Kodnings- og programmeringskompetencer i alderen for generativeAI: en dybtgående

Generativ kunstig intelligens, en underdisciplin inden for kunstig intelligens, vedrører applikationer, hvor en computer simulerer den menneskelige evne til at skabe og producere — uanset om der er tale om et menneskeligt sprog eller menneskelige kreative udtryksformer (f.eks. tegning, fremstilling af musik osv.). Det bedste eksempel på en generativ AI, der for nylig har udviklet bølger, er ChatGPT, en Large-Language Model (LLM), som brugerne kan interagere med på naturligt sprog. Et område, hvor generativ kunstig intelligens er særligt lovende, skjuler den måde, hvorpå vi skriver vores softwarekode. Denne artikel omhandler de muligheder, som Generative AI skaber for at støtte denne softwareudviklingsproces — og dens potentiale til at åbne muligheder for at skrive softwarekode til flere mennesker end nogensinde før. Sammen med de muligheder, der åbner sig, ser dette dokument også på risiciene ved at anvende GenAI-støttede værktøjer med mindre menneskeligt tilsyn og peger på potentielle tidshorisonter for at undersøge, om vi ønsker at opnå en mere afbalanceret anvendelse, der tager hensyn til vores centrale EU-værdier. 

Indledning

Generativ kunstig intelligens, der er en underdisciplin i kunstig intelligens (AI), vedrører applikationer, hvor computeren simulerer eller forsøger at efterligne den menneskelige evne til at skabe og producere på et menneskeligt sprog og et menneskeligt kreativt udtryk — som f.eks. tegning eller sammensætning af musik(Stokel-Walker ПVan Noorden, 2023). Et eksempel på generativ kunstig intelligens, der for nylig har udviklet bølger, er ChatGPT, en Large-Language Model (LLM), som brugerne kan interagere med ved at skrive. Resultaterne af denne LLM har overrasket mange forskere og den brede offentlighed for, hvordan interaktionerne kan være "reelle" (Maslejet al., 2023).

Interessen for denne form for kunstig intelligens har allerede været stigende i flere årtier med veludviklet grundforskning (Reiter ◻ Dale, 1997, Kandhasamy ПXie, 2004). Applikationerne var dog fortsat begrænsede, idet der primært anvendes små koncepter i forskning — hovedsagelig på grund af manglende computerkraft eller utilstrækkelige mængder af uddannelsesdata, som er nødvendige for at tilvejebringe livskvalitetsteknologi (Maslejet al., 2023). Dette har ændret sig i de seneste år. I perioden fra 2015 til 2016 bevægede man sig i retning af at samle ressourcer og opbygge systematiske store datasæt og modeller med koordinerede bestræbelser i industrien som OpenAI (grundlagt i 2015) og HuggingFace (grundlagt i 2016). Siden udgangen af 2022 har disse teknologiers modenhed været genstand for et enormt opsving som følge af tilpasningen mellem computerkraft, modne algoritmer og tilstrækkelige data.

Et af de områder, hvor generativ kunstig intelligens er meget lovende, er at skrive softwarekoder. GenAI er allerede ansat af mange ingeniører for at hjælpe dem med deres kodning (Sharma, 2021). Enkel menneskelig tekst giver dem mulighed for at skrive kompleks kode i sekunder, hvilket potentielt kan fremskynde deres kodning og programmering (Brady, 2023). I Generative AI-værktøjer kan der gives tekstinstrukser (opfordringer) til at instruere kunstig intelligens i at skrive kode for at oprette visse funktioner. Som følge heraf kan brugeren af et sådant værktøj kommunikere på et mere specifikt naturligt sprog, uden at det er nødvendigt at kende detaljerne i kodningssproget. Generativ AI kan på en begrænset måde og med relevante opfordringer også generere trinnene i logikken bag en applikation, der definerer en algoritmes generelle struktur.

Dette rejser naturligvis mange spørgsmål om, hvordan vi vil skrive vores software i fremtiden, og hvilke færdigheder der vil være nødvendige for dette. Dette næste afsnit i denne artikel uddyber dette spørgsmål.

Softwareudviklere til EU's arbejdsmarked

I mange år har der været mangel på kvalificeret arbejdskraft i den digitale industri. I en undersøgelse fra 2021 fra European Software Skills Alliance peges der på "udviklers" rolle som den mest efterspurgte softwarerolle, og det anføres, at denne rolle hele tiden ændrer sig som årsag til denne mangel. De vigtigste færdigheder hos udviklerne er programmering og kodning, to fagområder, hvor jobindholdet hele tiden ændrer sig, hvilket skaber et problem for organisationerne og gør det vanskeligt at holde medarbejdernes færdigheder ajour. Det voksende behov for IKT-eksperter på tværs af sektorer udgør en risiko for målet for det europæiske digitale årti om at nå op på 20 mio. IKT-specialister i Europa inden 2030. 

Kode, kode, kode: en vis terminologi og grundlæggende begreber

En forklarende terminologi er nyttig her. Softwareudvikling henviser til computervidenskabelige aktiviteter, dvs. processen med at skabe, designe, udrulle og understøtte software (IBM, 2023). Udviklingsfasen i softwareudviklingen sker, når programmøren begynder at definere og skrive instrukserne, som computeren skal følge, på det ønskede computersprog.

Hvad er så programmering? Programmering henviser til de aktivitetsudviklere, der foretager sig for at definere logikken i computerprogrammet, herunder de enheder, som programmet skal manipulere med, og de algoritmer, det skal implementere. Programmeringsfærdigheder er således tæt forbundet med logisk og analytisk, begrebsmæssig og abstrakt samt datalogisk tænkning. Når udviklerne koder, skriver de instrukserne til computeren om at gennemføre visse handlinger, som computeren skal udføre. Udviklere skriver på forskellige computersprog, som giver dem forskellige evner afhængigt af deres struktur eller formål. Desuden udvikler edb-sprogene sig løbende, hvilket gør det til en kompleks opgave for udviklerne at holde sig ajour med de seneste stilarter og tendenser. Når vi taler om manglen på kvalificeret arbejdskraft på arbejdsmarkedet, kan vi henvise til både de færdigheder, der er forbundet med programmering, og dem, der vedrører kodning. 

Støtte til EU's arbejdsmarked 

Da denne mangel på kvalificeret arbejdskraft i flere år har givet anledning til bekymring, har politiske beslutningstagere og forskere investeret meget energi i at udvikle støtte til arbejdsmarkedets aktører med henblik på at identificere og udvikle disse færdigheder hos deres (potentielle) medarbejdere. Nogle centrale initiativer omfatter standardiserede kompetencerammer, der specifikt vedrører den digitale kontekst. Den digitale kompetenceramme for borgerne, DigComp 2.2 (Vuorikari, Kluzer og Punie, 2022) er den vigtigste almindeligt accepterede ramme i EU, der identificerer og strukturerer de digitale færdigheder, som borgerne har brug for for at deltage i et moderne digitalt samfund. Den europæiske e-kompetenceramme (e-CF) er en standardiseret referenceramme med 41 kompetencer, der er relevante og nødvendige i forbindelse med IT-arbejde. Rammen udpeger også 30 IKT-faglige rolleprofiler, der spænder over forskellige aspekter af det digitale industrilandskab. I EU er det en flagskibsramme, der tilbyder et fælles sprog mellem IT-rekrutteringsvirksomheder og IT-eksperter.

Der findes også mere generiske rammer med relevante profiler. Sektorspecifikke rammer for færdigheder gennem pagten for færdigheder bringer forskellige aktører i industrien sammen i forskellige sektorspecifikke alliancer for at identificere og strukturere de færdigheder, der er nødvendige for at videreudvikle deres sektor. For en stor dels vedkommende omfatter disse også komplekse digitale færdigheder, da den digitale industri påvirker alle sektorer. Med hensyn til iværksætteri omfatter EntreComp-rammen (McCallum, Weicht, McMullan og Price, 2018) kompetencer, der tager hensyn til effektiv anvendelse af ressourcer, som også omfatter vurdering af og indsigt i behovene for digitale ressourcer og udvikling af digitale resultater. Den skiftende teknologiske kontekst integreres løbende i disse rammer med de seneste versioner, herunder færdigheder i at arbejde med AI-teknologi. F.eks. omfatter DigComp i sin seneste udgave, 2.2., nu også viden om AI-relaterede systemer.  

EU-foranstaltninger til fremme af programmerings-/kodningsevner 

Ud over at yde støtte til navngivning, identifikation og udvikling af færdigheder i forbindelse med softwareudvikling fokuserer politiske initiativer også på at gøre karrierer i den digitale sektor mere populære og kendte. For at øge interessen for programmering og kodning er der flere tilbagevendende EU-tiltag.EU's programmeringsuge fremmer græsrodsinitiativer for at tilskynde flere borgere til at bruge og udvikle deres programmeringsfærdigheder. I samarbejde med frivillige omfatter aktiviteter oplysningskampagner, workshopper, konferencer osv., der afholdes i hele Europa på lokale sprog og tager hensyn til regionale behov og sammenhænge. I 2021 deltog mere end 4 millioner mennesker i 80 + lande fra hele verden i initiativet, og de fleste af aktiviteterne fandt sted i skoler (Europa-Kommissionen, 2023).

Det Europæiske Institut for Teknologi og Innovation (EIT) tilbyder en platform, hvor aktører i industrien kan mødes for at innovere i relevante industrier i et sikkert og åbent miljø. EIT Digital fokuserer specifikt på at støtte innovation og iværksætteri i den digitale industri (EIT Digital, 2020). Desuden fokuserer mange EU-finansierede programmer på at forbedre den europæiske arbejdsstyrkes digitale færdigheder i den digitale industri: se bare på de massive investeringer bag DIGITAL-programmet ( 7.5 mia. EUR går til den digitale omstilling af den europæiske økonomi og det europæiske samfund). En anden faktor er tærsklen på 20 % for digitale investeringer i EU-medlemsstaternes genopretnings- og resiliensplaner, som er blevet overskredet. 

Vil GenAI forbedre manglen på færdigheder på arbejdsmarkedet? 

Fremkomsten af generativ kunstig intelligens åbner op for en verden af muligheder for programmering og kodning i forbindelse med arbejdsmarkedet. På den ene side kunne GenAI gøre mere avancerede færdigheder (såsom kodning) mere tilgængelige for borgerne: og 2023 kan vise sig at være et vendepunkt — et tidspunkt, hvor kunstig intelligens styrker folks kodningsfærdigheder hurtigt og giver os mulighed for at skabe digitale værktøjer på en mere effektiv og virkningsfuld måde. På den anden side kan GenAI også mindske færdighederne i kodningsfærdigheder, da det mindsker den dybe videnopbygning og ekspertise på dette område. I afsnittene nedenfor undersøges den sammenhæng, hvori GenAI kan have en indvirkning på softwareudviklingen, og de konsekvenser, det har for udviklingen af færdigheder. 

En vis sammenhæng

Inden man undersøger, hvilke færdigheder der vil være relevante i dette nye område, er det godt at overveje en vis sammenhæng, hvor aspekter af kodning kan påvirkes af generativ kunstig intelligens.

Placering af kodning i softwareingeniørprocessen

Softwareudvikling er — ligesom andre former for ingeniørvirksomhed — en designvidenskab og følger i det store og hele en proces med forsknings-, ideerings-, design-, udviklings- og testfaser for at gå fra konceptuel idé til håndgribeligt produkt (Davis, Bersoff ◻ Comer, 1988). Ved at gå igennem denne proces opnås der viden og knowhow, og gennem iteration — der går flere gange — kan problemdefinitionen og -kravene forbedres, der kan udføres yderligere baggrundsforskning osv. Selv om der, som Despa i 2014 skitserer, kan være forskellige tilgange (trinvist, vandfald, spiral, prototypefremstilling osv.) til, hvordan disse faser tager form (f.eks. forskelle i fasernes varighed eller forventede mellemliggende resultater osv.). Hver designproces består af væsentlige komponenter. Se figur 1 nedenfor for en illustration af nøglekomponenterne i en softwaredesignproces. 

I denne proces finder kodning — processen med at skrive den faktiske softwarekode — primært sted i udviklings- og testfasen. På nuværende tidspunkt i designprocessen er problemet og den potentielle løsning allerede blevet defineret, og der er truffet beslutninger på højt niveau. Softwaren produceres derefter i udviklingsfasen og afprøves i testfasen. Sammenlignet med andre tekniske discipliner er produktionsomkostningerne inden for software forholdsvis lave. Også her er der tale om en "industrialisering" af softwareproduktion, hvor der løbende gøres en indsats for at blive endnu hurtigere og mere tidskrævende i udviklingen, samtidig med at det sikres, at det producerede materiale er af en vis kvalitet (Humphrey, 1988). Nogle måder at gøre dette på er f.eks. gennem effektiv deling af kodeblokke (f.eks. platforme af typen GitHub) og på det seneste platforme med lav kode/ingen kode, hvor genanvendelige byggesten anvendes som udgangspunkt for at anlægge en mere abstrakt tilgang til design, der fremskynder hele processen (No-Code.tech, 2023,Adalo, 2023). Dette åbner i bund og grund op for kodning af personer, som ikke er faglærte (og muligvis heller ikke har interesse i at være faglært) inden for skrivemekanismen.

Påden modsatte side af denne dimension er "software craftmanship",hvor den tekniske færdighed eller den flydende struktur i forbindelse med generering af kode igen bliver vigtig. Denne bevægelse, der nærmer sig softwareskabelse gennem en lærlings øjne, stimulerer stolthed over udvikling af software, værditraditioner inden for softwareskabelse og sætter fokus på den enkelte genius (Software Craftmanship Manifesto, 2009). Du kan endda sammenligne den med, hvordan vi nærmer os madlavning hjemme og madlavning i et professionelt køkken. I vores hjem ser vi primært på madlavning som processen til at producere gode fødevarer. Når madlavning bliver en "flydende struktur", indebærer det disciplin, kvalitet, tidseffektivitet og en målrettet indsats for at nå højden i kvalitetsprodukter. "Håndværk" inden for madlavning indebærer, at man lever op til de produktionsfærdigheder og ressourcer, der er til rådighed for at nå dette ekspertiseniveau (ligesom det er tilfældet med hensyn til madlavning — ved at anvende kvalitetsingredienser, perfekte knivfærdigheder, skabe nye teknikker til at opnå forskellige smags- og oplevelser osv.)

Vi kan tage de samme idéer og ekstrapolere dem til de håndværk, der er involveret i udarbejdelse og fremstilling af kvalitetskoder.

Udbredelse af kodning i videnintensive job  

Så kompleks som den lyder, er kodning ikke begrænset til områderne i den professionelle software eller IKT-industrien. En undervurderet kendsgerning er, at der er behov for en eller anden form for kodning for mange specialiserede professionelle teknologier inden for vidensarbejde. Hvis du f.eks. foretager en statistisk analyse eller endda bruger grundlæggende Excel-funktioner, skal du allerede i det mindste forstå skrivekoden i en eller anden form. I den forbindelse er kodning blevet på samme måde som andre kompetencer og færdigheder (tænk: menneskeligt sprog og matematik), hvor alle har brug for grundlæggende forståelse og produktionsfærdigheder for at kunne deltage i samfundet (Burke, O'Byrne og Kafai, 2016). Forskellen ligger i, at vores forståelse af kodning som læse- og skrivefærdighed endnu ikke er så fremskreden, og at den heller ikke er integreret i vores skolesystem som disse andre færdigheder (Rea, 2022). Grundskolesystemet er bygget op omkring disse færdigheder, og de er afgørende at bygge videre på i de senere år. Den digitale omstilling ændrer sig dog hurtigt og gør kodning og computertænkning lige så nødvendig fra en tidlig alder som andre kritikere.

Teknologisk støtte i forhold til vores generelle forståelse

Dette skaber således et misforhold: på den ene side har vi endnu ikke forstået de vanskeligheder, der er forbundet med at behandle kodning som en læse- og skrivefærdighed, og vi har heller ikke integreret det fuldt ud i vores uddannelsessystemer (Vee, 2017). På den anden side har vi nu meget avancerede værktøjer til rådighed, som sætter os i stand til at skabe, designe og skrive kode. Desuden er det digitale rum af en sådan art, at alle disse værktøjer for det meste er tilgængelige (mod et gebyr) for en bred offentlighed. For
at illustrere dette misforhold bør man overveje ChatGPT's ansøgninger, og hvordan de opfattes af folk:

Når du beder ChatGPT om at skrive et stykke tekst, vil næsten alle kunne sige, om der er tale om en velskrevet tekst (ikke i øjeblikket tager hensyn til dens indhold, men udelukkende tekstens form på naturligt menneskeligt sprog).  

Når du beder ChatGPT om at foretage en matematisk beregning, vilmange i den brede offentlighed kunne sige, om det er sket korrekt, eller i det mindste om den korrekte tilgang til at løse spørgsmålet blev valgt.

Men... når du beder ChatGPT om at skrive et stykke kode, vil ikke mange i den brede offentlighed (endnu) kunne sige, om det er korrekt.  

Hvordan GenAI kan afhjælpe manglen på færdigheder på arbejdsmarkedet

Ovenstående afsnit viser et af de områder, hvor generativ kunstig intelligens kan vise sig at være en banebrydende faktor. Vi vil nu dykke nærmere ind i de nuværende problemer med manglen på færdigheder og se på GenAI's potentiale til at afhjælpe dem.

Et første spørgsmål vedrører de store forskelle i folks færdigheder med hensyn til kodningsfærdigheder. Forskellige personer har forskellige færdighedsniveauer i skriftlig kode, og der er ikke noget generelt accepteret grundlæggende niveau i kodningsfærdigheder. Der er adskillige grunde til dette:

1. Da kodning og programmering ikke er placeret som læse- og skrivefærdighed, indgår det ikke i den formelle uddannelse i hele læseplanen. Det betyder, at der ikke er nogen generel adgang til kodnings- og programmeringsmuligheder eller en generel forventning til den enkelte om at udvikle et grundlæggende færdighedsniveau.
2. Udviklingen af færdighederne afhænger i høj grad af personlig interesse og personlig disciplin. Hvis du vil udvikle dine færdigheder på dette område, skal du søge formelle og ikkeformelle muligheder online og offline gennem workshopper, bootcamps osv. Da dette i vid udstrækning ligger uden for den formelle uddannelse, kræver det en ekstra indsats og tid at investere i denne form for kompetenceudvikling.  
3. Bundlinjen er vigtig her: kompetenceudvikling inden for kodning afhænger af, at der investeres tid og penge i relevante muligheder for at udvikle kodningsfærdigheder. Denne investering er måske ikke mulig generelt for alle i samfundet, da der er behov for infrastruktur (hardware og internet), tid (uden for den formelle uddannelsestid) og potentielle ekstra omkostninger til relevant software eller licenser.

Som i mange spørgsmål om digital inklusion er der en stor samfundskløft mellem haver og ingen på dette område, hvor sårbare personer, kvinder, ældre og personer med en lavere socioøkonomisk baggrund er stærkt påvirket (FN, 2023).

Generativ kunstig intelligens til kodning kan i vid udstrækning reducere tærsklen for, at folk kan investere i læring for at kode. Da det giver mulighed for at interagere med computeren på naturligt sprog, kan enhver, der kan formulere deres idéer til software på et menneskeligt sprog, i teorien skrive koden for at lave denne software. Der er dog stadig problemer med tilgængelighed (med hensyn til tid og indsats): også her er der mulighed for, at GenAI udvider kløften mellem dem, der kan, og dem, der ikke kan kode.

Et andet spørgsmål vedrører det umiddelbare behov for færdigheder for personer i beskæftigelse. Arbejdsmarkedet har brug for disse digitale færdigheder i dag og i den nærmeste fremtid. Cedefop forudser et behov for næsten 979,600 IKT-teknikere og yderligere 2,977,600 IKT-fagfolk i perioden 2022-2035 (Cedefop, 2023). Det tager imidlertid tid at opbygge indgående viden og udvikle disse færdigheder til et højere færdighedsniveau, hvilket også potentielt er en hindring for at begynde at foretage kodning i første omgang. Bootcamps og andre kortsigtede, men intensive former for læring er effektive, men kræver tid og ressourcer, som ikke alle nødvendigvis har(Thayer ПKo, 2017). Desuden behøver de ansatte ikke blot at opnå et grundlæggende færdighedsniveau — de er også nødt til at være afhængige af, at de løbende forbedrer udviklingen af disse færdigheder.

GenAI har potentiale til at afhjælpe dette problem i et vist omfang. Teknologiens tilgængelighed på naturligt sprog kan sænke tærsklen for mange og yde just-in-time støtte til at finde frem til, hvad der er behov for, og dermed gøre kodning og kodegenerering mere effektiv og muligvis motivere folk til at bruge den. Teknologien kan understøtte egen effektivitet, gøre det lettere og hurtigere at finde svar, når de blokeres, og skabe et miljø, hvor de lærende løbende vil udvikle deres færdigheder inden for kodning og programmering. Men også her er der mulighed for, at disse teknologier vil udvide kløften mellem dem, der allerede kan, og dem, der ikke kan. I denne forbindelse fungerer et støtteværktøj baseret på GenAI desuden effektivt som et ekspertsystem (dvs. de menneskelige forespørgsler, GenAI skaber). Det er vigtigt her at overveje, hvilket niveau af menneskeligt tilsyn der er nødvendigt.  

Et tredje spørgsmål drejer sig om, hvordan kompetenceudvikling inden for kodning og programmering i øjeblikket tilrettelægges. I formelle sammenhænge passer kodningsfærdigheder ind i workshopper eller bootcamps — potentielt omkring specifikke kodningssprog eller mere generiske problembaserede aktiviteter. Ikkeformelle sammenhænge afhænger af, at den enkelte skaber deres egne læringsforløb gennem forskellige onlineressourcer kombineret med alternative offline-oplevelser.  

GenAI-værktøjer kan øge disse aktiviteter med støtte med lav "just-in-time" -støtte til at finde frem til, hvad der er behov for, og derved gøre kodegenereringen mere effektiv og virkningsfuld. Brugen af disse værktøjer afhænger dog stadig af, om svarene fra mennesker er korrekte, og om softwareresultatet er acceptabelt. Risikoen er her, at GenAI-værktøjer kan blive et go-to-system, hvor den menneskelige lærende kun bruger det til at nå et umiddelbart mål uden at udvikle et indgående kendskab til kodning.

Konsekvenser for kompetenceudvikling i forbindelse med kodning og programmering i en alder af GenAI

Det er klart, at GenAI giver mange muligheder for at sænke tærsklen over for mange i den brede offentlighed for ikke blot at begynde at designe software, men effektivt at anvende software i daglige sammenhænge. For mange lærende kan den lave tærskel faktisk også være en motiverende faktor til at begynde med kodning. For at sikre, at mennesker stadig udvikler indgående viden om kodning — og ikke kun opfatter GenAI som et værktøj, der kan overtage kodningen — er det dog stadig nødvendigt at træffe visse forholdsregler. For

det første er det nødvendigt at betragte kodning som en læse- og skrivefærdighed, der kan integreres i hele det formelle uddannelsessystem. Selv om der allerede er gjort en indsats for at indarbejde kodning i undervisningsplaner og læseplaner, er der behov for en mere systemisk ændring (Rea, 2022, Vee, 2017). De centrale rammer for digitale færdigheder, der er anført ovenfor, giver mere indsigt i disse færdigheders kompleksitet og giver mulighed for en mere nuanceret tilgang til udvikling af dem.  

For det andet skal folk også være opmærksomme på grænserne for kunstig intelligens — hvad den kan og ikke kan gøre, og endnu mere, hvad den bør og ikke bør gøre. AI-teknologien overtager i sagens natur visse beslutningsaktiviteter fra mennesker. Selv om disse kreative mange positive muligheder (f.eks. at kunne håndtere langt flere data end et menneske), indebærer det også alvorlige risici, som folk skal være opmærksomme på, når de bruger disse systemer. På politisk plan er det den vej, der lægges vægt på. Den seneste version af DigComp omfatter viden om AI-systemer som en kompetence for alle borgere. EU's retsakt om kunstig intelligens placerer redskaberne i dette miljø og præciserer, hvad der er lave, høje og uacceptable risici ved at arbejde med AI-værktøjer.  

For det tredje er det med hensyn til kodning nyttigt at udforske nogle eksempler på bedste praksis og retningslinjer. GenAI vil uden tvivl have en massiv indvirkning på kodningspraksis. Iteorien sænker dette tærsklen og giver flere mennesker mulighed for at lære kodning — og især dem, der kan have mistet motivationen på grund af de tekniske detaljer og mekanismer til at skrive kode. For at kunne anvende disse GenAI-værktøjer effektivt skal vi først udarbejde passende vejledninger og aftaler om, hvordan og hvornår disse værktøjer kan anvendes.

Ved enhver anvendelse af GenAI til kodning er det klart, at en computer vil skrive en kode, som folk vil bruge.Men hvordan sikrer vi, at vi kan stole på denne kodeks? I dette scenarie er der ikke længere noget absolut menneskeligt tilsyn. Hvad er desuden de kvalitetskontrol- og kvalitetsprocesser, der er indført for at sikre, at GenAI-koden fortsat er pålidelig? Er der behov for nye testprocedurer i denne nye kontekst, og hvad ville de se ud? Det er lige så nyttigt at åbne op for debatten om, hvad tillid indebærer, og hvad der er markører for at angive denne pålidelighed af kunstig intelligens. En mulighed er anvendelsen af nye kvalitetsmærker eller specificering af brugen af kunstig intelligens i etiske kodekser, f.eks. i journalistiksektoren, hvor brugen af GenAI-skriveredskaber er stigende (Raad van Journalistiek, 2023).

Endelig er det vigtigt fortsat at anerkende og værdsætte håndværk inden for softwarekodning og programmering. For mange skabere er kodning sproget i deres håndværk, hvilket giver dem intellektuelle udfordringer og kognitiv tilfredshed, når de opnår deres design, men deres resultater er stort set skjulte. Hvordan gør du disse mere synlige og anerkender deres resultater? I disse tilfælde bør vi ikke begrænse vores vision til den nytteværdi, der er forbundet med kodning, men også værdsætte færdigheder og håndværk i den. Desuden er det gennem engagement i praksis med at skrive koder, at folk udvikler et indgående kendskab til kodning, hvilket giver dem fundamentet til at forbedre kodningssproget og skabe nye og forbedrede sprog til kodning. Med andre ord, hvis vi fortsat ønsker at gøre softwarekodningen bedre, har vi brug for et tilstrækkeligt antal personer, der selv skriver kode. Det er vigtigt at genvurdere de menneskelige færdigheder her.

Fremtidige muligheder  

Generativ kunstig intelligens giver mange muligheder inden for softwarekodning og programmering, hvilket kan gøre det lettere for flere mennesker at deltage i kodning og skabe deres egne applikationer. Dette er et enormt potentiale for demokratisering af softwareudvikling, dvs. at den åbnes for dem, der måske ikke har været motiveret til at lære eller opfatte det som en mulighed for sig selv. GenAI kan også gøre processen med at skrive koder mere tids- og indsatseffektiv. En ulempe er imidlertid, at hvis man i for høj grad forlader sig på automatisk udvikling af koder uden tilstrækkeligt menneskeligt tilsyn, kan det betyde tab af kvalitet og manglende muligheder for at forbedre kodningspraksis.

Med hensyn til fremtiden kan der ses nogle generelle muligheder for efterforskning. 

Software, der er egnet til formålet, stammer fra menneskelig indsigt, som tilpasser opfattede behov, tekniske krav til teknologisk design, applikation og eventuel anvendelse. Software skal stadig fungere i et komplekst menneskeligt miljø, og mennesker er bedst i stand til at håndtere denne kompleksitet. Det er imidlertid afgørende, at vi finder en balance mellem automatiserede kodningsmuligheder med GenAI og menneskelig skrivning af koder eller andre former for tilsyn, som vil sikre tilstrækkelig menneskelig indsigt i denne proces og gøre det muligt at forbedre den effektivt i fremtiden. Kvalitetssikringsprocesser inden for softwareudvikling er allerede ved at blive mere iøjnefaldende med overgangen til "Shift Left", dvs. at man tidligere i softwareudviklingsprocessen engagerer sig i kvalitetssikring og fortsætter hele processen. Med andre ord kan der forventes mange kvalitetsgarantier, inden fasen med effektiv kodeskrivning er nået. GenAI-support til skrivning af koder indgår derefter i en bredere kvalitativ udviklingsproces, hvor dens styrker udnyttes optimalt.

Nøgleord

Generativ kunstig intelligens, ChatGPT, mangel på færdigheder, kodning, programmering, softwareudvikling

Download 

Download hele dokumentet "Coding and Program skills in the age of GenerativeAI" og en bibliografi med henvisninger hertil her og nedenfor. 

Om digteren

DR. Kamakshi Rajagopal er tværfaglig forsker og freelancekonsulent inden for uddannelsesdesign og -teknologi med omfattende erfaring med netværksbaseret læring og sociale læringsformater, der understøttes af innovative teknologier. Hun har en mastergrad i Linguistics (2003) og kunstig intelligens (2004) fra KU Leuven (BE). Hun afsluttede sin ph.d.-forskning på Open Universiteit (NL) i 2013 og undersøgte personlige læringsnetværk og deres værdi for løbende faglig udvikling. Hendes nuværende forskning handler om at undersøge kompleksiteten af læringsmiljøer og mere specifikt om, hvordan lærere og lærende kan støttes i håndteringen af denne kompleksitet. Dr. Rajagopal har udviklet flere (nationalt finansierede og europæiske) samarbejdsprojekter inden for primær, sekundær og videregående uddannelse med partnere fra den offentlige sektor, industrien og civilsamfundet. Nogle eksempler på hendes projekter handler om lærernetværkenes rolle inden for uddannelsesmæssig innovation, studiekredse inden for videregående uddannelse, multimodal måling i samarbejdsbaserede hybride læringsrum og integration af virtuel mobilitet på videregående uddannelsesinstitutioner. Siden 2023 har hun arbejdet med læring og udvikling inden for IT-virksomhedsrådgivning.