👀 Минутка наблюдений из кресла ревьюера
Последнее время проверяю достаточно много ml-проектов у студентов магистерских программ. Важно понимать контекст: это не лабораторные-пятиминутки, а серьезные истории, которые пилятся больше месяца.
Естественно, нейронки используют примерно все (только в разной степени). Есть две явные категории:
1️⃣ AI-assisted: Человек делает всё сам, нейронка на подхвате (фиксы, дополнение, бойлерплейт, рефакторинг).
2️⃣ AI-generated: Промпт —> Ctrl+C —> Ctrl+V —> "В продакшн!". Вмешательство кожаного мешка минимальное.
❓Как думаете, где качество выше?
Внезапно 😱 оказалось, что проекты второй группы значительно хуже со всех точек зрения.
Казалось бы, инструмент должен бустить производительность, улучшать код и вообще делать красиво. А по факту — все наоборот.
Выводов тут два, и они до боли банальны, но почему-то доходят не до всех:
👉🏻 Нейронками надо уметь пользоваться.
👉🏻 Domain Knowledge — король.
Чтобы нейронка выдала годный результат, вы должны понимать предметную область лучше неё. Вам нужно корректно поставить задачу, декомпозировать её, верифицировать результат.
Но чаще видишь кейсы из разряда "навайбкодил какую-то фигню, думая, что AI решил задачу за меня".
Спойлер: не решил.
