Přeskočit na hlavní obsah

Pracovní nabídka "Prompt Engineer ": Komedie plná omylů v současném víru GenAI

 



Nabídky práce. Ono magické místo, kam chodí umírat sny o profesním uplatnění. Nedávno jsem narazil na skvost z pražského programátorského sweatshopu - pardon, butikové agentury -, který hledal " Prompt Engineera". Zní to efektně, že? No, držte si klávesnice, protože tohle je pěkný mazec.

"Vyžaduje se odvaha: Budete totiž psát prompty"

Nejprve požadavky na pracovní místo. Skoro jako by je opsali z příručky "Jak napsat pracovní inzerát - for dummies". Chtějí někoho "odvážného", kdo bude psát prompty. Ano, čtete správně. Odvaha. Na psaní. Nevím, jak vy, ale já jsem měl dojem, že psaní na klávesnici vyžaduje něco víc než jen ocelovou páteř a dovednost mačkat klávesy. Možná trochu strategie? Trochu porozumění? Špetku znalostí nástrojů? Ne. Jen odvahu. Hodně štěstí, odvážná duše, ať jsou ti prompty a vrtošivá GenAI stále nakloněny.

Chybí: Strategie, cíle a zdravý rozum

V této veselé alternativní realitě zjevně není potřeba hlubšího pochopení tématu. Nástroje? Jaké nástroje? Cíle? Kvalita? Důraz na zákazníka? Kdepak. Kdo je potřebuje, když má odvahu! Ten výčet mi připadal jako špatný vtip, kterému navíc chybí i pointa. Nebyla tam žádná zmínka o tom, jak prompt engineering vlastně souvisí s úspěchem celého podniku, žádná velká strategie ani vize škálovatelnosti nebo přizpůsobivosti požadavkům zákazníků. Jako by věřili, že umělá inteligence zázračně pochopí a naplní potřeby zákazníků bez jakéhokoli strategického vstupu. Bůh žehnej jejich optimistickým srdcím.

Spokojenost zákazníků: podružné téma?

Prompt engineering, stejně jako moderní vývoj softwaru, by se měl točit kolem potřeby uspokojit zákazníka. Na tomto pracovním místě však po tomto étosu není ani stopy. Žádná zmínka o trvalém porozumění potřebám zákazníků, trendům na trhu nebo důležitosti marketingového výzkumu založeného na faktech. Jako by očekávali, že se podněty zázračně sladí s přáními zákazníků pouhou silou vůle. Tady je rada: sladění úsilí v oblasti umělé inteligence se spokojeností zákazníků vyžaduje víc než jen psaní na klávesnici; potřebuje strategický, na zákazníka zaměřený přístup. Revoluční, já vím.

GIGO: Garbage In, Garbage Out ("odpad dovnitř, odpad ven")

V duchu vznešené tradice profesionálního managementu, zejména v postkomunistických zemích, kde je "fake it till you make it" prakticky národním sportem, se krásně dodržuje zásada GIGO. Zdá se, že si myslí, že počáteční vstupy, které jsou často předpoklady, nepotřebují ověření. SPOILER: Potřebují. Ve skutečnosti se jedná o mnoho, mnoho iterací ověřování. Ale proč nechat fakta a pečlivé testování stát v cestě dobrému lidovému předpokladu?

Otázky za milion dolarů

Kdybych teď měl vsuvku vtipně doplnit vážnými otázkami, zněly by asi takto:

  • Jaká je vaše produktová strategie pro prompt engineering a dolaďování modelů?
  • Jak zajistíte, aby se všichni ve firmě podíleli na úsilí o přijetí GenAI?
  • Jak tyto snahy "platformizujete" pro škálovatelnost a zabudovanou kvalitu, abyste se vyhnuli závislosti na partě dodavatelů atp.?
  • Jaký je dopad vaší strategie zavádění GenAI na firmu z hlediska top-line a bottom-line?

Dovedu si představit, že odpovědí bude nechápavý pohled, možná následovaný nervózním smíchem a trochou šustění papíry. Koneckonců, kdo potřebuje ucelenou strategii, když má kuráž a mlhavý popis práce?

Závěrem: Komedie pokračuje

Svět prompt engineeringu a umělé inteligence si zaslouží něco lepšího než tuto frašku. Je nejvyšší čas, aby si společnosti uvědomily strategický význam integrace AI a přistupovaly k ní s vážností, kterou si zaslouží - samozřejmě s kapkou humoru. Protože pokud se nedokážeme zasmát absurditě toho všeho, jaký to má smysl?

Takže všem odvážným "prompt-inženýrům" vzkazujeme: zachovejte si smysl pro humor, jasnou strategii a trochu hlubší porozumění. Závisí na tom budoucnost umělé inteligence. A kdo ví? Možná jednoho dne nabídky pracovních míst doženou realitu toho, co je skutečně potřeba k tomu, abyste v tomto oboru vynikli. Do té doby si užijme komedii.

Komentáře

Populární příspěvky z tohoto blogu

Za hranice DevOps 1.0: Proč je BizDevOps pro SaaS společnosti nezbytností?

Přechod od tradičního DevOps k BizDevOps představuje zásadní tektonický zlom ve filozofii, která pečlivě integruje hluboké pochopení potřeb zákazníka s agilitou vývoje softwarových služeb a jejich provozu. Je to revoluce, která je stejně kontroverzní jako stěžejní a dramaticky rozšiřuje základy toho, co dnes běžně chápeme jako efektivní dodávku softwaru. Jádrem našeho článku je zásadní otázka: Mohou organizace, které jsou zakořeněné v ustáleném rytmu DevOps 1.0, přijmout rozsáhlé organizační, technologické a názorové změny potřebné pro BizDevOps?  Tunelové vidění technologických specialistů Ve světě softwaru-jako-služby (SaaS) stojí mladý DevOps specialista Luboš na kritické křižovatce. Vyzbrojen skvělými dovednostmi v oblasti kódování a rozsáhlými znalostmi cloudových architektur se Luboš s jistotou a lehkostí orientoval v technických aspektech své profese. Jak se však před ním rozprostřela krajina SaaS plná nesčetných výzev a komplikací, Luboš se potýkal s problémy, které nebylo ...

A Deep Dive into Data Flow and Transformation: Hybrid RAG System in Action Using AWS Serverless Architecture

Efficiently managing massive datasets while ensuring fast, accurate, and context-aware insights is critical. One of the most innovative solutions emerging in this space is the Hybrid Retrieval-Augmented Generation (RAG) system, which combines retrieval-based AI with generative AI models, enhanced by a Reinforcement Learning from Human Feedback (RLHF) loop. This system not only retrieves data but also generates human-readable insights, continuously improving as it receives feedback from users. In this article, we will dive into how such a system works, focusing on the data flow and the transformations that occur at each stage. To make this relatable for developers, we’ll show how the process can be set up in an AWS Serverless environment using services like Amazon S3 , AWS SageMaker , and pre-trained models from Cohere or Anthropic . Along the way, we’ll use real-world business examples and demonstrate how these components integrate into a pipeline that you could prototype in envi...

Retrieval-Augmented Generation (RAG) with Embedding-Based Dense Retrieval

RAG is a technique where a generative AI model (like ChatGPT) doesn’t just rely on its own training data to generate responses. Instead, it retrieves relevant information from external sources (like databases or documents) to provide more accurate and up-to-date answers. 2. Keyword-Based Retrieval Keyword-based retrieval is the traditional method used to find relevant information. Here’s how it works: Keywords Extraction: The system looks for specific words or phrases (keywords) that match the user’s query. Matching: It searches the external documents for those exact keywords. Retrieval: Documents containing those keywords are retrieved and used to generate the response. Example: User Query: "Best restaurants in New York" Keywords Extracted: "best," "restaurants," "New York" Process: The system finds documents that contain these words to provide a list of top restaurants in NYC. Pros: Simple and fast. Easy to implement. ...