‏مهندسی هوش مصنوعی برای برنامه‌نویس‌هایی که بلدن نرم‌افزار بسازن

این مقاله همون چیزیه که نویسنده‌اش آرزو داشت بار اولی که مجبور شد یه فیچر AI رو منتشر کنه، یکی دستش می‌داد. او ۱۵ سال بک‌اند نوشته، کلاستر Kubernetes اداره کرده، Terraform دیباگ کرده و سرِ طراحی API بحث کرده. اما وقتی LLMها به production رسیدن، خیلی از قانون‌هایی که بهشون اعتماد داشت دیگه جواب ندادن: سیستم حالا به‌صورت پیش‌فرض غیرقطعی (non-deterministic) است، ورودی یه رشته‌ی زبان طبیعیه و تست‌های واحدت نمی‌تونن بهت بگن خروجی خوبه یا نه.

مقاله یه تور از مهندسی AI برای مهندس‌هاییه که از قبل بلدن نرم‌افزار منتشر کنن. فرض می‌کنه پایتون بلدی، HTTP و صف رو می‌فهمی، روی Kubernetes چیز منتشر کردی، اما هنوز مدلی train یا fine-tune نکردی. مسیر از «مدل پایه (foundation model) چیه» تا «چطور ایجنت‌ها رو توی production روی Google Cloud اجرا کنیم» می‌ره، بدون اینکه از بخش‌های مهم بپره. نویسنده می‌گه عمدتاً روی GCP کار می‌کنه پس اونجا عمیق‌تر می‌شه، و چون فضای مدل و قیمت هر فصل عوض می‌شه (مقاله مه ۲۰۲۶ نوشته شده، با Gemini 3.1 Pro و Claude Opus 4.7 و GPT-5.5 به‌عنوان مرز فعلی)، توصیه می‌کنه همیشه داکیومنت رو چک کنی.

نکته‌ی مرکزی این جمله‌ست: مدل دیگه خودِ محصول نیست؛ محصول همون سیستمیه که دور مدل ساخته می‌شه. و مهندسی AI دقیقاً درباره‌ی همون سیستمه.

مدل‌های پایه توی کارهایی مثل کد، نوشتن، تصویر و ویدیو، آموزش، چت‌بات‌های مکالمه‌ای، جمع‌آوری اطلاعات، ساختاردادن به داده‌ی بدون‌ساختار و اتوماسیون workflow خوب‌ان. اما توی محاسبه‌ی دقیق بدون ابزار، حقایق لحظه‌ای بدون grounding، و هر چیزی که نیاز به دقت قطعی داره ضعیف یا حتی خطرناک‌ان. فهمیدن این مرز، نقطه‌ی شروع طراحی درست سیستمه.

نکات کلیدی:

• با اومدن LLMها، سیستم غیرقطعی می‌شه و تست‌های واحد کیفیت خروجی رو نمی‌سنجن
• مدل خودِ محصول نیست؛ محصول سیستمیه که دور مدل ساخته می‌شه
• مدل‌های پایه توی کد و متن و خلاصه‌سازی خوب‌ان، توی محاسبه‌ی دقیق و حقایق لحظه‌ای ضعیف
• فضای مدل و قیمت سریع عوض می‌شه؛ همیشه داکیومنت روز رو چک کن