ШІ зміщує роль програміста від синтаксису до проєктування систем
ШІ змінює підхід до програмування: дослідникам радять контролювати код, працювати модульно та не передавати чутливі дані публічним моделям.
Використання великих мовних моделей і автономних ШІ-агентів змінює підхід до програмування у науковій роботі: замість запам’ятовування синтаксису фахівцям дедалі важливіше вміти ставити завдання, контролювати результат і будувати відтворювані процеси аналізу даних. Такий підхід описано в публікації Nature.
Автор матеріалу, клініцист-науковець, який працює з експериментальними та обчислювальними даними, зазначає, що ШІ може за секунди створювати складні статистичні аналізи й візуалізації. Водночас, на його думку, потреба в навчанні програмування не зникає: змінюється набір ключових навичок. Дослідник має розуміти, які методи існують, як вони працюють і коли їх доречно застосовувати, а також перевіряти згенерований код.
Модулі замість великого скрипту
Автор радить не доручати моделі створення одного великого скрипту, який одночасно завантажує, очищує та аналізує дані, а потім готує графік для публікації. Такий код складно налагоджувати: зміна однієї змінної або помилка на проміжному етапі здатні порушити роботу всього процесу.
Натомість пропонується модульний підхід — окремі невеликі функції для завантаження і форматування даних, нормалізації значень та їх візуалізації. За такого підходу збій можна локалізувати в конкретному блоці коду, не змінюючи інші частини процесу. Перевірені модулі можна повторно використовувати в інших проєктах.
Структура проєкту та захист даних
Швидке генерування скриптів і результатів ШІ може призводити до безладу у файлах, тому автор наголошує на стандартизованій структурі проєктів. Як приклад він згадує підхід Cookiecutter Data Science, за якого сирі дані, аналітичні скрипти та результати зберігаються в різних папках. Первинні дані мають бути доступними лише для читання, щоб зменшити ризик їх випадкового перезапису або пошкодження.
Окрему увагу в матеріалі приділено конфіденційності. Публічні моделі можуть навчатися на введених користувачами даних, тому чутливу інформацію, зокрема дані пацієнтів, не слід передавати хмарним сервісам. Для написання й тестування коду автор радить використовувати фіктивний набір даних із тими самими назвами колонок, типами значень і розмірністю таблиці. Після перевірки код можна перенести до захищеного локального середовища та застосувати до реальних даних.
