Tekoälyn hyödyntämisestä ohjelmistokehityksessä puhutaan paljon, mutta miltä muutos näyttää yksittäisen kehittäjän arjessa? Heta Björklund suoritti Goforen omien asiantuntijoiden rakentaman, ohjelmistokehittäjille suunnatun AI-Driven Developer -oppimispolun. Hän kertoo kokemuksistaan oppimispolulta sekä siitä, miten tekoäly on tullut osaksi hänen työtään ohjelmistokehittäjänä.
Ennen kuin tekoälytyökaluja voitiin hyödyntää laajemmin Hetan asiakasprojektissa, niiden käyttö jäi melko irralliseksi varsinaisesta kehitystyöstä. Tekoälyltä pystyi kysymään yleisiä kysymyksiä, mutta sille ei voinut antaa esimerkiksi projektin koodia tai muuta materiaalia.
Tilanne muuttui keväällä, kun työkaluja pääsi käyttämään konkreettisemmin omassa työssä. Samoihin aikoihin Heta aloitti Goforen AI-Driven Developer -oppimispolun, jossa suuri osa oppimisesta perustuu käytännön harjoitteluun.
”Vain tekemällä oppii. Ei voi vain lukea teoriaa tai korkean tason kuvauksia siitä, miten tekoäly voisi toimia, vaan sitä pitää oikeasti itse käyttää.”
Koulutus ja työ tukivat samalla toisiaan. Kurssilla vastaan tulleita asioita pystyi kokeilemaan työssä, ja työssä syntyneet kokemukset puolestaan auttoivat hahmottamaan koulutuksen sisältöjä paremmin.
Käyttämällä oppii, missä tekoälystä on oikeasti hyötyä
Hetan suhtautuminen tekoälyyn on muuttunut matkan aikana. Aluksi mukana oli myös skeptisyyttä.
– Mietin aluksi vähän, että mihin tätä nyt tarvitaan ja onko kaikki pakko tehdä tekoälyllä.
Käytön myötä sekä työkalujen mahdollisuudet että niiden rajat ovat tulleet tutummiksi. Samalla Heta on löytänyt tilanteita, joissa tekoäly helpottaa juuri hänen omaa työtään.
Usein hyödyllisimpiä ovat tehtävät, joissa lopputulos on tärkeä, mutta joiden yksityiskohdista ei tarvitse muodostua kehittäjän omaa erityisosaamista. Esimerkiksi yksikkötestien kirjoittamisessa Heta voi kuvata tekoälylle testitapauksen, ehdot ja sen, mitä haluaa varmistaa. Sen sijaan, että aikaa kuluisi eri kielten syntaksin muistamiseen, huomion voi käyttää itse testitapaukseen.
– Olen tykännyt käyttää tekoälyä sellaisissa asioissa, joissa en ole erityisen hyvä eikä minun välttämättä tarvitsekaan olla. Asiat, joissa tiedän itse olevani hyvä, on usein helpompaa tehdä itse.
Olennaista onkin oppia tunnistamaan, milloin tekoäly tuo työhön aidosti arvoa ja milloin tehtävä kannattaa yksinkertaisesti tehdä itse.
Hyvä lopputulos vaatii usein ensin aikaa ja kokeilua
Yksi Hetan konkreettisimmista kokemuksista liittyy asiakasprojektin tietokantoihin. Projektissa oli neljä eri ympäristöä ja jokaisessa kaksi tietokantaa. Tehtävänä oli käydä läpi suuri määrä tietoa ja selvittää, mitkä vanhat materialisoidut näkymät olivat edelleen käytössä ja miten ne liittyivät toisiinsa ja muihin tietokantatauluihin.
Työn olisi voinut tehdä käsin, mutta Hetan arvion mukaan siihen olisi kulunut päiviä. Sen sijaan hän käytti pari tuntia hyvän promptin rakentamiseen, kokeilemiseen ja hiomiseen. Kun toimiva tapa löytyi, saman työn pystyi toistamaan kaikissa ympäristöissä. Sen jälkeen tekoälyltä meni noin kymmenen minuuttia ympäristöä kohden tehdä analyysi ja luoda kaavio tietokantarakenteista ja lista näkymistä, jotka eivät olleet käytössä.
Tekoälyn hyöty oli tässä helppo nähdä, mutta toimiva ratkaisu ei syntynyt yhdellä kysymyksellä. Tehtävää ja ohjeistusta piti ensin kokeilla ja tarkentaa. Kun hyvä tapa löytyi, saman analyysin pystyi tekemään tekoälyn avulla kaikissa ympäristöissä.
Tekoälyn käytön opettelu tarkoittaakin myös sitä, että oppii määrittelemään tehtävän niin, että lopputuloksesta on oikeasti hyötyä.
Tekoäly ehdottaa, kehittäjä arvioi
Mitä enemmän tekoäly tekee, sitä tärkeämmäksi nousee kehittäjän kyky arvioida sen tekemää työtä. Hetan mielestä yksi asiantuntijan keskeisimmistä tehtävistä on ymmärtää, miksi jotain tehdään, kenelle sitä tehdään ja mikä on oikeasti tärkeää asiakkaalle ja tuotteelle.
Tekoäly ei myöskään välttämättä kerro, milloin työ on valmis. Se voi aina ehdottaa vielä yhtä parannusta tai seuraavaa asiaa tehtäväksi. Siksi kehittäjän vastuulle jää arvioida kokonaisuutta ja päättää, milloin lopputulos on riittävän hyvä.
Samalla tarvitaan ymmärrystä siitä, mitä tekoälyn annetaan tehdä. Heta nostaa esiin kokemuksen, jossa AI-työkalu yritti lähteä oma-aloitteisesti etsimään poistettuja tiedostoja paikasta, johon sen ei olisi tarvinnut mennä. Kokemus konkretisoi, miksi agenttien ohjeet, käyttöoikeudet ja rajat täytyy miettiä tarkasti.
Tekoälyn hyödyntäminen ei siis vähennä tarvetta ymmärtää omaa työtä. Monessa kohtaa se päinvastoin edellyttää kehittäjältä entistä tietoisempia valintoja.
Osaaminen kasvaa myös yhdessä
Hetan projektitiimissä AI-osaamista ei rakenneta pelkästään yksin. Tiimillä on yhteisessä repositoriossa tekoälylle tarkoitettuja ohjeita, joita kehitetään yhdessä. Kun joku löytää esimerkiksi hyödyllisen uuden skillin tai toimintatavan, muutkin voivat ottaa sen käyttöön.
Yksi esimerkki on tiimissä tehty promptipohja haavoittuvuuksien arviointiin. Sen avulla tekoäly voi auttaa selvittämään uuden haavoittuvuuden kuvauksen perusteella, koskeeko se heidän järjestelmäänsä ja mitä sen suhteen pitäisi tehdä. Näin yksittäisestä kokeilusta voi tulla nopeasti koko tiimin hyödynnettävä toimintatapa.
AI-Driven Developer -polulla vertaistukea oli tarjolla myös osallistujien yhteisessä Slack-kanavassa, jossa pystyi esittämään kysymyksiä, jakamaan omia oivalluksia ja palautetta sekä keskustelemaan muiden kanssa. Hetalle siitä oli apua etenkin silloin, kun harjoituksissa tuli vastaan teknisiä ongelmia.
Oppimispolku tuo uuden opetteluun rakennetta ja mahdollisuuden kokeilla. Omassa työssä puolestaan näkee, mitkä tavat toimivat käytännössä. Kun hyväksi havaittuja tapoja jaetaan vielä tiimin kesken, kaikkien ei tarvitse ratkaista samoja asioita itse alusta asti.
Seuraavaksi kiinnostavat itsenäisemmät agentit
Oppimispolun jälkeen Hetalla on jo mielessä, mitä hän haluaisi opetella lisää seuraavaksi. Häntä kiinnostavat erityisesti aidosti autonomiset agenttiset työnkulut, joissa tehtävä voisi jakaantua useille agenteille ja edetä pidemmälle ilman jatkuvaa ihmisen ohjausta.
Omassa asiakasprojektissa kaikkea ei kuitenkaan vielä voi kokeilla. Tekoälyä ei esimerkiksi saada päästää kaikkiin niihin järjestelmiin, joiden tietoja agenttinen työnkulku tarvitsisi. Oppimispolulla Heta onkin päässyt tutustumaan myös sellaisiin tapoihin käyttää tekoälyä, jotka eivät vielä ole mahdollisia oman projektin arjessa.
Konsulttityössä uuden opiskelulle ei aina ole helppo löytää erillistä aikaa, mutta Hetan kokemuksen perusteella paras tilanne syntyy silloin, kun oppiminen ja oma työ tukevat toisiaan. AI-Driven Developer -oppimispolku tarjosi tähän yhden rakenteen.
”Oli tosi hienoa, että työnantajan puolelta on tällainen koulutus. Siihen on selvästi käytetty paljon aikaa, ja koulutus oli hyvin toteutettu.”
Lopulta Hetan neuvo toiselle tekoälyosaamistaan kehittävälle ohjelmistokehittäjälle on yksinkertainen: käytä työkaluja itse. Kaikkea ei tarvitse tehdä tekoälyllä, mutta omat käyttötavat ja työkalujen rajat löytää vasta kokeilemalla. Tavoitteena ei tarvitse olla tekoälyn käyttäminen mahdollisimman paljon. Olennaisempaa on oppia tunnistamaan, milloin siitä on oikeasti hyötyä.
Oletko kiinnostunut Goforesta työpaikkana?
Grow with AI
AI-Driven Developer on Goforen ohjelmistokehittäjille suunnattu 11 viikon oppimispolku, jossa AI-osaamista kehitetään käytännön tekemisen kautta. Noin 70 prosenttia oppimisesta on käytännön tekemistä ja 30 prosenttia teoriaa. Sisällön ovat rakentaneet Goforen omat asiantuntijat, ja polun suorittamisesta saa sertifikaatin.
Artikkeli on osa Goforen Grow with AI -teemaa, jossa tarkastelemme tekoälyn vaikutusta asiantuntijatyöhön ja nostamme esiin goforelaisten kokemuksia työn muutoksesta ja uuden oppimisesta.
Lue myös teeman aiemmat sisällöt:
Joonas Korpelan blogi Mitä asiantuntijuus tarkoittaa AI-aikakaudella?
Artikkeli Miten ohjelmistokehittäjä kehittää osaamistaan, kun AI muuttaa työtä?
