Författare: Ikhlaq Sidhu, IE University
Bild: Depositphotos.com
25.07.05 - AI har förändrat tekniklandskapet, men betyder det att datavetare snart blir överflödiga? Absolut inte.
I takt med att AI-system utökar sin redan imponerande kapacitet finns det en allt vanligare tro på att området datavetenskap (CS) snart kommer att vara ett minne blott. Detta kommuniceras till dagens presumtiva studenter i form av välmenande råd, men mycket av det är inte mycket mer än hörsägen från individer som trots sin intelligens talar utanför sin expertis.
Högprofilerade personer som Nobelprisvinnande ekonomen Christopher Pissarides har framfört detta argument, och som ett resultat har det slagit rot på en mycket mer vardaglig nivå – jag har till och med personligen hört karriärrådgivare på gymnasiet avfärda tanken på att studera datavetenskap direkt, trots att de inte har någon kunskap om själva området.
Dessa påståenden har vanligtvis två gemensamma brister. Den första av dem är att råden kommer från personer som inte är datavetare. För det andra finns det ett utbrett missförstånd om vad datavetenskap egentligen innebär.
AI och myten om kodersättning
Det är inte fel att säga att AI kan skriva datorkod från uppmaningar, precis som den kan generera dikter, recept och följebrev. Det kan öka produktiviteten och påskynda arbetsflödet, men inget av detta eliminerar värdet av mänsklig input.
Att skriva kod är inte synonymt med CS. Man kan lära sig att skriva kod utan att någonsin gå på en enda universitetskurs, men en CS-examen går mycket längre än denna färdighet. Det handlar bland mycket annat om att konstruera komplexa system, designa infrastruktur och framtida programmeringsspråk, säkerställa cybersäkerhet och verifiera system för korrekthet.
AI kan inte utföra dessa uppgifter på ett tillförlitligt sätt och kommer inte heller att kunna göra det inom överskådlig framtid. Mänsklig input är fortfarande viktig, men pessimistisk desinformation riskerar att styra tiotusentals begåvade studenter bort från viktiga och meningsfulla karriärer inom detta viktiga område.
Vad AI kan och inte kan göra
AI utmärker sig när det gäller att göra förutsägelser. Generativ AI förbättrar detta genom att lägga till ett användarvänligt presentationslager till internetinnehåll – den skriver om, sammanfattar och formaterar information till något som liknar en människas arbete.
Dagens AI "tänker" dock inte på riktigt. Istället förlitar den sig på logiska genvägar, kända som heuristik, som offrar precision för hastighet. Detta innebär att den, trots att den talar som en person, inte kan resonera, känna, bry sig om eller önska något. Det fungerar inte på samma sätt som ett mänskligt sinne.
För inte så länge sedan verkade det som om "snabb ingenjörskonst" skulle ersätta CS. Idag finns det dock praktiskt taget inga jobbannonser för snabba ingenjörer, medan företag som LinkedIn rapporterar att ansvarsområdena för CS-proffs faktiskt har utökats.
Var AI kommer till korta
Vad AI ger är kraftfullare verktyg för CS-proffs så att de kan göra sitt jobb. Det innebär att de nu kan ta koncepten vidare – från idé till marknadslansering – samtidigt som de behöver färre supportroller och mer tekniskt ledarskap.
Det finns dock många områden där det fortfarande är nödvändigt med specialiserad mänsklig insats, vare sig det gäller förtroende, överblick eller behovet av mänsklig kreativitet. Det finns gott om exempel, men det finns 10 områden som sticker ut särskilt:
1. Anpassning av en hedgefondalgoritm till nya ekonomiska förhållanden. Detta kräver algoritmisk design och djup förståelse för marknader, inte bara mängder av kod.
2. Diagnostisera tillfälliga avbrott i molntjänster från leverantörer som Google eller Microsoft. AI kan felsöka i liten skala, men den kan inte kontextualisera storskalig felsökning med höga insatser.
3. Omskrivning av kod för kvantdatorer. AI kan inte göra detta utan omfattande exempel på framgångsrika implementeringar (som för närvarande inte finns).
4. Utvecklar och säkrar ett nytt molnoperativsystem. Det handlar om systemarkitektur på hög nivå och rigorösa tester som AI inte kan utföra.
5. Skapa energieffektiva AI-system. AI kan inte spontant uppfinna lägre effekt GPU-kod, eller uppfinna sin egen arkitektur på nytt.
6. Bygger säker, hackersäker programvara för realtidskontroll för kärnkraftverk. Detta kräver att expertis inom inbyggda system blandas med översättning av kod och systemdesign.
7. Verifierar att en kirurgisk robots programvara fungerar under oförutsägbara förhållanden. Säkerhetskritisk validering överskrider AI:s nuvarande omfattning.
8. Utforma system för att autentisera e-postkällor och säkerställa integritet. Detta är en kryptografisk och tvärvetenskaplig utmaning.
9. Granskning och förbättring av AI-drivna verktyg för cancerförutsägelser. Detta kräver mänsklig tillsyn och kontinuerlig systemvalidering.
10. Bygger nästa generation av säker och kontrollerbar AI. Utvecklingen mot säkrare AI kan inte göras av AI själv – det är ett mänskligt ansvar.
Varför datavetenskap fortfarande är oumbärlig
En sak är säker: AI kommer att omforma hur teknik och datavetenskap utförs. Men vad vi står inför är en förändring av arbetsmetoderna, inte en total förstörelse av fältet.
När vi står inför ett helt nytt problem eller en helt ny komplexitet kommer AI inte att räcka till av en enkel anledning: det beror helt och hållet på tidigare data. Att underhålla AI, bygga nya plattformar och utveckla områden som tillförlitlig AI och AI-styrning kräver därför CS.
Det enda scenariot där vi kanske inte behöver CS är om vi når en punkt där vi inte längre förväntar oss några nya språk, system, verktyg eller framtida utmaningar. Detta är försvinnande osannolikt.
Vissa hävdar att AI så småningom kan utföra alla dessa uppgifter. Det är inte omöjligt, men även om AI skulle bli så här avancerad skulle det innebära samma risk för nästan alla yrken. Ett av de få undantagen skulle vara de som bygger, kontrollerar och utvecklar AI.
Det finns ett historiskt prejudikat till detta: under den industriella revolutionen fördrevs fabriksarbetarna i förhållandet 50 till 1 som ett resultat av snabba framsteg inom maskiner och teknik. I så fall växte arbetskraften faktiskt med en ny ekonomi, men de flesta av de nya arbetarna var de som kunde sköta eller reparera maskiner, utveckla nya maskiner eller designa nya fabriker och processer kring maskiner.
Under denna period av massiva omvälvningar var tekniska färdigheter faktiskt de mest efterfrågade, inte minst. Idag gäller parallellen: teknisk expertis, särskilt inom CS, är mer värdefull än den någonsin har varit.
Låt oss inte förvirra nästa generation med det motsatta budskapet.
Ikhlaq Sidhu, Decano de IE School of Science and Technology, IE University
Denna artikel är återpublicerad från The Conversation under en Creative Commons-licens. Läs ursprungliga artikeln.