AI engineer olmak için matematik gerekli mi?

AI ile bir şey yapmak isteyen insanların çoğu ilk satırı hiç yazmıyor ve bu neredeyse hiçbir zaman iş çok zor çıktığı için olmuyor. Daha erken duruyorlar: başkasının yazdığı bir ön koşul listesinde, üstelik komşu bir mesleği tarif eden bir listede. İşte insanları gerçekten durduran altı soru ve hak ettikleri kadar doğrudan cevaplar.

Matematiğin iyi olması gerekir mi?

Hayır. Aritmetik ve tabloya tahammül yeter; neredeyse tamamı bu.

Her yol haritasında geçen matematik (lineer cebir, türev-integral, olasılık) bir modeli kurmak için gerekendir: mimari tasarlamak, bir eğitim koşusunun neden ıraksadığını anlamak, geldiği makaleyi okumak. Zaten var olan bir modeli çağırıyorsanız bunların hiçbiri gününüzde görünmez. Görünen şey çarpma işlemidir: istek başına token × günlük istek × oran, ki bu, tasarımınızın gerçek bir ayla karşılaştığında ayakta kalıp kalmayacağına karar verir. Bu aritmetiktir ve kafadan ya da tarayıcıda yapılır.

Dürüst bir istisna var. Sisteminizin çalışıp çalışmadığını ölçmeye başladığınızda istatistik gibi görünen birkaç kavramla karşılaşırsınız: precision ve recall, ve bir ortalamanın bir arızayı nasıl gizlediği. Bunlar bir dönem değil bir öğleden sonra eder ve önünüzde soruyu soran bozuk bir sistem varken öğrenmesi çok daha kolaydır.

Bilgisayar mühendisliği diploması gerekir mi?

Hayır, ve bu, yazılımın çoğu alanından daha net biçimde doğru.

Sebebi rahatsız edici ama işe yarar: alan, içindeki kıdemli insanların neredeyse hiçbirinin onu okumamış olacağı kadar genç. Bugün dil modelleriyle üretim yapan insanlar son iki üç yılda, belgelerden ve bozdukları şeylerden öğrendi; çünkü öğrenilecek başka bir şey yoktu. Diploma hâlâ değerli şeyler öğretir (bilgisayarın gerçekte nasıl çalıştığı, algoritmalar üzerine düşünmek) ama burada bir kapı değil ve kimse kontrol etmiyor.

Kontrol edilen şey, çalışan bir şey gösterip gösteremediğiniz. Birinin klonlayıp okuyup başlatabileceği bir depo, bakılan belgedir.

Önce makine öğrenmesi öğrenmek gerekir mi?

Hayır, ve oradan başlamak, insanların iki ay kaybetmesinin en yaygın yolu.

Makine öğrenmesi, veriden model kurma disiplinidir. AI mühendisliği, modelden ürün kurma disiplinidir. Kelime dağarcığını paylaşırlar, günlük işi neredeyse hiç paylaşmazlar. Gradyan inişine bir yıl verip kendi belgeleriniz hakkında soru cevaplayan bir şeyi yayına almaya bir adım bile yaklaşmayabilirsiniz; çünkü onun zor kısımları (gerçek dosyaları temiz metne çevirmek, neyin getirileceğine karar vermek, cevabın kaynağa dayandığını doğrulamak) makine öğrenmesi problemi değildir.

İleride model eğitmek isterseniz o yol duruyor ve gerçek bir kariyer. Sadece başka bir kariyer, ve önce onu yapmak bir ön koşul değil. Bir sapak.

Ne kadar Python gerekir?

Yazmadığınız kodu okuyacak ve bozulduğunda düzeltecek kadar.

Bu, kulağa geldiğinden daha düşük ve alışıldığından farklı bir eşik. Değişkenler, listeler ve sözlükler, fonksiyonlar, döngüler ve bir traceback'i aşağıdan yukarı okuyabilmek gerekir. Decorator, metaclass, asenkron üreteç ya da tip sistemi gerekmez.

Sessizce zorunlu hâle gelen beceri ise beş yıl önce hiçbir kursun adı bile olmayanı: bir modelin sizin için yazdığı kodu okumak ve iddia ettiği şeyi yapıp yapmadığını söyleyebilmek. Model makul kod üretir ve makul ile doğru, tam da bakmayı bıraktığınız yerde ayrışır. Bu bir okuma becerisidir; "zaten AI yazar" cümlesinin öğrenme ihtiyacını ortadan kaldırmamasının sebebi budur.

Pahalı bir bilgisayar ya da GPU gerekir mi?

Hayır. Elinizdeki dizüstü büyük ihtimalle yeter.

Model eğitmek GPU ister; model çağırmak istemez. Barındırılan bir modeli çağırdığınızda hesaplama başka bir yerde olur, sizin makineniz bir HTTP isteği gönderir. Modeli yerelde çalıştırmak isterseniz (ki öğrenmek için gerçekten iyi bir fikir, çünkü istek başına maliyeti yok ve veri masanızdan çıkmıyor) yeni sayılabilecek bir dizüstü küçük bir modeli yavaş ama öğrenmeye yetecek kadar iyi çalıştırır.

Donanımın gerçekten önemli olduğu tek yer fine-tuning'dir ve o sizin için doğru cevap hâline geldiğinde, saatlik makine kiralamak zaten olağan yoldur.

Öğrenmek için API kredisine para vermek gerekir mi?

Başlamak için hayır, sonrası için de sanılandan az.

Kendi makinenizde çalışan bir modelin istek başına maliyeti yoktur ve bu alanın ilk yarısındaki her kavramı öğrenmeye yeter: prompt yazmak, yapılandırılmış çıktı, embedding, getirme, araç çağırma. Barındırılan bir modele geçtiğinizde faturanıza karar veren şey token başına fiyat değildir; ne kadar token gönderdiğiniz, aynı isteği kaç kez tekrar gönderdiğiniz ve istemediğiniz bir döngüyü durduran bir şeyin olup olmadığıdır. Bunlar tasarım kararlarıdır ve tek kuruş harcamadan öğrenilebilirler.

O kararı şu anda, aritmetiği açılmış hâlde ve kaydolmadan maliyet oyununda deneyebilirsiniz.

Peki nereden başlamalı

Ön koşul listeleri sizi caydırdıysa, bir müfredattan değil alanın şeklinden başlayın: bilgi haritası 105 kavram, her biri bir cümleyle tanımlı ve okuması ücretsiz. Sıralanan yol haritalarının bu sayfayla neden çeliştiğini merak ediyorsanız, onun da ayrı bir cevabı var.