Η τεχνητή νοημοσύνη αλλάζει τον τρόπο που οι μηχανικοί αναπτύσσουν

Περίπου ένα χρόνο πριν, μια από τις πιο έντονες συζητήσεις στο λογισμικό κέντριζε την προσοχή στο μέλλον του νεοεισερχόμενου μηχανικού. Η συζήτηση φαινόταν απλή: αν η τεχνητή νοημοσύνη μπορεί ήδη να χειριστεί πολλές καθήκοντα κωδικοποίησης σε επίπεδο junior, γιατί να συνεχίσετε να προσλαμβάνετε και να εκπαιδεύετε juniors; Και αν οι εταιρείες σταματήσουν να αναπτύσσουν ταλαντούχους νεοεισερχόμενους, από πού θα έρθουν οι seniors μηχανικοί πέντε χρόνια αργότερα;

Ήταν ένα σοβαρό ερώτημα, και πολλοί έξυπνοι άνθρωποι το έλαβαν σοβαρά υπόψη.

Την εποχή εκείνη, η απάντησή μου ήταν ότι άλλες επαγγελματικές κατηγορίες είχαν ήδη λύσει εκδοχές του προβλήματος. Κανείς δεν αποφοιτά από την ιατρική σχολή και αμέσως εκτελεί χειρουργείο με ανοικτή καρδιά ανεξάρτητα. Οι γιατροί περνούν χρόνια σκιζοντας,實習, ολοκληρώνουν ειδίκευση και ασκούνται υπό εποπτεία πριν το σύστημα τους εμπιστευτεί να λειτουργούν μόνοι τους.

Το ίδιο μοτίβο υπάρχει στην εκτελεστική ηγεσία. Κανείς δεν αποφοιτά από το κολέγιο και αμέσως διευθύνει μια εταιρεία Fortune 500. Οι άνθρωποι διαχειρίζονται μικρότερες ομάδες, στη συνέχεια μεγαλύτερες επιχειρηματικές μονάδες και σταδιακά συσσωρεύουν κρίση με την πάροδο του χρόνου. Ο δρόμος γίνεται μακρύτερος, πιο πρακτικός και πιο διδασκαλικός καθώς αυξάνεται η複雑η του ρόλου.

Πιστεύω ακόμη ότι η μηχανική κινείται προς την κατεύθυνση αυτή. Αλλά τους τελευταίους μήνες, άρχισα να σκέφτομαι το ζήτημα διαφορετικά λόγω τριών ανεξάρτητων εμπειριών που όλοι οδηγούσαν στο ίδιο συμπέρασμα.

Τρία Παραδείγματα

Ένας φίλος μου πρόσφατα πέρασε μήνες προετοιμαζόμενος για ένα εξέταση γλώσσας Τσέχικης. Ông και αρκετοί đồng nghiệp του雇用ανθρώπινους δασκάλους και επένδυσαν πραγματικά χρήματα στη διαδικασία. Ông πέρασε άνετα. Οι περισσότεροι από τους άλλους δεν το κατάφεραν.

Η μεγαλύτερη διαφορά, σύμφωνα με τον ίδιο, ήταν ότι ο основний του δάσκαλος ήταν στην πραγματικότητα το ChatGPT.

Μπορούσε να σπουδάσει στις 11 το βράδυ αν ήθελε. Μπορούσε να επαναλάβει την ίδια άσκηση συνδυασμού σαράντα φορές χωρίς να ανησυχεί ότι θα σπατάλη το χρόνο κάποιου. Μπορούσε να παίξει highly specific situations, όπως η αλληλεπίδραση με einen Τσέχο φορολογικό αξιωματούχο, και να προσαρμόσει τη συνεδρία ακριβώς στο τι είχε δυσκολία εκείνη την ημέρα.

Οι ανθρώπινοι δάσκαλοι ήταν καλοί. Απλά δεν μπορούσαν να ανταγωνιστούν τη διαθεσιμότητα, την επανάληψη και την προσωποποίηση.

Βλέπω κάτι παρόμοιο με τον γιο μου και τη φυσική. Ήδη κατανοεί καλά το αντικείμενο, οπότε δεν χρησιμοποιεί το Claude για να του δώσει απαντήσεις. Το χρησιμοποιεί για να τον προκαλέσει. Του ζητά να δημιουργήσει πιο δύσκολα προβλήματα, να πιέσει τις υποθέσεις του, να εξηγήσει γιατί μια προσέγγιση ήταν κοντά αλλά τελικά λάθος, και να τον εξετάσει διαδραστικά.

Η πιο κοντινή σύγκριση που μπορώ να σκεφτώ είναι η εμπειρία που είχαν τα έξυπνα παιδιά όταν γνώριζαν einen μεγαλύτερο αδελφό που σπούδαζε φυσική. Εκτός από το ότι αυτή η έκδοση είναι πάντα διαθέσιμη, δεν είναι ανυπόμονη και δεν λέει «ρωτήστε με αργότερα».

Ο ανιψιός μου, ο οποίος είναι ακόμη στο γυμνάσιο, έχει κατασκευάσει ένα μικρό ερασιτεχνικό πρότζεκτ που τελικά θέλει να εμπορευματοποιήσει. Μου βοήθησε να ρυθμίσω έναν κωδικοποιητή και να αυτοματοποιήσω μερικές ροές εργασίας. Κάθε απόγευμα στις πέντε, ενώ τελειώνει το σχολείο, ένας πράκτορας σαρώνει τον κωδικό του και αφήνει προτεινόμενες βελτιώσεις. Μια φορά την εβδομάδα, μια άλλη ροή εργασίας εκτελεί έρευνα ανταγωνισμού και επιφέρνει νέες ιδέες.

Του άρεσε.

Σε κάποιο σημείο αστειεύτηκε, «Εάν η κωδικοποίηση είναι τόσο εύκολη, θα τελειώσω με τις ιδέες».

Του είπα ότι οι ιδέες ήταν πάντα ο σπάνιος πόρος. Η διαφορά τώρα είναι ότι η εκτέλεση δεν περιορίζει πλέον τις ιδέες με τον ίδιο τρόπο, επειδή η εφαρμογή έχει γίνει δραματικά φθηνότερη.

Γρηγορότερες Πεταλιές Ανταπόκρισης

Κανένα από αυτά τα παραδείγματα δεν αφορά πραγματικά την Τσέχικη, τη φυσική ή την κριτική κώδικα.

Είναι παραδείγματα που δείχνουν ότι η προσωποποιημένη ανταπόκριση γίνεται συνεχώς διαθέσιμη.

Ιστορικά, οι νεοεισερχόμενοι μηχανικοί έμαθαν εν μέρει μέσω επανάληψης και εν μέρει μέσω της εγγύτητας σε έμπειρους ανθρώπους. Γράφαν κώδικα, περίμεναν αναθεώρηση, έπαιρναν ανταπόκριση όταν ένας senior τελικά είχε διαθέσιμο χρόνο, και σταδιακά χτίζαν κρίση με την πάροδο των ετών.

Η τεχνητή νοημοσύνη αλλάζει την ίδια την πετалі ανταπόκρισης.

Ένας νεοεισερχόμενος μηχανικός με έναν σωστά ρυθμισμένο βοηθό τεχνητής νοημοσύνης λαμβάνει πολλά από τα πράγματα που προηγουμένως εξαρτώνταν από τη διαθεσιμότητα των seniors. Αμέσως κριτική κώδικα. Εξηγήσεις για το γιατί μια επιλογή σχεδίασης μπορεί να δημιουργήσει προβλήματα αργότερα. Αναφορές σε παρόμοιους μοτίβους αλλού στο κώδικα. Αντιδράσεις όταν φθάνει για την πιο προφανή εφαρμογή αντί για την καλύτερη.

Το πιο σημαντικό, η ανταπόκριση έρχεται ενώ ο μηχανικός είναι ακόμη μέσα στο πρόβλημα και όχι δύο ημέρες αργότερα, όταν ο контекst έχει εξαφανιστεί.

Αυτό έχει σημασία επειδή η μετάβαση από τον νεοεισερχόμενο στο senior έχει πάντα οδηγηθεί σε μεγάλο βαθμό από την κρίση. Η κρίση είναι κυρίως αναγνώριση μοτίβων που χτίζεται μέσω επαναλαμβανόμενης έκθεσης σε λάθη, συμβιβασμούς και περιπτώσεις άκρων. Όσο γρηγορότερα κάποιος μπορεί να κινηθεί μέσα από αυτές τις πετаліες ανταπόκρισης σκεπτόμενος, τόσο γρηγορότερα αναπτύσσεται η κρίση.

Το εμπόδιο της διαθεσιμότητας χρησιμοποιούσε να βρίσκεται με τους seniors. Τώρα βρίσκεται όλο και περισσότερο με τον μαθητή.

Το Δίκτυο Ασφαλείας Βελτιώνεται

Υπάρχει μια άλλη μεταβολή εδώ που έχει την ίδια σημασία.

Ένας νεοεισερχόμενος μηχανικός που εργάζεται με ισχυρά συστήματα αναθεώρησης τεχνητής νοημοσύνης είναι ουσιαστικά λιγότερο πιθανό να ζημιώσει ένα σύστημα παραγωγής κατά λάθος.

Πολλά κλασικά λάθη τώρα σημειώνονται αμέσως: κωδικοποιημένα διαπιστευτήρια, καταπίνετε εξαιρέσεις, ασφαλείς ερωτήσεις, ζητήματα ασφαλείας, προφανείς αρχιτεκτονικές προβλήματα, κακώς εύρος εξαρτήσεων. Οι κακοί pull requests πιάνονται όλο και περισσότερο πριν φύγουν από το laptop.

Αυτό αλλάζει το δάπεδο για την εργασία του νεοεισερχόμενου.

Ιστορικά, ένα σημαντικό μέρος του χρόνου των seniors μηχανικών πήγαινε προς την προστασία του οργανισμού από προβλέψιμα λάθη. Τα στρώματα αναθεώρησης της τεχνητής νοημοσύνης απορροφούν όλο και περισσότερο μέρος αυτής της επιβάρυνσης, مما επιτρέπει στους juniors να λειτουργούν πιο ανεξάρτητα νωρίτερα από ότι μπορούσαν προηγουμένως.

Αυτό δεν εξαφανίζει την ανάγκη για καθοδήγηση ή εποπτεία. Αλλάζει όπου η καθοδήγηση γίνεται πιο πολύτιμη.

Το Χάσμα Επεξεργάζεται

Η αισιόδοξη εκδοχή του μέλλοντος αυτού εξαρτάται σε μεγάλο βαθμό από το πώς ο個别 μηχανικός χρησιμοποιεί το σύστημα.

Κάποιος που αντιμετωπίζει την τεχνητή νοημοσύνη κυρίως ως eine συντόμευση γύρω από τη σκέψη θα πιθανότατα παράγει περισσότερο κώδικα ενώ μαθαίνει πολύ λίγα. Δέκα χρόνια πριν, ο ίδιος άνθρωπος θα είχε αντιγράψει λύσεις από το Stack Overflow χωρίς να τις κατανοήσει. Το μηχανισμό άλλαξε. Η υποκείμενη συμπεριφορά δεν άλλαξε.

Η τεχνητή νοημοσύνη δεν θα λύσει ποτέ την πνευματική αδιαφορία.

Το πιο ενδιαφέρον αποτέλεσμα συμβαίνει όταν οι μηχανικοί ενεργά αλληλεπιδρούν με την ανταπόκριση που λαμβάνουν. Εάν κάποιος διαβάσει την αναθεώρηση προσεκτικά, αντιταχθεί, ζητήσει ερωτήσεις, δοκιμάσει εναλλακτικές και περιστασιακά ανακαλύψει ότι το μοντέλο ήταν λάθος, χτίζει κρίση πολύ γρηγορότερα από τις προηγούμενες γενιές.

Η γνωστική προσπάθεια δεν εξαφανίστηκε. Μετοκινήθηκε νωρίτερα στη πετάλι και έγινε φθηνότερη να επαναλαμβάνεται.

Αυτό πιθανότατα επεκτείνει το χάσμα μεταξύ των πολύ ενεργών μηχανικών και των μη ενεργών.

Οι περισσότερες σημαντικές μετατοπίσεις της παραγωγικότητας λειτουργούν με τον ίδιο τρόπο. Η ανάγνωση επέκτεινε το χάσμα μεταξύ των εγγράμματων και των αγράμματων πληθυσμών. Το διαδίκτυο επέκτεινε το χάσμα μεταξύ των περιεργών ανθρώπων και των παθητικών. Η τεχνητή νοημοσύνη φαίνεται να συνεχίζει το ίδιο μοτίβο.

Η Κρίση Προϊόντος Μαθαίνει Περισσότερο

Το πιο ενδιαφέρον ερώτημα δεν είναι πλέον αν οι νεοεισερχόμενοι μηχανικοί εξαφανίζονται. Είναι τι συμβάλλουν οι νεοεισερχόμενοι μηχανικοί όλο και περισσότερο όταν η εφαρμογή γίνεται ευκολότερη.

Η απάντηση αρχίζει να μοιάζει με το τι συμβάλλουν οι ισχυροί seniors μηχανικοί: δημιουργικότητα, προορισμός προϊόντος, γεύση, προτεραιότητα, κρίση και η ικανότητα να αναγνωρίσουν τι πρέπει να υπάρχει στην πρώτη θέση.

Οι ρόλοι μηχανικών μετακινούνται όλο και περισσότερο προς προσανατολισμένη σκέψη προϊόντος επειδή η τριβή της εφαρμογής συνεχίζει να καταρρέει. Η πλερή εργασία έχει λιγότερη σημασία από το να κατανοήσετε αν το σύστημα που κατασκευάζεται στην πραγματικότητα λύνει το σωστό πρόβλημα.

Η σχεδίαση συστήματος εξακολουθεί να έχει σημασία. Η ονομασία πραγμάτων εξακολουθεί να έχει σημασία. Η κρίση προϊόντος εξακολουθεί να έχει σημασία. Η κατανόηση των χρηστών εξακολουθεί να έχει σημασία. Σε κάποιους τρόπους, αυτές οι ικανότητες γίνονται πιο σημαντικές επειδή οι οργανισμοί μπορούν τώρα να δοκιμάσουν ιδέες πολύ γρηγορότερα από πριν.

Ένας μηχανικός που μεγαλώνει με την τεχνητή νοημοσύνη από την αρχή θα σκεφτεί πολύ διαφορετικά από κάποιον που εκπαιδεύτηκε πριν από δεκαπέντε χρόνια.

Θα υποθέσει ότι η επανάληψη είναι φθηνή. Θα προτυπώσει πολλές προσεγγίσεις γρήγορα αντί να συζητά μια seule για μέρες. Θα περιμένει πολύ στενότερες πετάλια ανταπόκρισης μεταξύ χρηστών και εφαρμογής επειδή το κόστος του να δοκιμάζεις πράγματα συνεχίζει να πέφτει.

Αυτό δημιουργεί einen διαφορετικό τύπο μηχανικού, έναν που διαμορφώνεται από πολύ μικρότερες κυκλικές πετάλια μεταξύ ιδέας και εφαρμογής.

Οι οργανισμοί θα πρέπει να ξανασκέφτονται την πρόσληψη, την αξιολόγηση, την καθοδήγηση και την προώθηση αντίστοιχα. Αλλά το λογισμικό έχει ήδη περάσει από παρόμοιες μετατοπίσεις πολλές φορές: όταν ήρθε το διαδίκτυο, όταν ήρθε το κινητό, όταν η υποδομή cloud αντικατέστησε τα συστήματα on-prem.

Κάθε μετατόπιση άλλαξε τι σημαίνει καλή μηχανική χωρίς να εξαφανίσει την ανάγκη για τους μηχανικούς τους ίδιους.

Λειτουργικές Επιβεβαιώσεις

Για τους νεοεισερχόμενους μηχανικούς, η συμβουλή δεν είναι ιδιαίτερα γλαμουρή.

Επιλέξτε πραγματικά προτζεκτ. Χρησιμοποιήστε την τεχνητή νοημοσύνη ως shadow αναθεωρητή ενώ εργάζεστε. Διαβάστε την ανταπόκριση προσεκτικά. Αντιστοιχίστε μερικές φορές. Ζητήστε ερωτήσεις. Κρατήστε το μοτίβο πίσω από τα λάθη που πιάνουν.

Αυτό είναι ένας από τους ταχύτερους δρόμους για την ανάπτυξη κρίσης, πολύ γρηγορότερα από το να περιμένετε έναν seniors μηχανικό να ελευθερωθεί τελικά για καθοδήγηση.

Για τους διευθυντές, το εμπόδιο αλλάζει επίσης.

Η ανάπτυξη των juniors χρησιμοποιούσε να εξαρτάται σε μεγάλο βαθμό από το πόσο χρόνο οι seniors μηχανικοί μπορούσαν να αφιερώσουν για καθοδήγηση. Όλο και περισσότερο, το μεγαλύτερο σημείο επίδρασης γίνεται το σχεδιασμό ισχυρών περιβαλλόντων μάθησης γύρω από τη χρήση της τεχνητής νοημοσύνης: αναμενόμενες αναθεωρήσεις, κανόνες επέκτασης, μοτίβα προώθησης, φράγματα και επιλογή προτζεκτ.

Οι οργανισμοί που δομούν αυτά τα συστήματα καλά θα αναπτύξουν ταλαντούχους γρηγορότερα από τις προηγούμενες γενιές.

Και για τις ηγετικές ομάδες, πιθανότατα έχει νόημα να σταματήσουν να βλέπουν τους νεοεισερχόμενους μηχανικούς κυρίως ως αντικαταστάσιμη εκτελεστική ικανότητα. Σε πολλές οργανώσεις, μπορεί να γίνουν μια από τις φθηνότερες πηγές πειραματισμού, ενέργειας και δημιουργικής επανάληψης που διατίθενται.

Μια Διαφορετική Γενιά Μηχανικών

Ο φίλος μου έμαθε Τσέχικα γρηγορότερα επειδή είχε στην πραγματικότητα έναν προσωποποιημένο δάσκαλο στην τσέπη του. Ο γιος μου μαθαίνει φυσική με ένα επίπεδο διαδραστικής ανταπόκρισης που δεν είχα ποτέ πρόσβαση. Ο ανιψιός μου λαμβάνει νυχτερινές κριτικές κώδικα και έρευνα αγοράς ενώ κοιμάται.

Η επόμενη γενιά μηχανικών θα εισέλθει στη βιομηχανία με συνεχής καθοδήγηση, αμέσως πετάλια ανταπόκρισης και δραματικά γρηγορότερες κυκλικές πετάλια μεταξύ προσπάθειας και ανταπόκρισης.

Αυτό δεν εξαφανίζει τον νεοεισερχόμενο μηχανικό. Αλλάζει πόσο γρήγορα αναπτύσσονται και ποιες ικανότητες έχουν σημασία κατά μήκος του δρόμου.

Η εκδοχή του ρόλου που πολλοί άνθρωποι μεγάλωσαν είναι πιθανότατα εξαφανίζεται. Αλλά η αντικατάσταση μπορεί να βγει γρηγορότερα-μαθαίνοντας, καλύτερα-καθοδηγούμενη, πιο πειραματική και πιο προσανατολισμένη στο προϊόν από ότι η προηγούμενη γενιά είχε ποτέ την ευκαιρία να γίνει.