Andrew Ng และ DeepLearning.AI ได้เปิดตัว AI Engineering Skills Map ซึ่งเป็นกรอบการทำงานที่จัดกลุ่มสมรรถนะหลัก 6 ประการที่จำเป็นในการเปลี่ยนจากพรอมต์เชิงทดลองไปสู่ระบบ AI ระดับที่ใช้งานจริงได้ (production-grade) แผนผังนี้มุ่งเป้าไปที่วิศวกรที่ต้องการก้าวข้ามผ่าน “vibe coding” และส่งมอบผลิตภัณฑ์ AI ที่เชื่อถือได้และขยายขนาดได้

ทำไม “vibe coding” จึงเป็นอุปสรรค

ในหลายองค์กร นักพัฒนาปฏิบัติกับโมเดลภาษาขนาดใหญ่ (LLMs) ราวกับเป็นไม้กายสิทธิ์: พวกเขาเขียนพรอมต์ ดูผลลัพธ์เพียงไม่กี่ตัวอย่าง แล้วก็ถือว่าเสร็จสิ้น วิธีลัดนี้อาจใช้ได้กับการสาธิตแบบเร็วๆ แต่จะล้มเหลวเมื่อนำไปใช้งานจริงในโลกแห่งความเป็นจริง เนื่องจาก LLMs มีลักษณะที่ไม่เป็นแบบกำหนดตายตัว (non-deterministic) ซึ่งหมายความว่าอินพุตที่เหมือนกันสามารถให้ผลลัพธ์ที่แตกต่างกันได้ในแต่ละครั้ง หากไม่มีการตรวจสอบอย่างเป็นระบบ ระบบที่ดูเหมือนจะใช้งานได้ดีในห้องแล็บอาจพังทลายลงเมื่อใช้งานจริง ส่งผลให้เกิดช่วงเวลาที่ระบบหยุดทำงาน (downtime) ที่มีค่าใช้จ่ายสูง หรือพฤติกรรมที่ไม่ปลอดภัย

สมรรถนะทั้ง 6 ประการของแผนผังนี้

Skills Map แบ่งกระบวนการทางวิศวกรรมออกเป็น 6 ด้านที่แตกต่างกัน โดยแต่ละด้านจะมีแนวทางปฏิบัติและเครื่องมือเฉพาะตัว

  • Prompt Engineering – ก้าวข้ามการใช้ข้อความแบบอิสระไปสู่เทมเพลตที่มีโครงสร้าง ซึ่งมักจะบังคับใช้ด้วย JSON schemas วิธีนี้ช่วยลดความคลุมเครือและทำให้การแยกข้อมูล (parsing) ในขั้นตอนถัดไปมีความแม่นยำและคาดการณ์ได้
  • Retrieval-Augmented Generation (RAG) – ต้องมีความเชี่ยวชาญในการนำเข้าเอกสาร (document ingestion), การแบ่งส่วนข้อมูลเชิงความหมาย (semantic chunking) และการสร้างไปป์ไลน์การสืบค้น (retrieval pipelines) เพื่อส่งบริบทที่เกี่ยวข้องไปยังโมเดล
  • Agentic Workflows – เกี่ยวข้องกับการออกแบบลูป (loops) ที่โมเดลสามารถเรียกใช้เครื่องมือภายนอก จัดการสถานะ (state) และตัดสินใจได้ด้วยตนเอง
  • Fine-tuning – ช่วยให้วิศวกรตัดสินใจได้ว่าเมื่อใดควรปรับน้ำหนัก (weights) ของโมเดล แทนที่จะพึ่งพาเพียงแค่บริบทของพรอมต์ ซึ่งเป็นทางเลือกที่สามารถเพิ่มความสม่ำเสมอและลดการใช้โทเคน (token) ได้
  • Evaluation (Evals) – ต้องใช้ชุดการทดสอบอัตโนมัติที่วัดความแม่นยำ อคติ และความปลอดภัยตามเกณฑ์ที่กำหนดไว้ล่วงหน้า หากการทดสอบล้มเหลวควรจะทำให้การ build ล้มเหลว (break the build) เช่นเดียวกับการถดถอยของโค้ด (code regression) อื่นๆ
  • Operations – มุ่งเน้นไปที่การจัดการงบประมาณความหน่วง (latency budgeting), การตรวจสอบต้นทุน และการจัดการ model drift (การเปลี่ยนแปลงพฤติกรรมของโมเดลอย่างค่อยเป็นค่อยไปเมื่อข้อมูลมีการพัฒนาไป) แบบเรียลไทม์

ด้วยการปฏิบัติกับ LLM ในฐานะ API ที่ไม่น่าไว้วางใจ แทนที่จะเป็นกล่องดำ (black box) ทีมงานจะสามารถใช้ความเข้มงวดในระดับเดียวกับที่ใช้กับบริการแบบดั้งเดิมได้

ใครได้ประโยชน์และใครจะถูกทิ้งไว้ข้างหลัง

ผู้นำด้านวิศวกรรมที่จ้างเฉพาะผู้จบปริญญาเอกด้าน Machine Learning อาจพบว่าโครงการหยุดชะงัก แผนผังนี้เน้นย้ำถึงความจำเป็นของวิศวกรระบบ (systems engineers) ซึ่งเป็นผู้ที่มีความเชี่ยวชาญในการออกแบบ API, กลยุทธ์การทำ caching และการทดสอบอัตโนมัติ การยกระดับทักษะ (upskilling) วิศวกร backend ให้สามารถจัดการ context windows, สร้างระบบประเมินผล (evaluation harnesses) และตรวจสอบตัวชี้วัดด้านการปฏิบัติการ (operational metrics) สามารถช่วยปิดช่องว่างด้านทักษะและเร่งการส่งมอบงานได้