AI Engineer - מה התפקיד ואיך נהיים אחד¶

בשנה או שנתיים האחרונות התחילה להופיע בלוחות המשרות כותרת שלא הייתה קיימת קודם באותה תדירות - AI Engineer. לא Data Scientist, לא ML Engineer, אלא תפקיד חדש יחסית עם דרישות משלו. אם אתם רואים את זה ותוהים מה זה בדיוק ואיך נכנסים אליו, הפוסט הזה בשבילכם.

מה זה בעצם AI Engineer¶

בהגדרה הפשוטה ביותר, AI Engineer הוא מפתח שמתמחה בשילוב מודלים קיימים - בעיקר מודלי שפה גדולים כמו GPT או Claude - בתוך מוצרים ומערכות אמיתיות. זה שונה מהותית מתפקיד של חוקר ML קלאסי, שהתפקיד שלו הוא לבנות ולאמן מודלים חדשים מאפס. ה-AI Engineer לרוב לא מאמן מודל בעצמו - הוא לוקח מודל שכבר קיים, ובונה סביבו תשתית: ניהול prompts, שליפת מידע רלוונטי (RAG), חיבור לכלים חיצוניים, טיפול בשגיאות ובעלויות, ווידוא שהמערכת עובדת בסקייל.

למה התפקיד הזה בכלל נוצר¶

עד לפני כמה שנים, כדי "לעשות AI" הייתם צריכים צוות מחקר שלם שיבנה מודל מאפס - תהליך יקר, איטי, ודורש התמחות עמוקה. ברגע שמודלי שפה כלליים וחזקים הפכו לזמינים דרך API, נפתחה דרך חדשה וזולה הרבה יותר להטמיע AI במוצר - לא לבנות מודל, אלא להשתמש נכון במודל קיים. זה יצר ביקוש עצום לאנשים שיודעים לעשות בדיוק את זה, ומכאן התפקיד. לפי דיווחים בתעשייה, זה אחד הכיוונים שגדלים הכי מהר בתוך עולם ה-AI הרחב יותר, בעיקר כי הוא נגיש יותר למפתחים שכבר קיימים בשוק, לעומת דרישה לחוקרים ייעודיים.

מה זה אומר על רף הכניסה¶

הנקודה החשובה ביותר להבין: תפקיד AI Engineer מוריד משמעותית את דרישת המתמטיקה העמוקה לעומת תפקיד ML קלאסי, אבל בתמורה מעלה את הדרישה למיומנויות הנדסת תוכנה כלליות. אתם לא צריכים להבין backpropagation לעומק כדי לבנות אפליקציה טובה שמשתמשת ב-API של מודל שפה. אבל אתם כן צריכים לדעת לבנות מערכת production אמיתית - עם טיפול בשגיאות, עם ניהול עלויות (קריאות למודלים עולות כסף), עם אבטחה, עם ביצועים סבירים תחת עומס. במילים אחרות, זה תפקיד שדורש להיות קודם כל מהנדס תוכנה טוב, ורק אחר כך "אדם AI".

אילו כלים וטכנולוגיות רלוונטיים¶

הכלים המרכזיים בתפקיד הזה שונים מאלה של ML קלאסי:

פייתון - עדיין השפה הדומיננטית, למרות שהרבה מערכות production בנויות גם ב-TypeScript או Go.
ספריות לעבודה עם LLM - כמו Hugging Face Transformers לעבודה מול מודלים פתוחים, ו-LangChain או כלים דומים לבניית שרשראות לוגיקה סביב מודלים.
הבנת RAG - טכניקה לשליפת מידע רלוונטי והזנתו למודל, כדי שהתשובות יהיו מבוססות על מידע עדכני ואמיתי ולא רק על מה שהמודל "זוכר".
SQL בסיסי - כי כמעט כל מערכת AI אמיתית מתחברת בסוף למקור נתונים כלשהו.
הבנה בסיסית של תשתיות - Bash, ענן, קונטיינרים - כי המודלים האלה צריכים לרוץ איפשהו, אמין וזמין.

איך בפועל נכנסים לתפקיד¶

הדרך המעשית ביותר שראיתי עובדת היא לא ללמוד "AI Engineering" כקורס תיאורטי מבודד, אלא לבנות תשתית של מפתח טוב, ואז להוסיף עליה שכבת התמחות:

בנו בסיס תכנותי אמיתי בפייתון. בלי זה, כל שאר השלבים יהיו קופסה שחורה.
תרגלו עבודה עם API באופן כללי - שליחת בקשות, טיפול בתגובות, ניהול שגיאות. זה בדיוק מה שתעשו מול מודלי שפה.
בנו פרויקט קטן שמשתמש במודל שפה אמיתי - למשל בוט שעונה על שאלות מתוך מסמכים שלכם, או כלי שמסכם טקסטים ארוכים.
התעמקו בכלי אחד לעומק, במקום להכיר עשרה כלים ברמה שטחית. LangChain או Transformers הם שתי נקודות התחלה טובות.

יש לנו קורס מלא שעוסק ספציפית בפיתוח עם AI ובעבודה עם כלים כאלה - פיתוח עם AI - שיכול להיות נקודת המשך טובה אחרי שתבנו את הבסיס התכנותי.

לסיכום¶

AI Engineer הוא תפקיד חדש יחסית שנולד מהזמינות של מודלי שפה חזקים, והוא נגיש יותר מבחינת מתמטיקה מתפקיד ML קלאסי - אבל תובעני לא פחות מבחינת הנדסת תוכנה. אם אתם כבר מפתחים סבירים, זה יכול להיות מסלול כניסה מהיר יחסית לעולם ה-AI. אם אתם עוד לא, הבסיס התכנותי הוא תמיד התחנה הראשונה.

רוצים לדבר עם אנשים שכבר עושים את זה בפועל? הצטרפו לקהילה בדיסקורד.