Andrew Ng اور DeepLearning.AI نے AI Engineering Skills Map کا انکشاف کیا ہے، جو ایک ایسا فریم ورک ہے جو ان چھ بنیادی مہارتوں کو گروپس میں تقسیم کرتا ہے جو تجرباتی پرامپٹس (experimental prompts) کو پروڈکشن گریڈ AI سسٹمز میں تبدیل کرنے کے لیے ضروری ہیں۔ یہ میپ ان انجینئرز کو نشانہ بناتا ہے جو "vibe coding" سے آگے بڑھ کر قابل اعتماد اور اسکیل ایبل (scalable) AI مصنوعات فراہم کرنا چاہتے ہیں۔

"vibe coding" کیوں ایک رکاوٹ ہے

بہت سے کاروباری اداروں میں، ڈویلپرز لارج لینگویج ماڈلز (LLMs) کے ساتھ ایک جادوئی چھڑی کی طرح پیش آتے ہیں: وہ ایک پرامپٹ لکھتے ہیں، چند آؤٹ پٹس پر نظر ڈالتے ہیں، اور کام مکمل سمجھ لیتے ہیں۔ یہ شارٹ کٹ فوری ڈیمو کے لیے تو ٹھیک ہے، لیکن حقیقی دنیا کے استعمال میں ناکام ہو جاتا ہے۔ LLMs غیر حتمی (non-deterministic) ہوتے ہیں—ایک جیسے ان پٹس ہر بار مختلف نتائج دے سکتے ہیں۔ منظم چیکس کے بغیر، ایک ایسا سسٹم جو لیب میں ٹھیک لگ رہا تھا، پروڈکشن میں خراب ہو سکتا ہے، جس سے مہنگا ڈاؤن ٹائم یا غیر محفوظ طرزِ عمل پیدا ہو سکتا ہے۔

میپ کی چھ مہارتیں

یہ Skills Map انجینئرنگ کے عمل کو چھ مختلف شعبوں میں تقسیم کرتا ہے، جن میں سے ہر ایک کے اپنے بہترین طریقے (best practices) اور ٹولز ہیں۔

  • Prompt Engineering – یہ آزادانہ متن (free-form text) سے آگے بڑھ کر منظم ٹیمپلیٹس کی طرف منتقل ہوتی ہے، جنہیں اکثر JSON schemas کے ذریعے نافذ کیا جاتا ہے۔ یہ ابہام کو کم کرتا ہے اور ڈاؤن اسٹریم پارسنگ (downstream parsing) کو قابلِ پیش گوئی بناتا ہے۔
  • Retrieval-Augmented Generation (RAG) – اس کے لیے دستاویزات کی انجیشن (document ingestion)، سیمنٹک چنکنگ (semantic chunking)، اور ایسی ریٹریول پائپ لائنز بنانے کی مہارت درکار ہوتی ہے جو ماڈل کو متعلقہ سیاق و سباق (context) فراہم کریں۔
  • Agentic Workflows – اس میں ایسے لوپس ڈیزائن کرنا شامل ہے جہاں ماڈل بیرونی ٹولز کو کال کر سکے، اسٹیٹ (state) کا انتظام کر سکے، اور خود مختارانہ طور پر فیصلے کر سکے۔
  • Fine-tuning – یہ انجینئرز کو یہ فیصلہ کرنے میں مدد دیتا ہے کہ صرف پرامپٹ کانٹیکسٹ پر انحصار کرنے کے بجائے کب ماڈل کے ویٹس (weights) کو ایڈجسٹ کرنا چاہیے، ایک ایسا انتخاب جو تسلسل کو بہتر بنا سکتا ہے اور ٹوکن کے استعمال کو کم کر سکتا ہے۔
  • Evaluation (Evals) – اس کے لیے خودکار ٹیسٹ سویٹس (automated test suites) کی ضرورت ہوتی ہے جو پہلے سے طے شدہ معیار کے مطابق درستگی، تعصب اور حفاظت کی پیمائش کریں۔ ایک ناکام ٹیسٹ کو کسی بھی دوسرے کوڈ ریگریشن کی طرح بلڈ (build) کو روک دینا چاہیے۔
  • Operations – یہ لیٹنسی بجٹنگ (latency budgeting)، لاگت کی نگرانی، اور ریئل ٹائم میں ماڈل ڈرفٹ (model drift — جیسے جیسے ڈیٹا بدلتا ہے ماڈل کے رویے میں بتدریج تبدیلی) کو سنبھالنے پر توجہ مرکوز کرتا ہے۔

LLM کو ایک بلیک باکس کے بجائے ایک غیر قابل اعتماد API کے طور پر دیکھ کر، ٹیمیں وہی سختی لاگو کر سکتی ہیں جو وہ روایتی سروسز کے لیے استعمال کرتی ہیں۔

کسے فائدہ ہوگا اور کون پیچھے رہ جائے گا

انجینئرنگ لیڈرز جو صرف مشین لرننگ کے پی ایچ ڈی (PhDs) کے ذریعے عملہ بھرتے ہیں، وہ دیکھ سکتے ہیں کہ ان کے منصوبے رک گئے ہیں۔ یہ میپ سسٹم انجینئرز کی ضرورت پر زور دیتا ہے—ایسے لوگ جو API ڈیزائن، کیشنگ اسٹریٹجیز، اور خودکار ٹیسٹنگ میں مہارت رکھتے ہوں۔ بیک اینڈ انجینئرز کی مہارتوں میں اضافہ کرنا تاکہ وہ کانٹیکسٹ ونڈوز (context windows) کا انتظام کر سکیں، ایویلیوایشن ہارنسز (evaluation harnesses) بنا سکیں، اور آپریشنل میٹرکس کی نگرانی کر سکیں، ٹیلنٹ کے فرق کو پاٹ سکتا ہے اور ڈیلیوری کو تیز کر سکتا ہے۔