Часть 1
Ещё несколько лет назад совет молодому человеку идти учиться в сферу информационных технологий, на специальности 09.00.00 или 10.00.00 укрупненных групп, звучал как почти беспроигрышный билет в финансовую уверенность в своем будущем. Современные технологии становились всё важнее, цифровизация проникала в бизнес, государство и обычную жизнь. Разработчиков, devops и сетевых инженеров банально не хватало, зарплаты росли по экспоненте, а обучение на ИТ направлении гарантировало человеку востребованность на долгие годы вперёд.
Сегодня такой карьерный трек уже не выглядит настолько надежным. Причина довольно проста: рядом с человеком появился инструмент, который умеет писать программы, объяснять ошибки, создавать SQL-запросы, генерировать конфигурации, анализировать документы и за считанные секунды выдавать результат, на который раньше начинающий специалист мог потратить несколько часов — это Искусственный Интеллект. Вполне закономерно возникает вопрос: если AI уже умеет делать значительную часть работы айтишника, зачем вообще студенту тратить несколько лет на изучение сложных по наполнению предметов?
Вопрос кажется почти убийственным для всей системы профессионального образования во всем мире. С одной стороны — четыре года, которые человек посвящает изучению программирования, с другой — нейросеть способная написать все то же самое по простому текстовому описанию. Зачем учить синтаксис команд Linux, если достаточно спросить у ИИ, какую команду выполнить? Зачем будущему администратору разбираться в сетевых протоколах, если искусственный интеллект может нарисовать схему сети и предложить конфигурацию маршрутизаторов для конкретного кейса? И зачем будущему специалисту по информационной безопасности изучать огромное количество технологий, если ИИ может за секунды рассказать, что такое очередная уязвимость и предложить способ её закрытия?
На первый взгляд все верно, но «дьявол кроется в деталях». ИИ действительно умеет генерировать ответы. Только вот ответ и решение проблемы — далеко не одно и то же.
Представим инженера, который получил от искусственного интеллекта конфигурацию для всех маршрутизаторов сетевой инфраструктуры. Нейросеть написала её быстро, красиво и уверенно с исчерпывающим перечнем команд для оборудования конкретного вендора. Начинающий специалист скопировал её, применил и … всё заработало. Стороннему наблюдателю будет казаться, что человек успешно выполнил задачу. А через несколько дней в сети возникла проблема: один из маршрутов начал распространяться не туда, куда должен был, резервный канал стал принимать нежелательный трафик, либо после отключения одного из маршрутизаторов часть сети оказалась недоступна. Снова спрашивает ИИ, получает ещё один красивый ответ … итерации могут длится бесконечно.
А теперь представим другого специалиста. Он тоже пользуется ИИ и тоже вполне может попросить нейросеть подготовить конфигурацию. Но он понимает, что именно происходит. Он знает, что такое AS_PATH, понимает принцип работы BGP, умеет читать таблицу маршрутизации, знает, где искать причину проблемы и каким образом проверить изменение маршрута. И если искусственный интеллект предложил ему неправильное решение, он заметит это до того, как оно попадёт в рабочую сеть и вызовет проблемы в рабочей среде. Проблемы, которых можно было избежать изначально еще на первом шаге, при отсмотре исходной конфигурации, о которой была речь в предыдущем абзаце.
Вот здесь и проходит одна из главных границ между специалистом и оператором искусственного интеллекта («мясным прокси», как шутливо сейчас его называют инженеры с опытом).
ИИ действительно шаг за шагом постепенно забирает у человека огромное количество рутинной работы. Но вместе с этой рутиной он не забирает необходимость понимать, что именно происходит в проектируемой системе. Более того, чем больше автоматизации появляется вокруг нас, тем дороже для бизнеса или государства становится способность инженерных специалистов отличать правильный результат от убедительно написанного неправильного результата.
Это хорошо видно на примере программировании. Раньше начинающий разработчик мог получить небольшую задачу, написать несколько десятков строк кода, потратить вечер на поиск ошибки и постепенно разобраться в том, как всё работает, не допуская аналогичных проблем в будущем. Сегодня он может попросить нейросеть написать весь фрагмент программы практически мгновенно. Удобно, чертовски удобно. Но возникает опасность: человек получает работающий код, не понимая, как и почему он работает. Пока всё идёт хорошо, разницы для потребителя практически нет. Проблемы начинаются тогда, когда что-то перестаёт работать.
Именно в этот момент оказывается, что знание основ компьютерных технологий — это вовсе не пережиток прошлого и не бесполезная теория из образовательной программы, которую вдалбливали в инженера его колледжевские или университетские преподаватели. Это тот самый инструмент, который позволяет человеку разговаривать с искусственным интеллектом не как с высшим существом, отвечающим на запросы, а как с помощником.
Маркетологам, которые гонятся за продажей платных подписок на свои AI, несложно оповестить общественность: «Теперь нейросеть умеет программировать лучше человека». Гораздо сложнее ответить на вопрос: «А что именно она умеет программировать, насколько хорошо и кто отвечает за результат?»
Я соглашусь, ИИ прекрасно справляется с типовыми задачами. Он может создать шаблон приложения, написать регулярное выражение, преобразовать данные, предложить SQL-запрос, объяснить ошибку компилятора или подготовить Bash-скрипт. Может даже написать простой сайт или несложную автоматизацию. Но реальная ИТ-инфраструктура редко представляет собой учебный пример из нескольких файлов.
В реальной компании существуют старые системы, странные настройки — наследие предыдущего администратора, ограничения безопасности, несовместимые версии программного обеспечения, требования регуляторов, внутренние процессы и люди, которые работают с этой инфраструктурой. Там нельзя просто написать в промте «сделай как сеньор-разработчик». Нужно понимать, что конкретно происходит в каждом модуле приложения, в каждой настройке сетевой конфигурации, что спускается на оборудование.
Особенно хорошо это заметно в информационной безопасности. Можно попросить ИИ написать правило Suricata, объяснить CVE или предложить настройки межсетевого экрана. Но специалист должен понимать, что именно он защищает, от кого, каким способом и какой ценой. Если искусственный интеллект предложит заблокировать подозрительный трафик, возникает следующий вопрос: а не заблокируем ли мы вместе с ним легитимный? Если он предлагает включить глубокую инспекцию трафика, нужно понимать, где заканчивается безопасность и начинаются проблемы с производительностью, совместимостью и конфиденциальностью.
ИИ может предложить десять вариантов решения. Ответственность за один выбранный вариант всё равно останется на человеке.
Именно тут мы подходим к довольно неприятному для образовательной системы выводу. Возможно, университетам и колледжам действительно придётся менять подход к обучению ИТ, потому что если ранее главной целью образования было научить человека самостоятельно выполнять рутинную операцию, то искусственный интеллект уже очень быстро делает эту модель устаревшей и действительно способен заменить подобных специалистов.
Соответствует редакционной политике
