Andrew Ng en DeepLearning.AI hebben de AI Engineering Skills Map onthuld, een raamwerk dat zes kerncompetenties groepeert die nodig zijn om experimentele prompts om te zetten in AI-systemen van productiekwaliteit. De kaart richt zich op engineers die verder willen gaan dan "vibe coding" en betrouwbare, schaalbare AI-producten willen leveren.

Waarom "vibe coding" een hindernis is

In veel ondernemingen behandelen ontwikkelaars large language models (LLM's) als een toverstaf: ze schrijven een prompt, werpen een blik op een handvol outputs en verklaren het werk voltooid. Deze kortere weg werkt voor snelle demo's, maar stort in bij echt gebruik. LLM's zijn niet-deterministisch — identieke inputs kunnen elke keer verschillende resultaten opleveren. Zonder systematische controles kan een systeem dat in het lab prima leek, in productie kapotgaan, wat leidt tot kostbare downtime of onveilig gedrag.

De zes competenties van de kaart

De Skills Map verdeelt het engineeringproces in zes afzonderlijke gebieden, elk met eigen best practices en tools.

  • Prompt Engineering – Gaat verder dan vrij tekstformaat naar gestructureerde templates, vaak afgedwongen met JSON-schema's. Dit vermindert ambiguïteit en maakt downstream parsing voorspelbaar.
  • Retrieval-Augmented Generation (RAG) – Vereist competentie in document-ingestie, semantische chunking en het bouwen van retrieval-pipelines die relevante context aan het model voeden.
  • Agentic Workflows – Omvat het ontwerpen van loops waarbij het model externe tools kan aanroepen, de status kan beheren en autonoom beslissingen kan nemen.
  • Fine-tuning – Helpt engineers te beslissen wanneer ze de gewichten van een model moeten aanpassen in plaats van alleen te vertrouwen op prompt-context, een keuze die de consistentie kan verbeteren en het tokenverbruik kan verlagen.
  • Evaluatie (Evals) – Vereist geautomatiseerde testsuites die nauwkeurigheid, bias en veiligheid meten aan de hand van vooraf gedefinieerde criteria. Een falende test zou de build moeten stoppen, net als elke andere code-regressie.
  • Operations – Richt zich op latency-budgettering, kostenmonitoring en het realtime afhandelen van model drift (de geleidelijke verschuiving in modelgedrag naarmate data evolueert).

Door het LLM te behandelen als een onbetrouwbare API in plaats van een black box, kunnen teams dezelfde strengheid toepassen als bij traditionele services.

Wie profiteert en wie blijft achter

Engineeringleiders die alleen personeel aannemen met een PhD in machine learning, kunnen merken dat projecten stagneren. De kaart benadrukt de noodzaak van systeemengineers — mensen die vloeiend zijn in API-ontwerp, caching-strategieën en geautomatiseerd testen. Het bijscholen van backend engineers om context windows te beheren, evaluatie-frameworks te bouwen en operationele metrieken te monitoren, kan het talenttekort overbruggen en de levering versnellen.