने समझ लिया कि तकनीक में सबसे ज़्यादा कमाई वाली बिल्डिंग भूमिका आपके डिप्लोमा की परवाह नहीं करती - वह इस बात की परवाह करती है कि आपने क्या बनाया और लॉन्च किया है। इन दोनों समूहों के बीच का अंतर क्रेडेंशियल्स नहीं है। यह एक पोर्टफोलियो है।
एक AI इंजीनियर वे सिस्टम बनाता है जो बड़े लैंग्वेज मॉडल को वास्तविक उत्पादों से जोड़ते हैं। वह सपोर्ट बॉट जो वास्तव में टिकट हल करता है। वह इंटरनल सर्च जो दस हज़ार दस्तावेज़ों में दबे जवाब को ढूंढ़ता है। वह एजेंट जो बिना किसी मानव निगरानी के मल्टी-स्टेप वर्कफ़्लो चलाता है।
यह रिसर्च नहीं है। यह स्क्रैच से मॉडल ट्रेन करना नहीं है। यह AI को कोर बनाकर प्रोडक्शन सॉफ़्टवेयर बनाना है - और यह पूरे बाज़ार में सबसे अधिक माँग वाली नौकरियों में से एक है।
यहाँ वह हिस्सा है जो किसी ने आपको नहीं बताया। इनमें से अधिकांश भूमिकाओं के लिए, शिप किए गए प्रोजेक्ट्स का पोर्टफोलियो डिग्री से अधिक वज़न रखता है। हायरिंग मैनेजर आपको साफ़ बताएँगे: उन्होंने सेल्फ-टॉट इंजीनियरों को PhD होल्डर्स से बेहतर प्रदर्शन करते देखा है, क्योंकि शिप करना पढ़ने से अलग कौशल है। क्रेडेंशियल गेट ज़्यादातर एक भ्रम है, और जो लोग इसे जल्दी समझ लेते हैं, वे वर्षों आगे निकल जाते हैं।
यह रास्ता है। कोई डिग्री ज़रूरी नहीं। बिल्कुल ऐसा दिखता है।
बिल्डर, वैज्ञानिक नहीं
ज़्यादातर लोग गलत लक्ष्य पर निशाना लगाते हैं। दो भूमिकाएँ आपस में भ्रमित हो जाती हैं। मशीन लर्निंग रिसर्चर नए मॉडल का आविष्कार करता है और उन्हें ट्रेन करता है - उस काम को वास्तव में उन्नत डिग्री और भारी गणित की आवश्यकता होती है, और यह बाज़ार का एक छोटा सा हिस्सा है। AI इंजीनियर पहले से मौजूद मॉडल लेता है और उनसे उपयोगी चीज़ें बनाता है - वह काम सॉफ़्टवेयर कौशल, प्रोडक्ट समझ और शिपिंग अनुशासन को अकादमिक क्रेडेंशियल्स से कहीं अधिक पुरस्कृत करता है।
यह भूमिका तीन चीज़ों के प्रतिच्छेदन पर बैठती है: सॉफ़्टवेयर इंजीनियरिंग, लैंग्वेज मॉडल के व्यवहार की काम करने वाली समझ, और प्रोडक्ट थिंकिंग। पहले दिन आपको तीनों में उत्कृष्ट होने की ज़रूरत नहीं है। आपको सक्षम और सुधार करने वाला होना चाहिए - और आपके पास प्रमाण होना चाहिए।
FIG 01 — तीनों में उत्कृष्ट होने की ज़रूरत नहीं। सक्षम, सुधार करने वाला, साबित करने योग्य।
→ 12 महीने का बिल्ड ट्रैक
छह चरण। हर एक को शिप करें।
बारह महीने एक वास्तविक समयरेखा है - और यह तभी काम करता है जब आप पूरे समय बना रहे हों। नीचे एम्बर नोड एक ऐसे चरण को चिह्नित करते हैं जो एक शिप किए गए पोर्टफोलियो प्रोजेक्ट के साथ समाप्त होता है।
रिट्रीवल-ऑगमेंटेड जनरेशन
एक मॉडल केवल वही जानता है जिस पर उसे प्रशिक्षित किया गया और जो आप उसके सामने रखते हैं। RAG आपके डेटा से सही जानकारी प्राप्त करता है और उसे मॉडल के सामने रखता है - ताकि वह आपकी कंपनी के दस्तावेज़ों, किसी उत्पाद मैनुअल, नॉलेज बेस के बारे में सटीक उत्तर दे सके।
आप दस्तावेज़ों को टुकड़ों में तोड़ते हैं, उन्हें एम्बेडिंग में बदलते हैं, एक वेक्टर डेटाबेस में संग्रहीत करते हैं, और किसी भी प्रश्न के लिए सबसे प्रासंगिक टुकड़े प्राप्त करते हैं।
FIG 02 — अपने डेटा को एक बार इंडेक्स करें; हर प्रश्न पर पुनर्प्राप्त करें + जनरेट करें।
एक मॉडल जिसमें टूल और एक लूप हो
RAG ऐप एक प्रश्न का उत्तर देता है। एक एजेंट काम पूरा करता है। वह एक लक्ष्य लेता है, उसे चरणों में तोड़ता है, प्रत्येक चरण को पूरा करने के लिए टूल का उपयोग करता है, और जो हुआ उसके आधार पर तय करता है कि आगे क्या करना है।
आपने पहले ही चरण 2 में टूल उपयोग सीख लिया - अब आप इसे एक लूप में डालते हैं और उस गड़बड़ वास्तविकता को संभालते हैं कि एजेंट कभी-कभी चक्कर लगाते हैं, गलत टूल कॉल करते हैं, या अटक जाते हैं।
FIG 03 — डेमो और विश्वसनीय के बीच का अंतर Observe → Decide में रहता है: विफलता हैंडलिंग।
तीन शिप किए गए प्रोजेक्ट > एक मास्टर डिग्री
अब तक आपके पास तीन वास्तविक प्रोजेक्ट हैं: एक RAG एप्लिकेशन जिसका मूल्यांकन किया गया है, एक मल्टी-एजेंट सिस्टम जो एक वास्तविक समस्या हल करता है, और एक डिप्लॉय किया गया सिस्टम जिसमें मॉनिटरिंग है। प्रत्येक को एक स्पष्ट केस स्टडी के रूप में लिखें - समस्या, दृष्टिकोण, आपने क्या मापा, आप अलग क्या करेंगे। फिर आवेदन करें, एक यथार्थवादी पहले कदम के रूप में AI-ऑगमेंटेड सॉफ़्टवेयर भूमिका से शुरुआत करें।
जब साक्षात्कार में पूछा जाए कि "एजेंट को टूल विफलता को कैसे संभालना चाहिए, इसके बारे में तर्क करें" या "समझाएं कि आप RAG सिस्टम का मूल्यांकन कैसे करेंगे," तो आप सिद्धांत नहीं दोहराएँगे। आप वर्णन करेंगे कि आपने वास्तव में क्या किया। यही पूरा खेल है।
जो क्रेडेंशियल गेट ज़्यादातर लोगों को बाहर रखता है, वह वही गेट है जिसे अधिकांश कंपनियों ने पहले ही लागू करना बंद कर दिया है।
