随着科技的日新月异，工程师在塑造未来的角色中正经历着深刻的变革。特别是在机器学习（ML）与人工智能（AI）的交融之下，一种新的工作模式——AI工程，正逐渐崭露头角。
这并非只是词语的更替，它代表着我们在设计和部署AI应用时，思维方式和方法的根本转变。下面，让我们通过几个实际案例，来探索ML工程与AI工程的主要区别。
假设需要为金融机构开发一个欺诈检测系统。
ML工程案例：
数据收集：收集包含欺诈与非欺诈标签的交易数据集。
模型训练：利用传统分类模型，如决策树或网络，进行模型训练。
模型部署：将训练好的模型整合到系统中，确保实时运行。
持续优化：基于新数据周期性地重新训练模型，以提升性能。
AI工程实例：
选择基础模型：从预训练的基础模型库中，挑选适合欺诈检测任务的模型。
提示与调整：通过精心设计的提示和微调技术，优化模型性能。
集成上下文信息：结合交易细节、用户历史记录等动态信息，提升模型准确率。
产品部署与评估：围绕模型输出构建用户界面，并持续评估其可靠性和合规性。
再如，若目标是构建一个客户支持的聊天机器人。
ML工程方式：
数据收集：获取客户历史问答对数据。
模型开发：基于序列到序列（Seq2Seq）或Transformer架构开发生成式模型。
性能评估与部署：通过与标准答案对比，优化响应质量，并将模型整合到聊天系统中。
AI工程途径：
选用成熟语言模型：选择如GPT-4之类的成熟语言模型作为基础。
提示设计：利用预设计的提示直接生成高质量响应，无需重新训练。
处理开放式输出：设计灵活的评估机制以处理复杂或无固定答案的用户请求。
构建用户交互平台：开发用户友好的交互界面，并确保与现有工具的无缝集成。
当面临需要服务数百万用户的AI应用扩展时：
AI工程的优势在于：
优化基础模型：通过微调或推理优化平衡模型的质量、成本和延迟。
动态上下文整合：采用检索增强生成方法，为模型提供实时动态上下文信息以提高表现。
开放式评估与设计：设计灵活的评估管道以确保系统在多样化需求下的可靠性。
从上述案例中我们可以看出，从ML到AI工程的转变，意味着不再仅仅关注模型的从零开始设计与训练，而是更加注重现有模型的优化和利用。这种新范式强调以产品需求为导向，反向设计技术实现路径，从而更快速地响应用户需求。核心在于——
充分利用预训练模型的力量，从用户需求出发解决问题。