Θα αντικατασταθεί η Επιστήμη των Υπολογιστών από την Τεχνητή Νοημοσύνη; [Βίντεο και Κουίζ]

Απάντηση: Η Τεχνητή Νοημοσύνη δεν θα αντικαταστήσει την επιστήμη των υπολογιστών. Θα αυτοματοποιήσει τον προγραμματισμό ρουτίνας, ενώ παράλληλα θα αυξήσει τα πρότυπα για την κρίση, τη συστημική σκέψη και την λογοδοσία. Οι μαθητές ή οι προγραμματιστές που βασίζονται μόνο στη σύνταξη και το αντιγραμμένο αποτέλεσμα γίνονται ευάλωτοι. Όσοι κατανοούν τα βασικά μπορούν να χρησιμοποιήσουν την Τεχνητή Νοημοσύνη με ασφάλεια και αποτελεσματικότητα.

Βασικά συμπεράσματα:

Βασικές Αρχές: Δώστε προτεραιότητα σε αλγόριθμους, συστήματα, ασφάλεια και εντοπισμό σφαλμάτων έναντι της επιφανειακής απομνημόνευσης σύνταξης.

Λογοδοσία: Αντιμετωπίστε τον κώδικα που δημιουργείται από την Τεχνητή Νοημοσύνη ως προσχέδιο εργασίας που πρέπει να επαληθεύσετε, να δοκιμάσετε και να αποκτήσετε.

Κίνδυνος εισαγωγικού επιπέδου: Δημιουργήστε πραγματικά έργα, επειδή οι συνήθεις εργασίες κατώτερου επιπέδου ενδέχεται να συρρικνωθούν, να μετατοπιστούν ή να απορροφηθούν από εργαλεία.

Γραμματισμός Τεχνητής Νοημοσύνης: Χρησιμοποιήστε την Τεχνητή Νοημοσύνη για εξηγήσεις, συγκρίσεις και ανασκοπήσεις, όχι για τυφλή επικόλληση κώδικα.

Ανθεκτικότητα στην καριέρα: Αναπτύξτε δεξιότητες κρίσης, επικοινωνίας και αρχιτεκτονικής που τα εργαλεία δεν μπορούν να αντικαταστήσουν αξιόπιστα.

Άρθρα που ίσως σας ενδιαφέρουν μετά από αυτό:

🔗 Θα αντικαταστήσει η τεχνητή νοημοσύνη τους διαχειριστές έργων;
Διερευνήστε πώς η τεχνητή νοημοσύνη μπορεί να αναδιαμορφώσει τους ρόλους στη διαχείριση έργων.

🔗 Θα αντικατασταθούν οι φαρμακοποιοί από την τεχνητή νοημοσύνη;
Κατανοήστε τον αντίκτυπο της τεχνητής νοημοσύνης στο φαρμακευτικό έργο και τη φροντίδα των ασθενών.

🔗 Θα αντικαταστήσει η τεχνητή νοημοσύνη τους πολιτικούς μηχανικούς;
Μάθετε πώς η τεχνητή νοημοσύνη υποστηρίζει τους πολιτικούς μηχανικούς χωρίς να αντικαθιστά την εξειδίκευση.

🔗 Θα αντικαταστήσει η τεχνητή νοημοσύνη τους λογιστές;
Δείτε πώς ο αυτοματισμός αλλάζει τις εργασίες λογιστικής και τη μελλοντική ζήτηση.

1. Τι κάνει μια καλή έκδοση της Επιστήμης των Υπολογιστών στην εποχή της Τεχνητής Νοημοσύνης; 🧩

Μια καλή εκδοχή της επιστήμης των υπολογιστών πλέον δεν είναι απλώς το «μάθε Python και ελπίζεις». Αυτό δεν ήταν ποτέ αρκετό, αν και οι άνθρωποι τη γλίτωναν για ένα διάστημα.

Ένα ισχυρό υπόβαθρο στην επιστήμη των υπολογιστών περιλαμβάνει:

• Αλγόριθμοι και δομές δεδομένων - όχι επειδή θα κωδικοποιείτε χειροκίνητα ένα κόκκινο-μαύρο δέντρο κάθε πρωί, αλλά επειδή πρέπει να κατανοείτε τους συμβιβασμούς.

• Συστημική σκέψη - λειτουργικά συστήματα, δίκτυα, βάσεις δεδομένων, κατανεμημένα συστήματα, όρια υλικού.

• Μαθηματική συλλογιστική - λογική, πιθανότητες, διακριτά μαθηματικά, γραμμική άλγεβρα όπου είναι σχετικό.

• Κρίση μηχανικής λογισμικού - αρχιτεκτονική, συντηρησιμότητα, εντοπισμός σφαλμάτων, δοκιμές, τεκμηρίωση.

• Ευαισθητοποίηση σχετικά με την ασφάλεια - επειδή ο κώδικας που δημιουργείται από τεχνητή νοημοσύνη μπορεί να είναι εξαιρετικά επικίνδυνος.

• Σχεδιασμός με επίκεντρο τον άνθρωπο - οι χρήστες κάνουν απρόβλεπτα πράγματα. Πάντα. Να έχετε υπόψη σας αυτό.

• Γραμματισμός στην Τεχνητή Νοημοσύνη - γνώση του τι μπορούν να κάνουν τα μοντέλα, του τι δεν μπορούν να κάνουν και πού έχουν με σιγουριά παραισθήσεις σε ένα χαντάκι.

Τα επαγγελματικά προγράμματα σπουδών εξακολουθούν να αντιμετωπίζουν την επιστήμη των υπολογιστών ως έναν ευρύ κλάδο που καλύπτει τομείς όπως οι αλγόριθμοι, τα συστήματα, η ανάπτυξη λογισμικού, η κυβερνοασφάλεια, η επιστήμη δεδομένων και η τεχνητή νοημοσύνη - όχι απλώς την πρακτική του προγραμματισμού.

Επομένως, το καλύτερο ερώτημα δεν είναι μόνο «Θα αντικατασταθεί η Επιστήμη των Υπολογιστών από την Τεχνητή Νοημοσύνη;» Είναι: ποια εκδοχή της επιστήμης των υπολογιστών επιβιώνει και γίνεται πιο πολύτιμη;

Η απάντηση είναι η βαθύτερη εκδοχή. Η εκδοχή με κρίση.

2. Συγκριτικός Πίνακας: Δεξιότητες Τεχνητής Νοημοσύνης έναντι Δεξιοτήτων Επιστήμης Υπολογιστών ⚖️

3. Γιατί οι άνθρωποι πιστεύουν ότι η Τεχνητή Νοημοσύνη θα αντικαταστήσει την Επιστήμη των Υπολογιστών 😬

Οι άνθρωποι δεν επινοούν αυτόν τον φόβο από το πουθενά. Τα εργαλεία κωδικοποίησης τεχνητής νοημοσύνης είναι πραγματικά εντυπωσιακά. Μπορούν να δημιουργήσουν συναρτήσεις, να εξηγήσουν σφάλματα, να ξαναγράψουν κώδικα σε άλλη γλώσσα, να δημιουργήσουν παραδείγματα API, ακόμη και να παράγουν ένα αξιοπρεπές πρώτο προσχέδιο μιας εφαρμογής.

Αυτό δεν είναι τίποτα.

Για έναν αρχάριο, μπορεί να μοιάζει με μαγεία. Πληκτρολογείτε: «δημιουργήστε μου μια φόρμα σύνδεσης με επικύρωση» και εμφανίζεται ένας κώδικας μπουμ. Στη συνέχεια, ζητάτε στυλ και εμφανίζεται περισσότερος κώδικας. Στη συνέχεια, ζητάτε δοκιμές και σας δίνει κάτι που μοιάζει με δοκιμή. Ξαφνικά, ο αρχάριος αναρωτιέται: «Περιμένετε, γιατί μαθαίνω βρόχους;»

Σωστή ερώτηση. Αλλά επίσης, όχι ολόκληρη η ιστορία.

Η Τεχνητή Νοημοσύνη είναι ισχυρότερη όταν:

• Η εργασία είναι καλά καθορισμένη.

• Το μοτίβο υπάρχει ήδη στα δεδομένα εκπαίδευσης.

• Το περιβάλλον είναι συμβατικό.

• Τα διακυβεύματα είναι χαμηλά ή εύκολα δοκιμασμένα.

• Ο χρήστης μπορεί να επαληθεύσει την έξοδο.

Η Τεχνητή Νοημοσύνη γίνεται πιο ασταθής όταν:

• Οι απαιτήσεις είναι ασαφείς.

• Το σύστημα είναι μεγάλο και άτακτο.

• Η ασφάλεια έχει σημασία.

• Η απόδοση έχει σημασία.

• Το σφάλμα προκαλείται από κρυφό περιβάλλον.

• Η σωστή απάντηση εξαρτάται από την επιχειρηματική λογική που κανείς δεν κατέγραψε.

Και αυτό το τελευταίο; Αυτό είναι το μεγαλύτερο μέρος του λογισμικού παραγωγής.

Ναι, λοιπόν, η Τεχνητή Νοημοσύνη μπορεί να αντικαταστήσει ορισμένες εργασίες προγραμματισμού. Αλλά η αντικατάσταση εργασιών δεν είναι το ίδιο με την αντικατάσταση της επιστήμης των υπολογιστών. Ένα φτυάρι μπορεί να σκάψει πιο γρήγορα από ένα χέρι, αλλά δεν αντικαθιστά τη γεωλογία. Εντάξει, ίσως αυτή η μεταφορά να είναι λίγο ασταθής - αλλά το καταλαβαίνετε.

4. Η πραγματικότητα της αγοράς εργασίας: Ούτε η καταστροφή, ούτε η άνεση 📊

Εδώ είναι που η συζήτηση γίνεται ασυνήθιστα συναισθηματικά φορτισμένη.

Από τη μία πλευρά, οι προβλέψεις για την αγορά εργασίας εξακολουθούν να δείχνουν ισχυρή ζήτηση για εργασία που σχετίζεται με την πληροφορική. Το Γραφείο Στατιστικών Εργασίας των ΗΠΑ προβλέπει ότι οι θέσεις των προγραμματιστών λογισμικού, των αναλυτών διασφάλισης ποιότητας και των δοκιμαστών θα αυξηθούν πολύ ταχύτερα από το μέσο επάγγελμα, με πολλές ανοιχτές θέσεις να αναμένονται κάθε χρόνο κατά την περίοδο πρόβλεψης. Επίσης, προβλέπει ότι τα επαγγέλματα στον τομέα των υπολογιστών και της τεχνολογίας πληροφοριών συνολικά θα αυξηθούν πολύ ταχύτερα από τον μέσο όρο.

Από την άλλη πλευρά, η Τεχνητή Νοημοσύνη ασκεί πίεση σε ορισμένες εργασίες εισαγωγικού επιπέδου. Πρόσφατες αναφορές σχετικά με την έκθεση του εργατικού δυναμικού στην Τεχνητή Νοημοσύνη έχουν επισημάνει ότι ο προγραμματισμός και η εργασία που σχετίζεται με υπολογιστές είναι μεταξύ των τομέων που είναι πιο εκτεθειμένοι στον αυτοματισμό εργασιών Τεχνητής Νοημοσύνης, ειδικά όταν η εργασία περιλαμβάνει τακτικό προγραμματισμό, ανάλυση ή γραφή.

Και τα δύο μπορεί να ισχύουν. Ενοχλητικό, αλλά αληθινό.

Ο τομέας μπορεί να αναπτυχθεί, ενώ ορισμένοι ρόλοι για αρχάριους γίνονται πιο δύσκολο να βρεθούν. Οι εταιρείες ενδέχεται να εξακολουθούν να χρειάζονται μηχανικούς λογισμικού, μηχανικούς δεδομένων, αναλυτές ασφαλείας, μηχανικούς τεχνητής νοημοσύνης, ειδικούς υποδομών και επιστήμονες υπολογιστών με ερευνητικό προσανατολισμό. Ωστόσο, μπορεί να περιμένουν από τους νεότερους ανθρώπους να κάνουν περισσότερα, πιο γρήγορα, με εργαλεία τεχνητής νοημοσύνης από την πρώτη κιόλας μέρα.

Αυτό σημαίνει ότι η νέα γραμμή για εισαγωγικό επίπεδο ενδέχεται να αλλάξει από:

«Μπορείς να γράψεις κώδικα;»

να:

«Μπορείτε να χρησιμοποιήσετε την Τεχνητή Νοημοσύνη, να κατανοήσετε τον κώδικα, να εντοπίσετε λάθη, να βελτιώσετε την αρχιτεκτονική, να εξηγήσετε τους συμβιβασμούς και να μην προκαλέσετε κατά λάθος μια καταστροφή ασφαλείας;»

Αυτό είναι πολύ. Λίγο αγενές, μάλιστα.

5. Θα αντικατασταθεί η Πληροφορική από την Τεχνητή Νοημοσύνη στα Πανεπιστήμια; 🎓

Όχι, αλλά η εκπαίδευση στην επιστήμη των υπολογιστών πρέπει να αλλάξει. Σε ορισμένα μέρη, ήδη συμβαίνει αυτό.

Μια παραδοσιακή κατεύθυνση στην επιστήμη των υπολογιστών περιλαμβάνει συχνά προγραμματισμό, δομές δεδομένων, αλγόριθμους, αρχιτεκτονική υπολογιστών, λειτουργικά συστήματα, βάσεις δεδομένων, θεωρία, μηχανική λογισμικού και μαθήματα επιλογής όπως η Τεχνητή Νοημοσύνη, τα γραφικά, η κυβερνοασφάλεια ή η αλληλεπίδραση ανθρώπου-υπολογιστή. Η Τεχνητή Νοημοσύνη δεν εξαλείφει αυτά τα θέματα. Κάνει πολλά από αυτά πιο επείγοντα.

Γιατί;

Επειδή αν η Τεχνητή Νοημοσύνη γράφει κώδικα, κάποιος πρέπει να ρωτήσει:

• Είναι αποτελεσματικός αυτός ο αλγόριθμος;

• Είναι αυτό ασφαλές για τη μνήμη;

• Αυτό το ερώτημα βάσης δεδομένων κλιμακώνεται;

• Είναι αυτό το μοντέλο προκατειλημμένο;

• Μπορεί αυτό το σύστημα να δεχθεί επίθεση;

• Τι συμβαίνει όταν το API αποτύχει;

• Ποιος ευθύνεται όταν η έξοδος είναι λανθασμένη;

• Πώς το δοκιμάζουμε σωστά αυτό το πράγμα;

Το τελευταίο σημαντικό πρόγραμμα σπουδών στην επιστήμη των υπολογιστών έχει ενσωματώσει την τεχνητή νοημοσύνη σε ευρύτερο πλαίσιο στην εκπαίδευση στις Επιστήμες των Υπολογιστών, αντιμετωπίζοντάς την ως κάτι που οι φοιτητές θα πρέπει να κατανοήσουν σε ολόκληρο τον τομέα και όχι ως ένα μικροσκοπικό, μεμονωμένο μάθημα επιλογής.

Αυτή είναι η λογική κατεύθυνση. Όχι «σταματήστε να διδάσκετε Υπολογιστική Μηχανική επειδή υπάρχει η Τεχνητή Νοημοσύνη». Μάλλον σαν: «διδάξτε Υπολογιστική Μηχανική με Τεχνητή Νοημοσύνη στην αίθουσα»

Η Τεχνητή Νοημοσύνη μπορεί να γίνει καθηγητής, βοηθός εργαστηρίου, αναθεωρητής κώδικα, συνεργάτης στην αποσφαλμάτωση και γεννήτρια ιδεών. Αλλά ο μαθητής χρειάζεται ακόμα να μάθει. Διαφορετικά, γίνεται επιβάτης σε ένα αυτόνομο αυτοκίνητο χωρίς τιμόνι, χωρίς χάρτη και με μια επικίνδυνη ποσότητα αυτοπεποίθησης.

6. Τι αντικαθιστά η Τεχνητή Νοημοσύνη στην εργασία στην Επιστήμη των Υπολογιστών 🧰

Ας είμαστε ειλικρινείς: Η Τεχνητή Νοημοσύνη αντικαθιστά σίγουρα κάποια ενοχλητικά μέρη του προγραμματισμού. Και δόξα τω Θεώ, σε ορισμένες περιπτώσεις.

Η Τεχνητή Νοημοσύνη είναι καλή στην αντικατάσταση ή τη μείωση:

• Επαναλαμβανόμενο στερεότυπο.

• Απλά σενάρια.

• Πρώτη τεκμηρίωση σε προσχέδιο.

• Βασικές δοκιμές μονάδας.

• Βοήθεια με κανονικές εκφράσεις.

• Γρήγορη μετάφραση σύνταξης.

• Κομμάτια frontend με πολλά πρότυπα.

• Απλά αποσπάσματα καθαρισμού δεδομένων.

• Στιγμές «Εξηγήστε αυτό το μήνυμα σφάλματος πριν πετάξω τον φορητό υπολογιστή μου».

Αυτό είναι χρήσιμο. Δεν είναι απάτη, αρκεί να κατανοείτε το αποτέλεσμα.

Αλλά η Τεχνητή Νοημοσύνη δεν αντικαθιστά αξιόπιστα:

• Βαθύς εντοπισμός σφαλμάτων.

• Ευθύνη παραγωγής.

• Αρχιτεκτονική ιδιοκτησία.

• Μακροπρόθεσμη συντηρησιμότητα.

• Αναθεώρηση ασφαλείας.

• Ρύθμιση απόδοσης σε ασυνήθιστα συστήματα.

• Κατανόηση των αναγκών των χρηστών.

• Ηθική και νομική κρίση.

• Διατύπωση προβλήματος σε ερευνητικό επίπεδο.

• Συντονισμός ομάδας και τεχνική ηγεσία.

Η σημαντική αλλαγή είναι ότι οι επιστήμονες υπολογιστών και οι προγραμματιστές μπορούν να αφιερώνουν λιγότερο χρόνο στην πληκτρολόγηση των πάντων χειροκίνητα και περισσότερο χρόνο στην αναθεώρηση, το σχεδιασμό, την ενορχήστρωση, τις δοκιμές και τη λήψη αποφάσεων. Αυτό ακούγεται φανταχτερό. Σημαίνει επίσης ότι τα λάθη μπορούν να γίνουν μεγαλύτερα αν κανείς δεν ξέρει τι συμβαίνει.

Η τεχνητή νοημοσύνη επιτρέπει στους ανθρώπους να παράγουν κώδικα πιο γρήγορα. Δεν κάνει αυτόματα αυτόν τον κώδικα σωστό.

Αυτή η πρόταση θα έπρεπε να είναι τυπωμένη σε μια κούπα. ☕

7. Το πρόβλημα για αρχάριους: Το πιο δύσκολο κομμάτι για το οποίο κανείς δεν θέλει να μιλάει 🚪

Το πιο εύθραυστο μέρος ολόκληρου του συστήματος είναι ο αγωγός για αρχάριους.

Παραδοσιακά, οι νεότεροι προγραμματιστές μάθαιναν εκτελώντας μικρές εργασίες. Διορθώστε αυτό το σφάλμα. Γράψτε αυτό το τελικό σημείο. Προσθέστε αυτήν τη φόρμα. Αναδιαμορφώστε αυτήν τη μικρή ενότητα. Κάντε την ελαφρώς κουραστική εργασία και, στη συνέχεια, δημιουργήστε σταδιακά μεγαλύτερα προβλήματα.

Αλλά αν η Τεχνητή Νοημοσύνη μπορεί να κάνει πολλές μικρές εργασίες, οι εταιρείες μπορεί να προσλαμβάνουν λιγότερους νεότερους ή να περιμένουν από τους νεότερους να λειτουργούν σαν προγραμματιστές μεσαίου επιπέδου με έναν βοηθό Τεχνητής Νοημοσύνης. Αυτό δημιουργεί ένα δυσάρεστο μικρό παράδοξο:

Χρειάζεστε εμπειρία για να επιβλέπετε καλά την Τεχνητή Νοημοσύνη, αλλά χρειάζεστε εργασίες για αρχάριους για να αποκτήσετε εμπειρία.

Αυτό δεν σημαίνει ότι οι αρχάριοι είναι καταδικασμένοι. Σημαίνει ότι οι αρχάριοι πρέπει να μάθουν διαφορετικά.

Ένας αρχάριος που μόνο προτρέπει την Τεχνητή Νοημοσύνη και επικολλά κώδικα έχει πρόβλημα. Ένας αρχάριος που χρησιμοποιεί την Τεχνητή Νοημοσύνη για να επιταχύνει την σκόπιμη εξάσκηση μπορεί να γίνει πολύ δυνατός.

Οι καλύτερες συνήθειες για αρχάριους περιλαμβάνουν πλέον:

• Ζητήστε από την Τεχνητή Νοημοσύνη εξηγήσεις, όχι μόνο απαντήσεις.

• Ξαναγράψτε τον δημιουργημένο κώδικα χειροκίνητα.

• Σπάστε τον κώδικα επίτηδες και διορθώστε τον.

• Συγκρίνετε δύο λύσεις και εξηγήστε τους συμβιβασμούς.

• Δημιουργήστε έργα που ξεπερνούν ελαφρώς το επίπεδο των εκπαιδευτικών.

• Μάθετε τα εργαλεία εντοπισμού σφαλμάτων νωρίς.

• Διαβάστε την τεκμηρίωση, ναι, ακόμα κι αν πονάει.

• Κάνε εξάσκηση χωρίς τεχνητή νοημοσύνη μερικές φορές, όπως με βάρη αστραγάλων.

• Κρατήστε ένα «ημερολόγιο λαθών» με τα σφάλματα και τι τα προκάλεσε.

Οι καλύτεροι αρχάριοι δεν θα είναι αυτοί που αποφεύγουν την Τεχνητή Νοημοσύνη. Θα είναι αυτοί που τη χρησιμοποιούν χωρίς να εξαρτώνται από αυτήν, κάτι που είναι ενοχλητικά ενήλικο αλλά ακριβές.

8. Γιατί οι Βασικές Αρχές της Επιστήμης των Υπολογιστών Γίνονται Πιο Πολύτιμες, Όχι Λιγότερες 🧠

Ιδού η ανατροπή: Η Τεχνητή Νοημοσύνη μπορεί να κάνει τις βασικές αρχές της επιστήμης των υπολογιστών πιο σημαντικές.

Όταν η παραγωγή κώδικα γίνεται φθηνή, η κρίση γίνεται η σπάνια δεξιότητα.

Φανταστείτε δύο άτομα να χρησιμοποιούν τον ίδιο βοηθό κωδικοποίησης τεχνητής νοημοσύνης.

Το άτομο Α λέει: «Φτιάξτε μου μια εφαρμογή»

Το άτομο Β λέει: «Δημιουργήστε ένα ελάχιστο API με σαφή διαχωρισμό μεταξύ ελέγχου ταυτότητας, επιχειρηματικής λογικής και επιμονής. Χρησιμοποιήστε επικύρωση εισόδου, προσθέστε δοκιμές γύρω από περιπτώσεις edge, αποφύγετε την αποθήκευση μυστικών στον κώδικα και εξηγήστε την πολυπλοκότητα της συνάρτησης αναζήτησης»

Ίδιο εργαλείο. Πολύ διαφορετική έξοδος.

Η διαφορά δεν είναι η ταχύτητα πληκτρολόγησης. Είναι η κατανόηση.

Οι βασικές αρχές της επιστήμης των υπολογιστών σας βοηθούν:

• Κάντε καλύτερες ερωτήσεις.

• Εντοπίστε ανοησίες πιο γρήγορα.

• Αξιολογήστε την έξοδο του μοντέλου.

• Σχεδιάστε ασφαλέστερα συστήματα.

• Κάντε συμβιβασμούς στην απόδοση.

• Αποφύγετε την υπερβολική δόμηση.

• Μάθετε πότε ο απλός κώδικας είναι καλύτερος.

• Κατανοήστε τι αφαιρεί το εργαλείο.

Η Τεχνητή Νοημοσύνη είναι σαν ένας πολύ γρήγορος ασκούμενος που έχει διαβάσει τα πάντα, δεν ξεχνάει τίποτα, μερικές φορές λέει ψέματα και δεν φαίνεται ποτέ αμήχανος. Χρήσιμο; Απολύτως. Ασφαλές χωρίς επίβλεψη; Όχι ακριβώς.

Αυτή η εποπτεία είναι το πεδίο δράσης της επιστήμης των υπολογιστών.

9. Ο Νέος Χάρτης Καριέρας στην Επιστήμη των Υπολογιστών 🗺️

Ο παλιός χάρτης καριέρας ήταν κάπως έτσι:

Μάθετε προγραμματισμό → βρείτε μια θέση εργασίας ως κατώτερος → αποκτήστε εμπειρία → εξειδικευτείτε.

Ο νέος χάρτης μοιάζει περισσότερο με:

Μάθετε βασικές αρχές Πληροφορικής → μάθετε να προγραμματίζετε με και χωρίς Τεχνητή Νοημοσύνη → δημιουργήστε πραγματικά έργα → κατανοήστε συστήματα → εξειδικευτείτε → συνεχίστε να προσαρμόζεστε για πάντα.

Ορισμένες περιοχές μπορεί να αποδειχθούν ιδιαίτερα πολύτιμες:

Μηχανική Τεχνητής Νοημοσύνης και εφαρμοσμένη μηχανική μάθηση 🤖

Όχι μόνο εκπαίδευση μοντέλων, αλλά και ενσωμάτωση Τεχνητής Νοημοσύνης σε προϊόντα, αξιολόγηση αποτελεσμάτων, διαχείριση συστημάτων ανάκτησης, εργασία με ενσωματώσεις, χειρισμός περιορισμών μοντέλων και δημιουργία αποτελεσματικών ροών εργασίας.

Κυβερνοασφάλεια 🔐

Η Τεχνητή Νοημοσύνη μπορεί να γράψει γρήγορα μη ασφαλή κώδικα. Οι εισβολείς μπορούν επίσης να χρησιμοποιήσουν την Τεχνητή Νοημοσύνη. Αυτό καθιστά τη γνώση ασφαλείας πιο σημαντική, όχι λιγότερο.

Μηχανική δεδομένων και βάσεις δεδομένων 🗄️

Η Τεχνητή Νοημοσύνη λειτουργεί με δεδομένα, αλλά τα περισσότερα οργανωτικά δεδομένα είναι μπερδεμένα, διπλότυπα, ασυνεπή και πνευματικά στοιχειωμένα. Οι άνθρωποι που μπορούν να δημιουργήσουν αξιόπιστους αγωγούς δεδομένων θα παραμείνουν πολύτιμοι.

Συστήματα και υποδομές ⚙️

Συστήματα cloud, κατανεμημένη υπολογιστική, παρατηρησιμότητα, καθυστέρηση, κλιμάκωση, αξιοπιστία - η Τεχνητή Νοημοσύνη μπορεί να βοηθήσει, αλλά τα συστήματα παραγωγής εξακολουθούν να χρειάζονται ανθρώπους που κατανοούν τις αποτυχίες.

Αλληλεπίδραση ανθρώπου-υπολογιστή 🧑💻

Καθώς η Τεχνητή Νοημοσύνη (ΤΝ) γίνεται μέρος των διεπαφών λογισμικού, ο σχεδιασμός κατανοητών, αξιόπιστων και φιλικών προς τον άνθρωπο συστημάτων καθίσταται μια σοβαρή δεξιότητα.

Μηχανική λογισμικού με επίκεντρο το προϊόν 🧭

Οι καλύτεροι μηχανικοί δεν ρωτούν απλώς «Μπορούμε να το κατασκευάσουμε;» Ρωτούν «Πρέπει να το κατασκευάσουμε, για ποιον και τι θα χαλάσει αν το κάνουμε;»

Αυτό δεν πρόκειται να φύγει.

10. Πρέπει οι μαθητές να συνεχίσουν να σπουδάζουν Πληροφορική; 📚

Ναι - αλλά θα πρέπει να το μελετήσουν με ανοιχτά μάτια.

Η επιστήμη των υπολογιστών εξακολουθεί να αποτελεί ένα ισχυρό πτυχίο και σύνολο δεξιοτήτων, επειδή η πληροφορική εξαπλώνεται σχεδόν σε κάθε τομέα: ιατρική, χρηματοοικονομικά, logistics, ψυχαγωγία, κλιματική εργασία, εκπαίδευση, μεταποίηση, ρομποτική, ασφάλεια και απλό εταιρικό λογισμικό που κυβερνά αθόρυβα τον κόσμο. Παρεμπιπτόντως, το απλό λογισμικό πληρώνει πολλούς λογαριασμούς.

Αλλά οι μαθητές δεν πρέπει να αντιμετωπίζουν την επιστήμη των υπολογιστών ως εγγυημένο χρυσό εισιτήριο. Δεν είναι «μάθε μια γλώσσα, πάρε μισθό». Ίσως δεν ήταν ποτέ, αλλά ο μύθος είχε μεγάλες διακοπές.

Οι μαθητές θα πρέπει να επικεντρωθούν στα εξής:

• Δημιουργία πραγματικών έργων, όχι απλώς εργασιών μαθήματος.

• Μαθαίνοντας μια γλώσσα σε βάθος και μετά τις άλλες με ρεαλιστικό τρόπο.

• Κατανόηση δομών δεδομένων και αλγορίθμων πέρα ​​από τα κόλπα των συνεντεύξεων.

• Εξοικείωση με το Linux, το Git, τα API, τις βάσεις δεδομένων και τις δοκιμές.

• Χρήση εργαλείων Τεχνητής Νοημοσύνης καθημερινά, αλλά με κριτικό πνεύμα.

• Ανάγνωση παραγόμενου κώδικα γραμμή προς γραμμή.

• Άσκηση στην επικοινωνία.

• Να μάθω αρκετά μαθηματικά για να μην πανικοβάλλομαι.

• Ανάπτυξη ενός χαρτοφυλακίου που δείχνει κρίση, όχι μόνο στιγμιότυπα οθόνης.

Ένας φοιτητής πληροφορικής που μπορεί να εξηγήσει με σαφήνεια τις αποφάσεις του θα ξεχωρίσει. Ένας φοιτητής που λέει «το έγραψε η Τεχνητή Νοημοσύνη» και αδιαφορεί; Λιγότερο ιδανικός.

11. Τι θα θέλουν οι εταιρείες 🏢

Οι εταιρείες δεν θέλουν τόσο «προγραμματιστές» όσο αποτελέσματα.

Θέλουν συστήματα που λειτουργούν, κλιμακώνονται, παραμένουν ασφαλή, ικανοποιούν τους πελάτες, μειώνουν το κόστος, δημιουργούν έσοδα, αποφεύγουν τις αγωγές και δεν καταρρέουν ακριβώς τη στιγμή που ξεκινά μια επίδειξη. Δυστυχώς, κλασική συμπεριφορά επίδειξης.

Η Τεχνητή Νοημοσύνη αλλάζει τον τρόπο με τον οποίο παράγονται αυτά τα αποτελέσματα. Μπορεί να μειώσει την ανάγκη για κάποια χειροκίνητη εργασία υλοποίησης. Αλλά αυξάνει την ανάγκη για άτομα που μπορούν να συνδυάσουν:

• Τεχνικό βάθος.

• Κατανόηση τομέα.

• Ευχέρεια Τεχνητής Νοημοσύνης.

• Επίγνωση κινδύνου.

• Ανακοίνωση.

• Γεύση.

Το γούστο υποτιμάται. Οι καλοί μηχανικοί αναπτύσσουν μια αίσθηση για το πότε ο κώδικας είναι πολύ έξυπνος, πότε ένα σύστημα είναι πολύ εύθραυστο, πότε ένα σχέδιο είναι υπερβολικά περίπλοκο ή πότε μια γρήγορη λύση είναι μια μελλοντική καταστροφή φορώντας ένα μικροσκοπικό καπέλο. 🎩

Η Τεχνητή Νοημοσύνη μπορεί να δημιουργήσει επιλογές. Οι άνθρωποι εξακολουθούν να χρειάζονται γούστο.

12. Λοιπόν, θα αντικατασταθεί η Επιστήμη των Υπολογιστών από την Τεχνητή Νοημοσύνη; Κλείσιμο 🧾

Θα αντικατασταθεί, λοιπόν, η Επιστήμη των Υπολογιστών από την Τεχνητή Νοημοσύνη; Όχι - όχι ως επιστημονικός κλάδος, όχι ως τρόπος σκέψης και όχι ως το θεμέλιο πίσω από τη σύγχρονη πληροφορική.

Αλλά ορισμένα μέρη του προγραμματισμού θα αυτοματοποιηθούν. Κάποιες εργασίες εισαγωγικού επιπέδου θα αλλάξουν. Κάποιοι άνθρωποι που βασίζονται μόνο σε επιφανειακές δεξιότητες κωδικοποίησης θα νιώσουν πιεσμένοι. Αυτό είναι το άβολο κομμάτι.

Το καλύτερο μέλλον ανήκει σε ανθρώπους που κατανοούν την επιστήμη των υπολογιστών αρκετά βαθιά ώστε να χρησιμοποιούν καλά την Τεχνητή Νοημοσύνη.

Η Τεχνητή Νοημοσύνη μπορεί να αντικαταστήσει:

• Κάποια επαναλαμβανόμενη κωδικοποίηση.

• Μερικές βασικές εργασίες υλοποίησης.

• Κάποια διόρθωση σφαλμάτων χαμηλού περιβάλλοντος.

• Κάποια εργασία σε επίπεδο φροντιστηρίου.

• Ορισμένα σύνολα δεξιοτήτων τύπου «Ξέρω μόνο σύνταξη».

Η Τεχνητή Νοημοσύνη δεν θα αντικαταστήσει:

• Υπολογιστική σκέψη.

• Σχεδιασμός συστήματος.

• Κρίση ασφαλείας.

• Ερευνητική δημιουργικότητα.

• Σκεπτικό προϊόντος.

• Ανθρώπινη υπευθυνότητα.

• Η ανάγκη κατανόησης του τι πρέπει να κάνει το λογισμικό και γιατί.

Η πραγματική απάντηση στο ερώτημα «Θα αντικατασταθεί η Επιστήμη των Υπολογιστών από την Τεχνητή Νοημοσύνη;» είναι η εξής:

Η επιστήμη των υπολογιστών θα αλλάξει από την Τεχνητή Νοημοσύνη. Η αδύναμη, επιφανειακή, αντιγραφή-επικόλληση εκδοχή μπορεί να εξασθενίσει. Η βαθύτερη εκδοχή - αυτή που βασίζεται στη συλλογιστική, τα συστήματα, την αφαίρεση και την κρίση - καθίσταται πιο σημαντική από ποτέ.

Με άλλα λόγια, μην εγκαταλείπετε την επιστήμη των υπολογιστών επειδή η Τεχνητή Νοημοσύνη μπορεί να γράψει μια συνάρτηση.

Μάθε πληροφορική για να καταλάβεις αν αυτή η συνάρτηση είναι άχρηστη. 🚀

Γρήγορη παραλαβή ✅

Η Τεχνητή Νοημοσύνη δεν θα αντικαταστήσει την επιστήμη των υπολογιστών. Θα αντικαταστήσει ορισμένες συνήθεις εργασίες προγραμματισμού και θα ανεβάσει τον πήχη των δεξιοτήτων για τους φοιτητές και τους προγραμματιστές. Ο ασφαλέστερος δρόμος είναι να μάθουν τα βασικά, να δημιουργήσουν πραγματικά έργα, να χρησιμοποιήσουν την Τεχνητή Νοημοσύνη ως εργαλείο και να αναπτύξουν την κρίση τους για να επαληθεύουν, να βελτιώνουν και να αναλαμβάνουν την ευθύνη για αυτό που παράγει η Τεχνητή Νοημοσύνη.

Παράδειγμα από τον πραγματικό κόσμο: Χρήση Τεχνητής Νοημοσύνης για τη δημιουργία μιας μικρής εφαρμογής σχεδιασμού αναθεωρήσεων 🛠️

Σενάριο

Φανταστείτε έναν δευτεροετή φοιτητή πληροφορικής που θέλει να δημιουργήσει έναν απλό σχεδιαστή επανάληψης για τις εξετάσεις. Τίποτα σπουδαίο. Απλώς μια μικρή διαδικτυακή εφαρμογή όπου ένας χρήστης μπορεί να προσθέσει ενότητες, προθεσμίες, θέματα και διαθέσιμες ώρες μελέτης και στη συνέχεια να λάβει ένα εβδομαδιαίο πρόγραμμα.

Ο μαθητής θα μπορούσε να ζητήσει από την Τεχνητή Νοημοσύνη να δημιουργήσει το όλο εγχείρημα σε μία μόνο προτροπή. Αυτό θα μπορούσε να δημιουργήσει κάτι που θα φαίνεται εντυπωσιακό για πέντε λεπτά, και στη συνέχεια θα καταρρέει όταν οι προθεσμίες συμπίπτουν, τα δεδομένα εξαφανίζονται μετά από μια ανανέωση ή το πρόγραμμα αναθέτει σιωπηλά 19 ώρες μελέτης σε μια Τρίτη.

Μια ισχυρότερη προσέγγιση είναι η χρήση της Τεχνητής Νοημοσύνης ως βοηθού προγραμματισμού, εφαρμόζοντας παράλληλα την κρίση της επιστήμης των υπολογιστών. Ο στόχος δεν είναι «να κάνω την Τεχνητή Νοημοσύνη να δημιουργήσει την εφαρμογή μου». Ο στόχος είναι: «να χρησιμοποιώ την Τεχνητή Νοημοσύνη για να κινούμαι πιο γρήγορα ενώ κατανοώ κάθε επιλογή σχεδιασμού»

Τι χρειάζεται το έργο

Πριν από την υποβολή προτροπής, ο μαθητής θα πρέπει να ορίσει μερικά βασικά στοιχεία:

• Τα βασικά χαρακτηριστικά: προσθήκη ενοτήτων, προσθήκη θεμάτων, ορισμός ημερομηνιών εξετάσεων, εισαγωγή διαθέσιμων ωρών μελέτης, δημιουργία εβδομαδιαίου προγράμματος.

• Το μοντέλο δεδομένων: ενότητες, θέματα, προθεσμίες, προτεραιότητες, ολοκληρωμένες εργασίες.

• Οι περιορισμοί: καμία συνεδρία μελέτης μετά τα μεσάνυχτα, καμία διπλή θεματολογία, αποφυγή προγραμματισμού περισσότερων ωρών από αυτές που εισήγαγε ο χρήστης.

• Η τεχνολογική στοίβα: για παράδειγμα, React για τη διεπαφή, ένα μικρό Node/Express API και SQLite ή τοπικός χώρος αποθήκευσης για μια πρώτη έκδοση.

• Το σχέδιο δοκιμών: έλεγχος κενών εισόδων, αδύνατων χρονοδιαγραμμάτων, διπλότυπων ενοτήτων και περιπτώσεων ορίων ημερομηνίας.

• Ο κανόνας ασφαλείας: δεν πρέπει να αποστέλλονται προσωπικά δεδομένα μαθητών σε δημόσιο εργαλείο τεχνητής νοημοσύνης, εκτός εάν είναι ανώνυμα.

Παράδειγμα οδηγιών

Μια αδύναμη προτροπή θα ήταν:

Δημιουργήστε μου μια εφαρμογή σχεδιασμού αναθεωρήσεων.

Αυτό δίνει στην Τεχνητή Νοημοσύνη πολύ μεγάλο περιθώριο να εφεύρει, να υπεραναλύει ή να παραβλέπει σημαντικές λεπτομέρειες.

Μια πιο ισχυρή προτροπή θα ήταν:

Δημιουργώ μια μικρή εφαρμογή σχεδιασμού αναθεωρήσεων για ένα έργο χαρτοφυλακίου πληροφορικής.
Χρησιμοποιήστε το React για το frontend και διατηρήστε την πρώτη έκδοση απλή.
Ο χρήστης θα πρέπει να μπορεί να προσθέσει μια ενότητα, να προσθέσει θέματα σε αυτήν την ενότητα, να ορίσει μια ημερομηνία εξέτασης, να εισάγει διαθέσιμες ώρες μελέτης ανά ημέρα και να δημιουργήσει ένα εβδομαδιαίο πρόγραμμα αναθεώρησης.

Μην δημιουργήσετε ακόμα έλεγχο ταυτότητας.
Αποθηκεύστε δεδομένα στον τοπικό χώρο αποθήκευσης για την πρώτη έκδοση.
Συμπεριλάβετε επικύρωση εισόδου για κενά ονόματα ενοτήτων, προηγούμενες ημερομηνίες εξετάσεων, διπλότυπα θέματα και ώρες μελέτης άνω των 12 ανά ημέρα.

Αρχικά, προτείνετε το μοντέλο δεδομένων και τη δομή των στοιχείων.
Μην γράψετε τον πλήρη κώδικα μέχρι να εγκρίνω τη δομή.
Εξηγήστε τους συμβιβασμούς με σαφή και απλή γλώσσα.

Αυτή η προτροπή λειτουργεί καλύτερα επειδή επιβραδύνει την τεχνητή νοημοσύνη. Ζητά σχεδιασμό πριν από τον κώδικα. Εκεί αρχίζει να έχει σημασία η κρίση της επιστήμης των υπολογιστών.

Πώς να το δοκιμάσετε

Ο μαθητής δεν πρέπει να εμπιστεύεται την πρώτη λειτουργική επίδειξη. Θα πρέπει να την δοκιμάσει σαν να προσπαθεί να την παραβιάσει, επειδή οι χρήστες σίγουρα θα το κάνουν.

Καλές δοκιμαστικές περιπτώσεις περιλαμβάνουν:

• Προσθήκη ενότητας χωρίς όνομα.

• Προσθέστε το ίδιο θέμα δύο φορές.

• Ορίστε μια ημερομηνία εξέτασης στο παρελθόν.

• Εισαγάγετε μηδενικές διαθέσιμες ώρες μελέτης για κάθε ημέρα.

• Εισαγάγετε 20 ώρες μελέτης για μία ημέρα.

• Προσθέστε πέντε θέματα που πρέπει να παραδοθούν αύριο και ελέγξτε αν η εφαρμογή δημιουργεί ένα αδύνατο σχέδιο.

• Ανανεώστε τη σελίδα και ελέγξτε αν εξακολουθούν να εμφανίζονται τα αποθηκευμένα δεδομένα.

• Επισημάνετε ένα θέμα ως ολοκληρωμένο και ελέγξτε εάν το πρόγραμμα ενημερώνεται σωστά.

Θα μπορούσαν επίσης να ζητήσουν από την Τεχνητή Νοημοσύνη να επανεξετάσει τη λογική:

Εδώ είναι η συνάρτηση προγραμματισμού μου. Βρείτε ακραίες περιπτώσεις όπου μπορεί να δημιουργήσει ένα μη ρεαλιστικό ή λανθασμένο σχέδιο αναθεώρησης. Μην το ξαναγράψετε ακόμα. Εξηγήστε πρώτα το πρόβλημα και, στη συνέχεια, προτείνετε δοκιμές που πρέπει να προσθέσω.

Αυτό μετατρέπει την Τεχνητή Νοημοσύνη σε έναν κριτή και όχι σε υποκατάστατο της σκέψης.

Τι μπορεί να πάει στραβά

Το πιο προφανές λάθος είναι η αντιγραφή του παραγόμενου κώδικα χωρίς την κατανόησή του. Η εφαρμογή μπορεί να φαίνεται ότι λειτουργεί, αλλά ο φοιτητής μπορεί να μην είναι σε θέση να εξηγήσει τη δομή δεδομένων, να διορθώσει ένα σφάλμα ή να υπερασπιστεί τις επιλογές σχεδιασμού του σε μια συνέντευξη.

Άλλα ρεαλιστικά προβλήματα περιλαμβάνουν:

• Η Τεχνητή Νοημοσύνη γράφει έναν αλγόριθμο προγραμματισμού που αγνοεί τις διαθέσιμες ώρες.

• Η εφαρμογή αποθηκεύει τα πάντα σε ένα ακατάστατο αντικείμενο που γίνεται δύσκολο να συντηρηθεί.

• Η επικύρωση εισόδου πραγματοποιείται μόνο στη διεπαφή, όχι στην υποκείμενη λογική.

• Ο παραγόμενος κώδικας χρησιμοποιεί βιβλιοθήκες που ο μαθητής δεν κατανοεί.

• Η Τεχνητή Νοημοσύνη εφευρίσκει χαρακτηριστικά που δεν ζητήθηκαν ποτέ.

• Ο μαθητής ζητά «καλύτερο κώδικα» και παίρνει κάτι πιο περίπλοκο, όχι πραγματικά καλύτερο.

• Η εφαρμογή δεν έχει δοκιμές, επομένως κάθε αλλαγή κινδυνεύει να προκαλέσει προβλήματα στον προγραμματιστή.

Ένας αξιόλογος κανόνας είναι ο εξής: αν ο μαθητής δεν μπορεί να εξηγήσει μια συνάρτηση γραμμή προς γραμμή, τότε δεν είναι ακόμη πλήρως δική του εργασία.

Πρακτικό πακέτο

Αυτή είναι η διαφορά μεταξύ της κακής χρήσης της Τεχνητής Νοημοσύνης και της καλής χρήσης της.

Η κακή χρήση της Τεχνητής Νοημοσύνης σημαίνει ότι ζητάμε μια ολοκληρωμένη εφαρμογή, επικολλάμε το αποτέλεσμα και ελπίζουμε ότι κανείς δεν θα το δει πολύ προσεκτικά.

Η καλή χρήση της Τεχνητής Νοημοσύνης σημαίνει χρήση της για συζήτηση δομής, σύγκριση συμβιβασμών, δημιουργία προσχεδίων, πρόταση δοκιμών και αναθεώρηση περιπτώσεων αιχμής - ενώ ο μαθητής εξακολουθεί να κατέχει τον τελικό κώδικα.

Γι' αυτό η επιστήμη των υπολογιστών εξακολουθεί να έχει σημασία. Η Τεχνητή Νοημοσύνη μπορεί να βοηθήσει στην ταχύτερη κατασκευή του σχεδιαστή αναθεωρήσεων, αλλά ο μαθητής χρειάζεται γνώσεις επιστήμης υπολογιστών για να αποφασίσει εάν ο σχεδιαστής είναι σωστός, συντηρήσιμος, ελέγξιμος και αξίζει να τον δείξει σε οποιονδήποτε.

Συχνές ερωτήσεις

Θα αντικατασταθεί η επιστήμη των υπολογιστών από την Τεχνητή Νοημοσύνη στο μέλλον;

Η επιστήμη των υπολογιστών δεν θα αντικατασταθεί από την Τεχνητή Νοημοσύνη ως επιστημονικό πεδίο. Η Τεχνητή Νοημοσύνη μπορεί να αυτοματοποιήσει ορισμένες εργασίες κωδικοποίησης, να δημιουργήσει προσχέδια, να εξηγήσει σφάλματα και να επιταχύνει την καθημερινή εργασία. Αλλά η επιστήμη των υπολογιστών περιλαμβάνει επίσης συστήματα, αλγόριθμους, ασφάλεια, δεδομένα, αρχιτεκτονική, θεωρία και κρίση. Αυτοί οι τομείς εξακολουθούν να χρειάζονται άτομα που μπορούν να συλλογιστούν με σαφήνεια, να επαληθεύσουν τα αποτελέσματα και να κατανοήσουν τι πρέπει να κάνει το λογισμικό.

Ποια μέρη της επιστήμης των υπολογιστών μπορεί να αυτοματοποιήσει η Τεχνητή Νοημοσύνη;

Η Τεχνητή Νοημοσύνη είναι πιο αποτελεσματική με επαναλαμβανόμενες, σαφώς καθορισμένες εργασίες. Μπορεί να βοηθήσει με τυποποιημένο κώδικα, απλά σενάρια, βασικές δοκιμές, προσχέδια τεκμηρίωσης, μετάφραση σύνταξης, κανονικές εκφράσεις και γρήγορα πρωτότυπα. Αυτά αποτελούν γνήσια κέρδη παραγωγικότητας. Ωστόσο, ο αυτοματισμός λειτουργεί καλύτερα όταν ένας άνθρωπος μπορεί να εξετάσει το αποτέλεσμα, να κατανοήσει το πλαίσιο και να αποφασίσει εάν η παραγόμενη λύση είναι ασφαλής και κατάλληλη.

Γιατί η Τεχνητή Νοημοσύνη δεν θα αντικαταστήσει πλήρως τις θέσεις εργασίας στην επιστήμη των υπολογιστών;

Η Τεχνητή Νοημοσύνη μπορεί να παράγει κώδικα, αλλά δεν ελέγχει αξιόπιστα τα αποτελέσματα. Η εργασία με λογισμικό περιλαμβάνει ασαφείς απαιτήσεις, επιχειρηματικούς κανόνες, χρήστες, κινδύνους ασφαλείας, σφάλματα παραγωγής, συμβιβασμούς απόδοσης και μακροπρόθεσμη συντήρηση. Οι εταιρείες εξακολουθούν να χρειάζονται άτομα που μπορούν να σχεδιάζουν συστήματα, να εντοπίζουν μπερδεμένα προβλήματα, να επικοινωνούν με σαφήνεια και να αναλαμβάνουν την ευθύνη όταν κάτι χαλάει. Η Τεχνητή Νοημοσύνη βοηθάει με τις εργασίες, όχι η πλήρης επαγγελματική κρίση.

Πώς η Τεχνητή Νοημοσύνη αλλάζει τις θέσεις εργασίας στην επιστήμη υπολογιστών εισαγωγικού επιπέδου;

Η Τεχνητή Νοημοσύνη (ΤΝ) μπορεί να κάνει ορισμένες εργασίες προγραμματισμού για αρχάριους ευκολότερες στην αυτοματοποίηση, κάτι που μπορεί να ανεβάσει τον πήχη για τους νεότερους ρόλους. Αντί να ρωτούν απλώς αν κάποιος μπορεί να γράψει κώδικα, οι εργοδότες μπορούν να περιμένουν από τους αρχάριους να χρησιμοποιούν εργαλεία ΤΝ, να εξετάζουν τον παραγόμενο κώδικα, να εντοπίζουν λάθη, να εξηγούν τους συμβιβασμούς και να κάνουν σωστές δοκιμές. Αυτό καθιστά τις βασικές αρχές και την σκόπιμη εξάσκηση πιο σημαντικές για τους φοιτητές και τους νέους προγραμματιστές.

Θα έπρεπε οι μαθητές να εξακολουθούν να σπουδάζουν πληροφορική λόγω της Τεχνητής Νοημοσύνης;

Ναι, οι φοιτητές θα πρέπει να εξακολουθούν να σπουδάζουν επιστήμη υπολογιστών, αλλά με ρεαλιστικές προσδοκίες. Δεν πρέπει να αντιμετωπίζεται ως εγγυημένη συντόμευση για μια δουλειά. Οι φοιτητές χρειάζονται βασικές γνώσεις, πραγματικά έργα, δεξιότητες εντοπισμού σφαλμάτων, Git, βάσεις δεδομένων, δοκιμές, επικοινωνία και γραμματισμό στην Τεχνητή Νοημοσύνη. Ο στόχος δεν είναι απλώς η ταχύτερη παραγωγή κώδικα, αλλά και η κατανόηση του κώδικα σε βάθος ώστε να τον βελτιώνουν και να τον υπερασπίζονται.

Πώς μπορούν οι αρχάριοι να χρησιμοποιήσουν την Τεχνητή Νοημοσύνη χωρίς να εξαρτηθούν από αυτήν;

Οι αρχάριοι θα πρέπει να χρησιμοποιούν την Τεχνητή Νοημοσύνη ως βοηθό και συνεργάτη εξάσκησης, όχι μόνο ως τηλεφωνητή. Μια καλή προσέγγιση είναι να ζητάτε εξηγήσεις, να ξαναγράφετε τον παραγόμενο κώδικα χειροκίνητα, να διακόπτετε προγράμματα σκόπιμα, να συγκρίνετε λύσεις και να εντοπίζετε σφάλματα χωρίς Τεχνητή Νοημοσύνη κατά καιρούς. Η ανάγνωση τεκμηρίωσης και η παρακολούθηση λαθών βοηθά επίσης. Το κλειδί είναι να οικοδομήσετε κατανόηση, όχι απλώς να συλλέγετε λειτουργικά αποσπάσματα.

Γιατί οι βασικές αρχές της επιστήμης των υπολογιστών είναι πιο σημαντικές με την Τεχνητή Νοημοσύνη;

Όταν η Τεχνητή Νοημοσύνη διευκολύνει τη δημιουργία κώδικα, η κρίση γίνεται πιο πολύτιμη. Οι βασικές αρχές βοηθούν τους ανθρώπους να υποβάλλουν καλύτερες προτάσεις, να εντοπίζουν αδύναμες λύσεις, να κατανοούν την απόδοση, να αξιολογούν την αρχιτεκτονική και να παρατηρούν προβλήματα ασφαλείας. Δύο άτομα μπορούν να χρησιμοποιήσουν το ίδιο εργαλείο Τεχνητής Νοημοσύνης και να λάβουν πολύ διαφορετικά αποτελέσματα ανάλογα με τις γνώσεις τους. Τα ισχυρά θεμέλια της επιστήμης των υπολογιστών καθιστούν το εργαλείο πιο αποτελεσματικό και λιγότερο επικίνδυνο.

Θα αντικατασταθεί η επιστήμη των υπολογιστών από την Τεχνητή Νοημοσύνη στα πανεπιστήμια;

Η επιστήμη των υπολογιστών δεν θα εξαφανιστεί από τα πανεπιστήμια επειδή υπάρχει η Τεχνητή Νοημοσύνη. Αντίθετα, η εκπαίδευση πρέπει να περιλαμβάνει την Τεχνητή Νοημοσύνη πιο άμεσα, ενώ παράλληλα να διδάσκει προγραμματισμό, αλγόριθμους, δομές δεδομένων, συστήματα, βάσεις δεδομένων, θεωρία και μηχανική λογισμικού. Η Τεχνητή Νοημοσύνη μπορεί να λειτουργήσει ως καθηγητής ή βοηθός προγραμματισμού, αλλά οι φοιτητές πρέπει να μάθουν πώς λειτουργούν τα συστήματα και πώς να αξιολογούν τις παραγόμενες απαντήσεις.

Ποιες δεξιότητες στην επιστήμη των υπολογιστών είναι ασφαλέστερες από τον αυτοματισμό της Τεχνητής Νοημοσύνης;

Οι δεξιότητες που περιλαμβάνουν το πλαίσιο, την κρίση και την ευθύνη είναι πιο δύσκολο να αυτοματοποιηθούν πλήρως. Αυτές περιλαμβάνουν τον σχεδιασμό συστημάτων, την κυβερνοασφάλεια, την αποσφαλμάτωση παραγωγής, την αρχιτεκτονική, τη ρύθμιση της απόδοσης, τη συλλογιστική προϊόντων, την αλληλεπίδραση ανθρώπου-υπολογιστή, τη μηχανική δεδομένων, τις υποδομές και τη διαμόρφωση προβλημάτων σε ερευνητικό επίπεδο. Η Τεχνητή Νοημοσύνη μπορεί να βοηθήσει σε αυτούς τους τομείς, αλλά συνήθως δεν μπορεί να αντικαταστήσει την ανθρώπινη ικανότητα να ζυγίζει συμβιβασμούς και να λαμβάνει δικές της αποφάσεις.

Ποιος είναι ο καλύτερος τρόπος για να προετοιμαστείτε για σταδιοδρομία στην επιστήμη των υπολογιστών με τεχνητή νοημοσύνη;

Η πιο ισχυρή οδός είναι να συνδυάσετε τις βασικές αρχές με την πρακτική ευχέρεια στην Τεχνητή Νοημοσύνη. Μάθετε σε βάθος μια γλώσσα προγραμματισμού, δημιουργήστε πραγματικά έργα, κατανοήστε αλγόριθμους και συστήματα, εξασκηθείτε στις δοκιμές και τον εντοπισμό σφαλμάτων και χρησιμοποιήστε κριτικά τα εργαλεία Τεχνητής Νοημοσύνης. Διαβάστε τον παραγόμενο κώδικα γραμμή προς γραμμή και να είστε έτοιμοι να εξηγήσετε τις επιλογές σχεδιασμού. Οι εργοδότες θα εκτιμήσουν τους ανθρώπους που μπορούν να παράγουν αποτελέσματα και να κατανοήσουν τους κινδύνους.

Αναφορές

1. Γραφείο Στατιστικών Εργασίας των ΗΠΑ - Επαγγέλματα Υπολογιστών και Πληροφορικής - bls.gov

2. Σύνδεσμος Υπολογιστικών Μηχανημάτων - Οδηγίες Προγράμματος Σπουδών CS2023 - acm.org

3. CSET, Πανεπιστήμιο Georgetown - Κίνδυνοι κυβερνοασφάλειας από κώδικα που δημιουργείται από τεχνητή νοημοσύνη - cset.georgetown.edu

4. Anthropic - Έκθεση στην Εργασία με Τεχνητή Νοημοσύνη - anthropic.com

5. Stack Overflow - Εργαλεία Κωδικοποίησης Τεχνητής Νοημοσύνης - survey.stackoverflow.co

6. AAAI - Ολοκληρωμένη Τεχνητή Νοημοσύνη σε Ευρύτερη Γραμμή - ojs.aaai.org

7. Σειρά Εξαρτημάτων OWASP - Εξαρτήματα Ασφάλειας Πράκτορα Τεχνητής Νοημοσύνης - cheatsheetseries.owasp.org

Βρείτε την τελευταία λέξη της Τεχνητής Νοημοσύνης στο επίσημο κατάστημα βοηθών τεχνητής νοημοσύνης

Σχετικά με εμάς