Анни Чен, техлид Amazon, рассказывает, как ей удалось быстро продвинуться по карьерной лестнице, создавая продукты на основе искусственного интеллекта. По ее словам, именно комбинация глубокого понимания ИИ и способности преобразовывать его возможности в масштабируемые решения ускорила ее повышение.
Начав как младший инженер-программист в 2022 году, Анни уже через два года активно работала над ИИ-проектами. Эти проекты приобрели такую значимость, что выделились в отдельную команду, одним из инженеров-основателей которой она стала. С тех пор Анни получила два повышения, достигнув должности старшего инженера. Сейчас она сосредоточена на разработке систем «памяти», которые обеспечивают персонализацию в генеративных ИИ-сервисах Amazon.
ИИ пишет 95% моего кода
Анни начала использовать ИИ как инструмент для сторонних проектов, например, для создания привлекательных заголовков. Она быстро осознала мощный творческий потенциал таких систем. Это навело ее на мысль: каждый раз, когда возникает вопрос или нужно написать фрагмент кода, сначала обратиться за помощью к ИИ.
Она обнаружила, что решения, предложенные ИИ, значительно улучшали ее собственный код и повышали продуктивность. Сегодня, по ее словам, почти 95% кода, который она «авторствует», написано ИИ.
Анни Чен не просто использует ИИ для написания кода; она также занимается интеграцией результатов работы ИИ в полноценные продукты. Это требует глубокого понимания принципов работы ИИ, его сильных и слабых сторон, а также постоянного изучения новых моделей и инструментов для улучшения продукта. Как техлид, работающий с крупномасштабными LLM-системами в производственной среде, она имеет возможность наблюдать, как ИИ-помощники ведут себя не только в прототипах, но и в реальных условиях с учетом масштаба и межкомандного взаимодействия.
Главные советы по «вайб-кодингу»
Анни Чен делится своими ключевыми рекомендациями по эффективному «вайб-кодингу» — процессу разработки с активным использованием ИИ:
- Понимание внутренних механизмов LLM: Важно знать, как работают большие языковые модели (предварительное обучение, тонкая настройка, обучение с подкреплением на основе обратной связи от человека). Это поможет понять, когда LLM не хватает предметных знаний, почему возникают галлюцинации, когда нужно использовать новое окно для запроса, и как разбивать сложные проблемы на более мелкие компоненты, учитывая ограничения контекстного окна. Понимание этих принципов также подскажет, почему необходимо детально объяснять ИИ свои потребности, иначе он будет использовать наиболее общие шаблоны, которые могут не подойти для конкретного случая.
- Думайте перед «вайб-кодингом»: Сначала сформулируйте решение или подход самостоятельно, а затем сравните свои мысли с ответом LLM. Это позволит выявить пробелы в ваших знаниях, понять, в чем заключаются различия, и какие неявные предположения вы не сообщили ИИ.
- Задавайте сложные вопросы: Активно спрашивайте LLM о запасных вариантах действий при ошибках или о том, как решение будет масштабироваться. Это похоже на то, как опытный инженер задает вопросы младшему, чтобы убедиться, что охвачены все критические сценарии. Думайте о масштабируемости с самого начала, если хотите создать успешный продукт.
- Проверяйте и понимайте на каждом шаге: Не откладывайте проверку на самый конец, когда весь код уже сгенерирован. Поэтапный обзор позволяет выявлять и исправлять ошибки на ранних стадиях, предотвращая их каскадное распространение. Ошибочный код, попавший в производство, может нанести гораздо больший ущерб, чем отсутствие функционала.
Понимание кода по-прежнему важно
ИИ значительно упрощает процесс написания кода, но не снимает ответственности за его понимание. Если что-то пойдет не так и код, который вы закоммитили, вызовет проблемы в продакшене, ответственность ляжет на вас. Нельзя сказать: «Я не знаю, мне так сказал ИИ».
Анни Чен считает, что пока нельзя доверять ИИ задачи с такими высокими ставками.
Однако ИИ может быть прекрасным инструментом для обучения. Если вы хотите понять концепцию глубже, просто откройте новое окно и попросите ИИ объяснить ее. Это позволит получить общее понимание, а не только объяснение в контексте конкретного сгенерированного кода.
