در عصر هوش مصنوعی، کدنویسی به معنای تفکر مانند یک معمار سیستم است

تا همین چند سال پیش، سفر من در یادگیری کدنویسی به عنوان یک پزشک و دانشمند آزمایشگاه مرطوب با ناامیدی همراه بود. من مرتبا خود را می دیدم که به یک مکان نما چشمک زن خیره می شدم، تالارهای گفتار پر از اصطلاحات را برای سرنخ هایی در مورد اینکه چرا فیلمنامه من از کار افتاده بود می گشتم و ساعت ها وقت صرف یافتن یک کاما گم شده یا براکت نامتناسب می کردم. برای دانشمندانی که کارشان شکاف بین مشاهدات تجربی و تحلیل محاسباتی را پر می کند، مانع ورود بسیار زیاد بود.

انتشار مدل های پیشرفته زبان بزرگ (LLM) و عوامل هوش مصنوعی مستقل از آن زمان به طور کامل وضعیت را تغییر داده است. اکنون، هرکسی می‌تواند یک مدل هوش مصنوعی را برای ایجاد خطوط لوله محاسباتی پیچیده ترغیب کند که در غیر این صورت به روزها یا هفته‌ها عیب‌یابی نیاز دارد، و صبر و شکیبایی بیشتری نسبت به هر محققی انتظار می‌رود. این سوال پیش می‌آید: اگر هوش مصنوعی بتواند این تحلیل‌های آماری پیچیده و تجسم داده‌های سفارشی را در چند ثانیه تولید کند، آیا هنوز نیاز به یادگیری کدنویسی دارید؟

پاسخ، به نظر من، یک «بله» تاکیدی است. اما نحوه یادگیری ما باید تغییر کند. تنگنا دیگر تسلط بر دستور زبان و نحو کدنویسی نیست. این در حال یادگیری این است که چگونه ابزارهای هوش مصنوعی را برای پاسخ به سؤالات علمی خود راهنمایی و راهنمایی کنیم. از بسیاری جهات، دانشمندان اولیه اکنون مستقیما وارد نقش‌هایی می‌شوند که از لحاظ تاریخی برای مهندسان نرم‌افزار ارشد محفوظ است: نظارت، نقد و اصلاح خروجی تولید شده توسط دیگران، یا در این مورد، دستیار خودکار.

در اینجا شش نکته وجود دارد که به شما کمک می کند تا از این فرآیند حداکثر بهره را ببرید.

وقتی شروع به استفاده از هوش مصنوعی برای کمک به کدنویسی کردم، نگران بودم که به سرعت مهارت هایی را که توسعه داده بودم از دست بدهم. من سال‌ها وقت صرف کرده بودم تا یاد بگیرم چگونه می‌توان از توابع مختلف برای ادغام مجموعه‌های داده، تولید ارقام و اجرای تحلیل‌های آماری استفاده کرد. استفاده از هوش مصنوعی مانند تقلب به نظر می رسد، حتی اگر پاسخ به مشکلات من قبلا به صورت آنلاین در دسترس باشد و LLMها به سادگی آنها را سریعتر پیدا کنند.

در نهایت، متوجه شدم که نیازی به یادآوری نحو دقیق مورد نیاز برای اجرای یک الگوریتم خوشه‌بندی سلسله مراتبی یا چرخش جدول با استفاده از کتابخانه pandas Python (مجموعه‌ای از ابزارهای تجزیه و تحلیل داده‌ها در زبان کدنویسی Python) نیست. من فقط باید بدانم که این روش ها وجود دارند، تقریبا چگونه کار می کنند و بهترین زمان استفاده از آنها چیست. با خواندن مستندات عملکرد، یاد گرفتم که عملکردهای مختلف چه کارهایی را می توانند انجام دهند، اما استفاده از هوش مصنوعی به این معنی بود که نیازی به نگرانی در مورد اینکه دقیقا چگونه آنها را وادار به انجام آن کنم، نداشتم.

با فکر کردن مانند یک معمار سیستم، می‌توانم سیستم هوش مصنوعی را به سمت راه‌حل‌های قوی و قابل تکرار بدون گرفتار شدن در ریزه کاری‌های نحوی هدایت کنم.

وقتی یک مدل هوش مصنوعی دارید که قادر است صدها خط کد را فورا بنویسد، وسوسه این است که یک معجزه بخواهید: یک اسکریپت یکپارچه که داده‌های خام شما را جذب می‌کند، آن‌ها را پاک می‌کند، آمار را اجرا می‌کند و یک رقم قالب‌بندی‌شده را برای انتشار بیرون می‌دهد.

من به سرعت دریافتم که این یک رویکرد شکننده و اساسا ناقص است. اسکریپت های یکپارچه یک کابوس برای عیب یابی هستند. اگر یک متغیر منفرد تغییر کند، یا اگر سیستم هوش مصنوعی یک قدم در میانه راه تجزیه و تحلیل توهم ایجاد کند، کل معماری فرو می ریزد و شما را مجبور می کند در جستجوی خطا، دیواره ای از کد را غربال کنید.

در عوض، برنامه نویسی مدولار را پذیرفتم. من از LLM های خود خواستم تا توابع کوچک، گسسته و تک منظوره بنویسند - به عنوان مثال، یکی برای دریافت و قالب بندی داده های خام، دیگری برای عادی سازی مقادیر آنها و دیگری برای ایجاد یک نمایش بصری از داده ها.

خطوط لوله ساخته شده از چنین بلوک های کد مستقلی نسبت به همتایان یکپارچه آنها راحت تر اشکال زدایی می شوند. اگر یک تبدیل خاص شکست بخورد یا خطایی رخ دهد، می‌توانم عملکرد معیوب را بدون به خطر انداختن بقیه خط لوله جداسازی، بازجویی و تعمیر کنم. و چون بلوک‌های کد ماژولار هستند، می‌توانم از آنها در پروژه‌ها دوباره استفاده کنم. به این ترتیب، من یک کتابخانه شخصی از ابزارهای قابل اعتماد تولید شده توسط هوش مصنوعی ایجاد کرده ام.

از آنجایی که هوش مصنوعی اصطکاک نوشتن کد را کاهش داد، متوجه شدم که اسکریپت ها، تکرار کدها و خروجی های داده را سریعتر از همیشه تولید می کنم. به ناچار، دایرکتوری های پروژه من به سرعت به یک آشفتگی غیرقابل کنترل از فایل ها با نام هایی مانند analysis_final_v3_really_final.py تبدیل شد.

ادغام هوش مصنوعی در جریان های کاری علمی، آسیب پذیری های اخلاقی و نظارتی قابل توجهی را معرفی می کند. مدل‌های عمومی اغلب بر روی ورودی‌های کاربر آموزش داده می‌شوند، به این معنی که اگر یک کاربر داده‌های حساس بیمار را به یک LLM عمومی مبتنی بر ابر تغذیه کند، این داده‌ها از نظر تئوری می‌توانند به کاربر دیگری در جای دیگری بازگردانده شوند.

برای کاهش این خطر، یاد گرفتم که «داده‌های ساختگی» تولید کنم. قبل از اینکه از یک سیستم هوش مصنوعی بخواهم یک اسکریپت تحلیل بنویسد، سرصفحه های ستون، انواع داده های مورد انتظار (به عنوان مثال، اعداد صحیح، رشته ها یا اعداد ممیز شناور) و ابعاد جدول داده های خود را به آن ارائه می کنم، در حالی که صریحا اطمینان حاصل می کنم که هیچ مقدار واقعی به اشتراک گذاشته نمی شود (به «نمونه درخواست های هوش مصنوعی» مراجعه کنید).

سپس از مدل می‌خواهم که کد تحلیلی را با استفاده از این مجموعه داده خیالی بنویسد، آزمایش کند و اشکال‌زدایی کند، که از نظر ساختاری با نمونه واقعی یکسان است. هنگامی که کد کار می کند، می توانم آن را در محیط امن و محلی خود کپی کنم و از آن با داده های واقعی و محافظت شده خود استفاده کنم. LLM هرگز اطلاعات حساس را نمی بیند و حفاظت از داده ها دست نخورده باقی می ماند.

doi: https://doi.org/10.1038/d41586-026-02715-x

این مقاله ای از انجمن مشاغل طبیعت است، مکانی برای خوانندگان طبیعت برای به اشتراک گذاشتن تجربیات و مشاوره های حرفه ای خود. پست های مهمان تشویق می شوند.

ChatGPT برای دانش آموزان: زبان آموزان کاربردهای خلاقانه جدیدی برای چت ربات ها پیدا می کنند

ChatGPT را فراموش کنید: چرا محققان اکنون هوش مصنوعی های کوچکی را روی لپ تاپ خود اجرا می کنند

مجموعه: تأثیر ChatGPT بر مشاغل در علم

نگه داشتن پزشکان در دانشگاه - بدون آنها، تحقیقات مراقبت های بهداشتی آسیب خواهد دید

هزینه دکترا چیست؟ داده ها شکاف های بزرگی را در سراسر اروپا نشان می دهد

من به ChatGPT گفتم «ادامه دهد» - خیلی دور شد

سیگنال های پنهان در خواب می توانند سلامت آینده را پیش بینی کنند

خصوصی، آفلاین و شما: نحوه جستجوی ادبیات با سیستم‌های هوش مصنوعی محلی

امارات اولین کاوشگر فضایی انفرادی جهان عرب را تکمیل کرد و مسیری را برای یک سیارک تعیین کرد

شرکت های چینی پس از محدودیت های فناوری ایالات متحده، میزان علم را دو برابر کردند

چه کسی در عصر هوش مصنوعی اعتبار می گیرد؟ بمب ریاضی OpenAI بحث را برانگیخت

فیلوژنتیک بیزی تقریبا واقعی مقیاس پذیر برای شیوع با دلفی

دانشکده علوم و مهندسی (SSE) در CUHK-Shenzhen صمیمانه از برنامه‌های کاربردی برای پست‌های هیئت علمی دوره تصدی/تدریس/تحقیق دعوت می‌کند.

دانشگاه چینی هنگ کنگ، شنژن - دانشکده علوم و مهندسی

OIST در حال انجام جستجوی جهانی برای رئیس و مدیر عامل بعدی خود است و از برنامه ها و نامزدها برای این نقش معتبر دعوت می کند.

موسسه علم و فناوری اوکیناوا (www.oist.jp)

برای پیشبرد تحقیقات با مزایای رقابتی به تیم دانشکده جهانی HZAU بپیوندید.

برنامه REI شناخته شده ملی UC San Diego، پیشبرد IVF، تحقیقات باروری، پزشکی دانشگاهی و توسعه دانشکده را رهبری کنید.