Andrew Ng மற்றும் DeepLearning.AI ஆகியோர் AI Engineering Skills Map-ஐ வெளியிட்டனர். சோதனை ரீதியான ப்ராம்ப்ட்களை (experimental prompts) உற்பத்தித் தரத்திலான AI அமைப்புகளாக (production-grade AI systems) மாற்றுவதற்குத் தேவையான ஆறு முக்கியத் திறன்களை இந்த வரைபடம் வகைப்படுத்துகிறது. "vibe coding" என்பதையும் தாண்டி, நம்பகமான மற்றும் அளவிடக்கூடிய AI தயாரிப்புகளை வழங்க விரும்பும் பொறியாளர்களை இது இலக்கு வைக்கிறது.

“vibe coding” ஏன் ஒரு தடையாகும்

பல நிறுவனங்களில், டெவலப்பர்கள் பெரிய மொழி மாதிரிகளை (LLMs) ஒரு மந்திரக்கோல் போலக் கையாளுகின்றனர்: அவர்கள் ஒரு ப்ராம்ப்ட்டை எழுதுகிறார்கள், சில வெளியீடுகளைப் பார்க்கிறார்கள், அவ்வளவுதான் என்று முடித்துவிடுகிறார்கள். இந்த குறுக்குவழி விரைவான டெமோக்களுக்குப் பயன்படும், ஆனால் நிஜ உலகப் பயன்பாட்டில் இது தோல்வியடையும். LLM-கள் நிர்ணயிக்கப்படாதவை (non-deterministic)—ஒரே மாதிரியான உள்ளீடுகள் ஒவ்வொரு முறையும் வெவ்வேறு முடிவுகளைத் தரலாம். முறையான சோதனைகள் இல்லையெனில், ஆய்வகத்தில் சரியாகத் தெரிந்த ஒரு அமைப்பு, பயன்பாட்டில் தோல்வியடைந்து, அதிகப்படியான செலவுமிக்க முடக்கம் அல்லது பாதுகாப்பற்ற நடத்தையை ஏற்படுத்தக்கூடும்.

வரைபடத்தின் ஆறு திறன்கள்

இந்தத் திறன் வரைபடம் பொறியியல் செயல்முறையை ஆறு தனித்துவமான பகுதிகளாகப் பிரிக்கிறது, ஒவ்வொன்றும் அதன் சொந்த சிறந்த நடைமுறைகள் மற்றும் கருவிகளைக் கொண்டுள்ளது.

  • Prompt Engineering – முறையற்ற உரையாடல்களிலிருந்து மாறி, பெரும்பாலும் JSON schemas மூலம் கட்டாயப்படுத்தப்படும் கட்டமைக்கப்பட்ட டெம்ப்ளேட்களை நோக்கி நகர்கிறது. இது தெளிவற்ற தன்மையைக் குறைத்து, அடுத்தகட்ட தரவுப் பகுப்பாய்வை (parsing) கணிக்கக்கூடியதாக மாற்றுகிறது.
  • Retrieval-Augmented Generation (RAG) – ஆவணங்களை உள்ளிழுத்தல் (document ingestion), அர்த்தமுள்ள துண்டுகளாகப் பிரித்தல் (semantic chunking) மற்றும் மாதிரியானது பொருத்தமான சூழலை (context) பெறுவதற்கான தேடல் வழிமுறைகளை (retrieval pipelines) உருவாக்குவதில் நிபுணத்துவம் தேவைப்படுகிறது.
  • Agentic Workflows – மாதிரி வெளிப்புறக் கருவிகளைப் பயன்படுத்துதல், நிலையை (state) நிர்வகித்தல் மற்றும் சுயமாக முடிவெடுத்தல் போன்ற சுழற்சிகளை (loops) வடிவமைப்பதை உள்ளடக்கியது.
  • Fine-tuning – ப்ராம்ப்ட் சூழலை மட்டும் நம்பியிருக்காமல், ஒரு மாதிரியின் எடைகளை (weights) எப்போது மாற்றியமைக்க வேண்டும் என்பதை பொறியாளர்கள் தீர்மானிக்க உதவுகிறது. இது நிலைத்தன்மையை மேம்படுத்தவும் டோக்கன் பயன்பாட்டைக் குறைக்கவும் உதவும்.
  • Evaluation (Evals) – முன் வரையறுக்கப்பட்ட அளவுகோல்களின் அடிப்படையில் துல்லியம், சார்புநிலை (bias) மற்றும் பாதுகாப்பை அளவிடும் தானியங்கி சோதனைத் தொகுப்புகளைக் கோருகிறது. மற்ற குறியீட்டுப் பிழைகளைப் போலவே, ஒரு தோல்வியுற்ற சோதனையும் கட்டமைப்பை (build) நிறுத்த வேண்டும்.
  • Operations – தாமத வரவு (latency budgeting), செலவு கண்காணிப்பு மற்றும் நிகழ்நேரத்தில் மாதிரி மாற்றங்களை (model drift - தரவு பரிணாம வளர்ச்சியால் மாதிரியின் நடத்தையில் ஏற்படும் படிப்படியான மாற்றம்) கையாளுதல் ஆகியவற்றில் கவனம் செலுத்துகிறது.

LLM-ஐ ஒரு கருப்புப் பெட்டியாக (black box) கருதாமல், நம்பகத்தன்மையற்ற ஒரு API ஆகக் கருதுவதன் மூலம், குழுக்கள் பாரம்பரிய சேவைகளுக்குப் பயன்படுத்தும் அதே கண்டிப்பைப் பயன்படுத்த முடியும்.

யார் பயனடைகிறார்கள் மற்றும் யார் பின் தங்கியிருக்கிறார்கள்

இயந்திர கற்றல் (machine-learning) முனைவர் பட்டதாரிகளை மட்டுமே பணியமர்த்தும் பொறியியல் தலைவர்கள், திட்டங்கள் தேக்கமடைவதைக் காணலாம். API வடிவமைப்பு, கேச்சிங் உத்திகள் (caching strategies) மற்றும் தானியங்கி சோதனை ஆகியவற்றில் நிபுணத்துவம் பெற்ற சிஸ்டம்ஸ் இன்ஜினியர்களின் (systems engineers) தேவையை இந்த வரைபடம் வலியுறுத்துகிறது. சூழல் சாளரங்களை (context windows) நிர்வகிக்கவும், மதிப்பீட்டு கட்டமைப்புகளை உருவாக்கவும் மற்றும் செயல்பாட்டு அளவீடுகளைக் கண்காணிக்கவும் பேக்எண்ட் இன்ஜினியர்களை (backend engineers) மேம்படுத்துவது திறமை இடைவெளியைக் குறைத்து விநியோகத்தை விரைவுபடுத்தும்.