Batı bir şey üretmeyi unuttu, şimdi de kodu unutuyor
(techtrenches.dev)- Savunma sanayii üretim kapasitesindeki çöküş, emekli olmuş yetkin iş gücü ve kaybolan süreç bilgisinin sürekliliği koptuğunda, savaş zamanı talebi ortaya çıksa bile üretimin hızla yeniden canlandırılamadığını gösteriyor
- Stinger, 155 mm top mermisi ve Fogbank’in yeniden üretimi örnekleri, maliyet optimizasyonu ve tek hata noktalarının barış zamanında verimliliği artırdığını ama tedarik zinciri esnekliğini ve toparlanma hızını ciddi biçimde zayıflattığını gösteriyor
- Yazılım da daha ucuz ikamelere yaslanarak insan kaynağı hattını zayıflatan bir yola giriyor ve yapay zeka kullanımının ardından junior işe alımlarındaki daralma ile review bottleneck birlikte büyüyor
- Yetkinlik yalnızca parayla hızlıca üretilemez; hem savunma sanayiinde hem yazılımda bilgi ve beceri birikimi yıllar süren saha deneyimi ve gözden geçirme kapasitesi gerektiriyor
- Junior’lar gelişim dönemindeki hatalardan ve debugging süreçlerinden geçemezse örtük bilgi birikmiyor; bu da gelecekte senior mühendis ve institutional knowledge eksikliği riskini büyütüyor
Savunma sanayii üretim kapasitesindeki çöküş ile yazılım kadrolarındaki daralmanın paralelliği
- Raytheon, Stinger üretimini yeniden başlatmak için 70’li yaşlardaki mühendisleri yeniden çağırdı; eski kağıt çizimlere ve depoda duran test ekipmanlarına dayanarak süreçleri diriltmek zorunda kaldı
- Pentagon 20 yıl boyunca yeni Stinger satın almadıktan sonra Ukrayna savaşıyla talep aniden patladı; ancak üretim hattı kapalıydı, elektronik parçalar ve seeker üretimden kalkmıştı ve Mayıs 2022 siparişlerinin bile ancak 2026’da teslim edilmesi planlanıyordu
- Savaşın 10 ayında 13 yıllık Stinger üretimine denk miktar tüketilecek kadar talep büyüdü ve çoktan kaybolmuş üretim bilgisiyle iş gücü açığı temel darboğaz haline geldi
- Sorun yalnızca bütçe meselesi değildi; asıl engel, emekli olmuş yetkin çalışanların ayrılmasından sonra yerlerini dolduracak kadroların yetişmemiş olmasıydı
Mühimmat üretimini artıramamanın ortaya çıkardığı tedarik zinciri kırılganlığı
-
1 milyon mermi vaadi ve gerçek üretim kapasitesi
- AB, Mart 2023’te Ukrayna’ya 12 ay içinde 1 milyon top mermisi sağlayacağını vaat etti; ancak Avrupa’nın yıllık üretim kapasitesi yaklaşık 230 bin adetti ve Ukrayna günde 5.000 ila 7.000 mermi tüketiyordu
- Son tarihe gelindiğinde Avrupa ancak yaklaşık yarısını teslim edebildi ve 9 ülkeden 11 medya kuruluşunun araştırmasında gerçek üretim kapasitesinin AB’nin resmî iddiasının yaklaşık üçte biri olduğu hesaplandı
- 1 milyon mermi hedefine ulaşma tarihi Aralık 2024’e sarktı ve ilk vaatten 9 ay gecikti
-
Aynı anda üst üste binen çoklu darboğazlar
- Fransa, 2007’de yerli itici madde üretimini durdurduktan sonra 17 yıl boyunca yeniden başlatmadı
- Avrupa’daki başlıca TNT üretim noktası yalnızca Polonya’daki tek bir tesisti ve Almanya’nın stoktaki mühimmatı sadece iki günlük seviyedeydi
- Danimarka’daki Nammo fabrikası 2020’de kapandıktan sonra baştan sona yeniden devreye alınmak zorunda kaldı
- Avrupa savunma sanayii, az sayıda pahalı ve özel üretim ürün için optimize edilmişti; kitlesel üretim ve kriz tepkisi varsayımıyla tasarlanmamıştı
-
ABD de benzer zayıflıklara sahip
- ABD de Scranton’daki tek bir fabrikaya ve Iowa’daki tek bir patlayıcı dolum tesisine dayanıyordu; ayrıca 1986’dan bu yana yerli TNT üretimi kesilmişti
- Milyarlarca dolar harcanmasına rağmen üretim miktarı hedefin yarısına bile ulaşamadı
Maliyet optimizasyonunun yarattığı tek hata noktaları
- 1993’te Pentagon, savunma sanayii CEO’larına konsolide olmazsanız elenirsiniz mesajı verdi; bunun ardından 51 büyük savunma şirketi 5’e düştü
- Taktik füze tedarikçileri 13’ten 3’e, gemi inşa şirketleri 8’den 2’ye indi; iş gücü ise 3,2 milyondan 1,1 milyona düşerek %65 azaldı
- Mühimmat tedarik zincirinin her yanında single point of failure oluştu ve 155 mm top mermisi gövdesi üretimi California, Coachella’daki tek bir şirkette yoğunlaştı
- İtici barut yükleri de Kanada’daki tek bir tesise bağımlı hale geldi; minimum maliyet odaklı optimizasyon barış zamanında verimliliği artırdı ama talep sıçramalarına karşı neredeyse hiç pay bırakmadı
Bilgi kaybolduğunda toparlanma da gecikiyor
-
Fogbank’in yeniden üretimindeki başarısızlık
- Fogbank, nükleer savaş başlıklarında kullanılan gizli bir malzemeydi; 1975’ten 1989’a kadar üretildi, ardından tesis kapatıldı
- 2000’de ömür uzatma programı için yeniden üretilmeye çalışıldı ama üretim uzmanlığına sahip kişilerin çoğu emekli olmuş, hayatını kaybetmiş ya da kurumdan ayrılmıştı; kayıtlar da neredeyse hiç kalmamıştı
- GAO ile ilgili bilgilere göre ancak 69 milyon dolar ek harcama ve yıllar süren tersine mühendislikten sonra yeniden üretilebilir Fogbank elde edilebildi
-
Belgelerde yer almayan örtük bilgi belirleyiciydi
- Yeni üretilen Fogbank fazla saftı ve orijinal partide bulunan istenmeden oluşmuş safsızlıkların gerçek işlev için kritik olduğu sonradan anlaşıldı
- Bu bilgi hiçbir belgede yoktu; sadece ilk üretimi yapan çalışanlar biliyordu, onlar da çoktan emekli olmuştu
- Kendi ürettiği bir malzemeyi bile yeniden üretememesinin nedeni, bilginin yalnızca insanların içinde kalmış olmasıydı
Yazılım da aynı yolda ilerliyor
-
Ucuz ve hızlı ikameler insan kaynağı hattını zayıflatıyor
- On yıllar içinde kurulmuş kabiliyetlerin daha ucuz ikamelerle değiştirilmesi, insan yetiştirme hattının zayıflatılması ve kriz anında ortadan kaldırılan yeteneklere yeniden ihtiyaç duyulması deseni, savunma sanayii ile yazılım arasında ortaklaşıyor
- Savunma sanayiinde bu ikame peace dividend idiyse, yazılımda aynı yeri yapay zeka alıyor
- Mevcut yetenek hattı çöküşü ve kavrayış krizi zaten görünür hale gelmişti; savunma sanayii örnekleri bunun yeniden inşasının ne kadar uzun sürdüğünü de gösteriyor
-
Yeniden inşa için paradan çok zaman gerekiyor
- Büyük savunma üretim artışlarında basit sistemler 3-5 yıl, karmaşık sistemler ise 5-10 yıl aldı
- Stinger’da siparişten teslimata en az 30 ay gerekiyor; Javelin’de üretimi iki katına bile tam çıkaramamak 4,5 yıl sürdü; 155 mm top mermisinde ise 5 milyar dolar harcanmasına rağmen hedefe 4 yıldır ulaşılamadı
- Fransa’da da itici madde üretiminin yeniden başlaması 17 yıl sürdü; kısıt bütçeden çok bilgi ve beceri tarafındaydı
- RAND araştırması, denizaltı tasarım bilgisinin %10’unun PhD sonrasında bile 10 yıllık saha deneyimi gerektirdiğini öne sürüyor; savunma sanayiindeki nitelikli işlerde de çıraklık 2-4 yıl, denetim kapasitesi ise toplamda 5-8 yıl gerektiriyordu
-
Yazılımın gelişim eğrisi de sıkıştırılamıyor
- Bir junior geliştiricinin istikrarlı bir mid-level seviyeye gelmesi 3-5 yıl, senior olması 5-8 yıl, principal ya da architect düzeyine çıkması ise 10 yıldan fazla sürüyor
- Bu süreler daha fazla para harcanarak kısaltılamıyor ve yapay zekayla da sıkıştırılması zor görünüyor
Yapay zeka kullanımından sonra ortaya çıkan darboğazlar ve beceri erozyonu
-
Üretim hızından çok inceleme darboğazı büyüyor
- METR randomize kontrollü deneyinde, deneyimli geliştiriciler AI kodlama araçlarını kullandığında gerçek açık kaynak görevleri aslında %19 daha uzun sürdü
- Deney öncesinde yapay zekanın işleri %24 daha hızlı yapacağı tahmin ediliyordu; gerçek sonuçla fark 43 puandı
- Takip deneylerinde, yapay zeka olmadan çalışmaları gerekse katılmayacağını söyleyen geliştiricilerin oranı da küçümsenmeyecek düzeydeydi; yapay zekasız çalışmaya geri dönmeyi hayal etmek bile kolay görünmüyordu
-
İşe alım daralması ve üniversite kayıtlarındaki düşüş
- Salesforce, 2025’te ek yazılım mühendisi işe almayacağını açıkladı
- LeadDev araştırmasında mühendislik liderlerinin %54’ü, AI copilots’un uzun vadede junior işe alımlarını azaltacağını düşündü
- CRA araştırmasında, üniversitelerdeki bilişim bölümlerinin %62’si bu yıl kayıt düşüşü bildirdi
-
Kod incelemesi temel kısıta dönüşüyor
- Yapay zeka kodu hızlı üretiyor ama insanların review süreci yavaş ilerlediği için review bottleneck oluşuyor
- Buna karşılık, yapay zekanın ürettiği kodu yine yapay zekaya inceletmemek; pull request şablonlarına değişikliğin ne olduğu, neden yapıldığı, değişiklik türü ve önce/sonra ekran görüntülerinin zorunlu eklenmesi gibi uygulamalara geçiliyor
- Modellerin kaçırdığı noktaları daha fazla gözle yakalamak için proje bazında özel reviewer eklemek de kullanılan yöntemlerden biri
Gelecekte eksikliği hissedilecek yetkinlikler
-
Yalnızca teknik beceri artık yetmiyor
- Artık sadece teknik uzmanlık yeterli değil; sorumluluk alabilen, trade-off’ları açıklayabilen ve makinenin kendinden emin biçimde sunduğu yanlış önerileri geri çevirebilen muhakeme ve liderlik de gerekiyor
- Son dönemde bir işe alımda 2.253 adaydan 2.069’u elendi ve yalnızca 4 kişi işe alındı; dönüşüm oranı %0,18 oldu
- Teknik yetkinlikle birlikte yapay zekanın hatalarını ayırt edebilen muhakemeye sahip insanların piyasada neredeyse bulunmadığı gerçeği ortaya çıkıyor
-
Sadece dokümantasyon bilgi aktarımını tamamlamıyor
- Site Books, SDDs, RVS raporları ve tam kapsamlı boilerplate modüller dahil olmak üzere geniş çaplı dokümantasyon yapılıyor
- Bugün bu dokümanlar, onları okuyan kişilerin mühendislik uzmanlığına sahip olması sayesinde işe yarıyor; ama bu uzmanlık kaybolduğunda aynı düzenin sürüp sürmeyeceği belirsiz
- 2031’de modellerin ne kadar iyi olacağını öngörmek mümkün değil ve yapay zekanın yeterince gelişip sorunları azaltacağı da kesin değil
-
Krizler haber vermeden gelir ve senior mühendis anında yetişmez
- Nasıl ki 2022’de Avrupa’da tam kapsamlı bir savaş çıkacağı öngörülmediyse, krizler de takvime göre gelmiyor
- 5-10 yıl sonra, tüm sistemi anlayan, gece 2’de dağıtık sistem arızasını debug edebilen ve kod tabanının dışındaki institutional knowledge yükünü de taşıyan senior mühendislere ihtiyaç duyulacak
- Ama bu insanlar bugün yetiştirilmiyor; öğrenmesi gereken junior’lar ya işe alınmıyor ya da DoD fonlu araştırmaların adlandırdığı biçimiyle AI-mediated competence geliştiriyor
- Yapay zekaya prompt yazma becerisi korunabilir ama yapay zekanın nerede yanlış yaptığını saptama yeteneği gelişmeyebilir
Kodun Fogbank’i olma riski
- Junior’lar debugging ve gelişim dönemindeki hataları atladığında örtük bilgi birikmiyor; mevcut mühendis kuşağı emekli olduğunda bu bilgi yapay zekaya aktarılmış olmayacak
- Sonuç olarak bilgi basitçe yok olabilir ve bu, Fogbank’te yaşananlarla aynı yapısal soruna işaret eder
- Ukrayna savaşı, savunma sanayiindeki optimizasyon hatalarının gerçek maliyet olarak geri döndüğü andı; Stinger, Javelin, Fogbank ve üretilemeyen 1 milyon top mermisi bunun bedelini gösterdi
- Yazılım mühendisliği de aynı optimizasyona bahis oynuyor; yapay zeka yeterince iyi hale gelirse bu bahis tutabilir, ama aksi halde aynı fatura burada da çıkabilir
1 yorum
Hacker News görüşleri
Asıl sorun AI’ın kendisi değil
Sorun, anında kâr üretmiyor diye insanlardan ve kurumlardan nefes alma alanını alıp, sonra ihtiyaç olduğunda o bilginin hâlâ orada kalacağını sanan yönetim anlayışı
Kısa vadeli maliyet kısıntıları junior alımını azaltıyor, deneyimli mühendislerin öğretmeye ayıracak zamanı da yok ediyor ve böylece örtük bilgi aktarımını kesiyor
Sonunda elde kalan sadece dokümantasyon ve otomasyon oluyor; ama dokümantasyon sahadaki deneyimin kendisi değil, otomasyon da muhakemenin yerini tutmuyor
Sistemi gerçekten kullanmış insanlar ortadan çekilince örtük bilgi de kurumdan siliniyor ve üretkenlik de eninde sonunda düşüyor
Şu an AI da aynı kalıpla pazarlanıyor ve birçok alanda gereken şey üretkenlik artışından çok personel azaltma gibi görünüyor
GE’nin çeyreklik sonuçlar ve hissedar getirisine takılıp uzun vadeli yetkinliklerini boşaltmasına benzer bir zihniyetin geri geldiği görülüyor
Gerçek mühendislikten uzak karar vericiler araçların, süreçlerin ve dokümanların örtük bilginin yerini alabileceğine inanıyor ama öyle değil
İnsanları ve öğrenme hattını ortadan kaldırırsanız, o bilgi kurumda kalmaz; kaybolur
Deney, tamir ve darbeyi emme payı için hiçbir boşluk yok; bugün bozulan sistemlerin %90’ının da kısa vadeli şokları karşılayacak slack’i olmadığı için bozulduğunu düşünüyorum
Girişim projelerinde en baştan beri sürekli bir şeyler inşa etmek gerekir; bu yüzden daha fazla özellik yapmak doğrudan değer üretir, ama Visa, Salesforce, LinkedIn gibi şirketlerde çoğu zaman ürün, özellik ve kaynak zaten fazlasıyla vardır
Bu şirketler sık sık kendilerini write more software çekicine uygun çiviler ararken bulur
İstek listeleri ve A/B test sistemleri çok gibi görünse de, gerçekten daha fazla yazılım üretmenin net para kazandırdığı fırsatlar olsaydı büyük ihtimalle çoktan yapılmış olurdu
Gerçek büyüme ve yeni talep daha çok bu yapıların dışında ortaya çıkıyor; yazılım üretemeyen ya da satın alamayan şirketler ise asıl fırsatı yakalayabiliyor
Ve işin kalbi fungibility
İnsan sermayesi kolayca yeniden paketlenecek bir meta değil, yaşayan bir şey; yetenek ve beceri hattı koparsa gerçekten yok olabilir
AI kodlamanın riski de mevcut insan sermayesinden beslenip gelecek için yeni insan sermayesi üretememesinde yatıyor
Sorumlu olduğum sistem bilgisinin önemli bir kısmı dokümante edilebilir ve teoride yeni biri sadece bu belgelerle devralabilir
Ama sorun, gereken doküman miktarının akıl almaz derecede büyük olması
Küçük bir sistem için bile tıkış tıkış on binlerce A4 sayfası gayet gerçekçi geliyor
Yeni sorumlunun bu devasa doküman yığınını neredeyse ezberler gibi anlayabilmesi gerekir ve şirketler ne bu yazım maliyetine ne de yeni kişinin öğrenme maliyetine para harcamak ister
Benim deneyimime göre olmamasının sebebi bu; yoksa ilke olarak mutlak biçimde imkânsız olduğu için değil
Başkalarıyla konuşmak için nedenlerimizi yavaş yavaş ortadan kaldırıyoruz
AI’a soru sorduğunuz anda, normalde bir iş arkadaşıyla yaşayacağınız insani etkileşimlerden biri yok olmuş oluyor
Bu sadece kodlama meselesi değil; cebinizde sürekli bir ChatGPT varken bunun hangi toplumsal etkileşimlerin yerini aldığını düşündürüyor
İnsan özünde toplumsal bir varlık, ama biz toplumsallaşmayı mümkün olduğunca optimize edip ortadan kaldırıyoruz
Ben de eskisi gibi restoranı aramak yerine Doordash kullanmayı tercih ettiğim için bu akıştan bağımsız değilim
İdeal bir dünyada şirketler kısa ve orta vadeli çıkarları, devletler uzun vadeli çıkarları, bireyler de tüm yaşam döngülerini optimize etmeliydi
Şirketler slack’i azaltıp sistemi iyice sıkıştırdığında, devlet düzenlemeyle o boşluğu ve yetenek akışını koruyarak ulusal kapasiteyi savunmalı
Ama Batı’da lobiciler ve MBA’ler şirketleri yönlendiriyor, hükümetleri de sadece parayı optimize eden bir tarafa sürüklüyor gibi
Her gün kodlama yardımcısı olmadan kod yazmamın sebebi, bunu yaparak en ufak ayrıntıları da içeren o elle yapma hissini kaybetmediğime inanmam
AI kullanmama nedenimin en büyüğü, ekranın başındayken mümkün olduğunca hiçbir şeye bağımlı olmak istememem
Tabii buna dokümantasyon, kitaplar ve Stack Overflow dahil değil
Çevremde gündelik küçük işler dahil her şeyi AI’a yaslayan insanları sık görüyorum; bu da düşünce harcama eşiğinin aşırı düşmesi demek ve bana oldukça korkutucu geliyor
O zihinsel çabayı devretmek küçük bir mesele değil
Bana göre onu devrettiğim anda bağımlı bir zombiye dönüşüyorum ve bilgi neredeyse her gün tekrarlanan deneme-yanılmadan doğuyor
Teknoloji her zaman insanı itip yönlendirebildiğini gösterdi; AI bağımlılığı da şirketlerin insanın en hassas yeteneği olan düşünme ve merak etme gücüne kadar sızmasının son biçimi gibi görünüyor
Zamanımın çoğu kafa karışıklığı ve hayal kırıklığı içinde geçti; neredeyse 7 saat uğraştıktan sonra işi bitirdim
Ama zorluğun kendisi öyle sarsıcıydı ki, kullanmadığım için beynim biraz çürüdü mü diye bile düşündüm
Sonra yeni bir problemi çözerken zaten eskiden de hep böyle zorlandığımı hatırladım
İlk kez karşılaşılan bir problemle boğuşmak zaten o kadar zordur; ben sadece bu hisse yabancılaşmışım
Zorluğa alışınca o normal gelmeye başlıyor, tersine zorluksuz hâle alışınca yeniden karşılaşınca bunaltıcı ve tuhaf geliyor
Bu yüzden rahatsızlığa ve zorluğa dayanma becerisinin korunması gereken bir kas olduğunu düşünüyorum
Bunun gerçekten sorun olduğu tek zaman, yeni bir işe geçerken sözdizimi denetimi ve otomatik tamamlama olmayan bir platformda mülakat kodu yazmam gerektiğiydi; o yüzden önceden o ortamda pratik yaptım
İş hayatında sözdizimi otomatik tamamlama bağımlılığı büyük bir sorun olmadı; önemli olan dilin temel kavramları ve runtime anlayışıydı
Örneğin Node.js’in event loop’unun nasıl çalıştığı, asenkron ve event-driven programların nasıl yazıldığı çok daha önemliydi
Son 6 ayda deploy ettiğim kodların içinde benim bizzat bir satırını bile okuduğum şey neredeyse yok diyebilirim
Ama bu şekilde çalışmak çok daha yorucu
Elle kod yazarken problem çözme süreci bir bulmaca gibiydi; çözdüğümde tatmin döngüsü ve dopamin ödülü alıyordum
Şimdi günün büyük kısmında bulmaca çözen biri değil de QA sorumlusu gibi hissediyorum ve bu inanılmaz tüketici
AI zor problemleri benim yerime çözse bile, LLM slot makinesinin verdiği tatmin onu kendim çözdüğümdeki kadar güçlü değil
Kalan iki günde kod yardımcısı kullanmıyor, iş bitince sadece review yaptırıyorum
Bu yöntemin hem ruh sağlığımı koruduğunu hem de becerilerimi keskin tuttuğunu düşünüyorum
Oldukça iyi bildiğim bir dil bile olsa mekanik kısımlar çok hızlı bulanıklaşıyor
O yüzden LLM destekli çalışma beynime çamaşır suyu dökmek gibi olurdu diye düşünüyorum
Ne kadar çok kullanırsam bana o kadar kötü geleceğini kendimde hissedebiliyorum
Gerekeni yapılandırma ve problem çözme becerim hâlâ yerinde ama asıl nuts and bolts kısmı çok çabuk uçup gidiyor
Para kısıt değildi. Kısıt bilgiydi cümlesi ironik geliyor
Çünkü yazının kendisi fazlasıyla AI yazmış gibi duran bir üslupla yazılmış ve bu da okumayı zorlaştırıyor
Akış yapay, kesik kesik ve LLM’lere özgü söz kalıplarıyla dolu
Yazma becerisi de sonuçta körelebilen bir beceri
Akıcılık için AI kullanılmasını anlayabilirim ama üretilmiş yazıdan çok AI çevirisi daha iyi geliyor
Kendi elinle yazacak kadar bile ilgin yoksa, benim onu neden okuyayım ki diye düşünüyorum
Bana göre kod ile düzyazı özünde o kadar da farklı şeyler değil
İkisi de anahtar kelimelerden, gramerden, sözdiziminden ve anlamlı birleşimlerden oluşuyor
AI’ın yazdığı cümleler anlamsızsa ya da okunması zorsa, aynı mantıkla AI’ın yazdığı kodun da okunması zor ve güvenilmez olması gerekmez mi
Şu çifte standardı biraz bıraksak iyi olur
Hatta HN’de bazen herkesin iyi diye geçiştirdiği AI laf salatasından çok daha iyiydi
Bu yüzden insanların LLM’e özgü sandığı bazı özellikler, aslında önce insanların kullandığı ve sonra yine insan eliyle tekrar edilen üslup kalıpları olabilir
Arama sonuçlarının üst sıralarında AI üretimi yazılardan günde birkaç tane görüp hemen geçiyorum ama bu yazı onlara epey benzemiyordu
Şirketlerin geliştiricinin kariyer seviyesini gerçekten düzgün ölçebildiğine inanmak zor
Junior, mid, senior, lead gibi ayrımlar daha çok bir kabuk; gerçekte bunlar birçok eksende uzanan bir süreklilik ve moda teknolojiler tarafından kolayca çarpıtılıyor
Teknik olarak bir şirkette çalışmadan da senior düzey geliştirici olunabileceğini düşünüyorum
Sonuçta belirleyici olan, kişinin kendi kendine öğrenip üretmeye dönük isteği ve buna yatırdığı zaman
Bugün şirketlerin gerçekten istediği şey çoğu zaman geliştiricilik becerisinden çok, bozuk kurumsal yapıların ve beceriksiz iletişimle bütçe süreçlerinin etrafından dolaşmayı daha önce yaşamış olmak gibi görünüyor
Bunun senior olmak anlamına mı geldiğini, yoksa sadece politik olarak becerikli olmak anlamına mı geldiğini bilmiyorum
Yazılım başarısız olduğunda ve yanılsama dağıldığında bu desen özellikle netleşiyor
Bir tür, önüne bir problem konduğunda gerekeni kendi kendine öğrenen, bilmediğini kurcalayan, anlamlı sonuçları tekrar tekrar üreten, gereken kişilerle iletişim kuran, ilerlemeyi paylaşan, ekibe karşılıklı destek veren ve eksikleri önceden fark edip tamamlayan insanlardır
Geri kalanı ise sadece geri kalandır
Kariyerin ilk birkaç yılında genelde hangi tarafta olduğun belli olur ve ikinci grubu birinciye dönüştürmek neredeyse imkânsızdır
Bu yüzden 30 yıllık senior biri de ikinci grupta olabilir, yeni mezun biri de birincide olabilir
Tabii siyaset, insan ilişkileri ve gösterişte çok iyi olup yöneticilere birinci gruptaymış gibi görünen ama gerçekte ikinci grupta olanlar da var
Ama bu artık yazılım üretme kabiliyeti meselesi değil
Birinci grupta olup düşük değerlendirilen ya da terfi alamayanlar da olabilir; yani bunun gerçek kariyer başarısıyla korelasyonu o kadar da güçlü değil
İnsan kendine istediği etiketi yapıştırabilir ama biraz tuhaf kaçıyor
Freelancer’lar portföyleriyle, akademik bilgisayar bilimciler makaleleriyle, OSS katkıcıları katkılarının miktarı ve etkisiyle değerlendirilir
Her durumda sonuç, öğrenmeye ve inşa etmeye harcanan emekle orantılıdır
Ama istihdamdan bağımsız olarak da uzmanlık sadece kitaptan öğrenilebilen şeylerle belirlenmez
Paydaş yönetimi ya da çözüm sunumu gibi şeyler okuyarak öğrenilmez; pratik ve geri bildirim gerekir
Senior mühendis yalnızca iyi kod yazan kişi değildir; SDLC’nin tamamında kendi başına katkı sunabilen ve başkalarına da yardımcı olabilen kişidir ve bu yetkinlikler amatör projelerden çok profesyonel ortamda daha kolay gelişir
Bunun için de genellikle sosyal ve örgütsel beceriler gerekir; hoşumuza gitmese de dünya böyle işliyor
Aynı anda bir yanım da bunları mümkün olduğunca hiç bilmemek istiyor
Kafamı birileri için söküp yeniden şekillendirir gibi uyarlamak istemiyorum ve bu tür sorunların içinde çalışmak düpedüz acı veriyor
Bu, istihdam edilmeyen bir cerrahın senior surgeon olabileceğini söylemeye benziyor
Bunu yıllarca gerçekten meslek olarak yapmadan senior olmak zordur; bu alanda deneyim neredeyse her şeydir
Gerekli anlayış kitapla içselleştirilemez; insan yalnızca okuyarak ya da izleyerek yeterince derin öğrenemez
Gerçek öğrenme ancak yaparak gelir
Bilgiler ve teknikler kitaptan öğrenilebilir ama Michelin restoranları hakkında kitap okumak sizi bir anda Michelin Chef yapmaz
AI kod üreteçleri troll gibi geliyor
Kendinden emin biçimde makul görünen ama kısmen yanlış şeyler üretiyorlar ve sonunda o hataları yine insanın yakalaması gerekiyor
Bunun ne eğlencesi var ne de flow hissi
Ben başkasının yaptığı hataları düzeltmeyi seviyorum, özellikle de LLM’i alt etme hissini seviyorum
Geleneksel akış hâlinden bile daha uzun süre, LLM’i takıntılı biçimde denetlerken odakta kalabildim
Ortada mantık yok, sadece örüntü tekrarı var; zeki mühendislerin buna neden kandığını anlayamıyorum
Yazının kendisinin de epey açık biçimde AI yardımı almış gibi görünmesi biraz ironik
AI desteğini eleştirmiyorum ama yazının temasıyla yan yana gelince düşündürücü oluyor
İnsanlar yazıyı “parlatmak” için bunu kullanıyor gibi ama aslında kullanmasalardı yazı büyük ihtimalle daha okunaklı olurdu
Son dönemde özellikle sinir bozucu gelen şey, virgül yerine aşırı nokta kullanımıyla kurulan cümleler
My people lived the other side of this equation. Not the factory floor. The receiving end.Muhtemelen ağırlık katmak istiyor ama gereksiz yerlerde bile böyle yazınca aksiyon filmi fragmanı repliği okuyormuşsun hissi veriyor
Etik olarak AI kullanımının kendisini sorun etmiyorum ama LLM üslubu fazlasıyla iticiydi
Üstelik insanlar bunu gereksiz uzunluk ve filler eklemek için de kullandığından, artık böyle yazıların sayfalarını aşındıra aşındıra geçmek gerekiyor
Daha kötüsü, bir metnin en azından insandan çıkmış yeni bir içgörüye mi dayandığını, yoksa sadece write me something about X prompt’uyla baştan sona mı üretildiğini kolayca ayırt etmenin yolu kalmadı
Şu aşamada ikincisiyse neredeyse hiç okumaya değmez demek bence abartı sayılmaz
Bana eşcinselliği kınayan bir rahibin bir erkek eskortla yatakta yakalanmasını hatırlatıyor
Kokain çekip çekmediği opsiyonel ayrıntı ama sonuçta ağızda buruk bir tat bırakıyor
Metinde klasik anlamda klişe AI izleri çok yok ve bana göre LLM’e özgü görünen tek şey kısa, kesin cümle yapıları
Oysa bu tarz, Hemingway’den beri İngilizce dünyasında epey saygın bir yazım biçimi
Eskiden AI değil de Doğu Avrupa’daki uzaktan sözleşmeli geliştirme ekipleri daha ucuz alternatif sayılmıyor muydu diye düşünüyorum
Zaten insan sayısı yeterli değil
Üstelik burada, 15 derece doğu boylamının doğusunda bile hepimiz sonuçta işten çıkarıldık
Asıl plan AI ile ilgili olmaktan çok genel olarak daha az yapalım noktasına yakındı ve herkes kim ilk işten çıkarmaya başlayacak diye birbirini bekliyor gibiydi
Altı ay yarı zamanlı çalıştım ve karar vericiler bunun uzun vadede daha iyi olduğunu açık açık söylediler
İşten çıkarmaktan iyiydi ama o şekilde yaşamayı sürdüremezdim
Tutumlu biriyimdir ama o kadar da değil
Gerçekten para harcamaktan nefret ediyorlar, özellikle de Amerikalılar ve sağlık sigortası söz konusu olduğunda
ABD şirketlerinin Amerikalıları işlerin dışına iten bu hızlı rotasına neredeyse hiç fren olmaması bana tuhaf geliyor
Bir Avrupalı olarak Doğu Avrupalı geliştiricileri de elbette gördüm ama çalıştığım her şirkette yoklardı
Buna karşılık Hint iş gücü hep vardı
Kalite tarafında da hikâye hep benzerdi; ayrıntıya girmeyeceğim ama bunu duymaya hazır olanlar ne demek istediğimi zaten anlar
80’lerin sonunda ilk kez duyduğum Formal verification in software dersinden, 2000’lerin başında akademiden ayrılmadan önce yeni birine devrettiğim Programming in Java dersine kadar baktığımda, akademik titizliğin uçurumdan düşer gibi çöktüğünü ve yerini istihdama hizalanmanın aldığını hissediyorum
Eskiden öğretilen şey düşünmeyi öğretmeye daha yakındı; sonra iyi maaşlı iş bulmayı öğretmeye dönüştü
Çünkü şirketler yeni çalışanlarını artık eğitmek istemiyordu
Stajyer maaşı da, onları eğitenlerin maliyeti de para tuttuğu için bu yükü diploma şartı üzerinden üniversitelere, öğrencilere ve devlete ittirdiler
İnsanlara iş şartı olarak eğitim masrafını ödetmeye kalksanız dolandırıcılık kokar denir ama konu degree mill sistemi olunca herkes bunu fazla kolay kabulleniyor
İnsan kusursuz değil
Rusya işgalinden birkaç gün önce Ukrayna’ya gittiğimde Kyiv’de seyahat ve oteller çok ucuzdu; yerellere işgal ihtimalini sorduğumda herkes olmaz öyle şey diyordu
Tepki, Rusya’nın hep saldırgan konuştuğu ama bunu gerçekten yapmadığı yönündeydi
Yeterince hazırlık yapılmadı ve sonuç olarak birkaç gün içinde toprakların %20’si kaybedildi
Avusturya’ya döndükten sonra görüştüğüm insanlardan bazılarının ölmüş olabileceği düşüncesi aklımdan çıkmadı
Sonrasında Dubai ve Saudi Arabia’da girişimci ve mühendis olarak bulunduğumda, drone’lar altyapıya saldırırsa ne yapacaklarını sordum; Rusya savaşını ve İran’ın ilk saldırısını gören biri için bunun mümkün olduğunu öngörmek zor değildi
Ama yine olmaz öyle şey cevabını aldım
Düzgün hazırlanmadıkları için yüz milyarlarca dolar kaybettiler; oysa yıllar boyunca birkaç yüz milyon dolar harcamış olsalar büyük ihtimalle önlenebilirdi
Sonuçta sorun AI değil, insan
Hazırlık olmasaydı bugün Kyiv’de Rus tarafının sözcüsü oturuyor olurdu bence
İlk iki haftayı atlatabildiği için savaş uzadı ve Donbas savaşı zaten 8 yıldır sürüyordu
Ukraynalıların karşılarındaki aktörün Rusya olmadığı gibi bir yanılgı içinde olduğunu düşünmek zor
Dönüp bakınca çoğunun o sözleşmeleri alması gereken arkadaşları çıkıyor; ya da karşı taraf gelirse aileni anında öldürecekmiş gibi korku pazarlıyorlar
Sen sadece birilerinin kesinlikle olmaz dediği ama olan iki örneği seçmişsin
Aynı şeyi söyledikleri ve gerçekten de hiçbir şey olmayan sayısız vakayı ne yapacağız diye sormak gerekir
Piyango alan milyonlarca kişiye “kazanmayacaksın” desem neredeyse hepsine doğru tahminde bulunmuş olurum
Bir kişinin kazanmış olması tahminimin yanlış olduğu anlamına gelmez; bu sadece reporting bias olabilir
Herkes Putin’in bu kadar aptal olacağından emin değildi belki ama Ukrayna ordusu olasılık gerçekleşirse diye savunma hatları, stoklar ve savunma taktikleri üzerinde yoğun biçimde çalışıyordu
Geçtikçe Peter Naur’un programming as theory building yaklaşımının daha da önemli hâle geldiğini hissediyorum
Bağlantı: https://gwern.net/doc/cs/algorithm/1985-naur.pdf
Kesinlikle tavsiye edilir