Η Anni Chen, τεχνολογική ηγέτιδα στην Amazon με περίπου τρεισήμισι χρόνια εμπειρίας, μιλά για την πρωτοποριακή χρήση της γενετικής τεχνητής νοημοσύνης (AI) και των μεγάλων γλωσσικών μοντέλων (LLM) στην καθημερινή εργασία. Η εξειδίκευσή της εστιάζεται στην “μνήμη”, ένα στοιχείο που τροφοδοτεί την εξατομίκευση στις εμπειρίες γενετικής AI σε ολόκληρη την Amazon.
Η πρακτική της “vibe coding”, δηλαδή η συνεργασία με την AI για τη δημιουργία κώδικα, έχει αποδειχθεί σημαντική ώθηση στην παραγωγικότητα. Η Chen την αντιμετωπίζει συχνά ως μια “λοταρία” για debugging ή μικρές εργασίες, με την AI να παράγει ενίοτε εκπληκτικά αποτελέσματα. Η “vibe coding” βοηθάει στο brainstorming ιδεών για πιθανές λύσεις, ακόμη και αν η τελική πρόταση της AI δεν υιοθετηθεί πλήρως. Επιπλέον, επιταχύνει σημαντικά τον χρόνο που αφιερώνεται στην επανεγγραφή κώδικα, όταν διαπιστώνεται ότι μια απαίτηση δεν έχει καλυφθεί.
Η συνεργασία με την AI για τη δημιουργία κώδικα είναι ταχύτερη, ακόμη και με την ανάγκη για διπλό έλεγχο. Η διαδικασία είναι επαναληπτική: η Chen παρέχει τις βασικές πληροφορίες, η AI παράγει μια εκδοχή, την οποία στη συνέχεια ελέγχει, σε παρόμοιο στυλ με μια αναθεώρηση κώδικα από συναδέλφους. Παρόλο που η AI μπορεί να επιλύσει ορισμένα προβλήματα, ενδέχεται να εισαγάγει νέα, γεγονός που απαιτεί συνεχή παρακολούθηση.
Για σύνθετες εργασίες, ο διπλός έλεγχος είναι απαραίτητος, αλλά η διαδικασία παραμένει ταχύτερη. Η Chen αναφέρει ένα περιστατικό με περίπλοκα ζητήματα κλειδώματος (locking issues) σε συνεργασία με μια άλλη ομάδα. Χωρίς τη βοήθεια ενός LLM, η έρευνα για πιθανές λύσεις θα μπορούσε να διαρκέσει μια ολόκληρη ημέρα. Με τη χρήση του LLM, η συζήτηση για πιθανές λύσεις και η βελτίωσή τους διήρκησε μόλις 15 λεπτά, καταλήγοντας σε μια πρόταση έτοιμη προς αποστολή στην ομάδα.
Η τεχνική γνώση είναι κρίσιμη, καθώς επιτρέπει στον μηχανικό να διακρίνει μια καλή λύση από μια μη καλή, όπως ακριβώς κάποιος γνωρίζει τι “γεύση” έχει ένα φαγητό, αλλά χρειάζεται βοήθεια για να μάθει τα διαθέσιμα πιάτα. Η LLM παρουσιάζει όλες τις επιλογές, και ο χρήστης επιλέγει.
Ωστόσο, η “vibe coding” για μεγάλης κλίμακας εφαρμογές μπορεί να μην είναι αποτελεσματική, και η τεχνική γνώση εξακολουθεί να είναι θεμελιώδης. Η Chen εκφράζει δισταγμό στη χρήση του “vibe coding” απευθείας σε παραγωγικό περιβάλλον, καθώς τα LLM ενδέχεται να κάνουν σιωπηρές παραδοχές που ο χρήστης δεν αντιλαμβάνεται. Εάν δεν δοθεί ρητή οδηγία, για παράδειγμα, ότι κάτι πρέπει να λειτουργεί σε περιβάλλον πολλαπλών νημάτων (multi-threading), η AI μπορεί να παράγει μια ελάχιστη έκδοση που, σε μεγάλη κλίμακα, μπορεί να οδηγήσει σε κατάρρευση.
Ενώ μη τεχνικοί χρήστες θα μπορούσαν να αναθέσουν στην AI τη δημιουργία κάτι που διαχειρίζεται εκατομμύρια χρήστες, χωρίς τεχνικές γνώσεις, είναι δύσκολο να προβλεφθούν οι περιορισμοί εκ των προτέρων. Εάν οι σιωπηρές παραδοχές δεν κοινοποιηθούν στην AI, δεν θα τις σεβαστεί, οδηγώντας σε προβλήματα αργότερα. Οι τεχνικοί χρήστες μπορούν να προβλέπουν προληπτικά περιορισμούς και να αποτρέπουν προβλήματα, σε αντίθεση με τη συμβατική αντιμετώπιση προβλημάτων από μη τεχνικούς. Επιπλέον, οι τεχνικοί κατανοούν καλύτερα το περιεχόμενο που δημιουργείται από AI και είναι σε καλύτερη θέση να αναγνωρίσουν τις δυνατότητες και τα αδύνατα σημεία της.
Η κλιμάκωση σε ένα ή εκατό εκατομμύρια πελάτες απαιτεί συστήματα που κωδικοποιούνται διαφορετικά για να διαχειριστούν αυτή την κλίμακα.
Η “vibe coding” είναι δύσκολο να αντισταθείς. Αρχικά, η ηγεσία ενθάρρυνε την υιοθέτησή της, ιδίως στις ομάδες GenAI. Σε άλλες ομάδες, οι μηχανικοί εκδήλωσαν αρχική επιφύλαξη, φοβούμενοι ότι η AI θα αντικαταστήσει την εργασία τους. Ωστόσο, μετά την πρώτη επαφή, οι στάσεις άλλαξαν, καθώς διαπιστώθηκε η αποτελεσματικότητά της. Η “vibe coding” καθίσταται πλέον δύσκολο να αντισταθεί κανείς, καθώς η ηγεσία αναγνωρίζει την αύξηση της παραγωγικότητας. Όταν οι συνάδελφοι χρησιμοποιούν την AI και παράγουν κώδικα ταχύτερα, η συνεργασία γίνεται δυσκολότερη για όσους δεν την υιοθετούν. Ακόμα και χωρίς άμεση χρήση, η AI είναι παρούσα παθητικά, μέσω σχολίων σε αναθεωρήσεις κώδικα.
