Jemand muss es zum Laufen bringen
Ein AI Engineer baut nützliche Funktionen auf einem Sprachmodell und belegt, dass sie funktionieren. Das Support-Team eines Versandhändlers in Leipzig wünscht sich eine Funktion, die Fragen der Belegschaft aus dem Mitarbeiterhandbuch beantwortet.
Jemand muss sie bauen, ihre Antworten prüfen und sie nach dem Start am Laufen halten. In vielen Teams heißt diese Rolle AI Engineer.
Am Ende dieser Lektion
Notiz
Ich kann beschreiben, was ein AI Engineer baut, prüft und betreibt.
Schlüsselwörter
| Begriff | Was er bedeutet |
|---|---|
| Modell | ein Programm, das aus Beispielen gelernt hat, Antworten zu erzeugen |
| Funktion | eine Sache, die ein Produkt für seine Nutzer tut |
| Evaluation | das Prüfen von Antworten an bekannten Fällen |
| Evaluationsset | feste Fragen mit den erwarteten Antworten |
| Schutzregel | eine Prüfung, die eine unsichere Ein- oder Ausgabe stoppt |
| Monitoring | das Beobachten der Zahlen eines laufenden Systems |
Die Zellen, die Lernende ausfüllen, bleiben in dieser Vorschau leer.
Bauen, prüfen und betreiben
Ein AI Engineer trainiert selten ein neues Modell. Er nimmt ein vorhandenes Modell und baut damit eine Funktion. Dazu gehören eine Anweisung, etwas Code und oft eine Suche in den eigenen Dokumenten der Firma.
Dann prüft er sie mit einem Evaluationsset. Zuletzt betreibt er sie: Mit Monitoring beobachtet er Kosten, Tempo und Qualität und korrigiert, was abweicht.
Eine Übersicht der Fähigkeiten
Der Beruf verbindet Fähigkeiten aus mehreren Bereichen. Sie brauchen genug Python, um Code zu lesen und zu ändern. Sie rufen ein Modell sicher von einem Server auf. Sie schreiben Testfälle und lesen Zahlen.
Vor allem erklären Sie einen Zielkonflikt: was Sie gewonnen haben, was es gekostet hat und woher Sie das wissen. Die Tabelle zeigt, wo jede Fähigkeit vorkommt.
Wo jede Fähigkeit gelehrt wird
| Fähigkeit | Was Sie damit tun | Wo Sie es lernen |
|---|---|---|
| Python und das Terminal | Code lesen, ändern und starten | Grundlagen, Softwareentwicklung im Berufsalltag |
| Ein Modell sicher aufrufen | Schlüssel auf dem Server, Antworten prüfen | Programmieren mit KI |
| Testen und messen | Evaluationssets schreiben, Genauigkeit berechnen | Machine-Learning-Engineering |
| Daten und Logs | Eine Woche voller Zahlen lesen | Datenanalyse und Data Engineering, DevOps |
| Tiefer einsteigen | Retrieval, Agenten, Evaluation im Detail | Die KI-Lektionen auf der Seite Ressourcen |
Die Zellen, die Lernende ausfüllen, bleiben in dieser Vorschau leer.
Probieren Sie es: Ihre Übersicht
# Bewerten Sie sich von 1 (neu für mich) bis 5 (sicher).
bewertungen = {
"Python": 3,
"Ein Modell aus Code aufrufen": 2,
"Ein Evaluationsset schreiben": 1,
"Logs und Zahlen lesen": 2,
"Einen Zielkonflikt erklären": 4,
}
ZIEL = 3
for faehigkeit in bewertungen:
if bewertungen[faehigkeit] < ZIEL:
print("Als Nächstes lernen:", faehigkeit)
else:
print("Bereit:", faehigkeit)
# Passen Sie die Bewertungen an sich an und starten Sie dann neu.
Die meiste Arbeit ist Prüfen
Ein Modell kann auf dieselbe Frage an einem anderen Tag anders antworten. Eine einzige gelungene Vorführung beweist deshalb nichts.
Ein AI Engineer führt ein Evaluationsset: Fragen mit den erwarteten Antworten. Nach jeder Änderung lässt er das ganze Set laufen und zählt die richtigen Antworten. Das Programm unten tut das mit einer aufgezeichneten Stichprobe.
Probieren Sie es: eine Stichprobe bewerten
# Eine aufgezeichnete Stichprobe: fünf Fragen, die erwartete
# Antwort und was eine Support-Funktion im Test geantwortet hat.
erwartet = ["14 Tage", "Freitag", "Formular B2", "Nein", "2 Wochen"]
geantwortet = ["14 Tage", "Montag", "Formular B2", "Nein", "Ich bin nicht sicher"]
richtig = 0
for stelle in range(len(erwartet)):
if erwartet[stelle] == geantwortet[stelle]:
richtig = richtig + 1
else:
print("Falsch bei Frage", stelle + 1)
print("Richtig:", richtig, "von", len(erwartet))
# Ändern Sie die zweite Antwort in "Freitag" und starten Sie neu.
Ein häufiger Irrtum
Warnung
Viele denken, ein AI Engineer trainiere vor allem neue Modelle. Ein großes Modell von Grund auf zu trainieren ist Forschungsarbeit, die nur sehr wenige Teams leisten. Die meisten bauen Funktionen auf vorhandenen Modellen und verbringen ihre Zeit mit Code, Evaluationssets und Monitoring.