Vichwa vya habari vinaendelea kutuambia kuwa AI itafanya watengenezaji wa programu (software developers) kuwa hawahitajiki tena. Mimi siamini hivyo. Hatari halisi si kwamba mashine zitachukua nafasi ya uhandisi. Hatari ni kwamba wahandisi wataacha kufanya kazi ngumu ya kufikiri.
Programu (Software) haikuwa kuhusu kuandika syntax tu. Daima ilikuwa kuhusu kubeba utata (complexity) kichwani, kuelewa namna mifumo inavyofeli, na kufanya maamuzi ya kutoa kafara (trade-offs) pale hakuna chaguo lililo kamili. AI imebadilisha kasi tunayozalisha kodi, lakini haijabadilisha sababu inayotuhitaji binadamu kuwa sehemu ya mchakato. Ikiwa kuna kitu kimebadilika, ni kwamba kufikiri kwa kina kume becomea thamani zaidi na adimu zaidi.
Rasimu ya Kwanza Si Uhandisi
Ninatazama idadi inayoongezeka ya watengenezaji wadogo (junior developers) wanaochukulia ChatGPT au Claude kama mhandisi mwandamizi (senior engineer) aliyeketi kwenye kiti cha jirani. Wanabandika maelezo ya tiketi, wananakili jibu, wanarun majaribio (tests), na kufanya commit. Ikiwa inakamilika (compiles), kazi inafungwa. Mzunguko huo ni wa haraka, hauna vikwazo, na ni hatari.
Kutumia AI si tatizo. Mimi huitumia. Wahandisi wengi wenye tija ninawajua huitumia. Tatizo linaanza wakati AI inakuwa mhandisi pekee chumbani. Kukubali suluhisho la kwanza kwa sababu linafanya kazi si uhandisi. Ni kukabidhi uamuzi (outsourcing of judgment) kwa modeli ambayo haielewi watumiaji wako, vikwazo vya biashara yako, au mara ya mwisho mfumo wako (stack) ulipofeli saa 8 usiku.
Mifumo mikubwa ya lugha (Large language models) hutoa majibu kwa ujasiri wa kutisha hata wakati yanapokuwa kimakosa kabisa. Mhandisi mmoja aliiomba AI idisaini usanifu unaoweza kukua (scalable architecture). Modeli ilitoa pendekezo la kina na lenye mamlaka lililojengwa kabisa juu ya kipengele ambacho hakikuwepo kwenye bidhaa halisi. Ilionekana kuwa sahihi. Ilikuwa na mantiki ya ndani. Lakini pia ilikuwa haina manufaa. Hatari si kwamba tu AI inatengeneza mambo ya kufikirika (hallucinates). Hatari ni kwamba watu wengi sasa wanaamini mambo hayo ya kufikirika kwa sababu hawana muktadha wa kutambua uongo huo.
Unajifunza Kutokana na Vikwazo (Friction)
Ninapofikiria kuhusu kile kilichonibadilisha kutoka kuwa mtengenezaji mdogo hadi kuwa mtu anayeweza kumiliki mfumo, sikumbuki syntax niliyohifadhi kichwani. Nakumbuka hitilafu (outages). Nakumbuka maswali ya hita (queries) ya polepole niliyolazimika kuyafuatilia kwa mkono, hali za mashindano (race conditions) ambazo zilijitokeza tu wakati wa mzigo wa uzalishaji (production load), na uwekaji mifumo (deployments) uliovunjika kwa sababu mazingira yangu ya ndani (local environment) hayakuwa sawa na ulimwengu halisi.
Kurekebisha makosa (Debugging) ndiko kujifunza kunakofanyika. Unapopitia kodi kwa mkono, unaona kwa nini mifumo inafeli hasa. Unagundua wapi vikwazo (bottlenecks) vinatokea. Unajifunza jinsi usanifu unavyofanya kazi unapoondoka kwenye onyesho (demo) lenye watumiaji kumi hadi kwenye mfumo wa uzalishaji unaoshughulikia maombi elfu kumi kwa wakati mmoja. Unajifunza, hadi mifupani mwako, jinsi uzalishaji unavyotofautiana na onyesho lililoandaliwa vizuri.
Hakuna maarifa hayo yanayotokana na kukubali jibu lililotengenezwa. Yanatokana na kupambana na tatizo. Ikiwa AI itaondoa kila jaribu, ikiandika kodi na kurekebisha makosa na kutoa maelezo ya kufeli, je, kizazi kijacho cha watengenezaji kitapata vyeo vyao vya uanandisi (seniority) vipi? Uzoefu si cheti unachopakua. Ni tishu za makovu (scar tissue) unazojenga kutokana na matukio ya uzalishaji na uwekaji mifumo uliovunjika. Ondoa vikwazo, na utaondoa ukuaji.
Uamuzi Unashinda Uzalishaji
Kwa muda fulani, sekta ilichukulia uhandisi wa maelekezo (prompt engineering) kama ujuzi mpya wa kusisimua wa kuorodhesha kwenye wasifu (resume). Hiyo ilikosa hoja kabisa. Uwezo wa thamani zaidi katika mazingira yaliyojaa AI si kuzalisha machaguo. Ni kujua ni mapendekezo yapi ya kukataa.
Wahandisi bora ninashirikiana nao hawaandiki maelekezo (prompts) mengi zaidi
AI inaweza kuharakisha karibu kila sehemu ya mzunguko wa maendeleo, lakini kuna mbinu muhimu zinazopaswa kubaki mikononi mwa binadamu. Usanifu wa mifumo unahitaji kuweka uwiano kati ya vikwazo vinavyopingana: gharama, ucheleweshaji, uthabiti, na uwezo wa kudumisha mfumo hapo baadaye. Mapitio ya usanifu yanategemea kumbukumbu ya taasisi na uwezo wa kutabiri athari za pili. Ulezi unahitaji mtu ambaye amepitia kwa vitendo aina za hitilafu anazokuonya kuzihusu. Uelewa wa kina wa bidhaa unatokana na kuzungumza na watumiaji na kuangalia tabia zao katika mazingira halisi, si kutokana na kusoma data za mafunzo.
Hukumu ya kihandisi ni muunganiko wa uzoefu huo. Ni sauti tulivu inayokuambia kuwa uhamisho ni hatari sana kuufanya mchana wa Ijumaa, hata kama mapitio ya kodi yamepitishwa. Ni hisia inayokuambia kuwa uboreshaji wa utendaji sasa unaweza kusababisha tundu la kiusalama baadaye. LLM haina hisia. Ina mifumo. Mifumo ni muhimu, lakini si hukumu.
Makampuni yanayofanya uajiri sasa yanapaswa kuacha kuwajali watu ambao ni mahiri tu katika kutumia zana za AI. Waajiri watu wanaoweza kuhoji AI. Tafuta wagombea watakaotulia, kusoma matokeo yaliyozalishwa kwa makini, na kueleza kwa nini hawakubaliani nayo. Hao ndio wahandisi watakaofanya mifumo yako iendelee kuwa imara wakati kodi iliyozalishwa inapokutana na uhalisia mchafu wa uzalishaji.
Kasi Bila Dira
Fikiria AI kama pedali ya kuongeza kasi. Katika gari lenye