Jednym z wydarzeń poświęconych temu zagadnieniu był panel „Beyond VIBE: From Coding to Engineering in the Age of AI”. W dyskusji uczestniczyli Michał Antkowiak, IT Vice President, Data, Automation & AI Platforms w Procter & Gamble, Anna Raubo, IT&D Director, Digital Workplace Platforms w Reckitt, David Roberts, Chief Technology and Product Officer w Allegro, oraz Jarek Dąbrowski, Country Manager w JetBrains. Moderację prowadziła Estera Kot, CTO Clouds on Mars.

Panel dotyczył zmian zachodzących w pracy programistów w związku z rozwojem modeli generatywnych oraz narzędzi wspomagających tworzenie kodu. Sam tytuł dyskusji sugerował odejście od prostego spojrzenia na AI jako mechanizm generowania fragmentów kodu. Uwaga została skierowana na projektowanie, testowanie, wdrażanie i utrzymywanie systemów technologicznych, w których jakość, bezpieczeństwo i odpowiedzialność inżynierska pozostają równie istotne jak szybkość tworzenia rozwiązań. Podczas panelu głównym tematem dyskusji były zagadnienia związane z jakością kodu generowanego przez AI, bezpieczeństwem, niezawodnością oraz zmianą kompetencji wymaganych od specjalistów pracujących z nowoczesnymi systemami informatycznymi. Podobne procesy są widoczne w środowisku naukowym. Coraz większa część pracy badawczej jest wspierana przez narzędzia służące do wyszukiwania informacji, analizy literatury, porządkowania danych, automatyzacji obliczeń i identyfikacji zależności trudnych do uchwycenia wyłącznie metodami tradycyjnymi.

Podczas konferencji wielokrotnie powracał temat pracy z danymi. Niezależnie od tego, czy rozmowa dotyczyła inżynierii oprogramowania, biologii, medycyny czy przemysłu, wspólnym mianownikiem pozostawała zdolność do gromadzenia, integrowania i interpretowania dużych zbiorów informacji. Dla nauki oznacza to zmianę nie tylko zestawu narzędzi, ale również organizacji pracy badawczej. W wielu obszarach eksperyment przestaje kończyć się na uzyskaniu wyniku z aparatury. Coraz częściej równie pracochłonne staje się opracowanie, opisanie, powiązanie i zweryfikowanie danych.

W biologii i medycynie wykorzystanie AI wykracza poza klasyczną bioinformatykę. Algorytmy wspierają analizę obrazów mikroskopowych i histopatologicznych, pomagają identyfikować biomarkery chorób, analizować dane genomowe oraz przewidywać strukturę białek. Rosnące znaczenie AI widoczne jest również w procesie odkrywania leków, gdzie modele uczenia maszynowego wspierają analizę dużych zbiorów danych biologicznych i chemicznych, selekcję kandydatów oraz przewidywanie właściwości cząsteczek. Podobne zmiany zachodzą w codziennej pracy laboratoriów badawczych. Coraz większa liczba urządzeń generuje dane w sposób ciągły, a ich ilość przekracza możliwości ręcznej analizy. Dotyczy to m.in. sekwencjonowania, cytometrii przepływowej, mikroskopii wysokoprzepustowej, spektrometrii mas oraz badań omicznych. Narzędzia oparte na AI mogą wspierać segmentację obrazów, wykrywanie wzorców, klasyfikację wyników, kontrolę jakości danych i wybór próbek wymagających dalszej analizy. Rozwój AI zmienia również sposób pracy z literaturą naukową. Modele językowe i systemy wyszukiwania semantycznego mogą przyspieszać identyfikację publikacji, porównywanie wyników i tworzenie map tematycznych. Ten obszar wymaga jednak szczególnej ostrożności. Narzędzia generatywne potrafią tworzyć odpowiedzi pozornie spójne, ale oparte na błędnych lub nieistniejących źródłach. W pracy naukowej ich użycie wymaga kontroli bibliografii, sprawdzania DOI, weryfikacji autorów, czasopism i danych liczbowych oraz jasnego rozdzielenia informacji potwierdzonych od hipotez i interpretacji.

Uczestnicy konferencji zwracali uwagę, że rozwój AI nie eliminuje potrzeby posiadania wiedzy specjalistycznej. Wraz ze wzrostem liczby dostępnych narzędzi rośnie znaczenie krytycznej oceny wyników generowanych przez algorytmy. Dotyczy to zarówno inżynierii oprogramowania, jak i badań naukowych. Model może przyspieszyć analizę, zaproponować kod lub wskazać potencjalny wzorzec w danych, ale odpowiedzialność za interpretację, kontrolę jakości i decyzje metodologiczne pozostaje po stronie człowieka. Podobne ujęcie pojawia się w opracowaniach dotyczących wykorzystania AI w nauce. Raport „AI for Science: An Emerging Agenda” opisuje sztuczną inteligencję jako obszar wymagający współpracy między specjalistami AI, ekspertami dziedzinowymi, inżynierami i instytucjami naukowymi. Autorzy podkreślają, że rozwój AI dla nauki wymaga nie tylko coraz bardziej zaawansowanych algorytmów, ale także narzędzi, standardów i sposobów pracy umożliwiających ich odpowiedzialne zastosowanie w konkretnych dziedzinach. Nowszy preprint „When AI Meets Science” opisuje szybki wzrost liczby prac wykorzystujących AI po 2015 r., ale jednocześnie wskazuje na ograniczenia tego procesu. Autorzy zwracają uwagę na nierównomierną adopcję AI między dyscyplinami i krajami, koncentrację zastosowań wokół wybranych tematów oraz problemy związane z przejrzystością, reprodukowalnością i etyką badań. Dane te należy traktować jako aktualny, ale wciąż nierecenzowany materiał analityczny.

Wnioski z panelu „Beyond VIBE” można odnieść do nauki bez prostego przenoszenia realiów programowania na pracę laboratoryjną. W obu obszarach AI wzmacnia znaczenie dobrze zaprojektowanego procesu. W programowaniu obejmuje to: architekturę, testy, bezpieczeństwo i utrzymanie kodu. W badaniach naukowych dotyczy: jakości danych, poprawności metod, opisu eksperymentu, weryfikowalności wyników i odpowiedzialnego korzystania z narzędzi obliczeniowych. Największa zmiana polega więc na organizowaniu pracy wokół danych, modeli i decyzji podejmowanych na ich podstawie.

O prelegentach:

Michał Antkowiak – IT Vice President, Data, Automation & AI Platforms w Procter & Gamble. Ma wieloletnie doświadczenie w obszarze technologii informatycznych obejmujące business intelligence, chmurę obliczeniową, big data, AI engineering oraz rozwiązania agentowe. W P&G kieruje obszarem platform danych, automatyzacji i sztucznej inteligencji.

Anna Raubo – IT&D Director, Digital Workplace Platforms w Reckitt. Zajmuje się strategią i rozwojem platform cyfrowego miejsca pracy oraz kompetencjami DevOps. Jej doświadczenie obejmuje prowadzenie dużych inicjatyw technologicznych i wdrażanie rozwiązań wspierających cyfrową transformację organizacji.

David Roberts – Chief Technology and Product Officer w Allegro. Kieruje zespołami technologicznymi firmy, odpowiadając za strategię, wizję i rozwój produktu. Wcześniej pracował m.in. przy rozwoju programu partnerskiego Zalando oraz w strukturach Amazon w Stanach Zjednoczonych.

Jarek Dąbrowski – Country Manager JetBrains. W panelu reprezentował perspektywę firmy tworzącej narzędzia programistyczne wykorzystywane przez inżynierów oprogramowania i zespoły technologiczne.

Estera Kot – CTO Clouds on Mars. Wcześniej była związana z Microsoft, gdzie pracowała przy technologiach Azure Synapse Analytics i Microsoft Fabric. Ma doktorat z informatyki ze specjalizacją w machine learning i deep learning oraz doświadczenie akademickie jako wykładowczyni Politechniki Warszawskiej.