آلاسدیر آلان در سخنرانی خود در QCon London هشدار داد که تحولات ناشی از هوش مصنوعی در کدنویسی دارد «خطلولهٔ» تربیت مهندسان نرمافزار را از درون فرسایش میدهد. او معتقد است ابزارهای هوش مصنوعی بخشهای آموزشی بین مراحل شغلی را حذف کرده و به افراد اجازه میدهند فراتر از سطح تجربهشان کار کنند؛ این روند باعث کاهش ورود توسعهدهندگان جوان و کند شدن استخدام در سطح ورودی میشود.
چه چیزی تغییر کرده است
ابزارهای هوش مصنوعی اکنون حجم زیادی کد تولید میکنند، اما نوشتن کد هرگز تمام مهارتهای موردنیاز یک مهندس باتجربه را تشکیل نمیدهد. تمایز مهندسان با تجربه در تواناییشان برای تشخیص الگوها، درک معماری صحیح سیستمها، شناسایی نقاط پنهان پیچیدگی و پیشبینی شکستها در مقیاس بزرگ است—مهارتهایی که با مواجههٔ طولانیمدت با کدهای قدیمی و بحرانهای تولید شکل میگیرند.
مشکل حذف کارهای تکراری و آموزشی
آلان این شکلگیری مهارت را با دورههای رزیدنتی پزشکی مقایسه میکند: انجام کارهای روزمره و خستهکننده بخشی از آموزش است چون باعث کسب تجربه و قضاوت میشود، نه صرفاً بهخاطر بهرهوری آنی. وقتی این کارها به هوش مصنوعی سپرده شوند، فرصت شکلگیری مهارتهای لازم برای نظارت و هدایت ابزارها کاهش مییابد. بسیاری از شرکتها سریعاً از ابزارهای تولید کد استفاده میکنند، اما همزمان نیروی انسانیای که بتواند این خروجیها را بررسی و پوشش دهد، کمتر تربیت میشود.
شواهد پژوهشی
- نتایج متناقض آزمایشها: آلان به مطالعهٔ کنترلشدهٔ METR اشاره میکند که نشان داد توسعهدهندگان باتجربه هنگام استفاده از هوش مصنوعی 19٪ کندتر شدند، در حالی که خودشان احساس میکردند 20٪ سریعتر شدهاند؛ این شکاف میان ادراک و عملکرد هشداردهنده است.
- تجربهٔ توسعهدهندگان جوان: گزارشهایی از جمله منابعی مانند Anthropic نشان میدهد برخی توسعهدهندگان جوانی که به تکیه بر هوش مصنوعی روی میآورند در معیارهای تسلط فنی تا 17٪ ضعیفتر عمل میکنند، بدون آنکه زمان انجام کار بهطور محسوسی کوتاهتر شود؛ یعنی یادگیری فنی بهزحمت جایگزین میشود.
- کیفیت خروجیها: در پروژههای واقعی متنباز، بهگفتهٔ آلان، از 15 درخواست ادغام (PR) تولیدشده توسط هوش مصنوعی معمولاً هیچیک بدون بازنگری انسانی قابلادغام مستقیم نیستند؛ هرچند ممکن است تستهای خودکار را پاس کنند، اما از منظر نگهداریپذیری و استانداردهای صنعتی ناکافیاند.
خواندن رفتار تولید و سیستمهای قدیمی (legacy)
عاملهای هوش مصنوعی قادر به خواندن کد و تحلیل مستنداتاند، اما معمولاً در مشاهدهٔ مستقیم رفتار تولید کوتاهی میکنند؛ مثلاً نمیتوانند سالها الگوهای ترافیک را ببینند و تشخیص دهند کدام مسیرهای کد واقعاً بارنگهدار هستند. بسیاری از سیستمهای در معرض مشکل همانطور که آلان اشاره کرد «سیستمهای قدیمی با مشخصات ناقص» هستند: پایگاههای کد بزرگ که تحت بار سنگین کار میکنند و تصمیمهای تاریخیِ بدون مستندسازی در آنها نقش دارند. در این محیطها قضاوت انسانی و شهود تجربی اهمیت حیاتی دارد.
آمادهسازی مهندسان برای نقشهای نظارتی
برنامهنویسی در حال تبدیل شدن به کاری نظارتی است؛ هوش مصنوعی بخش تولید را برعهده میگیرد و انسان باید تصمیم بگیرد آیا خروجی قابلاعتماد است یا خیر. شرکتها لازم است مدلهای آموزشی و مسیرهای شغلی را بازطراحی کنند تا تجربهٔ لازم برای نظارتی کردن ابزارها فراهم شود. پاسخ کامل هنوز مشخص نیست و جامعهٔ مهندسی در مرحلهٔ شناخت و تعیین راهحلها قرار دارد.
پیشنهادهای عملی برای حفظ خط لولهٔ مهارتی
- ایجاد چرخشهای کاری که دانشجویان و توسعهدهندگان جوان را با کدهای قدیمی و عملیات تولید مواجه کند.
- برنامههای مربیگری ساختاریافته شامل تمرینهایی مانند «بازسازی از مستندات ناقص» و تحلیل الگوهای تولید.
- تعریف نقشهای میانی که میان تولید خودکار کد و بررسی انسانی قرار گیرند و مهارتهای قضاوتی را نگه دارند.
نگاهی رو به جلو
چالش اصلی طراحی اکوسیستمی است که هم از برد کوتاهمدت هوش مصنوعی استفاده کند و هم خط لولهٔ تولید نیروی انسانی خبره را حفظ نماید. راهحلها ممکن است شامل طراحی مسیرهای شغلی جدید، سرمایهگذاری در آموزش عملی و تغییر انتظارات سازمانی باشد. اگر شرکتها تنها به کاهش هزینه و افزایش سرعت چشم بدوزند، ظرفیت لازم برای بررسی، تحقیق و مهندسی عمیق را از دست خواهند داد و در عمل با تولیدی ناقص مواجه میشوند.
برای آشنایی بیشتر با مبانی مهندسی نرمافزار به صفحهٔ Software engineering در ویکیپدیا مراجعه کنید و برای مشاهدهٔ گزارش و تحلیلهای مرتبط، گزارش InfoQ از سخنرانی آلان منبع مفیدی است.
