Vai datorzinātnes aizstās mākslīgais intelekts? [Video un viktorīna]

Atbilde: Mākslīgais intelekts neaizstās datorzinātnes; tas automatizēs ikdienas kodēšanu, vienlaikus paaugstinot spriestspējas, sistēmiskās domāšanas un atbildības standartus. Studenti vai izstrādātāji, kas paļaujas tikai uz sintaksi un kopētu izvadi, kļūst neaizsargāti; tie, kas izprot pamatus, var droši un efektīvi izmantot mākslīgo intelektu.

Galvenie secinājumi:

Pamati: Prioritāti piešķiriet algoritmiem, sistēmām, drošībai un atkļūdošanai, nevis virspusējai sintakses iegaumēšanai.

Atbildība: AI ģenerēto kodu uztveriet kā melnraksta darbu, kas jums jāpārbauda, ​​jātestē un jāuzņemas īpašumtiesības.

Iesācēja līmeņa risks: Veidojiet reālus projektus, jo ikdienas jaunāko klašu uzdevumi var sarukt, mainīties vai tikt absorbēti ar dažādiem rīkiem.

Mākslīgā intelekta prasmes: Izmantojiet mākslīgo intelektu skaidrojumiem, salīdzinājumiem un pārskatīšanai, nevis aklai koda ielīmēšanai.

Karjeras noturība: Attīstiet spriestspējas, komunikācijas un arhitektūras prasmes, kuras rīki nevar droši aizstāt.

Raksti, kurus jūs varētu vēlēties izlasīt pēc šī raksta:

🔗 Vai mākslīgais intelekts aizstās projektu vadītājus?
Izpētiet, kā mākslīgais intelekts varētu pārveidot projektu vadības lomas.

🔗 Vai farmaceitus aizstās mākslīgais intelekts?
Izprotiet mākslīgā intelekta ietekmi uz aptieku darbu un pacientu aprūpi.

🔗 Vai mākslīgais intelekts aizstās būvinženierus?
Uzziniet, kā mākslīgais intelekts atbalsta būvinženierus, neaizstājot zināšanas.

🔗 Vai mākslīgais intelekts aizstās grāmatvežus?
Uzziniet, kā automatizācija maina grāmatvedības uzdevumus un nākotnes pieprasījumu.

1. Kas veido labu datorzinātnes versiju mākslīgā intelekta laikmetā? 🧩

Laba datorzinātnes versija mūsdienās nav tikai "apgūt Python un cerēt". Ar to nekad nepietika, lai gan kādu laiku cilvēki ar to tika galā.

Spēcīgs datorzinātņu pamats ietver:

• Algoritmi un datu struktūras — nevis tāpēc, ka katru rītu ar roku kodēsiet sarkanmelnu koku, bet gan tāpēc, ka jums ir jāsaprot kompromisi.

• Sistēmiskā domāšana — operētājsistēmas, tīkli, datubāzes, izkliedētās sistēmas, aparatūras ierobežojumi.

• Matemātiskā spriešana — loģika, varbūtību teorija, diskrētā matemātika, lineārā algebra, ja nepieciešams.

• Programmatūras inženierijas spriedums — arhitektūra, uzturēšanas iespējas, atkļūdošana, testēšana, dokumentācija.

• Drošības izpratne — jo mākslīgā intelekta ģenerēts kods joprojām var būt neticami nedrošs.

• Cilvēccentrēts dizains — lietotāji dara neparedzamas lietas. Vienmēr. Plānojiet to.

• Mākslīgā intelekta prasmes — zināšanas par to, ko modeļi var darīt, ko nevar un kur tie pārliecinoši halucinē grāvī.

Profesionālās mācību programmas joprojām uzskata datorzinātnes par plašu disciplīnu, kas aptver tādas jomas kā algoritmi, sistēmas, programmatūras izstrāde, kiberdrošība, datu zinātne un mākslīgais intelekts, nevis tikai programmēšanas praksi.

Tātad labāks jautājums nav tikai "Vai datorzinātnes aizstās mākslīgais intelekts?" , bet gan: kura datorzinātnes versija izdzīvos un kļūs vērtīgāka?

Atbilde ir dziļākā versija. Versija ar spriestspēju.

2. Salīdzināšanas tabula: mākslīgais intelekts un datorzinātņu prasmes ⚖️

3. Kāpēc cilvēki domā, ka mākslīgais intelekts aizstās datorzinātnes 😬

Cilvēki šīs bailes neizdomā no zila gaisa. Mākslīgā intelekta kodēšanas rīki ir patiesi iespaidīgi. Tie var ģenerēt funkcijas, izskaidrot kļūdas, pārrakstīt kodu citā valodā, izveidot API piemērus un pat izveidot pienācīgu lietotnes pirmo melnrakstu.

Tas nav nekas.

Iesācējam tas var šķist kā maģija. Jūs ierakstāt: “build me a login form with validation” (izveidojiet man pieteikšanās veidlapu ar validāciju), un bum – parādās kods. Tad jūs lūdzat stilu, un parādās vēl vairāk koda. Tad jūs lūdzat testus, un tas dod kaut ko tādu, kas izskatās pēc testa. Pēkšņi iesācējs domā: “Pagaidiet, kāpēc es mācos ciklus?”

Labs jautājums. Bet tas arī neatspoguļo visu stāstu.

Mākslīgais intelekts ir visspēcīgākais, ja:

• Uzdevums ir precīzi definēts.

• Šis modelis jau pastāv apmācības datos.

• Vide ir tradicionāla.

• Likmes ir zemas vai viegli pārbaudāmas.

• Lietotājs var pārbaudīt izvadi.

Mākslīgais intelekts kļūst nestabilāks, ja:

• Prasības ir neskaidras.

• Sistēma ir liela un nekontrolējama.

• Drošība ir svarīga.

• Veiktspējai ir nozīme.

• Kļūdu izraisa slēpts konteksts.

• Pareizā atbilde ir atkarīga no biznesa loģikas, ko neviens nepierakstīja.

Un pēdējais? Tā ir lielākā daļa ražošanas programmatūras.

Tātad, jā, mākslīgais intelekts var aizstāt noteiktus kodēšanas uzdevumus. Taču uzdevumu nav tas pats, kas datorzinātņu. Lāpsta var rakt ātrāk nekā roka, taču tā neaizstāj ģeoloģiju. Labi, varbūt šī metafora ir nedaudz kļūdaina, bet jūs sapratāt.

4. Darba tirgus realitāte: ne ne liktenis, ne komforts 📊

Šeit saruna kļūst neparasti emocionāla.

No vienas puses, darba tirgus prognozes joprojām liecina par lielu pieprasījumu pēc ar datoriem saistīta darba. ASV Darba statistikas birojs prognozē, ka programmatūras izstrādātāju, kvalitātes nodrošināšanas analītiķu un testētāju profesiju skaits pieaugs daudz straujāk nekā vidēji, un visā prognozes periodā katru gadu tiek prognozētas daudzas vakances. Tas arī prognozē, ka datoru un informācijas tehnoloģiju profesiju skaits kopumā pieaugs daudz straujāk nekā vidēji.

No otras puses, mākslīgais intelekts rada spiedienu uz dažiem iesācēju līmeņa uzdevumiem. Jaunākie ziņojumi par mākslīgā intelekta ietekmi uz darbaspēku ir uzsvēruši, ka programmēšana un ar datoru saistīts darbs ir vienas no jomām, kas visvairāk pakļautas mākslīgā intelekta uzdevumu automatizācijai, īpaši, ja darbs ietver ikdienas kodēšanu, analīzi vai rakstīšanu.

Abas lietas var būt patiesas. Kaitinoši, bet patiesas.

Šī joma var attīstīties, lai gan noteiktas iesācēju vakances kļūst grūtāk iegūt. Uzņēmumiem joprojām var būt nepieciešami programmatūras inženieri, datu inženieri, drošības analītiķi, mākslīgā intelekta inženieri, infrastruktūras speciālisti un pētnieciski domājoši datorzinātnieki. Taču tie var sagaidīt, ka jaunākie darbinieki jau no pirmās dienas paveiks vairāk, ātrāk un ar mākslīgā intelekta rīkiem.

Tas nozīmē, ka jaunā sākuma līmeņa latiņa var mainīties no:

"Vai tu vari rakstīt kodu?"

uz:

"Vai jūs varat izmantot mākslīgo intelektu, saprast kodu, pamanīt kļūdas, uzlabot arhitektūru, izskaidrot kompromisus un nejauši neizraisīt drošības katastrofu?"

Tas ir daudz. Pat nedaudz rupji.

5. Vai universitātēs datorzinātnes aizstās mākslīgais intelekts? 🎓

Nē, bet datorzinātņu izglītībai ir jāmainās. Dažviet tas jau notiek.

Tradicionālais datorzinātņu virziens bieži ietver programmēšanu, datu struktūras, algoritmus, datoru arhitektūru, operētājsistēmas, datubāzes, teoriju, programmatūras inženieriju un izvēles priekšmetus, piemēram, mākslīgo intelektu, grafiku, kiberdrošību vai cilvēka un datora mijiedarbību. Mākslīgais intelekts neizdzēš šīs tēmas. Tas padara daudzas no tām steidzamākas.

Kāpēc?

Jo, ja mākslīgais intelekts raksta kodu, kādam joprojām ir jāprasa:

• Vai šis algoritms ir efektīvs?

• Vai tas ir drošs atmiņā?

• Vai šis datubāzes vaicājums ir mērogojams?

• Vai šis modelis ir neobjektīvs?

• Vai šo sistēmu var uzbrukt?

• Kas notiek, ja API neizdodas?

• Kurš ir atbildīgs, ja izvade ir nepareiza?

• Kā mēs varam pareizi pārbaudīt šo lietu?

Jaunākais nozīmīgais datorzinātņu bakalaura mācību darbs ir plašāk integrējis mākslīgo intelektu datorzinātņu izglītībā, uzskatot to par kaut ko tādu, kas studentiem būtu jāsaprot visā jomā, nevis par nelielu, izolētu izvēles priekšmetu.

Tas ir saprātīgais virziens. Nevis "pārtrauciet mācīt datorzinības, jo mākslīgais intelekts pastāv". Drīzāk: "māciet datorzinības ar mākslīgo intelektu telpā"

Mākslīgais intelekts var kļūt par pasniedzēju, laboratorijas asistentu, koda recenzentu, atkļūdošanas partneri un ideju ģeneratoru. Taču studentam joprojām ir jāmācās. Pretējā gadījumā viņš kļūst par pasažieri pašbraucošā automašīnā bez stūres, bez kartes un ar bīstamu pārliecības līmeni.

6. Ko mākslīgais intelekts aizstāj datorzinātņu darbā 🧰

Būsim atklāti: mākslīgais intelekts noteikti aizstāj dažas kaitinošas programmēšanas daļas. Un, paldies Dievam, dažos gadījumos.

Mākslīgais intelekts labi aizstāj vai samazina:

• Atkārtota standarta versija.

• Vienkārši skripti.

• Pirmā melnraksta dokumentācija.

• Pamata vienību testi.

• Regulāro izteiksmju palīdzība.

• Ātra sintakses tulkošana.

• Priekšpuses elementi, kuros ietilpts veidņu daudzums.

• Vienkārši datu tīrīšanas fragmenti.

• Brīži “Paskaidrojiet šo kļūdas ziņojumu, pirms izmetu savu klēpjdatoru”.

Tas ir noderīgi. Tā nav krāpšanās, ja vien jūs saprotat rezultātu.

Taču mākslīgais intelekts neaizstāj droši:

• Dziļā atkļūdošana.

• Ražošanas atbildība.

• Arhitektūras īpašumtiesības.

• Ilgtermiņa apkopes spēja.

• Drošības pārskatīšana.

• Veiktspējas regulēšana neparastās sistēmās.

• Lietotāju vajadzību izpratne.

• Ētisks un juridisks spriedums.

• Pētnieciskā līmeņa problēmas formulējums.

• Komandas koordinēšana un tehniskā vadība.

Svarīgākā pārmaiņa ir tā, ka datorzinātnieki un izstrādātāji var pavadīt mazāk laika, manuāli rakstot visu informāciju, un vairāk laika, pārskatot, projektējot, organizējot, testējot un pieņemot lēmumus. Tas izklausās iespaidīgi. Tas arī nozīmē, ka kļūdas var kļūt lielākas, ja neviens nezina, kas notiek.

Mākslīgais intelekts ļauj cilvēkiem ātrāk ģenerēt kodu. Tas automātiski nepadara šo kodu pareizu.

Šim teikumam vajadzētu būt uzdrukātam uz krūzes. ☕

7. Iesācēja problēma: vissarežģītākā daļa, par kuru nevienam nepatīk runāt 🚪

Visas sistēmas trauslākā daļa ir iesācēju cauruļvads.

Tradicionāli jaunākie izstrādātāji mācījās, veicot mazus uzdevumus. Izlabojiet šo kļūdu. Uzrakstiet šo galapunktu. Pievienojiet šo formu. Pārveidojiet šo mazo moduli. Veiciet nedaudz garlaicīgo darbu un pēc tam pakāpeniski radiet lielākas problēmas.

Bet, ja mākslīgais intelekts var veikt daudz mazu uzdevumu, uzņēmumi var pieņemt darbā mazāk jaunāko izstrādātāju vai sagaidīt, ka jaunākie izstrādātāji darbosies kā vidējā līmeņa izstrādātāji ar mākslīgā intelekta palīgu. Tas rada nepatīkamu mazu paradoksu:

Lai labi uzraudzītu mākslīgo intelektu, ir nepieciešama pieredze, bet pieredzes iegūšanai nepieciešami iesācēja uzdevumi.

Tas nenozīmē, ka iesācēji ir lemti neveiksmei. Tas nozīmē, ka iesācējiem ir jāmācās citādi.

Iesācējs, kurš tikai uzvedina MI un ielīmē kodu, ir nonācis nepatikšanās. Iesācējs, kurš izmanto MI, lai paātrinātu apzinātu praksi, var kļūt ļoti spēcīgs.

Labāki iesācēju ieradumi tagad ietver:

• Lūdziet mākslīgajam intelektam paskaidrojumus, ne tikai atbildes.

• Pārrakstīt ģenerēto kodu manuāli.

• Apzināti salauzt kodu un izlabot to.

• Salīdziniet divus risinājumus un paskaidrojiet kompromisus.

• Veidojiet projektus, kas nedaudz pārsniedz apmācības līmeni.

• Apgūstiet atkļūdošanas rīkus jau laikus.

• Izlasiet dokumentāciju, jā, pat ja tas sāp.

• Dažreiz praktizējiet bez mākslīgā intelekta, piemēram, trenējieties ar potīšu svariem.

• Veiciet kļūdu žurnālu, kurā pierakstiet kļūdas un to cēloņus.

Labākie iesācēji nebūs tie, kas izvairīsies no mākslīgā intelekta. Viņi būs tie, kas to izmantos, nekļūstot no tā atkarīgi, kas ir kaitinoši pieaugušamprātīgi, bet precīzi.

8. Kāpēc datorzinātņu pamati kļūst vērtīgāki, nevis mazāk 🧠

Lūk, kas notiek: mākslīgais intelekts varētu padarīt datorzinātņu pamatus svarīgākus.

Kad koda ģenerēšana kļūst lēta, spriedums kļūst par ierobežotu prasmi.

Iedomājieties divus cilvēkus, kas izmanto vienu un to pašu mākslīgā intelekta kodēšanas palīgu.

Persona A saka: “Izveidojiet man lietotni.”

B persona saka: “Izveidojiet minimālu API ar skaidru atdalīšanu starp autentifikāciju, biznesa loģiku un noturību. Izmantojiet ievades validāciju, pievienojiet testus ap perifērajiem gadījumiem, izvairieties no slepenu datu glabāšanas kodā un paskaidrojiet meklēšanas funkcijas sarežģītību.”

Tas pats instruments. Ļoti atšķirīgs rezultāts.

Atšķirība nav rakstīšanas ātrumā. Tā ir izpratne.

Datorzinātņu pamati jums palīdzēs:

• Uzdodiet labākus jautājumus.

• Ātrāk pamaniet muļķības.

• Novērtējiet modeļa izvadi.

• Izstrādājiet drošākas sistēmas.

• Veiciet kompromisus attiecībā uz veiktspēju.

• Izvairieties no pārbūves.

• Ziniet, kad vienkāršs kods ir labāks.

• Saprotiet, ko rīks abstrahē.

Mākslīgais intelekts ir kā ļoti ātrs praktikants, kurš ir izlasījis visu, neko neaizmirst, dažreiz melo un nekad neizskatās samulsis. Noderīgs? Pilnīgi. Drošs bez uzraudzības? Ne gluži.

Šī uzraudzība ir tur, kur dzīvo datorzinātne.

9. Jaunā datorzinātņu karjeras karte 🗺️

Vecā karjeras karte izskatījās apmēram šādi:

Iemācies programmēt → dabū jaunāko darbu → iegūsti pieredzi → specializējies.

Jaunā karte izskatās vairāk šādi:

Apgūsti datorzinību pamatus → iemācies kodēt ar un bez mākslīgā intelekta → veido reālus projektus → izproti sistēmas → specializējies → turpini pielāgoties mūžīgi.

Dažas jomas var kļūt īpaši vērtīgas:

Mākslīgā intelekta inženierija un lietišķā mašīnmācīšanās 🤖

Ne tikai modeļu apmācība, bet arī mākslīgā intelekta integrēšana produktos, rezultātu novērtēšana, izguves sistēmu pārvaldība, darbs ar iegultajiem elementiem, modeļu ierobežojumu apstrāde un efektīvu darbplūsmu veidošana.

Kiberdrošība 🔐

Mākslīgais intelekts var ātri rakstīt nedrošu kodu. Arī uzbrucēji var izmantot mākslīgo intelektu. Tas padara drošības zināšanas svarīgākas, nevis mazāk svarīgas.

Datu inženierija un datubāzes 🗄️

Mākslīgais intelekts darbojas ar datiem, taču lielākā daļa organizāciju datu ir sapinušies, dublēti, nekonsekventi un garīgi vajāti. Cilvēki, kas spēj izveidot uzticamus datu plūsmas, saglabās savu vērtību.

Sistēmas un infrastruktūra ⚙️

Mākoņsistēmas, izkliedētā skaitļošana, novērojamība, latentums, mērogošana, uzticamība — mākslīgais intelekts var palīdzēt, taču ražošanas sistēmām joprojām ir nepieciešami cilvēki, kas saprot kļūmes.

Cilvēka un datora mijiedarbība 🧑💻

Tā kā mākslīgais intelekts kļūst par programmatūras saskarņu daļu, saprotamu, uzticamu un cilvēkam draudzīgu sistēmu izstrāde kļūst par nopietnu prasmi.

Produktorientēta programmatūras inženierija 🧭

Labākie inženieri nejautā tikai: "Vai mēs to varam uzbūvēt?" Viņi jautā: "Vai mums to vajadzētu būvēt, kam un kas sabojāsies, ja mēs to darīsim?"

Tas nekur nepazudīs.

10. Vai studentiem joprojām vajadzētu studēt datorzinātnes? 📚

Jā, bet viņiem tas jāpēta ar atvērtām acīm.

Datorzinātnes joprojām ir spēcīgs grāds un prasmju kopums, jo skaitļošana izplatās gandrīz visās jomās: medicīnā, finansēs, loģistikā, izklaidē, klimata darbā, izglītībā, ražošanā, robotikā, drošībā un vienkāršā uzņēmumu programmatūrā, kas klusi vada pasauli. Starp citu, neuzkrītoša programmatūra sedz daudz rēķinu.

Taču studentiem nevajadzētu uztvert datorzinātnes kā garantētu zelta biļeti. Tā nav lieta, ko var teikt par "apgūsti valodu un saņem algu". Varbūt tā nekad nav bijis, bet mītam ir bijis ilgs atvaļinājums.

Studentiem jākoncentrējas uz:

• Reālu projektu veidošana, ne tikai lekciju uzdevumi.

• Vienas valodas apguve padziļināti, pēc tam citas pragmatiski.

• Datu struktūru un algoritmu izpratne, kas sniedzas tālāk par interviju trikiem.

• Apgūt Linux, Git, API, datubāzes un testēšanu.

• Izmantojot mākslīgā intelekta rīkus katru dienu, bet kritiski.

• Ģenerētā koda lasīšana rindiņu pa rindiņai.

• Komunikācijas praktizēšana.

• Iemācīties pietiekami daudz matemātikas, lai nerastos panika.

• Portfolio izstrāde, kas parāda spriestspēju, ne tikai ekrānuzņēmumus.

Datorzinātņu students, kurš spēj skaidri izskaidrot savus lēmumus, izcelsies. Students, kurš saka: “Mākslīgais intelekts to uzrakstīja” un parausta plecus? Mazāk ideāli.

11. Ko uzņēmumi vēlēsies 🏢

Uzņēmumi nevēlas tik daudz “programmētājus”, cik rezultātus.

Viņi vēlas sistēmas, kas darbojas, mērogojas, ir drošas, apmierina klientus, samazina izmaksas, rada ieņēmumus, izvairās no tiesas prāvām un nesabrūk tieši tajā brīdī, kad sākas demonstrācija. Diemžēl tā ir klasiska demonstrācijas uzvedība.

Mākslīgais intelekts maina šo rezultātu iegūšanas veidu. Tas var samazināt nepieciešamību pēc manuāla ieviešanas darba. Taču tas palielina nepieciešamību pēc cilvēkiem, kuri var apvienot:

• Tehniskais dziļums.

• Domēna izpratne.

• Mākslīgā intelekta plūdums.

• Riska apzināšanās.

• Komunikācija.

• Garša.

Gaume tiek novērtēta par zemu. Labi inženieri attīsta izjūtu, kad kods ir pārāk gudrs, kad sistēma ir pārāk trausla, kad dizains ir pārāk sarežģīts vai kad ātrs labojums ir nākotnes katastrofa, valkājot mazu cepuri. 🎩

Mākslīgais intelekts var ģenerēt iespējas. Cilvēkiem joprojām ir nepieciešama gaume.

12. Tātad, vai datorzinātnes aizstās mākslīgais intelekts? Noslēguma secinājumi 🧾

Tātad, vai datorzinātnes aizstās mākslīgais intelekts? Nē – ne kā disciplīnu, ne kā domāšanas veidu un ne kā mūsdienu skaitļošanas pamatu.

Taču dažas programmēšanas daļas tiks automatizētas. Daļa iesācēju līmeņa darba mainīsies. Daži cilvēki, kas paļaujas tikai uz virspusējām kodēšanas prasmēm, jutīsies saspiesti. Tā ir neērtā daļa.

Labāka nākotne pieder cilvēkiem, kuri pietiekami dziļi izprot datorzinātnes, lai labi izmantotu mākslīgo intelektu.

Mākslīgais intelekts var aizstāt:

• Daži atkārtoti kodējumi.

• Daži pamata ieviešanas uzdevumi.

• Daži zema konteksta atkļūdošanas veidi.

• Daži apmācības līmeņa darbi.

• Dažas “Es zinu tikai sintaksi” prasmju kopas.

Mākslīgais intelekts neaizstās:

• Skaitļošanas domāšana.

• Sistēmas dizains.

• Drošības spriedums.

• Pēti radošumu.

• Produkta pamatojums.

• Cilvēka atbildība.

• Nepieciešamība saprast, kas programmatūrai ir jādara un kāpēc.

Īstā atbilde uz jautājumu "Vai datorzinātnes aizstās mākslīgais intelekts?" ir šāda:

Mākslīgais intelekts mainīs datorzinātnes. Vājais, seklais, kopēšanas un ielīmēšanas variants varētu izzust. Dziļākais variants – tas, kas balstīts uz spriešanu, sistēmām, abstrakciju un spriedumu – kļūst svarīgāks nekā jebkad agrāk.

Citiem vārdiem sakot, nepametiet datorzinātnes, jo mākslīgais intelekts var uzrakstīt funkciju.

Apgūsti datorzinātnes, lai varētu noteikt, vai šī funkcija ir atkritumi. 🚀

Ātrā uzņemšana ✅

Mākslīgais intelekts neaizstās datorzinātnes. Tas aizstās dažus ikdienas kodēšanas uzdevumus un paaugstinās studentu un izstrādātāju prasmju latiņu. Drošākais ceļš ir apgūt pamatus, veidot reālus projektus, izmantot mākslīgo intelektu kā rīku un attīstīt spriestspēju, lai pārbaudītu, uzlabotu un uzņemtos atbildību par to, ko mākslīgais intelekts rada.

Reālās pasaules piemērs: mākslīgā intelekta izmantošana nelielas labojumu plānotāja lietotnes izveidei 🛠️

Scenārijs

Iedomājieties, ka otrā kursa datorzinātņu students vēlas izveidot vienkāršu eksāmenu atkārtojumu plānotāju. Nekas milzīgs. Tikai neliela tīmekļa lietotne, kurā lietotājs var pievienot moduļus, termiņus, tēmas un pieejamās mācību stundas, un pēc tam saņemt nedēļas plānu.

Students varētu lūgt mākslīgajam intelektam ģenerēt visu vienā uzvednē. Tas varētu radīt kaut ko iespaidīgu piecas minūtes, bet pēc tam sabrukt, kad termiņi pārklājas, dati pazūd pēc atsvaidzināšanas vai grafiks nemanāmi piešķir 19 mācību stundas otrdienai.

Spēcīgāka pieeja ir izmantot mākslīgo intelektu kā kodēšanas palīgu, vienlaikus piemērojot datorzinātnes spriedumus. Mērķis nav "likt mākslīgajam intelektam veidot manu lietotni". Mērķis ir: "izmantot mākslīgo intelektu, lai virzītos ātrāk, vienlaikus izprotot katru dizaina izvēli"

Kas projektam ir nepieciešams

Pirms pamudinājuma studentam jādefinē daži pamatprincipi:

• Galvenās funkcijas: pievienot moduļus, pievienot tēmas, iestatīt eksāmenu datumus, ievadīt pieejamās mācību stundas, ģenerēt nedēļas plānu.

• Datu modelis: moduļi, tēmas, termiņi, prioritātes, paveiktie uzdevumi.

• Ierobežojumi: nav mācību sesiju pēc pusnakts, nav dublētu tēmu, neplānot vairāk stundu, nekā lietotājs ievadījis.

• Tehnoloģiju komplekts: piemēram, React saskarnei, neliela Node/Express API un SQLite vai lokālā krātuve pirmajai versijai.

• Testēšanas plāns: pārbaudiet tukšas ievades, neiespējamus grafikus, dublētus moduļus un datuma malas gadījumus.

• Drošības noteikums: nekādi studentu personas dati nedrīkst tikt sūtīti uz publisku mākslīgā intelekta rīku, ja vien tie nav anonimizēti.

Instrukcijas piemērs

Vāja uzvedne būtu:

Izveidojiet man labojumu plānotāja lietotni.

Tas dod mākslīgajam intelektam pārāk daudz vietas, lai izgudrotu, pārbūvētu vai palaistu garām svarīgas detaļas.

Spēcīgāks aicinājums būtu:

Es veidoju nelielu pārskatīšanas plānotāja lietotni datorzinātņu portfolio projektam.
Izmantoju React kā priekšpusi un saglabāju pirmo versiju vienkāršu.
Lietotājam vajadzētu būt iespējai pievienot moduli, pievienot tēmas zem šī moduļa, iestatīt eksāmena datumu, ievadīt pieejamās mācību stundas dienā un ģenerēt iknedēļas pārskatīšanas plānu.

Vēl neveidot autentifikāciju.
Saglabājiet datus lokālajā krātuvē pirmajai versijai.
Iekļaujiet ievades validāciju tukšiem moduļu nosaukumiem, pagājušiem eksāmenu datumiem, dublētām tēmām un mācību stundām, kas pārsniedz 12 stundas dienā.

Vispirms piedāvājiet datu modeli un komponentu struktūru.
Nerakstiet pilnu kodu, kamēr neesmu apstiprinājis struktūru.
Skaidrā un vienkāršā valodā izskaidrojiet kompromisus.

Šī uzvedne darbojas labāk, jo tā palēnina mākslīgā intelekta darbību. Tā prasa dizainu pirms koda izveides. Tieši šeit datorzinātnes spriedumam sāk būt nozīme.

Kā to pārbaudīt

Studentam nevajadzētu uzticēties pirmajai darbojošajai demonstrācijai. Viņam tā jātestē tā, it kā kāds mēģinātu to salauzt, jo lietotāji to noteikti darīs.

Labi testa gadījumi ietver:

• Pievienojiet moduli bez nosaukuma.

• Pievienojiet vienu un to pašu tēmu divas reizes.

• Iestatiet eksāmena datumu pagātnē.

• Katrai dienai ievadiet nulles pieejamās mācību stundas.

• Ievadiet 20 mācību stundas vienai dienai.

• Pievienojiet piecas rītdienas iesniegšanas termiņa tēmas un pārbaudiet, vai lietotne izveido neiespējamu plānu.

• Atsvaidziniet lapu un pārbaudiet, vai saglabātie dati joprojām ir redzami.

• Atzīmējiet tēmu kā pabeigtu un pārbaudiet, vai grafiks tiek pareizi atjaunināts.

Viņi varētu arī lūgt mākslīgajam intelektam pārskatīt loģiku:

Lūk, mana plānošanas funkcija. Atrodiet robežgadījumus, kuros tā varētu radīt nereālu vai nepareizu pārskatīšanas plānu. Vēl to nepārrakstiet. Vispirms izskaidrojiet problēmu un pēc tam iesakiet testus, ko man vajadzētu pievienot.

Tas mākslīgo intelektu pārvērš recenzentā, nevis domāšanas aizstājējā.

Kas var noiet greizi

Visacīmredzamākā kļūda ir ģenerēta koda kopēšana, to nesaprotot. Lietotne var šķist darbojoša, taču students, iespējams, nevarēs izskaidrot datu struktūru, novērst kļūdu vai aizstāvēt savas dizaina izvēles intervijā.

Citas reālas problēmas ir šādas:

• Mākslīgais intelekts raksta plānošanas algoritmu, kas ignorē pieejamās stundas.

• Lietotne visu glabā vienā nekārtīgā objektā, kuru ir grūti uzturēt.

• Ievades validācija notiek tikai saskarnē, nevis pamatā esošajā loģikā.

• Ģenerētais kods izmanto bibliotēkas, kuras students nesaprot.

• Mākslīgais intelekts izgudro funkcijas, kas nekad netika pieprasītas.

• Students lūdz “labāku kodu” un saņem kaut ko sarežģītāku, nevis patiesi labāku.

• Lietotnei nav testu, tāpēc katras izmaiņas riskē sabojāt plānotāju.

Vērtīgs noteikums ir šāds: ja skolēns nevar izskaidrot funkciju rindiņu pa rindiņai, tas vēl nav pilnībā viņa projekts.

Praktiska līdzņemšana

Šī ir atšķirība starp mākslīgā intelekta sliktu izmantošanu un labu izmantošanu.

Nepareiza mākslīgā intelekta izmantošana nozīmē pieprasīt pabeigtu lietotni, ielīmēt izvadi un cerēt, ka neviens to pārāk uzmanīgi neizskatīs.

Laba mākslīgā intelekta izmantošana nozīmē tā izmantošanu struktūras apspriešanai, kompromisu salīdzināšanai, melnrakstu ģenerēšanai, testu ieteikšanai un robežgadījumu pārskatīšanai, kamēr students joprojām pieder galīgajam kodam.

Tāpēc datorzinātne joprojām ir svarīga. Mākslīgais intelekts var palīdzēt ātrāk izveidot pārskatīšanas plānotāju, taču studentam ir nepieciešamas datorzinātņu zināšanas, lai izlemtu, vai plānotājs ir pareizs, uzturējams, pārbaudāms un vai to ir vērts parādīt ikvienam.

Bieži uzdotie jautājumi

Vai nākotnē datorzinātnes aizstās mākslīgais intelekts?

Datorzinātni kā disciplīnu neaizstās mākslīgais intelekts. Mākslīgais intelekts var automatizēt dažus kodēšanas uzdevumus, ģenerēt melnrakstus, izskaidrot kļūdas un paātrināt ikdienas darbu. Taču datorzinātne ietver arī sistēmas, algoritmus, drošību, datus, arhitektūru, teoriju un spriedumus. Šajās jomās joprojām ir nepieciešami cilvēki, kas spēj skaidri spriest, pārbaudīt rezultātus un saprast, kas programmatūrai būtu jādara.

Kuras datorzinātņu darba daļas var automatizēt mākslīgais intelekts?

Mākslīgais intelekts ir visefektīvākais atkārtotu, precīzi definētu uzdevumu veikšanā. Tas var palīdzēt ar standarta kodu, vienkāršiem skriptiem, pamata testiem, dokumentācijas melnrakstiem, sintakses tulkošanu, regulārām izteiksmēm un ātru prototipu izveidi. Tie ir patiesi produktivitātes ieguvumi. Tomēr automatizācija vislabāk darbojas, ja cilvēks var pārskatīt izvadi, saprast kontekstu un izlemt, vai ģenerētais risinājums ir drošs un atbilstošs.

Kāpēc mākslīgais intelekts pilnībā neaizstās datorzinātņu darbus?

Mākslīgais intelekts var ģenerēt kodu, bet tas neuzticami neuzskata rezultātus par saviem spēkiem. Programmatūras darbs ietver neskaidras prasības, biznesa noteikumus, lietotājus, drošības riskus, ražošanas kļūdas, veiktspējas kompromisus un ilgtermiņa uzturēšanu. Uzņēmumiem joprojām ir nepieciešami cilvēki, kas var izstrādāt sistēmas, atkļūdot sarežģītas problēmas, skaidri komunicēt un uzņemties atbildību, ja kaut kas sabojājas. Mākslīgais intelekts palīdz ar uzdevumiem, nevis pilnībā profesionālu spriedumu.

Kā mākslīgais intelekts maina iesācēju līmeņa datorzinātņu darbus?

Mākslīgais intelekts varētu atvieglot dažu iesācēju kodēšanas uzdevumu automatizāciju, kas varētu paaugstināt latiņu jaunāko amatu speciālistiem. Tā vietā, lai jautātu tikai par to, vai kāds prot rakstīt kodu, darba devēji var sagaidīt, ka iesācēji izmantos mākslīgā intelekta rīkus, pārskatīs ģenerēto kodu, pamanīs kļūdas, izskaidros kompromisus un pareizi testēs. Tas padara pamatzināšanas un apzinātu praksi svarīgāku studentiem un jaunajiem izstrādātājiem.

Vai studentiem joprojām vajadzētu studēt datorzinātnes mākslīgā intelekta dēļ?

Jā, studentiem joprojām vajadzētu studēt datorzinātnes, taču ar reālistiskām cerībām. To nevajadzētu uzskatīt par garantētu īsceļu uz darbu. Studentiem ir nepieciešamas pamatzināšanas, reāli projekti, atkļūdošanas prasmes, Git, datubāzes, testēšana, komunikācija un mākslīgā intelekta prasmes. Mērķis ir ne tikai ātrāk ģenerēt kodu, bet arī pietiekami dziļi izprast kodu, lai to uzlabotu un aizstāvētu.

Kā iesācēji var izmantot mākslīgo intelektu, nekļūstot no tā atkarīgi?

Iesācējiem mākslīgais intelekts (MI) jāizmanto kā pasniedzējs un prakses partneris, ne tikai kā automātiskais atbildētājs. Laba pieeja ir lūgt skaidrojumus, manuāli pārrakstīt ģenerēto kodu, apzināti sabojāt programmas, salīdzināt risinājumus un dažkārt atkļūdot bez MI. Palīdz arī dokumentācijas lasīšana un kļūdu izsekošana. Galvenais ir veidot izpratni, nevis tikai apkopot darba fragmentus.

Kāpēc datorzinātņu pamati ir svarīgāki, izmantojot mākslīgo intelektu?

Kad mākslīgais intelekts atvieglo koda ģenerēšanu, spriedums kļūst vērtīgāks. Pamati palīdz cilvēkiem uzdot labākus jautājumus, pamanīt vājus risinājumus, izprast veiktspēju, novērtēt arhitektūru un pamanīt drošības problēmas. Divi cilvēki var izmantot vienu un to pašu mākslīgā intelekta rīku un iegūt ļoti atšķirīgus rezultātus atkarībā no savām zināšanām. Spēcīgi datorzinātņu pamati padara rīku efektīvāku un mazāk riskantu.

Vai universitātēs datorzinātnes aizstās mākslīgais intelekts?

Datorzinātnes nepazudīs no universitātēm, jo ​​pastāv mākslīgais intelekts. Tā vietā izglītībā mākslīgais intelekts ir jāiekļauj tiešāk, vienlaikus joprojām mācot programmēšanu, algoritmus, datu struktūras, sistēmas, datubāzes, teoriju un programmatūras inženieriju. Mākslīgais intelekts var darboties kā pasniedzējs vai kodēšanas asistents, taču studentiem joprojām ir jāapgūst, kā darbojas sistēmas un kā novērtēt ģenerētās atbildes.

Kuras datorzinātņu prasmes ir drošākās no mākslīgā intelekta automatizācijas?

Prasmes, kas saistītas ar kontekstu, spriedumu un atbildību, ir grūtāk pilnībā automatizēt. Tās ietver sistēmu projektēšanu, kiberdrošību, ražošanas atkļūdošanu, arhitektūru, veiktspējas uzlabošanu, produktu spriešanu, cilvēka un datora mijiedarbību, datu inženieriju, infrastruktūru un pētniecības līmeņa problēmu formulēšanu. Mākslīgais intelekts var palīdzēt šajās jomās, taču tas parasti nevar aizstāt cilvēka spēju izvērtēt kompromisus un pieņemt lēmumus.

Kā vislabāk sagatavoties datorzinātņu karjerai ar mākslīgo intelektu?

Spēcīgākais ceļš ir apvienot pamatus ar praktiskām mākslīgā intelekta prasmēm. Padziļināti apgūstiet vienu programmēšanas valodu, veidojiet reālus projektus, izprotiet algoritmus un sistēmas, praktizējiet testēšanu un atkļūdošanu un kritiski izmantojiet mākslīgā intelekta rīkus. Lasiet ģenerēto kodu rindiņu pa rindiņai un esiet gatavi izskaidrot dizaina izvēles. Darba devēji novērtēs cilvēkus, kuri spēj sasniegt rezultātus un izprast riskus.

Atsauces

1. ASV Darba statistikas birojs — datoru un informācijas tehnoloģiju profesijas — bls.gov

2. Datortehnikas asociācija — CS2023 mācību programmas vadlīnijas — acm.org

3. CSET, Džordžtaunas Universitāte — Mākslīgā intelekta ģenerēta koda kiberdrošības riski — cset.georgetown.edu

4. Antropoze — mākslīgā intelekta darba ietekme — anthropic.com

5. Stack Overflow — mākslīgā intelekta kodēšanas rīki — survey.stackoverflow.co

6. AAAI — integrēts mākslīgais intelekts plašākā nozīmē — ojs.aaai.org

7. OWASP apkrāptu lapu sērija — mākslīgā intelekta aģenta drošības apkrāptu lapa — cheatsheetseries.owasp.org

Atrodiet jaunāko mākslīgo intelektu oficiālajā mākslīgā intelekta palīgu veikalā

Par mums