Wat is AI Engineering?
AI Engineering combineert AI-kennis, software engineering, het effectief inzetten van coding agents en het oordeelsvermogen dat nodig is om te bepalen wat gebouwd moet worden.
Het vakgebied is meer dan alleen een model prompten. Het omvat het afbakenen van het gebruikersprobleem, het bouwen van door modellen ondersteund applicatiegedrag, het engineeren van betrouwbare software rond probabilistische componenten, en het inzetten van coding agents zonder de menselijke verantwoordelijkheid voor kwaliteit en risico los te laten.
Het ordenende kader voor deze kennisbank is Andrew Ng’s AI Engineering Skills Map, gepubliceerd in DeepLearning.AI’s The Batch. Deze site bouwt voort op Ng’s indeling in vier gebieden en maakt expliciet waar het curriculum het bronmateriaal uitbreidt.
Een ander nuttig perspectief is het onderscheid tussen Software Engineering voor AI en AI voor Software Engineering. De ene richting vraagt hoe je systemen ontwerpt die AI bevatten. De andere vraagt hoe je AI inzet om software engineering uit te voeren. Moderne AI engineering combineert beide in toenemende mate.
Deze blik kadert AI engineering als een productielus: teams scherpen het probleem aan, ontwerpen het gedrag, bouwen het door een model ondersteunde artefact, evalueren het, deployen het, opereren het en leren van bewijs. Het artefact omvat model, data, prompts, tools, evals en guardrails, omdat de productiekwaliteit afhangt van het hele systeem.
Deze blik behandelt AI engineering als architectuur rond probabilistische capaciteit. Het model is slechts één component. User experience, applicatielogica, modelgateways, retrieval, tools, evaluatie, observability en governance creëren de controlepunten die gedrag nuttig, meetbaar, veilig en na deployment aanpasbaar maken.