Dług technologiczny na sterydach: co AI robi z kodem, którego nie sprawdzasz
Dług technologiczny istnieje od lat 90. Ale czy definicja sprzed trzech dekad wciąż działa w świecie, gdzie kod generuje AI?Patryk Kiepel, Cloud Data Architect i Mateusz Salik, Senior Software Engineer rozmawiają z Błażejem Ksyckim o tym, jak AI zmienia charakter długu technicznego – i czy w ogóle można mówić o świadomym zaciąganiu długu, gdy kod generuje black box.Rozmawiamy o tym, czy dług zaciągnięty przez AI to nadal dług, czy zwykły bałagan, dlaczego refaktoryzacja spadła z 21% do 3,8% a duplikacja kodu wzrosła o 81%, co się dzieje, gdy agent wyłącza testy, żeby tylko przejść CI, czym jest dług kognitywny i czy za kilka lat młodzi programiści będą umieli ocenić kod, którego nigdy ręcznie nie pisali oraz kiedy tryb YOLO ma sens – i kiedy kończy się żart.Dla tych, którzy używają AI do kodowania i zastanawiają się, czy powinni się tym bardziej martwić.
Moimi gośćmi dzisiaj są Mateusz Calik Senior Software Engineer oraz Patryk Kiepel Cloud Data Architect. Panowie, zaczynając bezpośrednio wprost. W zasadzie taka klasyczna definicja długu technologicznego, ona jest W zasadzie dość precyzyjna bym powiedział i już nawet bym powiedział, że też dość stara, bo ona po raz pierwszy chyba się tam pojawiła, była zdefiniowana w latach 90., na początku lat 90. I ona zakładała, że to jest taka decyzja, gdzie się idziemy na skróty, ale po pierwsze świadomie, żeby wiemy, co trzeba zrobić dobrze, robimy na skróty szybciej.
Ten dług to nie jest dług, bo tak naprawdę nie musimy go spłacać. To jest coś, co ma zastosowanie na chwilę i jest odpowiedniej jakości. Więc w takim przypadku teraz dochodzimy do pytania, czy to jest dług? Moim zdaniem wtedy to w ogóle nie jest dług, bo nie musimy go spłacać. Mateuszu, to wszystko zależy według mnie od tego, jaki to jest typ projektu, jakie są wobec niego plany i wydaje mi się, że nie zawsze te plany jesteśmy w stanie przewidzieć na dzień dzisiejszy. To jest tak, że jeden dostawca wprowadzi jakieś rozwiązanie i ono działa powiedzmy na produkcji 2 lata, Ale okazuje się później, że klient chce je rozwijać dalej, chce wprowadzać nowe funkcjonalności albo zauważa, że są jakieś problemy powiedzmy wydajnościowe na przykład.
No dobra, ale pozwolisz Mateuszu, że cię trochę pociągnę dalej. Czy nie uważasz, że nie mogliśmy wziąć tej definicji długotechnologicznej, którą mamy i ją jakby świadomie zaaplikować na wierzch Jeżeli weźmiemy sobie jakiegoś frameworka typu open spec, gdzie celem jest napisanie specyfikacji, skomunikowanie specyfikacji do repozytorium, zanim odpalimy implementację, zanim ten agent zacznie cokolwiek implementować. To czy tak naprawdę ten dług technologiczny nie pojawia się w tych specyfikacjach?
Mateuszu, a powiedz mi, AI co do zasady, Ten kod, który generuję, on go generuje tak dość ładny, nie? W sensie... Może nie zawsze to jest najlepiej zaprojektowany kod, no ale przynajmniej, że tak powiem, mid developer by się go nie powstydził. Jakby jest w miarę składny, ładnie sformatowany, często obkomentowany już od razu na wejściu. Nazwy zmiennych też są zazwyczaj jakieś sensowne. Wygląda tak co najmniej na 7, 8, na 10 jakby przyzwoicie. I teraz pytanie jest czy Jakby, że tak powiem, po zapachu, po wyglądzie, jesteśmy w stanie w ogóle zidentyfikować, że z tym kodem może być cokolwiek nie tak?
Natomiast nie mówię, że tak nie będzie za 2-3 lata, że już powiedzmy dojdziemy do jakiegoś stanu ustalonego i będziemy mieli finalną wersję jakiegoś modelu do kodowania i będziemy go używać i będziemy w stanie stwierdzić, że ten efekt, który dostaniemy jest przewidywalny. No dobra, to jakby kontynuując ten twój wątek, Mateuszu, to powiedz mi, czy jesteś w stanie w ogóle powiedzieć mi, jakie czynniki, jakie cechy musiałyby być spełnione, żebyś ty się poczuł komfortowo z tym, że tak trochę zaufasz bardziej w ten output, który ci ten LLM generuje. Bez zaglądania już w kod.
Instytut chłopskiego rozumu, że powinno być tak, że większa użyteczność danej rzeczy zmniejsza nam ryzyko tego, że to jest potencjalnie niebezpieczne albo ma złe zastosowania. No bo realnie ktoś to stosuje, ktoś to dopuszcza, technicznie jest ta krzywa Gaussa, więc wszyscy wypadamy po środku, więc mniejsza jest szansa, mniejsze jest prawdopodobieństwo w tej dużej, dużej puli, że wszyscy są jednak na początku tej skali Gaussa, że wszyscy robią po prostu zbędne minimum i nie wiedzą o co chodzi, ale po prostu tego używają. Mateuszu, jak Ty sądzisz, czy Ty byś się poczuł komfortowo? Czy rośnie Twój poziom zaufania względem stopnia adopcji?
Natomiast w przypadku AI trzeba sobie powiedzieć, że sprawdzam, bo mimo wszystko potrafią wyskoczyć dosyć duże kwiaty. Mateusz, czy ty się zgadzasz z tym, bo tak już chyba po raz któryś w naszej dzisiejszej dyskusji pada taki całkiem zasadny argument, że brak determinizmu to jest ten element różnicujący, który sprawia, że wiele analogii ze starego świata nie funkcjonuje. Czy ty się z tym zgadzasz? Tak, myślę, że się zgadzam, tylko zastanawiam się, jak to w temacie tego długu kognitywnego, bo tutaj miałbym jeszcze jedną rzecz do dodania do tego, co powiedział kolega.
No ale to też jest kwestia takiego mojego spojrzenia, że w projektach, w których byłem, po prostu dopchali nam w pewnym momencie AI jako warstwę do danych, które kompletnie w mainframe się nie łykały i... Nie było to zbyt miłe, po prostu nie byłoby to zbyt miłe. Mateusz, a Ty? No ja tutaj się muszę zgodzić z przedmówcą. Według mnie kluczowe jest zadbanie o tą semantykę. Wydaje mi się, że jeżeli mówimy w kategoriach tych długów, które tu poruszyliśmy, To ten dług semantyczny jest najważniejszy, żeby zapobiegać jego powstawaniu, bo według mnie z niego wychodzą te kolejne rzeczy. Jeżeli ta baza, czyli ten fundament, no bo na danych budujemy aplikacje, jeżeli dane są kiepskie i tutaj nie mamy zrozumienia na tym poziomie,
Zgadzam się. Dziękuję Wam za udział w dzisiejszym podcaście. Sądzę, że drodzy widzowie, możemy Was na koniec zostawić przede wszystkim z taką radą, że o ile może i możecie spróbować zaufać temu, co generuje LLM, to na pewno musicie wiedzieć, na czym to uruchamiacie. To był kolejny podcast z serii Data Driven, a moimi gośćmi był Patryk Kiepel i Mateusz Salik. Dzięki.
Pokazano wszystkie 9 dopasowań. Transkrypcja generowana automatycznie i niesprawdzana ręcznie — może zawierać błędy.
Diskussja na temat definicji dług technologicznego w erze AI i jej zgodność z oryginalną definicją.
Rozważania na temat rozróżnienia dług technologicznego od bałaganu i ewentualne zmiany w definicji.
Analiza spec-driven development jako potencjalnej metody zarządzania długiem technologicznym w erze AI.
Diskussja na temat wpływu AI na bałagan i potrzebę kontrolowania procesów w erze AI.
Analiza konsekwencji braku backup planu w kontekście długów technologicznych i AI.
Opowieść gościa o doświadczeniu z repozytorium i AI.
Porównanie umowy kredytowej z długiem technologicznym i potrzeba zrozumienia procesu AI.
Diskussja na temat jakości kodu wygenerowanego przez AI i możliwości jego recenzji.
Analiza statystyk duplikacji kodu i jej wpływ na dług technologiczny w erze AI.
Diskussja na temat konsekwencji rozwoju AI i jego wpływ na dług technologiczny i zarządzanie kodem.
Rozmowa koncentruje się na konsekwencjach wprowadzenia AI w proces programowania, w tym utratę umiejętności i dług kognitywnego. Debatują nad tym, czy młodzi programiści, pracujący z AI od początku, zdołają utrzymać krytyczny wzrok wobec kodu generowanego przez te narzędzia.
Rozmówcy omawiają problem jakości danych i wpływu na AI, podkreślając znaczenie semantyki i analizy wczesnej.
Rozmówcy omawiają strategie zmitygowania ryzyka w projektach AI, w tym mapowanie procesów biznesowych i unikanie YOLO podejścia.
Rozdziały i streszczenia generowane automatycznie. Pełna transkrypcja nie jest publikowana — wyszukaj frazę, aby zobaczyć dopasowane fragmenty.
Kliknij, aby znaleźć fragmenty, w których pada.
Dług technologiczny istnieje od lat 90. Ale czy definicja sprzed trzech dekad wciąż działa w świecie, gdzie kod generuje AI?
Patryk Kiepel, Cloud Data Architect i Mateusz Salik, Senior Software Engineer rozmawiają z Błażejem Ksyckim o tym, jak AI zmienia charakter długu technicznego – i czy w ogóle można mówić o świadomym zaciąganiu długu, gdy kod generuje black box.
Rozmawiamy o tym, czy dług zaciągnięty przez AI to nadal dług, czy zwykły bałagan, dlaczego refaktoryzacja spadła z 21% do 3,8% a duplikacja kodu wzrosła o 81%, co się dzieje, gdy agent wyłącza testy, żeby tylko przejść CI, czym jest dług kognitywny i czy za kilka lat młodzi programiści będą umieli ocenić kod, którego nigdy ręcznie nie pisali oraz kiedy tryb YOLO ma sens – i kiedy kończy się żart.
Dla tych, którzy używają AI do kodowania i zastanawiają się, czy powinni się tym bardziej martwić.