Vacatures voor ‘forward deployed engineer’ (FDE) en ‘AI engineer’ vragen vaak om dezelfde vaardigheden: Python, API’s en cloud-deployments. Toch kunnen de twee beroepen leiden tot zeer verschillende werkdagen. Volgens de gids van Analytics Vidhya zit het verschil vooral in de organisatie van verantwoordelijkheden, de problemen die bij elk terechtkomen en de manier waarop succes wordt beoordeeld.
- Beide beroepen vragen om dezelfde vaardigheden, maar de werkdag verschilt sterk.
- De FDE bouwt samen met klanten een op een taalmodel gebaseerde workflow, van idee tot livegang.
- De AI engineer onderhoudt AI-software over meerdere versies en bewaakt kwaliteit en kosten.
- Het verschil zit in verantwoordelijkheden, aangepakte problemen en de manier waarop succes wordt gemeten.
Een FDE ontwerpt en implementeert software samen met klanten. Bij AI-bedrijven gaat dit vaak om het in productie brengen van een workflow die gebaseerd is op een taalmodel (LLM, een systeem getraind op grote hoeveelheden tekst), van het eerste idee tot de livegang. Volgens de bron omvat de rol van FDE bij OpenAI het ontdekken van behoeften, technische afbakening, systeemontwerp, implementatie en deployment. De omgeving van de klant bepaalt het werk: beperkte data, verouderde systemen en ongedocumenteerde goedkeuringsregels maken deel uit van het op te lossen probleem.
De aanpak volgt meestal verschillende stappen, van het observeren van het gebruik tot het delen van de opgedane kennis. De gids benadrukt deze laatste stap: de functieomschrijving voor FDE bij Anthropic omvat expliciet het delen van implementatiepatronen met product- en engineeringteams. Het werk voor een klant kan zo leiden tot herbruikbare capaciteiten, in plaats van zich op te stapelen als specifieke oplapwerkzaamheden.
Een AI engineer ontwerpt en beheert software die kunstmatige intelligentie gebruikt, of het nu gaat om een assistent, een aanbevelingsdienst, een vision-applicatie of een agent die tools kan gebruiken. In een product- of intern team gaat dit werk vaak door van versie tot versie. Als voorbeeld noemt de gids de functie van Senior AI Engineer bij Criteo, die agents, debugging, deployment, monitoring en onderhoud omvat.
De gids illustreert deze continuïteit met een eenvoudig geval: een goedkoper model beantwoordt veelgestelde vragen goed, maar mist ongebruikelijke uitzonderingen op het bedrijfsbeleid. Van model wisselen verlaagt de kosten per verzoek, maar introduceert een kwaliteitsprobleem. De ingenieur moet dan beschikken over representatieve testcases, metingen van latentie en kosten, en een manier om terug te kunnen vallen.
Om het verschil te illustreren, stelt de gids een distributeur voor die een AI-assistent implementeert voor zijn supportteams, belast met het beantwoorden van vragen over handelsbeleid, het raadplegen van bestellingen en het overlaten van terugbetalingen aan geautoriseerde medewerkers. De FDE zou kunnen ontdekken dat het directe obstakel een verouderde beleidsrepository is, terwijl de AI engineer zou kunnen vaststellen dat een model-upgrade een regressie heeft veroorzaakt. Volgens de gids passen deze verschillende accenten in dezelfde engineeringinspanning en verdelen ze de taken niet op een verplichte manier.
Beide rollen zijn gebaseerd op gemeenschappelijke vaardigheden: software-engineering, het ontwerpen van AI-toepassingen inclusief retrieval-augmented generation (RAG, waarbij het model documenten krijgt uit een database), evaluatie en productie-implementatie. De FDE moet daarnaast de juiste vragen aan de klant kunnen stellen en de scope kunnen onderhandelen, terwijl de productgerichte functie een diepgaande en blijvende kennis van het systeem vereist.
De gids preciseert ook dat de bewering dat de rol van FDE ‘far more roles’ zou bieden niet wordt ondersteund door een telling van vacatures, en dat dit alleen geen richtsnoer zou moeten zijn voor de keuze van een beroep. Volgens de bron omvatten veel FDE-functies implementatie, testen en deployment, en hangt het aandeel code af van de werkgever.
