La settimana scorsa ho pubblicato un post LinkedIn dove spiegavo la nascita del lavoro del GenAI Engineer, e avevo promesso una roadmap gratuita per diventarlo.

Beh ci siamo!

In questo numero di Commit troverai tutti i link utili e le risorse rilevanti per diventare capace di costruire prodotti GenAI di ultima generazione.

Ah, e tutte le risorse sono gratuite o opensource!

Ma aspetta un attimo, cos’è un GenAI Engineer?

Secondo me è una specializzazione del cosiddetto AI Engineer, nome reso popolare da questo articolo di Latent Space, assolutamente consigliato (leggilo!)

Ma nella pratica cosa fa un GenAI Engineer?

• Sviluppa progetti che integrino e combinino modelli di AI generativa di diversa natura (es: text-to-text, text-to-image)
• Testa modelli di AI generativa sia proprietari che open source
• Sviluppa progetti basati su tecniche di RAG (Retrieval di informazioni da documenti)
• Effettua il fine-tuning di modelli di AI generativa preesistenti
• Crea Agenti AI che usano i vari modelli

E tanto altro in realtà, ma questi sono i compiti più importanti.

Ma quindi veniamo alla domanda: come divento GenAI Engineer?

Ho cercato di riassumere in alcuni punti chiave le risorse utili per sviluppare le competenze che ti servono:

• Basi di GenAI moderna:
  • The Illustrated Transformer (e tutto il blog)
  • LLM Bootcamp (ottima playlist)
  • Building LLM for Production
  • What are Embedding
• Uso dei modelli
  • Impara a usare i modelli tramite API, i migliori sono quelli di OpenAI e Anthropic, ma anche Cohere e Mistral sono validi
  • Impara bene come costruire le chiamate, come i vari parametri influenzano i risultati
  • In particolare concentrati su context window, *****few shot learning*, costi e latenza
• Prompting
  • Impara le tecniche di prompting avanzate, sopratutto quelle per “spremere” al massimo le capacità dei modelli di ragionare, come Tree of Thoughts e la Self Reflection
  • Ti basta consultare la guida di Dair.ai e hai tutto quello che ti serve
  • Impara quali sono i design pattern emergenti per LLM Engineering
  • E i pattern per creare workflow avanzati con i prompt
• RAG e Vector DBs
  • Impara a usare i vector Database per archiviare i vettori che rappresentano la “memoria” dei modelli, i cosiddetti embeddings
  • Impara a costruire sistemi RAG per dare contesto rilevanti ai modelli quando rispondono, partendo dalle implementazioni più semplici a quelle più complesse
  • Capisci quando ha senso una ricerca tradizionale, quando il RAG, o quando una architettura ibrida
  • Le guide di Llama Index sono fenomenali per questo
  • Segui Jerry Liu su X per rimanere aggiornato sul tema dei vector DB
• Finetuning
  • Impara le basi del finetuning (una buona intro, una più approfondita)
  • Capisci quando ha senso fare finetuning di un modello oppure no
  • Tutorial per fare il finetuning di un modello (LLama)
• Tool, Framework e Siti utili
  • Huggingface (trovi migliaia di modelli open source)
  • LlamaIndex (la base per fareil RAG)
  • Qdrant (alternativa validissima per il RAG)
  • DSPy (un nuovo approccio al “LLM programming”)
  • Langchain (non usarlo, ma sfruttalo per vedere le implementazioni dei vari paper)
  • Cheshire Cat (framework italiano per la costruzione di app con LLM)
• Repository dove c’è altra roba utile
  • LLM Course
  • ML Engineering Open Book
  • A developer guide to Prompt Engineering
• Newsletter e blog tecnici per rimanere sul pezzo
  • Interconnects
  • AI Snake Oil
  • Import AI
  • Latent Space
  • Eugene Yan Blog
  • Lilian Blog
• Le ricerche più importanti
  • Attention Is All You Need
  • Scaling Laws for Neural Language Models
  • Language Models are Few-Shot Learners
  • GPT4 tecnical report
  • GPTs are GPTs
  • Llama 2 Report
  • Constitutional AI
• Articoli di blog super di valore
  • A visual guide to Neural Networks
  • Visualizing Neural Machine translation with Attention
  • The Illustrated Transfomer
  • How GPT3 Works
  • The Illustrated StableDiffusion
  • The Attention Mechanism

Bene, buoni prossimi 6 mesi di studio e sperimentazione 😂

Detto questo, è un ruolo difficile da inquadrare, che richiede di essere sempre aggiornati e che probabilmente si evolverà molto nei prossimi anni…

Ma che pagherà molto bene chi saprà costruire applicazioni usando i Foundation Models 🙂

Ah altra cosa:

Se qualcuno ti dice che devi conoscere complessi algoritmi di ottimizzazione o matematica avanzata per diventare AI Engineer, tu chiedigli: “ah quindi devo sapere come funziona la teoria dei segnali per fare l’elettricista?”

Scherzi a parte, questi nuovi modelli AI permettono di costruire cose super fighe a un livello di astrazione piuttosto alto, e non serve per forza una laurea STEM o un background matematico per lavorare con questi modelli.

Ah, se sei già esperto in questi temi, contattami assolutamente, potrei avere qualcosa per te 👀

Vieni a parlarne anche sul nostro Discord, trovi tutti i membri del team e migliaia di professionisti e appassionati di Tech, Data Science e AI! 🍕

Entra nel Discord!

---

By Giacomo Ciarlini - Head of Content & Education - Datapizza

---

Altre news interessanti

• X.ai annuncia l’imminente rilascio di Grok 1.5
• Microsoft Copilot potrebbe presto girare in locale sui nostri PC
• New York sta testando dei detector per armi che usano l’AI
• OpenAI racconta il lavoro fatto su Voice Engine, il loro motore Text to Speech

🍕 Datapizza Selection 🍕 

Dai un occhiata a questo framework

Settimana scorsa è stato annunciato Agent Lumos, un Agent framework molto interessante.

È molto utile per impostare l'addestramento di agenti open-source basati su LLM (Large Language Model).

Nella partica consiste in un'architettura modulare con un modulo di pianificazione che può apprendere la generazione di sotto-obiettivi + un modulo specifico per tradurli in azioni con l'utilizzo di strumenti esterni (a cui l’agente può accedere).

Molto interessante, dacci un occhio!