జూనియర్ డెవలపర్‌కు తెలియని లైబ్రరీని ఉపయోగించమని AI సహాయకుడిని అడిగితే, పనిచేసే కోడ్ వస్తుంది; అతను ముందుకు వెళ్లవచ్చు. అది ఎందుకు పనిచేస్తుందో డెవలపర్ అర్థం చేసుకునేలోగానే ఫీచర్ సిద్ధమవుతుంది. తదుపరి సారి కోడ్ విఫలమైనప్పుడు, అవసరాలు మారినప్పుడు లేదా సహాయకుడు చేసిన మార్పు సురక్షితమో కాదో నిర్ణయించాల్సి వచ్చినప్పుడు ఇది ముఖ్యం.
సాఫ్ట్‌వేర్ ఇంజినీర్ అలెగ్జాండ్రు నెడెల్కు ఈ ఆందోళనను సెప్టెంబర్ 22న ప్రచురించిన వ్యాసంలో ప్రస్తావించారు. కోడ్ చదవడం, ఎంపికలు చేయడం, తప్పుల ఫలితాలను ఎదుర్కోవడం ద్వారా డెవలపర్లు తీర్పు సామర్థ్యాన్ని పెంపొందించుకుంటారని ఆయన వాదించారు. కొన్ని సంస్థలు AIపై వ్యతిరేక విధానాలను ప్రకటిస్తాయన్నది ఆయన అంచనా; గమనించిన పరిశ్రమ మార్పు కాదు. జనవరిలో ప్రచురించిన వేరొక ప్రయోగం నేర్చుకునే ప్రశ్నను మరింత ఇరుకుగా, పరీక్షించదగిన రూపంలో అడుగుతుంది: AI సాయంతో పని పూర్తయ్యాక ప్రోగ్రామర్లకు వెంటనే ఏమి అర్థమైంది? Anthropic పరిశోధన కథనం
పెద్ద మార్పు
- ఏం మారింది: తర్కాన్ని స్వయంగా అర్థం చేసుకోకుండానే పూర్తయిన సాఫ్ట్‌వేర్‌ను సమర్పించడాన్ని AI సులభం చేస్తుంది. కొత్తవారు కోడ్‌ను వివరించడానికి లేదా సరిచేయడానికి అవసరమైన నిర్ణయాలను సాధన చేయకముందే, అది ఒక అమలును అందించగలదు.
- ఇది ఎందుకు ముఖ్యం: రేపటి లోపాలను గుర్తించగల సిబ్బందిగా జూనియర్ ఉద్యోగులు ఎదిగే మార్గాన్ని బలహీనపరుస్తూనే, నిర్వాహకులు ఈరోజు ఎక్కువ పని పొందవచ్చు. తెలియని భావనలతో పని చేసినప్పుడు ప్రమాదం ఎక్కువ; తెలిసిన పనిలో సహాయం ఇప్పటికీ ఉపయోగకరమే.
- ఏమి గమనించాలి: బృందాలు నేర్చుకోవడాన్ని పని ఫలితంలో భాగంగా చూడడం మొదలుపెట్టి, AI సాయంతో చేసిన పనిని వివరించడానికి, లోపాలు గుర్తించడానికి, మార్చడానికి సమయం కేటాయించవచ్చు. అలా చేస్తే వేగంతో పాటు అర్థం చేసుకున్నట్టు చూపడాన్నీ నియామక పరీక్షలు, కోడింగ్ ఉత్పత్తులు ప్రోత్సహించవచ్చు.
పని పూర్తవడం, నైపుణ్యం నేర్చుకోవడం వేర్వేరు ఫలితాలు
ఈ Trio లైబ్రరీపై 52 మంది ప్రోగ్రామర్ల యాదృచ్ఛిక అధ్యయనం, పాల్గొన్నవారు Trio అనే తెలియని Python లైబ్రరీతో రెండు కోడింగ్ పనులు చేశారు. సగం మందికి కోడింగ్ వాతావరణంలో AI సహాయకుడు అందుబాటులో ఉండగా, మిగతావారికి లేదు. ఆ తర్వాత క్విజ్ ఉంటుందని వారికి తెలుసు. పని ముగిసిన కొద్దిసేపటికే నిర్వహించిన క్విజ్‌లో భావనలు, కోడ్ చదవడం, డీబగ్గింగ్‌పై ప్రశ్నలున్నాయి.
AI బృందం సగటున 50% సాధించింది; AI లేకుండా పనిచేసిన బృందం 67% సాధించింది—ఇది 17 శాతం పాయింట్ల తేడా; సాపేక్షంగా 17% తగ్గుదల కాదు. డీబగ్గింగ్ ప్రశ్నల్లో తేడా అత్యధికంగా ఉంది. AI బృందం సగటున సుమారు రెండు నిమిషాలు వేగంగా పూర్తి చేసినా, ఆ సమయ తేడా గణాంకపరంగా ముఖ్యమైనది కాదు. ఇవి ఒక లైబ్రరీతో కొద్దిసేపు పని చేసి, వెంటనే పరీక్ష రాసిన ఫలితాలు మాత్రమే; డెవలపర్ల కెరీర్‌లను గానీ, ఉత్పత్తి వ్యవస్థ నాణ్యతను గానీ కొలవలేదు. పరిశోధకుల ఫలితాలు, పరిమితులు
పాల్గొనేవారు సహాయకుడిని ఎలా వాడారో కూడా పరిశోధకులు గమనించారు. కొందరు కోడ్, డీబగ్గింగ్ పనిని ఎక్కువగా దానికి అప్పగించారు; మరికొందరు వివరణలు అడిగారు లేదా భావనలను స్వయంగా అర్థం చేసుకున్నారు. ఎక్కువగా పాల్గొన్న విధానాల్లో స్కోర్లు మెరుగ్గా ఉండే ధోరణి కనిపించింది; కానీ ఈ చిన్న బృందాలను తర్వాత గుర్తించారు. నిర్దిష్ట రీతిలో మాట్లాడాలని కాకుండా, AI ప్రాప్యత ఉండాలా వద్దా అన్నదానికే పాల్గొనేవారిని యాదృచ్ఛికంగా కేటాయించారు. వివరణ అడగడం నేర్చుకునేవారికి తోడ్పడవచ్చు; అయితే ఒక నిర్దిష్ట ప్రాంప్ట్ లేదా పని విధానం నేర్చుకునే అంతరాన్ని నివారిస్తుందని ఈ అధ్యయనం నిరూపించదు. పరిశోధనా పత్రంలోని పరస్పర చర్యల విశ్లేషణ
లైబ్రరీ ఏ అంచనాలపై ఆధారపడుతుందో కొత్తవారు తరచుగా లోపం వచ్చినప్పుడే నేర్చుకుంటారు. మొదటి అమలు, దాని మరమ్మత్తు రెండింటినీ సహాయకుడే చేపడితే, డెవలపర్ ఆ అంచనాలను తక్కువగా చూడవచ్చు. డీబగ్గింగ్‌లో కనిపించిన తేడాకు ఇది ఒక సంభావ్య వివరణ.
వేగానికీ విలువ ఉంది; పనిని బట్టి సమాధానం మారుతుంది
వేరే పరిస్థితుల్లో AI సహాయంతో కోడింగ్ వేగం కూడా పెరిగింది. మరో నియంత్రిత GitHub Copilot ప్రయోగంలో, 95 మంది ప్రొఫెషనల్ ఫ్రీలాన్సర్లకు JavaScript HTTP సర్వర్ నిర్మించే పని ఇచ్చారు. పని పూర్తి చేసినవారిలో Copilot బృందం సగటున 71 నిమిషాల్లో ముగించింది; నియంత్రణ బృందానికి సుమారు 161 నిమిషాలు పట్టాయి—పూర్తి సమయాన్ని 55.8% తగ్గించింది. ఆ ప్రోగ్రామర్లు తర్వాత ఏం నేర్చుకున్నారో పరిశోధకులు పరీక్షించలేదు. ఇది పరిమిత అమలు పని; తెలియని లైబ్రరీ నేర్పి, తర్వాత అవగాహన క్విజ్ నిర్వహించిన ప్రయోగం కాదు.
రెండు ఫలితాలూ నిర్వాహకులకు ఉపయోగపడతాయి. అనుభవజ్ఞుడైన డెవలపర్ AIతో పునరావృత పనిని తొలగిస్తే, ఆదా చేసిన సమయం నిజమైనదై ఉండవచ్చు. కొత్త వ్యవస్థ నేర్చుకోవడమే లక్ష్యమైనప్పుడు, వేగంగా పని పూర్తిచేయడాన్ని, బాగా అర్థం చేసుకోవడాన్ని వేర్వేరుగా తనిఖీ చేయాలి. అందరిపైనా AI నిషేధం విధిస్తే, మనుషులు పనిని ఎలా నేర్చుకుని పర్యవేక్షిస్తారనే ప్రశ్నకు సమాధానం లేకుండానే సంభావ్య లాభాలను వదులుకున్నట్టవుతుంది.
నెడెల్కు వ్యాసం ప్రయోగ ఫలితాలకన్నా ముందుకు వెళ్తుంది. నిర్వహణ సౌలభ్యం నెలలు లేదా ఏళ్ల తర్వాత తెలుస్తుందని, తప్పులకు బాధ్యత వహించడం ద్వారా అనుభవం పెరుగుతుందని ఆయన వాదిస్తారు. AI వాడేవారు దీర్ఘకాల నిర్వహణలో విఫలమవుతారని లేదా నేర్చుకోవడమే పూర్తిగా ఆపేస్తారని అధ్యయనం కొలవలేదు. ఆయన లేవనెత్తిన సంస్థాగత ప్రశ్న మాత్రం ఉపయోగకరం: పని సాధనను బృందం మరింతగా AIకి అప్పగిస్తే, భవిష్యత్తులో సమస్యలు పరిష్కరించేవారు ఆ సాధన ఎక్కడ పొందుతారు? నెడెల్కు వ్యాసం
కోడ్ నడిచిన తర్వాత నేర్చుకున్నదాన్ని చూపించే అవకాశం ఇవ్వండి
జూనియర్‌కు AI సాయంతో పని ఇచ్చి, నేర్చుకున్నట్టు నిర్ధారించేముందు చిన్న స్వతంత్ర తనిఖీ చేయమని అడగడం ఒక ఆచరణాత్మక మార్గం. ఇది మా ప్రతిపాదిత వ్యాయామం; ఈ రెండు అధ్యయనాల్లోనూ పరీక్షించిన జోక్యం కాదు:
- వివరించండి: సహాయకుడిని అడగకుండా, తెలియని కోడ్ భాగం ఎందుకు పనిచేస్తుందో, ఏ అంచనాలపై ఆధారపడుతుందో, ఏ పరిస్థితిలో విఫలమవుతుందో వివరించాలి. సీనియర్ ఇంజినీర్ చేసిన నిజమైన మార్పుకు సంబంధించిన ఒక అనుబంధ ప్రశ్న అడగవచ్చు.
- లోపాన్ని గుర్తించండి: సురక్షిత పరీక్షా శాఖలో చిన్న, వాస్తవిక లోపాన్ని ప్రవేశపెట్టండి. కారణాన్ని గుర్తించి, సులభంగా నమ్మదగిన తప్పు పరిష్కారాన్ని ఏ పరిశీలన తోసిపుచ్చిందో నేర్చుకునేవారిని వివరించమని అడగండి. లక్ష్యం తర్కాన్ని పరీక్షించడం; ఒక ఆదేశాన్ని కంఠస్థం చేయించడం కాదు.
- మార్చి చూడండి: అవసరాన్ని మార్చి, అమలుతో పాటు దాని పరీక్షల్నీ సవరించమని అడగండి. AI వాడవచ్చు; అయినా కొత్త ప్రవర్తనను సమర్థించగలగాలి, ఇంకా ఏది ధృవీకరించాలో చెప్పగలగాలి.
ఉదాహరణకు, సహాయకుడు కొత్త అసింక్రోనస్ చర్యను రాసిన తర్వాత, అది మధ్యలో రద్దయితే ఏమవుతుందని సమీక్షకుడు అడగవచ్చు. డెవలపర్ ఆ ప్రవాహాన్ని వివరించి, మారిన అవసరాన్ని పరీక్షించగలగాలి. కోడ్ సమీక్ష లోపాన్ని గుర్తించినా, తదుపరి లోపాన్ని పరిష్కరించలేని స్థితిలో నేర్చుకునేవారిని వదిలేయవచ్చు. జ్ఞానం సమర్పించిన కోడ్‌తో పాటు వస్తుందా అన్నదే ఈ ప్రతిపాదిత తనిఖీ అడుగుతుంది.
దీనికోసం ప్రతి సాధారణ పనినీ పరీక్షగా మార్చాల్సిన అవసరం లేదు. తెలియని లైబ్రరీలు, తరచుగా వచ్చే లోపాలు లేదా తర్వాత జూనియర్ సహోద్యోగి బాధ్యత తీసుకునే పనులకే బృందం ఈ వ్యాయామాన్ని పరిమితం చేయవచ్చు. దీనికి చెల్లింపుతో కూడిన సమయం, వ్యవస్థ తెలిసిన సమీక్షకుడు అవసరం. విలీనం చేసిన పనులు, ఆదా చేసిన సమయాన్నే యాజమాన్యం లెక్కిస్తే, ముందుగా తగ్గించేది ఈ ఖర్చులే కావచ్చు. అలా చేస్తే నేటి పని పెరిగినా, శిక్షణ సమస్య మరింత కఠినమవుతుంది.
శిక్షణ ప్రశ్న నియామకానికి, ఉత్పత్తి రూపకల్పనకూ విస్తరిస్తుంది
జూనియర్ ఉద్యోగాల్లో పని ఫలితంతో పాటు పర్యవేక్షణలో సాధన కూడా తరచుగా ఉండేది. అభ్యర్థి ఎలా ఆలోచించాడో చూపకుండా, పూర్తయిన అద్భుతమైన ఫీచర్‌ను చూపగలిగినప్పుడు AI ఆ ఒప్పందాన్ని మార్చుతుంది. మెరుగ్గా మెరుగుపరచిన కోడ్ భాండాగారాన్ని స్వతంత్ర నైపుణ్యానికి సాక్ష్యంగా చూడకుండా, అభ్యర్థులు చిన్న పనిని వివరించి మార్చగలరా అని యజమానులు అడగవచ్చు. ఇది ప్రస్తుత నియామక ధోరణికి ఆధారం కాదు; ప్రతిపాదిత స్పందన. ప్రతి ఒక్కరూ సాధనాల్లేకుండా పనిచేయాలని కోరడం కాకుండా, ఆ పాత్రకు నిజంగా అవసరమైన సామర్థ్యాలనే పరీక్షించాలి.
కోడింగ్ ఉత్పత్తులకూ ఇలాంటి ఎంపిక ఉంది. సహాయకుడు త్వరిత సమాధానానికి ప్రాధాన్యం ఇవ్వవచ్చు; లేదా అంచనాలను పరిశీలించడం, భావనలపై ప్రశ్నించడం, పరిష్కారం చూపేముందు మార్పును ప్రయత్నించడం సులభం చేయవచ్చు. పరిశీలించిన పరస్పర చర్యల విధానాలు రెండో రూపకల్పనను ప్రయత్నించదగినదిగా చేస్తాయి; అయితే నిర్దిష్ట ఇంటర్‌ఫేస్ మెరుగ్గా నేర్పుతుందని అవి నిరూపించవు. యజమానులు కొనుగోలు చేసేటప్పుడు, సాధనం ఎంత కోడ్ ఉత్పత్తి చేస్తుందనేదే కాక, దాని ఫలితాన్ని తనిఖీ చేసి మార్చడం సిబ్బందికి నేర్పడంలో తోడ్పడుతుందా అని కూడా అడగాలి.
చిన్న క్విజ్ ఐదేళ్లలో ఎవరు నిపుణులవుతారో చెప్పదు. కానీ తెలియని పనిలో అర్థం చేసుకున్నట్టు చూపే ఆధారానికి, ఆమోదించిన అమలును ప్రత్యామ్నాయంగా చూడటం ఎందుకు సరైంది కాదో చూపిస్తుంది. ఆటోమేషన్‌తో పాటు తదుపరి తరం నైపుణ్యమూ కావాలనుకునే బృందాలు సాధనకు చోటివ్వాలి; సమాధానం మారినప్పుడు సిబ్బంది ఏమి చేయగలరో తనిఖీ చేయాలి.
