Artificial Intelligence (AI)

Prompt Engineering: An Integrated Dream

Written by smirow

Rapid Engineering: ein integrierter TraumRapid Engineering: ein integrierter Traum
Von mir mit Microsoft Image Creator erstelltes Bild

Seit OpenAI ChatGPT öffentlich gemacht hat, ist online eine Menge Diskussion über einen neuen Traumjob entstanden: Rapid Engineering. Es gilt als „der heißeste Job in der KI“ und verspricht sechsstellige Gehälter, ohne dass Programmiererfahrung erforderlich ist. Enthusiasten beschreiben es als einen Job der Zukunft, bei dem jeder bis zu 335.000 US-Dollar verdienen kann, indem er einen coolen, besserwisserischen Roboter dazu bringt, die richtigen Antworten zu geben. Kein Wunder, dass geldverdienende kluge Köpfe auf Instagram, Berufsprediger auf YouTube und selbsternannte Orakel von TikTok sehr offen darüber gesprochen haben. Obwohl es sich wie ein Traumjob anhört, ist er wirklich erreichbar? Lassen Sie uns in die Arbeitsmarktrealität hinter dem Hype eintauchen, um das herauszufinden.

Die Analyse von Stellenausschreibungsdaten liefert wertvolle Einblicke in Trends der Arbeitsnachfrage, Verantwortlichkeiten, Qualifikationen und Gehaltserwartungen. Deshalb beschloss ich, einen Blick auf die Werbedaten des sogenannten „heißesten KI-Jobs“ zu werfen, ohne Spekulationen oder Vermutungen. Ich habe 73 einzigartige Daten zu Stellenausschreibungen gesammelt, die kürzlich auf beliebten Online-Stellenausschreibungsplattformen veröffentlicht wurden. Erfahren Sie hier mehr über meine Datenerfassungsmethodik und greifen Sie auf den Datensatz zu. Obwohl 73 möglicherweise keine ideale Stichprobengröße sind, ist es doch ein umfassender Ausgangspunkt für unsere Analyse. Die erste Erkenntnis ist ernüchternd: Es gibt nur wenige Arbeitgeber, die nach „schnellen Ingenieuren“ suchen.

Schauen wir uns nun die Daten an. Die am häufigsten genannte Berufsbezeichnung ist „Rapid Engineer“. Es entstehen jedoch auch andere Titel wie „IT Innovation Analyst“, „Freelance ML/AI Engineer“, „Data Scientist“ und „AI Engineer“. Ich habe Wortwolken für die in den Stellenbeschreibungen genannten Qualifikationen und Verantwortlichkeiten erstellt. Ich glaube nicht, dass Wortwolken außergewöhnliche Ideen offenbaren sollen, aber sie können eine kompakte Version der wichtigen Highlights des Textes darstellen. Wie Sie sehen, sprechen Arbeitgeber in Stellenausschreibungen vor allem über Informatikerfahrung, Vorlagenentwicklung, Python, Prompt Design, maschinelles Lernen, große Sprachmodelle, Verarbeitung natürlicher Sprache und künstliche Intelligenz.

Rapid Engineering: ein integrierter TraumRapid Engineering: ein integrierter Traum
1. Dies ist eine viel größere Stichprobe, wenn man sie mit vielen dieser frühen anekdotischen Artikel vergleicht, deren gesamte Argumentation auf einem sechsstelligen Gehalt aufbaute, ohne dass sie auf ein einzelnes Stellenangebot zurückgingen.

Rapid Engineering: ein integrierter TraumRapid Engineering: ein integrierter Traum

Als nächstes habe ich ChatGPT und Claude verwendet, um den gesammelten Korpus an Anzeigentexten zusammenzufassen, um wichtige Rapid-Engineering-Fähigkeiten und -Qualifikationen zu identifizieren. Ich habe mehrere Eingabeaufforderungsrunden mit unterschiedlichen Ansätzen durchgeführt und anschließend die Daten manuell überprüft, um sicherzustellen, dass ich eine stabile und gültige Ausgabe erhalten habe.

Erforderliche Grundqualifikationen für die Stelle als Prompt Engineer:

  1. Kenntnisse in der Python-Programmierung (2 bis 5 Jahre Erfahrung) einschließlich Erfahrung mit KI-/Machine-Learning-Frameworks wie TensorFlow, PyTorch, Keras.
  2. Kenntnisse in NLP und LLM (2 bis 5 Jahre Erfahrung) wie BERT, GPT-3/4, T5 usw. Kenntnisse darüber, wie diese Modelle funktionieren und wie man sie verfeinert.
  3. Starke analytische Fähigkeiten und Problemlösungsfähigkeiten. Die Fähigkeit, kritisch zu denken, effektive Eingabeaufforderungen zu entwerfen, die Modellleistung zu analysieren und Probleme zu beheben, ist von entscheidender Bedeutung.
  4. Fachkenntnisse in Rapid-Engineering-Prinzipien und -Techniken wie Gedankenkette, Lernen im Kontext, Gedankenbaum usw. Dies hilft dabei, die Modelle zu den gewünschten Ergebnissen zu führen.
  5. Exzellente Kommunikations Fähigkeiten, sowohl mündlich als auch schriftlich. Dies ist notwendig, um teamübergreifend zusammenzuarbeiten, technische Konzepte zu erklären und Arbeiten zu dokumentieren.

Und die wesentlichen Aufgaben von Rapid-Engineering-Jobs sind:

  1. Schnelles Design und Optimierung: Entwerfen, entwickeln, testen und verfeinern Sie KI-generierte Textansagen, um die Effektivität verschiedener Anwendungen zu maximieren. Dazu gehört der Einsatz von Techniken wie Transferlernen und die Nutzung sprachlicher Fachkenntnisse, um qualitativ hochwertige, vielfältige Aufforderungen zu erstellen.
  2. Integration und Bereitstellung: Stellen Sie eine nahtlose Integration optimierter Eingabeaufforderungen in das gesamte Produkt oder System sicher. Arbeiten Sie mit Ingenieuren zusammen, um Eingabeaufforderungen und Vorlagen in Produktionsumgebungen zu implementieren.
  3. Leistungsbewertung und -verbesserung: Bewerten Sie die schnelle Leistung sorgfältig anhand von Kennzahlen und Benutzerfeedback. Führen Sie kontinuierliche Tests und Analysen durch, um Bereiche für Optimierung und schnelle Iteration zu identifizieren.
  4. Zusammenarbeit und Anforderungserfassung: Arbeiten Sie eng mit funktionsübergreifenden Teams wie Datenwissenschaftlern, Inhaltserstellern und Produktmanagern zusammen, um Anforderungen zu verstehen und sicherzustellen, dass Eingabeaufforderungen mit Geschäftszielen und Benutzeranforderungen übereinstimmen.
  5. Wissen teilen: Dokumentieren Sie schnelle Engineering-Prozesse und -Ergebnisse. Schulen Sie Teams in schnellen Best Practices. Bleiben Sie über die neuesten Fortschritte in der KI auf dem Laufenden, um Innovationen voranzutreiben

Man kann mit Recht sagen, dass das Postulat „keine Programmiererfahrung“ des sogenannten „heißesten KI-Jobs“ weit von der Realität entfernt ist, da die gefragtesten Fähigkeiten im Rapid-Engineering-Markt Programmierkenntnisse und Erfahrung in NLP und LLM sind. Dabei geht es nicht um Mickey-Mouse-Programmierkenntnisse, sondern um Experten, die mit ML- und KI-Frameworks vertraut sind. Arbeitgeber benötigen nicht nur „Vertrautheit“ mit LLMs und Codierung, sondern suchen im Durchschnitt auch nach Experten mit 2–5 Jahren Erfahrung in strukturierten und unstrukturierten Daten, Codierung, NLP, ML und KI.

Durch die Lektüre der Hauptverantwortlichkeiten wird klarer, warum diese Berufsbezeichnung ein so hohes Maß an Programmier- und LLM-Kenntnissen erfordert. Bei Rapid Engineering als professionellem Beruf geht es nicht darum, hinter einem Computer zu sitzen und mit generativen KI-Modellen zu spielen, um die richtige Antwort zu finden. Es geht darum, Unternehmensinformationssysteme zu schaffen, die Eingaben optimieren, sie nahtlos in andere Informationssysteme und Produkte integrieren und Benutzern und Kunden einen Mehrwert bieten. Mit anderen Worten: Unternehmen suchen nicht jemanden, der mit ChatGPT chatten kann, sondern Experten, die GPT-ähnliche Modelle optimieren und in ihre eigenen Produkte integrieren können.

Die Analyse der Stellenausschreibungsdaten zu den Studienanforderungen weist auf eine Präferenz für technische Hintergründe in den Bereichen Informatik, Mathematik, Analytik, Ingenieurwesen, Physik oder Linguistik hin. In der Regel ist ein Bachelor-Abschluss in Informatik oder einem verwandten Bereich erforderlich, wobei für Führungspositionen höhere Abschlüsse bevorzugt oder erforderlich sind. Die Gehälter variieren stark je nach Verantwortung und Dienstalter. Dies kann zwischen 30.000 US-Dollar und bis zu einer halben Million US-Dollar pro Jahr liegen. Im Durchschnitt zahlen Stellenausschreibungen mit Gehaltsangaben zwischen 90.000 und 195.000 pro Jahr.

Trotz der anfänglichen Begeisterung kamen Zweifel an der Realisierbarkeit des Rapid Engineering als Traumberuf auf. Wie Ethan Mollick, Professor an der Wharton School, in einem schrieb auf Twitter posten Letztes Jahr war „Prompt-Ingenieur kein Job der Zukunft“, denn „KI wird immer einfacher“ und intelligenter bei der Interpretation grundlegender Eingabeaufforderungen. Vor einem Monat veröffentlichte Coursera einen gut durchdachten Karriereratgeber für Rapid Engineering (siehe auch diesen). Es scheint, dass die anfängliche Begeisterung für die KI-Generation langsam nachlässt und wir besser in der Lage sind, den aktuellen Stand der KI und ihre zukünftigen Trends zu verstehen. Verwechseln Sie sich nicht. Die Qualität der Gen AI-Ausgaben hängt stark von den Eingaben ab. Das Erlernen der Verwendung und Interaktion mit diesen komplexen Modellen wird für fast jeden zu einer wichtigen Fähigkeit. Es gibt immer mehr wissenschaftliche Studien, die darauf hinweisen, dass ein systematischer Anreizansatz die Ergebnisse dieser Modelle deutlich verbessern kann (siehe 1, 2, 3, 4, 5, 6, 7). Allerdings ist „Rapid Engineering“ nicht der Traumberuf, den sich manche Menschen gewünscht haben (und war es auch nie). Ohne umfangreiche Erfahrung in den Bereichen Programmierung, Verarbeitung natürlicher Sprache, maschinelles Lernen, Produktentwicklung und Softwareintegration wird Ihnen niemand ein sechsstelliges Gehalt zahlen, nur um ChatGPT reibungslos zu sprechen und eine gute Antwort zu erhalten.

Die Gegenwart und Zukunft der KI-generierenden Eingabeaufforderungstechnik und -anwendungen scheinen von zwei wichtigen Trends beeinflusst zu werden: Erstens sind KI-Generierungsmodelle, wie Ethan Mollick erwähnte, zunehmend in der Lage, gute Ergebnisse aus einfachen, unkomplizierten Eingabeaufforderungen zu generieren, vielleicht auf die gleiche Weise wie die Internet. Suchmaschinen sind besser darin geworden, bei einfachen Suchanfragen relevantere Ergebnisse zurückzugeben. Zweitens werden Gen-KI-Modelle zunehmend in Unternehmensprodukte, -dienste und -plattformen integriert. Diese Anpassung ist entscheidend für den Erfolg der KI-Wirtschaft. Daher ist und bleibt das Wissen, wie Gen-KI-Modelle optimiert, verfeinert, angepasst und in aktuelle Informationssysteme und Produkte integriert werden können, eine wertvolle Fähigkeit. Aus diesem Grund besteht bei den heutigen Stellenangeboten eine große Nachfrage nach Programmierern, Systemdesignern und Personen, die mit anderen Mitgliedern des Produktentwicklungsteams zusammenarbeiten können.

Mahdi Ahmadi ist klinischer Assistenzprofessor am Department of Information Technology and Decision Sciences der University of North Texas, wo ich Data Mining, Business Intelligence und Datenanalyse unterrichte. Mein Hauptforschungsgebiet ist die Anwendung von maschinellen Lern- und Data-Mining-Techniken in der Wirtschaft. Darüber hinaus berate ich Unternehmen, Hochschulen und Non-Profit-Organisationen in Fragen der Datenanalyse.

About the author

smirow

Leave a Comment