Kiedy AI zastąpi programistów?

Cześć! Z tej strony Mateusz Bogolubow z serwisu devmentor.pl. Z racji tego, że na co dzień uczę programowania, ten podcast tworzę z myślą o osobach, które są na początku swojej drogi programistycznej. Startujesz w branży IT? Zasubskrybuj ten podcast, aby nie ominął Cię żaden odcinek. Zaczynamy! Dziś moim gościem jest doktor Jakub Strychowski. Kuba pomoże nam oddzielić fakty od mitów związanych z AI. Dzięki czemu spojrzymy na rynek IT okiem człowieka, który zjadł zęby na sztucznej inteligencji i wytwarzaniu oprogramowania. A obecnie to CTO w firmie FreeQ Code. Kubo, dziękuję, że przyjąłeś moje zaproszenie na rozmowę. Dziękuję bardzo Mateusz za zaproszenie. Miło mi, że mogę u Ciebie gościć i porozmawiać trochę na tematy związane między innymi z AI.

Języka angielskiego była mniejsza, więc to jakby ten produkt miał duże wzięcie. Był duży zespół, który zajmował się przetwarzaniem języka naturalnego, rozwojem tego. Jakość tych tłumaczeń była dużo niższa niż to, co widzimy teraz. Właśnie z uwagi na brak tego, co mamy w tych LLMA. Nad tym też się tam Trochę pastwiłem, bo dostałem od Pawła takie zadanie, zrobić sieć semantyczną. Stąd takie zainteresowanie AI też zostało jakby dodatkowo wzbudzone pracą w Techlandzie. Potem pracowałem już w innych firmach, w projektach komercyjnych, jak i badawczych. Przez wiele lat jako programista, lead, ale też jako analityk, czyli spotykałem się z klientem, zbierałem wymagania. W pewnym momencie pomyślałem sobie, że mogę więcej zrobić, więcej stworzyć, większy mam wpływ, jeżeli zarządzam zespołem, więc poszedłem w to po prostu.

A całą tą wiedzę obecnie wykorzystuję właśnie we własnej spółce, którą prowadzimy od ponad czterech lat z moim wspólnikiem, Software House, który zajmuje się również wdrażaniem rozwiązań w oparciu o low-code, no-code, bo ja stoję na stanowisku, że to są proste zadania, które można zautomatyzować typu krudy. Kiedy AI zastąpi programistów? I też warto dodać, że tak jak rozmawialiśmy przed nagraniem, że też AI wszedł właśnie w te platformy nowocodowe, z których korzystacie i one też usprawniają cały proces.

Całe najnowsze wersje dedykowane są właśnie AI-owi, jeżeli chodzi o takie kluczowe platformy jak Mendix, Siemensa czy Creatio, amerykański produkt. One od kilkunastu, kilkudziesięciu lat mają już pozycję rynkową, natomiast nowe wersje są dedykowane praktycznie integracji AI, ale również wsparciu tworzenia tych aplikacji w oparciu o wsparcie AI, czyli są podłączone modele, które Jakub Strychowski, Mateusz Bogolubow

Ale też to jest wszystko robione na szybko, no wiadomo, że te modele się bardzo szybko rozwijają, ten świat mocno tutaj dynamicznie idzie do przodu, więc to jeszcze jest to stabilne, ale wydaje mi się, że dalekie jeszcze od optymalnego jakby tutaj potencjału, który za tym tkwi. Okej, to wróćmy sobie może do samych początków, bo tak wspomnieliśmy o tym, że dynamicznie i tak dalej, a tak trochę się śmieję, bo mówimy o bańce AI, a jak tak sobie zrobiłem research, to w zasadzie pierwsze wzmianki o technologii sięgają lat pięćdziesiątych i tutaj mowa o Turingu czy McCarty. To jak to jest? W sensie to wcale nie jest ostatnie lata, tylko wychodzi, że jakieś 60-70 lat. McCarthy zdefiniował pojęcie sztucznej inteligencji i proponował takie podejście logiki zapisu reguł logicznych.

Kiedy AI zastąpi programistów? Widzimy efekt tych prac w nawigacji samochodowej. To też są algorytmy, które określane były jako sztuczna inteligencja. Może nie machine learning, bo sztuczna inteligencja jest szerszym pojęciem niż tylko machine learning, bo można mieć sztuczną inteligencję, która nie jest oparta o uczenie. Są też takie rozwiązania. To może dopytam, bo ja pamiętam, że za małych czasów licealnych tworzyliśmy bety, czy tam się to nazywało AI i robiliśmy, jeżeli ktoś napisze cześć, to zrób to, czyli taki prosty if i... Tak, to jest system regułowy i to są te z lat 50. jeszcze systemy regułowe, one są do dzisiaj stosowane.

Dzisiaj widzimy to jakby owoc tych wszystkich prac wcześniejszych. Były takie boomy, nie tak duże jak ten, który mamy dzisiaj. Dzisiejsza bańka AI jest uważam uzasadniona w tym sensie, że rzeczywiście mamy przełom. Kiedy AI zastąpi programistów? Ta bańka jest uzasadniana, aczkolwiek pod kątem finansowym to chyba tam jest przegrzane ostro. Każdy chce się załapać na wzrost. Jak się patrzy na wycenę NVIDII, to inwestycja spłaca się po 300 latach. Patrzy się na zyski firmy NVIDIA.

W stosunku do tego, ile trzeba zapłacić za akcję, to ona ci się spłaci po 300 latach tak naprawdę. Więc tam chyba jest ostro przegrzane, co nie znaczy, że pójdzie nawet krach giełdowy. Moim zdaniem to nie zamknie drogi AI. Na dzisiaj po prostu subskrypcje nie pokrywają kosztów tych elementów. Inwestorzy kupują przyszłość, to co myślą, że się wydarzy. Chcą zdobyć użytkowników, czyli Microsoft udostępnił CoPilota za darmo ostatnio w ramach zwykłej subskrypcji 365. Chodzi o to, żeby przyzwyczaić użytkowników do konkretnych modeli, konkretnych interfejsów, a przychody przyjdą może później, za kilka lat, tak? Więc jakby tutaj kompletnie jakby jest odjazd wycen od zarobków.

Także bańka pewnie inwestycyjna gdzieś tam pęknie, ludzie odejdą w inne branże, natomiast same rozwiązania uważam, że tak jak internet przetrwają, będą się dalej intensywnie rozwijać. Może wrócę, bo ta bańka internetowa to chyba 2008 rok, tak? 2002. 2002, okej. Ja dlatego pytam o ten rok, bo tak wiesz, boimy się troszkę tych baniek. Ja w swoim pierwszym działalnym założeniu w 2009 roku związałem z wytwarzaniem aplikacji w zasadzie internetowych i wiesz, i dałem radę. I w sensie, mimo to, że faktycznie będziemy Może być taka sytuacja, że coś tam pęknie i spadną wyceny, to nie znaczy, że to nie będzie kierunek, w którym to będzie wszystko szło, prawda? Jakby to po prostu się znormalizuje, no bo teraz jest naprawdę straszny szał na wszystko i patrząc po tym, ile firm integruje AI, a ile z tego zyskają, to też bardzo różnie z tego bywa, prawda?

To bańka inwestycyjna, chyba że mówimy też o bańce takiej właśnie hype'u na AI, w szczególności chyba w Stanach. W Polsce w przedsiębiorstwach tego tak do końca nie widać, aż tak dużo, to bardziej chyba IT się tym fascynuje można powiedzieć. Na pewno to też jakby dotarło do jakby marketingu, bo tam ludzie tracą pracę też związanej z generowaniem grafik różnych. Pewnie sztuka taka wartościowa, w cudzysłowie nie chcę tam umiejszać jakby tej marketingowej, bo to też trzeba dobrze wymyślić pewne jakby tutaj, też trzeba być pomysłowym. Natomiast no tam jakby graficy tracą robotę, w Stanach tracą programiści robotę pod hasłem AI, ale to jest tak zwane AI washering,

Często ci ludzie przychodzili po trzech latach i no nie byli seniorami, mówmy sobie wprost, a stawki oczekiwania były seniorskie. Po prostu ludzie nie mieli tej cierpliwości, więc była bańka wynagrodzeń, tak bym to określił. I to będzie się trochę tutaj niestety, no trzeba się dostosować po prostu, nie? No bo też one poszły za bardzo w górę dla tych szczególnie osób, które nie mają takiego doświadczenia. Nie mówię tu o ich potencjale, możliwościach tych osób, bo często są bardzo wysokie. Mówię o tym po prostu ile już błędów popełnili na produkcji, ile zdiagnozowali, ile naprawili, bo to też jest ważne w budowaniu kompetencji. Czyli można powiedzieć, że przychodzi taka normalizacja. Normalizacja. A wracając do tematu AI, w zasadzie nie powiedzieliśmy tego, ale powiedziałbym, że AI to w dużej mierze matematyka, statystyka.

Niektórzy znani fizycy traktują to jako argument, że to nie jest prawdziwe AI, bo to tylko przewiduje słowo. Ale fizycy z natury rzeczy lubią upraszczać, uogólniać świat, aby móc go opisać. Żeby po prostu planetę redukują do punktu masy, nie wnikając, co na tej planecie jest, tak samo tutaj. Ten produkt finalny rzeczywiście można tak opisać, ale przy opisywaniu bardziej złożonych procesów nie potrafią tego zrobić tak naprawdę. Przy dziesięciu elektronach już matematyka mechaniki kwantowej staje się tak skomplikowana, że nie da się tego przeliczyć tak naprawdę. A tutaj mamy do czynienia w środku, a nie tylko na końcu. Mamy do czynienia często z siecią neuronową, która ma 400 miliardów

Parametrów, czyli jakby 400 miliardów można powiedzieć połączeń między sztucznymi neuronami. W uproszczeniu oczywiście tutaj mówię, bo to jest dzisiaj już trochę bardziej rozwinięte. I to na pewno nie jest prosta funkcja prognostyczna. Tam jakby się dzieje dużo więcej. Prawdziwa magia współczesnego AI dzieje się właśnie wewnętrznych warstwach sieci neuronowych, a nie tylko w ostatniej warstwie przewidującej, w cudzysłowie kolejne słowo, Bo żeby przewidzieć to słowo, tak naprawdę trzeba zrobić wnioskowanie, trzeba po prostu zrobić skomplikowaną analizę matematyczną, przepraszam, semantyczną, nie matematyczną. Tak naprawdę te tokeny, na których sieć pracuje, są reprezentowane w wielowymiarowej przestrzeni wektorowej. To jest kilkanaście tysięcy wymiarów, które jedno słowo opisuje.

Natomiast to nie powinno być celem moim zdaniem. Powinniśmy starać się budować sieci, architektury sieci, które coraz lepiej sobie radzą z różnego rodzaju zadań. Tak samo jak nie musimy rozumieć po prostu jak działa mózg ludzki, żeby on działał, żeby rozwiązywał różne zadania. To są tak skomplikowane rzeczy, że wydaje mi się, że nasze umysły nie są tego w stanie być może pojąć. Wybacz, że wejdę ci słowo. Wiem, że mieliśmy nie rozmawiać o filozofii, ale jak tak o tym powiedziałeś, to tak się zastanawiałem, czy przypadkiem nie jest trochę tak, że jak umysł człowieka czasami jest zepsuty i robi głupie rzeczy, to na ile AI też może być w pewnym momencie zepsuty i też robić głupie albo złe rzeczy.

Silniki, w sensie te AI są udostępniane po dużo niższych cenach albo wręcz za darmo po to, żeby mieć dostęp do tych lepszych praktyk, mimo to, że piszą, że się nie uczą na ich podstawie. No to nie wiadomo, czy to faktycznie tak nie jest i czy myślisz, że to jest taki kierunek, którym ta sztuczna inteligencja będzie w stanie jeszcze lepszy kod pisać albo będzie się w cudzysłowie uczyć na lepszych rozwiązaniach, które są w firmach, a obecnie one nie są publicznie dostępne. Tu pytanie, czy nie są dostępne, no bo jeżeli mamy Githuba, który jest w posiadaniu Microsoftu, nie śledziłem umów zapisu, ale wiele korporacji korzysta z Githuba. Pytanie, czy jest ten kod udostępniony po prostu też do uczenia modelu, tak?

Od razu zapytam, czy uważasz, że dlatego też na przykład ChargyPit jest z tyłu? Przynajmniej ja tak odnoszę wrażenie, że od jakiegoś czasu nie dorównuję tym największym firmom. Tak mi się wydaje. Myślę, że wyścig trwa. Ja właśnie też przez pewien czas myślałem, że zastąpienie programisty przez AI to jeszcze długa droga, ale jak wyszły te modele z rozumowaniem, Czy np. chat GPT w wersji 5.2 w trybie thinking, to on mnie zadziwia jakością. Zmieniło się też koncepcja użycia. To nie jest jedno zapytanie, tylko de facto najpierw pytamy AI, jak ty byś rozmował nad tym problemem, czyli on sobie te kroki najpierw generuje, a potem wykonuje tą serię kroków, czyli to nie jest jedno przejście przez jeden prompt, tylko de facto jest to

Tak też twierdzą Twórcy np. Tomek Czajka, który jakby wygrywał olimpiady międzynarodowe, zespołowe, a teraz rozwija AI w SpaceX czy inni nasi olimpijczycy, Polacy, którzy po prostu rozwijają. No oni widzą więcej, bo są jakby, czy nawet dyrektorami badawczymi. Więc tutaj będzie wyścig trwał, ale na pewno Google przestawiło się i tutaj wyszło ostatnio chyba na prowadzenie, ale to chyba nie jest ostatnie słowo konkurencji. To tak wspomniałeś o tym, że jednak widzisz tutaj przyszłość bardziej dla AI niż programistów, tak to nazwę, ale znowu jak rozmawialiśmy przed rozmową, to mówiłeś, że znowu może elementy frontendu będą trudniej do zastąpienia niż taki kod pisany.

Mam tu na myśli o taki zmysł artystyczny czy ułożenia tych wszystkich elementów. To potwierdzasz? Bo to jest ciekawe, bo większość osób raczej mówiło, że właśnie w pierwszej kolejności ten frontend zostanie zastąpiony. Wydaje mi się, że tam jednak jest interakcja z człowiekiem, projektowanie interfejsu pod człowieka i z tym sobie radzi jeszcze gorzej AI. Jak rozmawiam z moimi frontendowcami, to oni mówią, że te interfejsy są takie trochę randomowe. Niekoniecznie to jest to, czego oczekuje klient po prostu, czyli trudniej jakby zaprogramować konkretne rozwiązanie, które oczekuje klient, co też wynika z tego, że te modele nie były na początku trenowane wizualną stroną interfejsu, czyli widzi kod, widzi jakieś tam CSS-y, natomiast

Niekoniecznie widział obraz, który powstaje, czy interakcję, która powstaje, ilość kliknięć i tak dalej. Więc jakby przy braku treningu w tę stronę, to trochę tak jak, no porównam to może trochę śmiesznie, ale to jak pisanie o seksie, a uprawianie seksu, taka jest różnica. Ja sobie też trochę to wyobrażałem tak, jak zostanie wygenerowany obraz przez AI. On wygląda w miarę ładnie, fajnie, ale oko człowieka od razu widzi, że to jest nieprawdziwa scena. I chyba tutaj jest to samo, jak mówisz, że od razu to oko człowieka jest w stanie wychwycić, że te elementy nie są tak ułożone, jak byśmy chcieli, albo po prostu nie jest to takie użyteczne, jak by trzeba było.

Rozwój tego sprzętu pozwolił budować dużo większe sieci neuronowe i nowe algorytmy pozwoliły budować ten... To jeszcze może tak zapytam, jak mówimy o sprzęcie, czy uważasz, że komputery kwantowe całkowicie zmienią sytuację i to będzie kolejny krok, czy to już teraz nie jest kwestia szybkości, tylko... Nie jestem ekspertem, się tym troszkę interesuję, tymi komputerami kwantowymi, ale dla mnie to jest coś, co na razie Chyba będzie do innego rodzaju zastosowań. Nie jesteśmy w stanie stworzyć tak dużych komputerów kwantowych, żeby reprezentować te modele, które mamy AI na ten moment.

Są ludzie, którzy rezygnują w ogóle z tego, stwierdzają, że tam rozwój jest zbyt powolny. Może być tak jak z AI, że to 50 lat, nic, nic, tam nastąpi jakiś przełom. Może tak być, ale to jest gdybanie. Nie ma faktów tutaj, które by mówiły, że to dzisiaj można użyć. Okej, no dobra, to wróćmy sobie do tematu tego deep learningu. Czym to się jeszcze różni? Oczywiście, jeżeli byśmy chcieli stosować techniki tradycyjne, nazwijmy to machine learningu, to jest mnóstwo bibliotek, które możemy sobie w Pythonie podłączyć, one są napisane w CISI, są szybkie, podłączasz do Pythona. Jakub Strychowski, Mateusz Bogolubow.

Jakub Strychowski, Mateusz Bogolubow. Jakub Strychowski, Mateusz Bogolubow. Ale ten taki właśnie wielki deep learning z tymi wielkimi modelami, to są potrzebne wielkie centra danych, tego w domu nie zrobisz. Możesz kupić sobie na chmurze te maszyny z tymi dużymi kartami dedykowanymi pod AI. I też są wymagane wielkie zbiory danych, bo żeby taką sieć neuronową, dużą, wielowarstwową wytrenować, to trzeba mieć olbrzymie zbiory danych. I to już nawet w Techlandzie ćwiczyłem, gdzie tę sieć semantyczną próbowaliśmy zbudować pod tego translatora.

To musiałem sześć kompów brać, jeszcze wtedy nie było takich rozwiązań big date'owych i równolegle gdzieś tam crawlerzy, które z sieci, z internetu ściągały teksty tylko po to, żeby było czym tą sieć semantyczną powiedzmy wtedy trenować. No nadal to są wielkie zbiory danych. Tak jak się mówi, że Chuck Norris przeczytał internet dwa razy, LLM-y robią to samo generalnie. No też jest ważne to szlifowanie modelu i to są setki ludzi chyba w OpenAI, które po nauczeniu automatycznym jeszcze właśnie rozwiązują problem Evil AI, czyli właśnie można powiedzieć go troszkę wychowują, trochę go szlifują, żeby po prostu wiedział jak odpowiadać.

Oceny kredytowe w bankach, wyceny aktywów. Oceny w CV. Nie wiem, czy korzystasz z różnych portali, ale też pracodawcy właśnie, żeby poradzić sobie z ilością CV, wiem, że jest też opcja sprawdź, jak się zgadza moja oferta pracy z tym, co masz w CV. No i po prostu można to robić tradycyjnym machine learningiem. Wiele z tych zadań można też już dzisiaj zlecić do tych dużych modeli, prawda, ale te jakby dedykowane też sobie z tym radziły całkiem nieźle. Właśnie ten K najbliższych sąsiadów algorytm, który troszkę też jest stosowany, po prostu szuka podobnych dokumentów na przykład czy, no w tym wypadku dokumentów, jeżeli chodzi o CV. No to dobrze, to tak mówimy o tym rozwoju, mówimy o możliwościach, no to może powiedzmy sobie też o tym jakie jest właściwie największe wąskie gardło dla AI.

Czy to brak danych, no pięć razy prześledzić internet to i tak ciągle jest ten sam internet, czy może moc obliczeniowa, żeby właśnie móc szybciej tworzyć kolejne modele, a może w zasadzie sama architektura musi się zmienić, żeby w ogóle móc pójść dalej do przodu. Może w kontekście zastosowań AI, to myślę, że pewnym tutaj jakby brakiem jest brak danych dla celów fine tuning'ów organizacji, czyli jakbyśmy chcieli w jakiejś firmie wziąć sieć neuronową, dostosować ją do danych klienta, to często te dane nie są gotowe, żeby je po prostu, są rozproszone po setkach czy dziesiątkach aplikacji,