Mentionsy
KajoData - Analiza danych dla każdego
KajoData - Analiza danych dla każdego
23.05.2026 18:00

AI Engineer - co robi, ile zarabia, jak nim zostać?

🟨 Społeczność analityków: https://kajodata.com/space/

🟦 Kursy - Excel, Power Query, SQL, PowerBI, Python, Tableau, Data Science: https://kajodata.com/kursy/

🟥 Zapisz się na newsletter i zyskaj DARMOWE BONUSY: https://kajodata.com/newsletter/ 


📈 W tym odcinku opowiadam o roli AI Engineera, czyli jednej z ciekawszych nowych ścieżek na styku AI, danych i technologii. Wyjaśniam, czym taka osoba realnie się zajmuje, czym różni się od Machine Learning Engineera, Data Scientista i Prompt Engineera, oraz dlaczego nie chodzi tu po prostu o „pisanie promptów”.


📈 Pokazuję też konkretne technologie, które warto znać, jeśli myślisz o wejściu w ten obszar. Pojawiają się między innymi RAG, embeddingi, bazy wektorowe, structured outputs, tool calling, API, backend, SQL, Python, Git, Docker i podstawy chmury. Bez wielkiego akademickiego zadęcia, raczej z perspektywy: co naprawdę trzeba umieć, żeby budować działające systemy oparte o modele AI.


📈 Na końcu mówię też o zarobkach i o tym, jak mogłaby wyglądać ścieżka dojścia do tej roli z poziomu analityka danych. Jeżeli ogarniasz już dane, SQL-a, trochę Pythona i zaczynasz interesować się AI, to AI Engineer może być jedną z naturalnych dróg rozwoju. Nie najłatwiejszą, ale zdecydowanie wartą obserwowania.

AI Engineer Machine Learning Engineer AI Docker Embedding Function Calling Groka Ingeniera Netflix Power BI Power Query Prompt Ingenierem RAC RAG Ragu

Rozdziały (6)

1. Introdukcja AI Engineera

Opis głównych zadań AI Engineera, takich jak projektowanie i implementacja systemów AI.

2. Przykład chatbotu

Przypadek użycia chatbotu w firmie i opis procesu RAC.

3. Embeddingi i RAG

Wyjaśnienie konceptu embeddingów i RAG w kontekście AI Engineera.

4. Prompting i pliki HTML

Opis(prompting) i korzyści z użycia plików HTML zamiast Markdown.

5. Structured Outputs i Tool Calling

Wyjaśnienie Structured Outputs i Tool Calling w kontekście AI Engineera.

6. Płace AI Engineera

Podsumowanie wymagań i umiejętności potrzebnych do stania się AI Engineerem.

Szukaj w treści odcinka

Wyczyść
Znaleziono 17 wyników dla "AI"

Jedną z nowych ról, która pojawiła się w świecie AI, technologii i danych jest AI Engineer.

Zacznijmy od tego, że AI Engineer to nie jest osoba, która tworzy modele AI, bo może się to tak wydawać, prawda?

I tutaj rzeczywiście trzeba porobić rozróżnienia między różnymi rolami, które są podobne, zbliżone, ale nie pokrywają się z AI Engineering.

AI Engineer nie jest też Data Scientistem, czyli kimś kto przygotowuje jakiś model, robi bardzo skomplikowane obliczenia.

AI Engineer

To brzmi na bardzo prostą rzecz, bo możesz się wydawać, że w zasadzie to ty również jesteś swego rodzaju AI Ingenierem, pisz, dasz o coś Claude'a, Groka albo Chata GPT i on ci daje jakiś tam output no i pomaga ci robić rzeczy, które potrzebujesz.

Czyli mamy do czynienia z całym procesem, który AI Engineer

Główną częścią tego procesu jest AI, ale zaprojektowanie tego tak, żeby to było skuteczne, powtarzalne, bezpieczne, sensowne i optymalne, jeżeli chodzi o koszty, jest naprawdę trudnym zadaniem.

No i tym zadaniem zajmuje się właśnie AI Engineer.

I teraz, żeby to zadziałało, AI Engineer musi zbudować system, który weźmie dokumenty firmowe, podzieli je na mniejsze fragmenty, zamieni te fragmenty na embeddingi, zapisze to w bazie wektorowej.

Chciałbym tutaj tylko zaznaczyć, że to jest np. jedna z rzeczy, którą AI Engineer musi dość dobrze opanować.

Użyłem różnych słów, a jeżeli zadam je modelowi AI, to on powinien wiedzieć, że te rzeczy są mniej więcej w tym samym miejscu.

Teraz np. uczymy się tego, że lepiej jest pracować z plikami HTML zamiast plików Markdown, ponieważ pliki HTML pozwalają na o wiele bardziej rozbudowane dokumenty, które wciąż są czytelne dla ludzi, a które modele AI świetnie

Natomiast jeżeli teraz słyszysz to wszystko, o czym mówię, o tych AI Engineerach,

I teraz spójrzmy na taką prostą ścieżkę, gdzie mamy kolejne kamienie milowe, które potrzebujemy sobie przejść, żeby tym AI Ingenierem zostać.

W dużej skali projektach te dane będą w klasycznych bazach danych, więc SQL i w ogóle model pracy z danymi będzie bardzo istotny dla AI Engineer i tutaj większość analityków powinna mieć to z głowy.

Ponieważ osią tego systemu są modele AI, to te modele AI, lelemy, także te modele płatne, także modele open source'owe musimy dosyć dobrze znać, rozumieć jakie są ograniczenia, co, kiedy.

Ostatnie odcinki