Η Anni Chen, με τρεισήμισι χρόνια εμπειρίας στη μηχανική λογισμικού της Amazon, αποκαλύπτει πώς η τεχνητή νοημοσύνη (AI) όχι μόνο διευκόλυνε την κωδικοποίηση, αλλά βοήθησε καθοριστικά στη μετατροπή της σε προϊόντα. Αυτός ο συνδυασμός κατανόησης της AI και εφαρμογής της σε κλιμακούμενα προϊόντα, πιστώνεται από την ίδια ως ο λόγος για την ταχύτερη προαγωγή της.
Η Chen ξεκίνησε ως Software Engineer I, μια εισαγωγική θέση, το 2022, εργαζόμενη στην ομάδα προτάσεων, εστιάζοντας σε widgets προτάσεων. Περίπου δύο χρόνια αργότερα, άρχισε να ασχολείται παράλληλα με προϊόντα AI, τα οποία τελικά εξελίχθηκαν σε ξεχωριστή ομάδα, στην οποία η Chen είναι ιδρυτικό μέλος. Η ανέλιξή της ήταν ραγδαία: από Software Engineer II στην ομάδα προτάσεων, προήχθη σε senior engineer στην τρέχουσα ομάδα της.
Η τεχνητή νοημοσύνη διαδραματίζει πρωταρχικό ρόλο στην εργασία της Chen, ειδικά όσον αφορά την “μνήμη” που τροφοδοτεί την εξατομίκευση στις γενετικές εμπειρίες AI της Amazon. Η ίδια δηλώνει ότι σχεδόν το 95% του κώδικα που παράγει, γράφεται από την AI. Ξεκίνησε να χρησιμοποιεί την AI για να δημιουργεί ελκυστικούς τίτλους για τα widgets προτάσεων, μόλις εμφανίστηκαν τα ChatGPT και Claude, συνειδητοποιώντας την ισχύ της στην παραγωγή δημιουργικού περιεχομένου.
Πλέον, η Chen απευθύνεται στην AI για βοήθεια πριν καν προσπαθήσει να γράψει κώδικα. Αναγνωρίζει ότι οι λύσεις που προτείνει η AI αναβαθμίζουν τον δικό της κώδικα και ενισχύουν την παραγωγικότητά της. Ωστόσο, τονίζει ότι η χρήση της AI δεν περιορίζεται απλώς στη συγγραφή κώδικα, αλλά περιλαμβάνει και την ενσωμάτωση των αποτελεσμάτων της σε προϊόντα. Αυτό απαιτεί βαθιά κατανόηση του πώς λειτουργεί η AI, ποιες μεθοδολογίες είναι αποτελεσματικές και ποιες όχι, και συνεχή ετοιμότητα για υιοθέτηση νέων μοντέλων και εργαλείων.
Ως tech lead σε συστήματα μεγάλης κλίμακας που βασίζονται σε LLMs (Large Language Models) σε παραγωγικά περιβάλλοντα, η Chen έχει άμεση εικόνα της συμπεριφοράς των ροών εργασίας που υποβοηθούνται από την AI, όχι μόνο σε πρωτότυπα, αλλά και σε πραγματικές συνθήκες και διατμηματική συνεργασία.
Προσφέρει τρεις βασικές συμβουλές για αποτελεσματική κωδικοποίηση με AI:
1. **Κατανόηση των Εσωτερικών Λειτουργιών των LLMs:** Η γνώση της προ-εκπαίδευσης, της επιμέλειας με εποπτευόμενη μάθηση (supervised fine-tuning) και της ενισχυτικής μάθησης από ανθρώπινη ανατροφοδότηση (RLHF) είναι απαραίτητη. Αυτό επιτρέπει στον χρήστη να προβλέπει πότε ένα LLM μπορεί να μην κατανοήσει, πότε χρειάζεται εξειδικευμένη γνώση, πότε συμβαίνουν “ψευδαισθήσεις” (hallucinations) και πώς να διαχειρίζεται τους περιορισμούς του “πλαισίου” (context window) για τη διάσπαση πολύπλοκων προβλημάτων. Η λεπτομερής εξήγηση είναι κρίσιμη, καθώς η μη παροχή επαρκούς πλαισίου μπορεί να οδηγήσει το LLM σε υιοθέτηση κοινών προτύπων που δεν ταιριάζουν στη συγκεκριμένη περίπτωση χρήσης.
2. **Σκέψη Πριν την Κωδικοποίηση:** Η έλεγχος της απάντησης της AI πριν διαμορφωθούν οι δικές σας σκέψεις μπορεί να επηρεάσει την κρίση σας. Είναι προτιμότερο να συγκρίνετε τις δικές σας ιδέες με αυτές του LLM, να εντοπίζετε τα κενά γνώσης και τις διαφορές, και να κατανοείτε τις υποκείμενες παραδοχές που δεν κοινοποιήθηκαν στο LLM.
3. **Ερώτηση Δύσκολων Ερωτήσεων:** Προτρέπει τη χρήση ερωτήσεων που αφορούν την αντιμετώπιση σφαλμάτων, την κλιμάκωση και τις δύσκολες περιπτώσεις. Αυτή η προσέγγιση, παρόμοια με αυτή ενός έμπειρου μηχανικού που καθοδηγεί έναν νεότερο, εξασφαλίζει την κάλυψη των κρίσιμων σεναρίων από την αρχή.
Τέλος, τονίζει τη σημασία της συνεχούς αναθεώρησης σε κάθε βήμα, όχι μόνο στο τέλος της διαδικασίας, για την έγκαιρη αποφυγή σφαλμάτων που μπορεί να οδηγήσουν σε επανάληψη όλης της εργασίας. Υπογραμμίζει τον κίνδυνο παραγωγής λανθασμένου κώδικα, ο οποίος, παρόλο που μπορεί να φαίνεται λειτουργικός, μπορεί να προκαλέσει σημαντική ζημιά σε παραγωγικά περιβάλλοντα. Η κατανόηση του κώδικα παραμένει ζωτικής σημασίας, καθώς η AI μειώνει το εμπόδιο για τη συγγραφή του, αλλά όχι την ευθύνη της κατανόησής του.
