人工智能工程师和应用数据科学家的角色已经发生了显着的转变。但它的发展方向是什么？我们该如何准备？
去年，人工智能工程师和应用数据科学家的角色发生了显着转变。作为一个深陷其中的人，我想分享我对它如何演变以及它可能走向何方的观察。
2023 年，重点主要是开发基于聊天的解决方案。人类和人工智能之间的典型互动很简单：问题和答案，或者呼叫和响应。这种交互模式通常如下所示：
- 用户任务
- 助理解答
- 用户任务
- 助理解答
- （等等）
应用数据科学家和人工智能工程师都花了很多时间学习瞬息万变的工程艺术、监控幻觉以及调整温度等参数以获得最佳性能。
公司感到迫切需要采用人工智能，要么是出于对人工智能可能产生的竞争优势的纯粹兴奋，要么是出于高管和投资者的健康鼓励。但开箱即用的模型缺乏对公司流程、领域知识、业务规则和文档的细微差别和理解。引入检索增强生成（RAG）来解决这一差距，并提供一种方法来防止语言模型用作上下文的信息变得陈旧。
使用生成人工智能的应用数据科学家的角色从专注于构建自定义模型转变为学习如何从最新的最先进技术中提取最佳性能。
当可以与 OpenAI 的 GPT-3.5 竞争的竞争性开源模型开始出现时，它为一系列可能的技术发展打开了大门。突然之间，构建工具变得更加灵活和可见，这些工具可以提高语言模型能够完成的任务类型的能力。
Semantic Kernel、Autogen 和 LangChain 等模型编排库开始流行，人工智能工程师的角色也随之扩大。为了充分利用这些开发工具，需要更多的开发技能、精通面向对象编程以及熟悉如何将人工智能解决方案扩展到业务流程。
当人工智能开始与外部系统交互时，游戏规则真正发生了变化。 2022 年，引入了模块化推理、知识和语言（MRKL）系统。该系统是第一个将语言模型、外部知识源和离散推理相结合的系统，为构建可以采取行动影响外部世界的人工智能系统提供了更多机会。
但到 2023 年，我们拥有了更正式的工具，例如 ChatGPT 插件、语义函数以及其他可以由语言模型调用和使用的工具。这开辟了一个全新的可能性维度，并将应用数据科学家和人工智能工程师的角色转变为更加注重开发。这意味着现在他们不仅负责人工智能模型的内部运作，还要编写使模型能够与内部系统交互并执行现实世界操作的代码。
工具调用的加入标志着从基于聊天的系统到基于动作的系统的领先，并迅速发展为代理人工智能的兴起。
代理人工智能提供了扩展语言模型功能的新可能性，从而扩大了人工智能工程师的作用。复杂性急剧增加，从从一个模型提取最佳输出转变为一组模型协同工作。随着选择的增多，设计选择也变得更加多样化，例如：
- 如何组建座席团队（有多少座席，负责什么任务等）
- 他们应该遵循什么对话模式
- 如何使他们能够使用正确的工具集有效地完成任务
- 如何分解任务以使座席做出准确且一致的响应
通常，这种级别的设计选择（系统的架构方式）发生在人工智能工程师/数据科学家级别之上，而复杂的设计选择则由管理层甚至高级管理层处理。但是，创建成功的代理系统所需的创作自由度导致了工程师的设计自由度和责任的下降。
“应用数据科学家/人工智能工程师的角色正在转变为开发和创造性解决问题的独特结合。实验、批判性思考和设计可扩展的人工智能系统团队所需的创造性思维应该改变公司看待人工智能实践招聘的方式。”
在我看来，人工智能工程的未来在于我们快速适应和创造性地解决问题的能力。最成功的人工智能工程师并不是那些最擅长开发的工程师，而是那些能够：
- 快速掌握新主题并应用
- 在没有预定义路线图的情况下解决问题
- 随着新技术的出现而迅速转向
- 有效地管理他们的时间
进入这个快速发展的领域是一个激动人心的时刻，但要保持领先地位所需的个人投资并不适合胆小的人。
注意：本文和论文中表达的观点仅代表我自己，并不一定反映我雇主的观点或政策。
有兴趣开始对话吗？在 Linkedin 上给我留言！我总是渴望进行深思熟虑并迭代我的工作。
免责声明
本文内容(图片、文章)翻译/转载自国内外资讯/自媒体平台。文中内容不代表本站立场，如有侵权或其它，请联系 admin@eiefun.com，我们会第一时间配合删除。