OpenAI کے ‘فارورڈ ڈیپلائڈ انجینئرز’ (FDEs) اس مقام پر کام کرتے ہیں جہاں صارفین OpenAI پلیٹ فارم سے منسلک ہوتے ہیں۔ ان کا کام صارف کے حقیقی مقصد کو ایسے فعال سافٹ ویئر میں تبدیل کرنا ہوتا ہے جو پروڈکشن (حقیقی استعمال) کے دوران کامیابی سے کام کر سکے۔ یہ کورس اس مفروضے پر مبنی ہے کہ آپ نے پہلے چھوٹے AI اور API پروجیکٹس بنائے ہیں۔ یہ آپ کو FDE انٹرویو کے عمل کے ان مخصوص پہلوؤں کے لیے تیار کرتا ہے جو عام کام سے مختلف محسوس ہوتے ہیں، جیسے کہ کسی مبہم (vague) درخواست کے دائرہ کار کا تعین کرنا، معلومات کی بازیافت (retrieval) اور جانچ پڑتال (evaluation) کے درمیان توازن قائم کرنا، اور فالو اپ (follow-up) کے دوران اپنے فیصلوں کا دفاع کرنا۔
OpenAI میں FDE کا کام عام طور پر کسی ایسے صارف کے ساتھ شروع ہوتا ہے جس کی خواہش کچھ اس طرح کی ہو: “ہماری سپورٹ ٹکٹس پر AI کا استعمال کریں”؛ اور انہیں اس مقصد کو ایک محفوظ اور قابلِ پیمائش ڈیپلائمنٹ (deployment) میں تبدیل کرنے کے لیے مدد درکار ہو۔ کسٹمر ڈیپلائمنٹ سے مراد کسی خیال (idea) سے لے کر صارف کے ماحول میں ایک فعال نظام (live system) کی تنصیب تک کا مکمل سفر ہے، جس میں انٹیگریشن (integration)، رول آؤٹ (rollout) اور اس بات کی پیمائش شامل ہے کہ آیا اس سے کوئی فائدہ ہوا یا نہیں۔
اس صورتحال پر غور کریں: ایک ریٹیل کمپنی ایک ایسا اندرونی اسسٹنٹ (internal assistant) چاہتی ہے جو پالیسی دستاویزات اور گزشتہ ٹکٹس کی بنیاد پر سوالات کے جواب دے سکے۔ وہ چار ہفتوں کے اندر ایک پائلٹ پروجیکٹ چاہتے ہیں، بشرطیکہ ڈیٹا ان کی منظور شدہ حدود سے باہر لیک نہ ہو۔ بطور FDE، آپ اس درخواست کو ایک ایسے منصوبے میں ڈھالتے ہیں جس میں یہ وضاحت کی گئی ہو کہ پہلے کیا تعمیر کرنا ہے، یہ ان کے سسٹمز سے کیسے جڑے گا، اور آپ یہ کیسے ثابت کریں گے کہ یہ نظام اتنا مؤثر ہے کہ اسے مزید وسیع پیمانے پر پھیلایا جا سکے۔
یہاں پلیٹ فارم کے وہ بنیادی اجزاء (building blocks) دیے گئے ہیں جنہیں آپ انٹرویو کے دوران مختلف کاموں (tasks) سے منسلک (map) کرتے رہیں گے۔ تفصیلات ٹیم کے لحاظ سے مختلف ہو سکتی ہیں، لیکن یہ وہ مشترکہ پہلو ہیں جن کے بارے میں انٹرویو لینے والے توقع کرتے ہیں کہ آپ کھل کر (آواز کے ساتھ) اپنی سوچ کا اظہار کریں گے۔
ہمارے ریٹیل اسسٹنٹ کی مثال میں، آپ ابتدائی طور پر کوئی چھوٹا فیچر منتخب کر سکتے ہیں، جیسے حوالہ جات (citations) کے ساتھ جواب کا مسودہ تیار کرنا، اور پھر مزید ورک فلو کی طرف بڑھنے سے پہلے ‘ایویلیوایشنز’ (evals) کا استعمال کرتے ہوئے یہ تصدیق کر سکتے ہیں کہ حوالہ جات درست ہیں۔ اس تصور کو عملی شکل دینے کے لیے، ہم ان بنیادی اجزاء (building blocks) کا موازنہ یا اطلاق FDE کے عام کاموں پر کریں گے جو کسی پروجیکٹ یا انگیجمنٹ کے دوران انجام دیے جاتے ہیں:
OpenAI کی جانب سے FDE انٹرویو کا کوئی ایک سرکاری طریقہ کار (یا ‘لوپ’) شائع نہیں کیا جاتا، لہذا امیدواروں کو جو مراحل درپیش ہوتے ہیں وہ عام مشاہدات پر مبنی ہیں اور ٹیم یا کردار (role) کے لحاظ سے مختلف ہو سکتے ہیں۔ اس فرق کے باوجود، عوامی رپورٹس میں ایک مشترکہ نمونہ (pattern) نظر آتا ہے جس میں ہر مرحلہ اسی کام کے ایک مختلف پہلو کو جانچتا ہے: یعنی صارفین کی ضروریات کے مطابق سسٹمز کی تعمیر اور ان کے ڈیزائن کا دفاع۔
عام طور پر رپورٹ کیے جانے والے ایک سلسلے کا آغاز ریکروٹر (بھرتی کرنے والے) کے ساتھ ابتدائی بات چیت سے ہوتا ہے، اس کے بعد گھر پر مکمل کرنے کے لیے ایک پروجیکٹ اور اس کی وضاحت (walkthrough) کا مرحلہ آتا ہے، پھر ڈیزائن اور جانچ پڑتال پر براہِ راست تکنیکی گفتگو ہوتی ہے، اور اختتام رویے (behavioral) اور ہائرنگ مینیجر کے ساتھ تفصیلی بات چیت پر ہوتا ہے۔ ایک اور عام طریقے میں ‘پروڈکشن’ معیار کی لائیو کوڈنگ اور سسٹم ڈیزائن کا مرحلہ شامل ہوتا ہے، جو یا تو ورچوئل آن سائٹ (virtual onsite) انٹرویو سے پہلے ہوتا ہے یا اس کا حصہ ہوتا ہے۔
بات کو ایک تسلسل میں رکھنے کے لیے، فرض کریں کہ گھر پر مکمل کرنے والے پروجیکٹ میں ایک چھوٹا ‘سیمانٹک سرچ’ (semantic search) یا ‘سپورٹ ٹکٹ اسسٹنٹ’ بنانا شامل ہے، اور پھر ٹیم کو یہ سمجھانا ہے کہ آپ نے اسے محفوظ، قابلِ جانچ (testable) اور استعمال کے لیے تیار (shippable) کیسے بنایا۔ اس کے بعد ہر اگلے مرحلے میں اسی بنیادی مہارت کا استعمال ہوتا ہے، جس میں غیر واضح صورتحال کو ایک متعین منصوبے میں بدلنا، پروڈکشن کے معیار کا کوڈ لکھنا، اور دباؤ کے عالم میں اپنے فیصلوں اور ترجیحات (tradeoffs) کا دفاع کرنا شامل ہے۔
تیاری کا تیز ترین طریقہ یہ جاننا ہے کہ ہر مرحلہ آپ کے بارے میں کیا جاننے کی کوشش کر رہا ہے، تاکہ آپ گفتگو کے دوران مناسب شواہد یا مثالیں پیش کر سکیں۔ آئیے ان مراحل اور ان میں عام طور پر پرکھی جانے والی چیزوں کا تفصیلی جائزہ لیتے ہیں: