Las herramientas de IA generativa pueden ser poderosas ayudas en el desarrollo de habilidades. Para aprovecharlas al máximo, tenemos que aprender cómo aprendemos.
Aprendemos generando
Philip Grabenhorst Lead Software Developer @ Phenomena in Medium Daily Digest
https://medium.com/@phlip007/the-problem-of-a-generation-ae1336a68d16
“Solo tienes que practicar los días que comes”. —Shinichi Suzuki
Ahora estoy saliendo del período de sequía más largo de mi vida musical. Durante casi un año no he actuado ni enseñado, ni he prestado vaga atención a mi instrumento. Lo racionalizo diciendo que he podido deconstruir mi técnica y volver con más madurez y menos tensión en mi forma de tocar. Pero ha sido duro. Nada te hace apreciar la naturaleza efímera de una interpretación experta como la música. (Afortunadamente, vuelve rápidamente. Intente buscar la rutina de jubilación de Heifetz). Del mismo modo, no se me ocurre ninguna disciplina en la que la práctica diaria tenga un impacto tan profundo en la capacidad para hacer el trabajo.
Una manzana un día
En cualquier disciplina, la gente podría decirnos que “hagamos un poco cada día”… como principiantes. Cuando estaba enseñando, ciertamente les dije eso a mis alumnos. (En ese momento, yo también practicaba todos los días; los niños de 12 años tienen un sexto sentido para la hipocresía). Duolingo rastrea nuestras rachas de aprendizaje de idiomas para guiarnos hacia una rutina «cotidiana». Cuando empezamos a codificar, la mayoría de la gente dirá lo mismo: «haz un poquito todos los días». Existen muchos programas diseñados en torno a este modelo, como Codecademy . Se dice que Benjamín Franklin practicaba la escritura todos los días. Una de las variaciones más ridículas que he encontrado es esta, de James Altucher., que genera diez ideas aleatorias cada día. Seamos honestos, esa es una habilidad extraña. Admiro la dedicación. Pero ¿qué pasa con las personas que no son principiantes?
La mayoría de los músicos con los que he hablado hablan de práctica de “mantenimiento”. No tienes que hacer tanto como cuando estás desarrollando tus habilidades, pero aun así tienes que hacer algo. Ningún violinista vendría a una actuación sin repasar su pieza el día anterior y el día anterior… Y aunque podemos imaginar que disciplinas menos físicas están exentas, sospecho que ese no es el caso. He hablado mucho con ingenieros de software que se han alejado del teclado hacia otras áreas de la industria, como el trabajo directivo o de marketing, y dicen lo mismo: cuando vuelven al teclado, tienen un período de “calentamiento” donde se sienten lentos y les resulta difícil. Esto es independiente del aprendizaje de nuevas habilidades (que siempre debemosestar haciendo), es la activación de una habilidad que ya hemos aprendido. Necesitamos práctica diaria tanto para crecer como para mantener nuestras habilidades.
¿Qué está haciendo realmente todo este trabajo? Bueno, depende de la eficiencia y el contenido de nuestra práctica: por ejemplo, si nos estamos planteando suficientes desafíos. También lleva mucho tiempo. Sin embargo, en general, esta práctica diaria nos ayudará a “fragmentar” ciertos recuerdos, liberando nuestra memoria de trabajo para tareas más complejas. En el libro El ABC de cómo aprendemos., los autores explican el poder de esta manipulación de la memoria simbólica, afirmando que «las personas pueden comenzar a trabajar al nivel del fragmento, lo que libera la memoria de trabajo para considerar otras relaciones y alternativas». El ejemplo que ponen es de chef, pero podemos imaginar las alternativas en cualquier disciplina. Un violinista puede razonar al nivel de la frase, en lugar de preocuparse por notas individuales. Un estudiante de idiomas se libera de las preocupaciones de la gramática y se centra en las ideas que quiere expresar. Un programador de computadoras rápidamente deja de pensar en las diferencias entre los bucles for y while y observa la arquitectura más amplia. Cualquiera que sea la disciplina, creamos estos fragmentos cuando desarrollamos habilidades y mantenemos nuestra capacidad para sacarlos a la superficie rápidamente cuando mantenemos nuestras habilidades.
Degeneración
¿Y si paramos? Cuando se lanzó GPT-3 por primera vez, Katelyn Donnelly hizo esta pregunta en un artículo titulado Evitar la maldición de la descalificación . Conceptualmente, dice lo mismo que otros artículos que abordan la escatología del trabajo del conocimiento en la era de la IA: hay cosas que confiamos en que hagan los humanos pero que no confiamos en las máquinas. Dado lo bien programados que estamos para confiar en las personas y las cosas que son similares a nosotros, es posible que esto nunca cambie. Josh Comeau escribió recientemente sobre este tema, centrándose en los nuevos ingenieros que están ingresando al espacio. Más concretamente, Lyndon Cerejo, al escribir sobre UX , afirmó que la empatía es nuestra habilidad más importante, sin importar cuán avanzadas se vuelvan nuestras herramientas.
Pero el tratamiento que Donnelly da al tema deja entrever algunos problemas fundamentales de automatización y desarrollo de habilidades. Pone el ejemplo de un accidente aéreo. Los pilotos habían abandonado su práctica diaria, de modo que realmente sólo “practicaban” cuatro horas al año. Cuando se les pidió que asumieran el control y abordaran una situación en la que no se confiaba en el sistema automatizado, sus habilidades de desempeño fallaron. Incluso yo, el año pasado, pasé más tiempo tocando mi violín. No me encontrarías ni muerto en un escenario.
Cuando hablamos de herramientas de IA y sus contribuciones más potentes, normalmente hablamos de herramientas de IA generativa. Ahora mismo podemos utilizar derivados de GPT para generar enormes cantidades de código. La idea es que la mayor parte de este código es repetitivo de todos modos, y estamos aliviando la “pesadilla” de tener que resolverlo nosotros mismos.
Pero ¿qué pasa si permitimos que se elimine demasiado trabajo pesado de nuestro trabajo? ¿Qué podría pasar con nuestro trabajo como ingenieros de software si nos permitimos convertirnos en el piloto de “4 horas por año”? El copiloto de GitHub y otras herramientas generativas pretenden hacer esto posible, pero ¿es siquiera deseable? Si se espera que tomemos decisiones informadas a nivel de fragmentos arquitectónicos, ¿cómo podemos hacerlo si ignoramos las piezas abstractas y fundamentales con las que se construyen esos fragmentos?
Aprendemos generando. Esto es conceptualmente sinónimo de la escuela de pensamiento constructivista en la Teoría del Aprendizaje, de la que hablamos mucho en mi trabajo diario. Si automatizamos el proceso de generación, entonces no estamos aprendiendo. Esta no es una evaluación moralista: la IA generativa no es mala. Simplemente no nos hace más hábiles ni nos ayuda a mantener las habilidades que ya hemos desarrollado.
Si nuestro objetivo es ser buenos solucionadores de problemas y razonar eficazmente en sistemas complejos, entonces tenemos que hacer mucho de eso a diario. Creo que GPT y otras herramientas generativas pueden ser increíblemente empoderadoras y ayudarnos a lograrlo. En su artículo, Josh Comeau recomienda un enfoque contradictorio. Podríamos utilizar los LLM para perfeccionar nuestras habilidades al pedirles que produzcan varias soluciones alternativas a un problema para que las analicemos. Ya estamos viendo este caso de uso en entornos educativos tradicionales . ¿Qué pasaría si nuestras herramientas generativas tomaran la forma de un equipo rojo o un mono del caos , sondeando y haciendo agujeros en nuestro trabajo? Enfoques como estos acortan los ciclos de retroalimentación necesarios para el aprendizaje, pero no nos sacan del circuito.
Tengo una gran curiosidad por ver cómo terminan luciendo estas herramientas. Quizás nuestros sistemas de gestión del conocimiento puedan desempeñar un papel, donde podamos utilizar herramientas generativas para aplicar automáticamente sólo los «fragmentos» de código que entendemos completamente. Incluso podríamos usarlos para diseñar cronogramas para el mantenimiento de habilidades, donde se generan desafíos novedosos utilizando estructuras que ya hemos interiorizado. Emocionante, ¿no?
El verdadero objetivo
Para alcanzar nuestras metas personales, profesionales y sociales, tenemos que aprender cómo aprendemos. Incluso si llegamos al punto en el que confiamos en nuestras máquinas para crear sistemas completos sin intervención humana, todavía tendremos que dedicar nuestro tiempo a hacer algo. Por lo tanto, el problema aquí es tanto de aspiraciones individuales como de competencia entre humanos y máquinas. Si decidimos que queremos ser un determinado tipo de persona (o ayudar a resolver cierto tipo de problema), la práctica diaria y deliberada es una de las herramientas más importantes para lograrlo. La IA generativa nos ayudará o nos perjudicará mientras perseguimos nuestros objetivos. Sin embargo, al final del día, la elección es nuestra.
