Loading…

Bila mesin buat semuanya pantas, bahagian yang lambat sekarang cuma memutuskan dan menyemak?

Ovid
Awam 10 perbualan 18 pemikiran 14 undian sokong 7 undi tolak 0 siri 43 tontonan

Dulu, bahagian paling lambat dalam kerja ialah pengeluaran, jadi kita bina seluruh kerjaya untuk jadi pantas membuatnya. Sekarang mesin yang pantas, dan bahagian yang lambat ialah memutuskan apa yang hendak dibuat serta menyedari bila ia tersilap secara senyap-senyap — satu kerja yang berbeza daripada yang dilatih oleh kebanyakan kita.

In groups

Kandungan perbincangan

Beberapa minggu lalu saya melihat satu pull request masuk yang lulus setiap ujian, dibaca dengan kemas, dan tersilap pada satu edge case tanpa disedari. Model menulisnya dalam masa kurang seminit. Orang yang meluluskannya pula mungkin menghabiskan sembilan puluh saat untuk semakan. Pepijat itu muncul empat hari kemudian di tempat yang menelan kos kira-kira $5000 (tidaklah banyak, tetapi tidak sedikit juga). Tiada siapa yang cuai dalam erti kata yang biasa kita maksudkan. Mereka cuma meletakkan perhatian di tempat kerja itu dahulu berada, iaitu pengeluaran, dan bukan di tempat kerja itu sudah berpindah, iaitu memutuskan dan menyemak.

Itulah peralihan yang saya mahu namakan, kerana kebanyakan nasihat kerjaya masih belum mengejar perubahan ini. Sekian lama, bahagian kerja ilmu yang lambat dan mahal ialah membuat sesuatu, dan semakan serta ujian dibuat sambil jalan, kerana sesuatu itu mengambil hari/minggu/bulan untuk siap. Lebih banyak edge case akan ditemui sambil bekerja. Menulis kod, merangka brief, membina model, mengemas kini UI... Jadi kita susun segalanya untuk jadi lebih pantas dan lebih bersih dalam pengeluaran, dan kita memang betul berbuat begitu, kerana itulah halangan utamanya. Buang satu halangan, nilainya tidak lenyap. Ia berpindah. Apabila menjana sepuluh pilihan yang munasabah hanya mengambil beberapa saat, perkara yang berharga bukan lagi penjanaan itu. Yang berharga ialah tahu yang mana satu antara sepuluh itu betul, dan menangkap yang nampak munasabah tetapi sebenarnya salah.

Ini dua kemahiran khusus, dan ia bukan perkara yang sama dengan pandai melakukan tugas itu sendiri. Pertama ialah arah: menyatakan dengan cukup jelas apa yang sebenarnya dikehendaki supaya hasilnya berbaloi dimiliki, dan memandu mesin apabila percubaan pertama tersasar, yang memang pasti berlaku. Kekuatan kemahuan menjadi lebih penting dalam era AI, untuk memegang wawasan yang jelas dan matlamat akhir yang jelas, supaya tidak terpesong oleh cadangan AI. Kedua ialah pengesahan: menyandarkan hasil kepada realiti cukup keras untuk menangkap kegagalan yang menyamar sebagai kejayaan. PR tadi ialah seluruh masalah ini dalam bentuk kecil. Mesin sangat pandai menghasilkan kerja yang nampak siap, dan kosnya sudah berpindah kepada orang yang mampu menilai sama ada ia benar-benar siap. Dalam cerita itu, orang yang menangkap pepijat lebih bernilai daripada orang yang menulis kod.

Nilai wawasan produk dan penetapan keperluan sudah meningkat banyak. Nilai pemikiran strategik dan perancangan projek (memecahkan kepada pencapaian, tugas, dan aliran kerja yang boleh dicapai..) juga naik. Begitu juga nilai pengujian di semua lapisan. Semua perkara ini menjadi semakin penting dalam revolusi AI, kerana inilah halangan baharu, dan bukan lagi menulis kod. Dan semua ini masih paling baik dibuat oleh jurutera yang dahulunya menulis kod.

Thoughts

  • spike_teknikal

    Bahagian yang paling tepat dalam cerita ni ialah sembilan puluh saat untuk semakan. Pepijat $5000 tu bukan kerana model lemah, ia kerana radius letupan PR dibaca daripada diff yang nampak kemas, bukan daripada sistem yang akan jalankan kod itu pukul dua pagi. Edge case yang lulus semua ujian biasanya edge case yang takde ujian, dan tiada model boleh tulis ujian untuk kes yang orang sendiri tak terfikir. Jadi ya, kerja itu memang dah berpindah ke semakan. Cuma kosnya masih ditanggung oleh orang yang sama yang tak diberi masa untuk buat semakan itu betul-betul.

    Permalink
  • standing_desk_tunjuk

    Di tempat aku penyelesaiannya senang. Mereka beli lesen AI untuk seluruh team, naikkan target output dua kali ganda, lepas tu letak satu langkah "AI review" dalam pipeline yang pun model jugak yang jalankan. Jadi sekarang model semak kerja model, dan kami snap gambar untuk LinkedIn pasal "budaya kualiti". Sembilan puluh saat tu pun rasa mewah, sebab tiada manusia langsung yang tengok.

    Permalink
  • aku_exit_liquidity

    Cantik post. Cuma lucu sikit tengok engineer baru jumpa benda yang founder dah hidup sepuluh tahun. Bahagian susah memang selalu memutuskan apa nak buat, bukan buat. Kau orang baru perasan sebab tiba-tiba ada mesin buat bahagian senang untuk kau. Selamat datang ke kerja yang aku tak boleh tidur sebabnya sejak 2019. Bezanya, aku tak ada sembilan puluh saat untuk semak, aku ada satu peluang dan kad kredit sendiri.

    Permalink
  • roadmap_betul

    Setuju dengan rangkanya, cuma saya nak tambah satu lapisan dari sebelah produk. Dua kemahiran yang disebut, arah dan pengesahan, sebenarnya hidup dalam dua peranan berbeza di kebanyakan syarikat:

    • arah selalunya diharapkan datang dari PM atau lead, tapi tak pernah ditulis cukup jelas untuk dipandu balik

    • pengesahan diharapkan datang dari engineer, tapi diukur ikut berapa cepat PR ditutup, bukan berapa banyak yang ditangkap

    Jadi peralihan ni betul, tapi insentif belum berpindah. Kita masih bayar orang untuk laju menghasilkan, lepas tu hairan kenapa bahagian memutuskan jadi cincai. Mesin cuma dedahkan jurang yang memang dah ada.

    Permalink
  • kerja_lebih_masa

    Versi terkuat hujah post ni, pada saya, ialah bahagian terakhir: kerja arah dan pengesahan masih paling baik dibuat oleh jurutera yang dulu menulis kod. Itu betul dan penting. Tapi saya nak tegaskan satu perkara yang mudah hilang. Kebolehan menilai sama ada sesuatu betul-betul siap tu datang dari bertahun menulis benda yang rosak sendiri. Kalau syarikat berhenti bagi orang baru menulis kod sebab model dah laju, kita sedang potong dahan tempat kemahiran semakan itu tumbuh. Lima tahun lagi siapa yang akan ada parut yang cukup untuk tahu yang mana antara sepuluh PR tu betul?

    Permalink
  • fail_proses

    Saya nak sentuh bahagian "menyedari bila ia tersilap secara senyap-senyap". Dalam pengalaman saya, masalahnya bukan sahaja semakan teknikal, tapi tiada rekod siapa yang memutuskan apa. Bila model hasilkan kod dan seseorang luluskannya dalam sembilan puluh saat, keputusan itu tak pernah ditulis di mana-mana. Empat hari kemudian bila pepijat muncul, tiada catatan keputusan untuk dirujuk, cuma satu nama dalam log git. Memaku keputusan pada seseorang itulah yang buat orang menolak dokumentasi, dan AI baru je gandakan bilangan keputusan tak bertulis yang kita buat setiap hari.

    Permalink
  • minggu_release

    Aku jaga jalur release, jadi aku nampak corak ni tiap minggu sebelum AI pun masuk gambar. Kerja yang menahan production daripada terbakar memang tak pernah masuk naratif kenaikan pangkat. Sekarang model boleh hasilkan sepuluh PR sehari, dan semua sepuluh tu mendarat atas meja orang yang sama yang sepatutnya semak. Yang berubah bukan kerja itu, yang berubah cuma kelajuan ia sampai. Kami dulu ada masa sebab pengeluaran tu sendiri yang lambat. Buffer tu yang hilang, bukan kemahiran.

    Permalink
  • spike_teknikal

    Satu butiran kecil yang penting: $5000 tu bukan kos pepijat, itu kos yang sempat dikira. Pepijat yang muncul empat hari kemudian di tempat yang boleh dikira dolarnya tu pepijat yang bertuah. Yang betul-betul mahal ialah yang menyamar jadi kejayaan selama berbulan dan tak pernah dapat angka langsung. Sembilan puluh saat semakan tu menjimatkan masa pada kos yang tak pernah masuk mana-mana lejar.

    Permalink

Related discussions

  • Adakah AI membuatkan hampir mustahil nak bezakan jurutera hebat daripada yang cuma bising?

    Maklum balas yang sama asyik datang dalam pelbagai bentuk: “velociti hebat,” “suka throughput dia,” “bagus guna AI.” Dari luar, memang nampak macam lebih banyak yang berlaku: lebih banyak Code Review, lebih banyak tiket disentuh, lebih banyak kemas kini, lebih banyak e-mel, lebih banyak tugas, lebih banyak reka bentuk. AI memudahkan kita kekalkan rentak itu tanpa geseran biasa menulis, berfikir, atau teragak-agak pun. Tetapi di dalam kerja itu sendiri, ada satu dilema yang makin lama makin membe

  • Betulkah stack ranking menukar rakan sekerja menjadi musuh?

    Stack ranking sentiasa berakhir dengan politik kerana ia mengubah makna kecekapan dalam sesebuah organisasi. Apabila pekerja dinilai antara satu sama lain dan bukan terhadap satu piawaian atau objektif yang stabil, rakan sekerja yang paling pandai bukan lagi aset tempat boleh belajar dan bekerjasama, sebaliknya bertukar menjadi pesaing. Kejayaan mereka boleh menjatuhkan kedudukan sendiri. Penonjolan mereka boleh menjejaskan ruang kenaikan pangkat. Kepakaran mereka jadi ancaman kepada keselamatan

  • AI boleh buat kau hilang akal — dan kalau kau rasa tak, kau lagi besar risikonya?

    Saya selalu rasa syarikat AI sebenarnya pasang lapisan di atas AI untuk mengesan yang kita sedang menguji kemampuannya berfikir. Contohnya dulu, masa kita suruh ia mengira huruf vokal/konsonan dalam sesuatu perkataan dan jawapannya silap. Saya rasa ada skrip yang dipanggil sebaik-baik tugas itu dikenal pasti betul. Saya pun rasa ia dilatih atas meme-meme begini. Hari ini, saya jumpa satu ujian baharu, yang menunjukkan betapa mudahnya AI menjangkitkan kau dengan psikosis AI dan betapa senangnya u

  • Awak kena tersilap matlamat dulu baru boleh naik pangkat?

    Tiga tahun lalu saya perhatikan pengurus saya capai setiap satu sasaran suku tahun, dua tahun berturut-turut. Papan pemuka bersih. Hijau di merata tempat, sepanjang masa. Dialah orang yang paling boleh diharap dalam bangunan itu, dan pada kitaran perancangan berikutnya pasukannya dikecilkan empat orang jurutera daripada 35 dan dicantum di bawah orang lain. Tiada siapa membingkainya sebagai hukuman, sebaliknya sebagai "kecekapan" dan "kami mahu melabur di tempat lain". Pengajarannya tetap sampai

  • Adakah pemisahan hard skill dan soft skill menjadikan orang lemah pada kedua-duanya?

    Hard skill ialah kebolehan atau pengetahuan teknikal yang boleh diukur, khusus, dan boleh diajar, yang diperoleh melalui pendidikan, latihan, atau pengalaman, dan selalunya berkait terus dengan sesuatu pekerjaan atau industri. Contohnya analisis data, pengaturcaraan, reka bentuk grafik, perakaunan, menari, melukis… Lazimnya inilah teras sesuatu profesion, terutama bahagian yang tidak melibatkan interaksi dengan orang lain. Manakala soft skill pula kebanyakannya ditakrifkan sebagai “sifat peribad

  • Bila kau dah faham insentif korporat, kau betul-betul berhenti rasa kecewa?

    Ada satu status deck di suatu sudut syarikat yang tiada siapa baca. Ia dikemas kini setiap beberapa minggu, ditayang dalam mesyuarat, lalu dilupakan. Bos pun tahu hal ini. Mereka pernah bina deck yang sama semasa mendaki dulu dan faham betapa sedikit fikiran yang biasanya masuk ke dalamnya. Penjelasan biasa untuk kerja sibuk korporat ialah ada orang di atas yang keliru atau terputus dengan realiti. Itu melegakan, tetapi kebanyakannya salah. Artifak ini terus hidup kerana ia memang ada tugasnya,

  • Kalau AI sendirian tak boleh ganti kerja pejabat, boleh atau tidak seorang yang ada AI ganti beberapa orang lain?

    Ramai pekerja pejabat menenangkan diri dengan soalan yang salah. Mereka asyik tanya sama ada AI boleh buat kerja mereka sepenuhnya. Bukan itu ukuran yang majikan akan guna. Soalan sebenarnya: boleh atau tidak hasil itu dikeluarkan cukup murah, dan disemak cukup murah, sampai jawatan itu mula nampak mahal. Bukan persoalan AI boleh ambil alih sepenuhnya kerja kita, tetapi "boleh atau tidak ia mempercepatkan kerja itu cukup lama sampai separuh sahaja daripada pasukan saya diperlukan?". Sebab jawapa

  • Kenapa pengurus mahu semua orang lain guna AI kecuali diri mereka sendiri?

    Yang mula menyakitkan hati saya bukan desakan AI itu sendiri. Sebahagian alatnya memang berguna. Saya guna setiap hari sekarang. Yang menyakitkan hati ialah pihak pengurusan menuntut sikap “AI-first” sambil mengekalkan setiap proses di sekelilingnya dalam keadaan yang amat memusuhi penggunaan AI. Orang disuruh guna AI untuk coding, perancangan, kajian, draf, debug, mencari maklumat, penyelarasan projek.. Tetapi separuh daripada pengetahuan operasi syarikat masih tersimpan dalam perbualan yang ta