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 12 wyników dla "RAC"

Ogrom wiedzy i takie jedno miejsce, które powinno Ci wystarczyć, żebyś mógł znaleźć lepszą pracę, lepszą ścieżkę zawodową.

Mieliśmy też już mnóstwo historii ludzi, którzy naprawdę zmienili pracę albo dostali awans, albo po prostu kompletnie się przebranżowili i to nawet w dosyć niesprzyjających okolicznościach, więc gorąco Cię zachęcam, daj sobie szansę na rozwój i wbijaj na kajodata.com.

Każdy, kto pracował w większej firmie, która już jakiś czas operuje na rynku, wie, że baza wiedzy w danej firmie rośnie w bardzo niekontrolowany sposób.

Cały ten proces nazywa się RAC, czyli Retrieval Augmented Generation.

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

Co tworzą, z którymi świetnie współpracują.

Wspominam o tym promptingu, dlatego że niezależnie od tego, czy nam się to podoba, czy nie, zmierzamy w przestrzeń raczej niedeterministyczną.

Cała praca nad promptingiem i praca nad plikami, które są w kontekście i ich takie cyzelowanie doprowadza do tego, że niejednokrotnie lepiej by nam było, gdybyśmy coś po prostu sami wprost napisali w różnego rodzaju stwierdzeniach if.

Ostatnim elementem, który chcę tutaj wspomnieć, który jest jakby częścią takiej pracy Ingeniera, są dwie rzeczy.

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

Kolejna rzecz to praca z danymi.

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.

Ostatnie odcinki