Контекст
Типы систем на интервью по системному дизайну
Старая общая ветка ML/AI теперь разделена на две отдельные инженерные темы.
Раньше раздел AI/ML Engineering складывал в один маршрут слишком разные задачи: рабочий ML-контур, MLOps, /, агентные сценарии, исторический AI-контекст и продуктовые кейсы. Пока материалов было мало, это ещё работало. Когда раздел вырос, такой маршрут перестал помогать: темы с разной инженерной природой начали соседствовать просто по привычке.
Эта глава — развилка: она помогает увидеть, где проходит граница между ML Engineering с его модели, и и AI Engineering с -продуктами, оркестрацией и .
Два разных инженерных фокуса
ML Engineering
Здесь работа начинается там, где качества модели уже недостаточно: её нужно обучить на пригодных данных, выпустить, измерять по метрикам ошибок и удерживать в рабочей среде после релиза, а не только до него.
- конвейеры признаков и качество датасетов
- выпуск моделей, калибровка и безопасность запуска
- сервинг, задержка и контроль стоимости
- переобучение, дрейф и следующий цикл улучшений
AI Engineering
Здесь модель берут как готовый компонент, а инженерная сложность переезжает в оркестрацию, оценивание и продуктовый контур вокруг -, - и агентных систем, AI-помощников и платформенных решений: цена ошибки здесь — не точность, а поведение продукта на живом запросе.
- архитектура сценариев с большими языковыми моделями (LLM), генерацией с извлечением контекста (RAG) и агентами
- вызов инструментов, память и оркестрация рабочих цепочек
- инструкции в запросе, безопасность и защитные ограничения
- AI-помощники, продуктовые сценарии и платформенные кейсы
Как выбрать правильный маршрут
Маршрут от модели и данных к рабочей системе
Когда главный вопрос звучит как «как обучать, выпускать, измерять и сопровождать модель», начинай с ML Engineering — он задаёт язык жизненного цикла, на который ляжет всё остальное.
Маршрут от продукта на большой языковой модели (LLM) к его архитектуре
Главный вопрос про , агентов, AI-помощников, защитные ограничения и продуктовую поставку вокруг ? Тогда начинай с AI Engineering: качество модели вторично — выигрывает или проигрывает система вокруг неё.
На практике нужны обе темы — вопрос только в порядке
ML Engineering даёт язык жизненного цикла и эксплуатационной дисциплины; AI Engineering помогает говорить о современных AI-продуктах и оркестрации поверх моделей. Пропустить первый — и разговор про второй быстро упирается в вопросы, на которые нечем ответить.
Новая тема
ML Engineering
Модели, конвейеры, сервинг, калибровка, переобучение, контракты на признаки и эксплуатация ML-систем в рабочей среде.
Открыть темуНовая тема
AI Engineering
, , агенты, AI-помощники, защитные ограничения, оценивание и архитектура AI-продуктов.
Открыть темуИсточники и материалы
Куда идти дальше
- ML Engineering: как проектировать модели, конвейеры и рабочий контур - Вводная глава темы: с чего начинать разговор про жизненный цикл модели и её эксплуатацию.
- AI Engineering: как проектировать агентные и copilot-системы на больших языковых моделях (LLM) - Вводная глава темы: как устроен продуктовый контур вокруг готовой языковой модели.
- Тема ML Engineering - Полный список глав ML Engineering после разделения тем.
- Тема AI Engineering - Полный список глав AI Engineering после разделения тем.