VP Google DeepMinda dolazi na Shift predvidjeti budućnost AI-ja. Evo što nam je rekao!

Nekoliko stotina kilometara sjeveroistočno od San Francisca, u planinama Sierra Nevade, stoji opservatorij kojim uz pomoć AI-ja upravlja Benoit Schillings, potpredsjednik tehnologije u Google DeepMindu.

Uoči developerske konferencije Infobip Shift u Zadru, gdje Benoit nastupa s predavanjem, sjeli smo s njim i razgovarali o tome što ga je taj projekt amaterske astronomije u Sierra Nevadi naučio o korištenju AI-ja u developerskoj zajednici, kako se njihova uloga mijenja i zašto bi svima preporučio da čitaju filozofiju.

AI, teleskopi i Ebay

Gotovo 40 godina Benoit pokušava riješiti problem dekonvolucije slike: kako iz mutne i šumovite fotografije zvijezda rekonstruirati stvarni, izvorni snop svjetlosti. Riječ je o klasičnom matematičkom problemu na kojem su inženjeri desetljećima brusili tradicionalne numeričke algoritme.

Rješenje je pronašao tek nedavno, i to uz pomoć transformera, AI modela koji uči iz primjera treniranog na sintetičkim podacima, odnosno umjetno stvorenim parovima mutnih i čistih slika. Rezultati su, kaže, neusporedivo bolji od bilo koje klasične metode, a cijeli eksperimentalni ciklus ubrzan je i do pedeset puta.

Taj proboj nije se dogodio u sterilnom korporativnom laboratoriju, nego na njegovu privatnom opservatoriju. U slobodno vrijeme Benoit upravlja sustavom koji se sastoji od teleskopa promjera pola metra, malog Linux računala i specijaliziranih kamera koje hvataju svjetlost foton po foton a koje je, kaže uz smijeh, uspio nabaviti na eBayu.

Teleskop, kamera, softver: Kako napraviti najbolje slike svemira?

Sav softver koji danas upravlja tim sustavom u potpunosti je napisao AI. Umjesto ručnog tipkanja linija koda, Benoit je modelima jednostavno opisivao što želi postići.

Najbolji primjer bila je jedna od fotonskih kamera koja je zahtijevala softverski paket od 5000 dolara. Umjesto kupnje licence, Benoit je Geminiju poslao tehničku dokumentaciju i zatražio da sam napiše kod za povezivanje kamere s računalom. Deset minuta kasnije, driver je radio.

Ipak, ključna poanta ovog eksperimenta nije bila ni ušteda novca ni brzina izrade, nego promjena inženjerskog pristupa, govori nam Benoit:

Za svoje astronomske projekte više uopće ne čitam kod koji model generira. Samo provjerim radi li sve kako treba. To mi je jedini dokaz.

Pisanje koda je naporno i dosadno

To nije izjava entuzijasta koji je tek otkrio čari generativnog AI-ja. Benoit govori iz pozicije čovjeka koji je u Silicijskoj dolini više od tri desetljeća, drži preko 40 patenata, bio je CTO u Google X-u, a prije toga gradio inženjerske timove u Yahoou, Nokiji i Be Inc.-u.

Danas u DeepMindu vodi timove fokusirane na razmišljanje, rasuđivanje i kod na putu prema općoj umjetnoj inteligenciji:

Znam pisati kod. Radim to jako, jako dugo. Uživam li još uvijek u tome? Iskreno, ne baš. Postalo je naporno i dosadno.

Za njega je ručno tipkanje sintakse postalo nuspojava inženjerskog posla, a ne njegova srž. Uspoređuje to s pojavom kompajlera u ranim danima računarstva: kada su se pojavili prvi viši programski jezici, programeri su bili sumnjičavi tvrdeći da to nije pravi rad jer se ne piše u asembleru.

Ne zapošljavate juniore da pišu kod, nego da postanu seniori

Danas možda 0,01 posto inženjera na svijetu uopće gleda strojni kod koji kompajler izbaci, i to isključivo kada rade na ekstremnim optimizacijama brzine. Ista stvar se, tvrdi naš sugovornik, nevjerojatnom brzinom događa i s pisanjem softvera:

Puko istovarivanje koda postaje sve manje bitno. Razumijevanje problema, definiranje arhitekture, postavljanje zahtjeva, paranoja oko sigurnosti i načini kako validirati hoće li sustav raditi ono što se od njega traži su mjesta na koja se inženjerski posao seli.

Osnivač Instagrama pojasnio nam na AI Engineer konfi što je sad posao developera

“90% GitHuba je smeće”

Benoit tvrdi kako biti softverski inženjer nikada nije ni podrazumijevalo pisanje stotine linija koda u Pythonu:

Biti inženjer znači doći u veliku firmu, zateći naslijeđeni sustav od 150 milijuna linija koda i prvog radnog dana dobiti zadatak da u tome pronađeš i popraviš bug. Modeli su danas izvrsni u rješavanju izoliranih zadataka, ali još uvijek ne znaju samostalno osmisliti novi algoritam ni razumjeti nepisani kontekst kompleksnih poslovnih sustava.

No, dok si za svoj privatni teleskop može dopustiti luksuz da ne čita kod jer rezultat provjerava kroz fizikalna mjerenja, Benoit upozorava da u produkcijskim i poslovnim sustavima vrijede potpuno drugačija pravila, upravo zato što su modeli trenirani na javnim podacima:

Današnji modeli trenirani su na podacima s GitHuba, a 90 posto koda na GitHubu je obično smeće. Što je još opasnije, ljudi danas namjerno postavljaju zlonamjerni kod kako bi stvorili ranjivosti. Čini se kako je igra tek počela.

Morat ćemo koristiti modele kako bi nadzirali druge modele i vatrom se boriti protiv vatre, ali krajnja odgovornost za sigurnost uvijek ostaje na čovjeku, objašnjava naš sugovornik te mladim inženjerima savjetuje da se usmjere na algoritamsko razmišljanje i sigurnost.

Po njemu upravo su to vještine koje postaju ključne onog trenutka kada puko tipkanje koda postane ono što je postalo danas.

AI je ubrzao pisanje koda. Zašto razvoj softvera nije brži?

Softver koji živi 30 sekundi

Uz sigurnost, AI radikalno mijenja i životni vijek koda. Benoit ističe kako ulazimo u eru jednokratnog softvera (throwaway code), programa koji nastaju u trenutku za samo jedan zadatak i odmah potom nestaju:

Recimo da imate MPEG-4 videozapis i želite mu pojačati svjetlinu za deset posto. Umjesto da tražite i instalirate namjenski program ili ručno pišete skriptu, jednostavno kažete modelu u terminalu što trebate. On generira kod, odradi konverziju u nekoliko sekundi i taj kod se odmah briše.

Softver je postojao trideset sekundi, odradio svoju funkciju i više vam ne treba. Ipak, inženjerska zrelost leži u prepoznavanju uloga i konteksta. Benoit naglašava da ovdje itekako treba biti oprezan:

Prisustvovat ćemo pravoj kambrijskoj eksploziji različitih vrsta koda, ali morate razumjeti koji su ulozi. Razvijate li sustav za kontrolu zrakoplova u stvarnom vremenu, to zahtijeva sasvim drugačiju razinu rigoroznosti, testiranja i sigurnosti nego kada radite mobilnu igricu ili jednokratnu skriptu za obradu videa.

Silicijska dolina je ekspres lonac. Čitajte filozofe!

Kao netko tko već više od tri desetljeća iz prvog reda promatra tehnološke cikluse u Kaliforniji, Benoit današnju atmosferu oko umjetne inteligencije opisuje kao stanje neviđenog pritiska:

Silicijska dolina je trenutačno pravi ekspres lonac. Ovo je epska bitka industrijskih titana. Strah od propuštanja je na vrhuncu, vlada prava zlatna groznica, a svi osjećaju paniku ako već nisu u planinama s lopatom u ruci

S druge strane europski pristup vidi znatno uravnoteženijim sa stvarnim ljudskim potrebama. Njegov savjet inženjerima i svima koji tek ulaze u svijet umjetne inteligencije zvuči poprilično netipično za jednog tehnološkog direktora iz DeepMinda:

Čitajte filozofe. Izgradite široko, humanističko razumijevanje svijeta i onoga što je uistinu važno. Nemojte gledati stvarnost isključivo kroz leću Silicijske doline. Naša odgovornost kao inženjera nije samo izbaciti kod, nego promisliti o posljedicama onoga što gradimo za ljude i društvo.

O ovim temama, budućnosti inženjerske struke i stvarnim mogućnostima današnjih modela, Benoit Schillings govorit će na pozornici Infobip Shifta u Zadru, koji se održava od 13. do 15. rujna.

Ulaznice za Infobip Shift konferenciju možete osigurati ovdje. Pretplatnici na Netokracijin newsletter ostvaruju pravo na 20 posto popusta.