WIP: Software Engineering Competencies in the Age of AI

Stel je de wereld van software engineering voor als een enorme, bruisende bouwplaats. Decennialang zijn de blauwdrukken voor het trainen van nieuwe bouwers (universiteitsstudenten) zorgvuldig opgesteld door een groep strikte architecten genaamd "accreditatieorganen". Deze blauwdrukken, zoals de SE2014-richtlijnen, vertelden scholen precies welke gereedschappen ze moesten aanleren: hoe je stenen legt, hoe je beton mengt en hoe je de bouwvoorschriften volgt.

Maar toen verscheen er een nieuw soort magisch gereedschap op de bouwplaats: Kunstmatige Intelligentie (AI). Het is als een robotassistent die direct muren kan ontwerpen of de beste manier kan voorstellen om een lek te repareren. Het probleem? De oude blauwdrukken zijn niet bijgewerkt om deze robot te bevatten. Het artikel van Vonderhaar, Towhidnejad en Ochoa betoogt dat als we blijven bouwen volgens de oude kaarten, studenten afstuderen met de kennis van een hamer, om er vervolgens achter te komen dat de industrie nu draait op robotgestuurde constructie.

Het ontbrekende stuk in de gereedschapskist
De auteurs bekeken de nieuwste industriële rapporten en vacatures en vonden een opvallende kloof. Hoewel de grote industriële gids, genaamd SWEBOK, eindelijk heeft toegegeven dat AI een "fundamenteel" onderdeel van de baan is (een enorme verandering ten opzichte van de versie uit 2014, die het helemaal niet vermeldde), zitten de werkelijke curricula van scholen en het competentiemodel genaamd SWECOM nog in het verleden.

Het artikel suggereert dat universiteiten studenten momenteel de "Gouden Eeuw van AI" in sturen zonder de juiste overlevingsuitrusting. Het is alsoam een zeeman in het tijdperk van straalvliegtuigen te sturen zonder hem te leren hoe hij een radar moet lezen. De auteurs zeggen niet dat de oude vaardigheden nutteloos zijn, maar ze suggereren dat de huidige training incompleet is.

Twee nieuwe superkrachten nodig
Op basis van hun onderzoek naar wat bedrijven daadwerkelijk vragen, stellen de auteurs voor dat we twee gloednieuwe "superkrachten" aan de handleiding voor de training van software engineers moeten toevoegen. Ze suggereren niet zomaar willekeurige ideeën; ze halen deze rechtstreeks uit de literatuur die beschrijft wat de industrie op dit moment nodig heeft.

1. AI-geletterdheid (De "Robotfluisteraar"-vaardigheid):
   Dit gaat niet over het bouwen van de robot; het gaat erom hoe je met de robot praat. Het artikel suggereert dat zelfs als een student gewoon normale code schrijft, hij/zij moet weten hoe hij/zij AI-tools zoals Large Language Models (LLM's) effectief gebruikt.

• Hoe dat eruitziet: Het is als het leren van "prompt engineering" — de kunst van het stellen van de juiste vragen aan de robot om een goed antwoord te krijgen.
• De adder onder het gras: De auteurs merken op dat als je deze tools gebruikt zonder training, je eigenlijk juist trager werkt. Je moet ook weten hoe je het werk van de robot controleert op "hallucinaties" (wanneer de robot dingen verzint) en bias. Het gaat erom een slimme redacteur te zijn, niet alleen een passieve gebruiker.

2. AI-ontwikkeling (De "Robotbouwer"-vaardigheid):
   Dit is voor de studenten die de AI-systemen zelf willen bouwen. Het artikel suggereert dat dit een veel zwaardere opgave is. Het is niet alleen het kennen van een beetje wiskunde; het vereist een compleet nieuwe set hulpmiddelen.

• Hoe dat eruitziet: Dit omvat het leren hoe je rommelige data opschoont (zoals het organiseren van een chaotische garage voordat je een auto bouwt), het begrijpen van hoe je modellen traint en het weten hoe je ze test.
• De twist: De auteurs wijzen erop dat het bouwen van AI anders is dan het bouwen van normale software. Je kunt niet gewoon alles aan het begin plannen, omdat de AI van gedachten kan veranderen terwijl hij leert. Dit vereist een ander soort testen en een focus op ethiek die traditionele software niet altijd nodig had.

Wat dit artikel NIET zegt
Het is belangrijk om te weten wat dit artikel niet beweert. De auteurs beweren niet dat elke software engineer een meester-data scientist moet zijn. Ze beweren niet dat de oude manier van software bouwen dood is. Ze beweren ook niet dat universiteiten dit probleem al hebben opgelost. Sterker nog, ze geven expliciet aan dat dit een "Work-In-Progress" (WIP) artikel is.

Ze presenteren geen voltooid, opgelost puzzelstukje. In plaats daarvan houden ze een spiegel voor en zeggen: "Hé, kijk eens naar dit gat in ons trainingsplan." Ze suggereren dat de huidige richtlijnen (zoals SE2014) verouderd zijn omdat ze AI niet vermelden, en ze beargumenteren dat het competentiemodel (SWECOM) moet worden bijgewerkt om deze nieuwe vaardigheden op te nemen.

De volgende stappen
De auteurs zeggen in feite: "We hebben de kloof geïdentificeerd, en hier is een voorgestelde lijst met vaardigheden om deze te vullen." Ze suggeren dat we deze twee nieuwe gebieden — AI-geletterdheid en AI-ontwikkeling — moeten toevoegen aan de officiële lijst van wat een software engineer zou moeten weten.

Ze geven echter toe dat er grote hindernissen voor de deur liggen. Ze merken op dat AI ongelooflijk snel verandert, waardoor het bijhouden van het curriculum een constante race zal zijn. Ze maken zich ook zorgen dat sommige scholen niet over docenten beschikken die genoeg van AI weten om het te onderwijzen, en dat het toevoegen van deze nieuwe onderwerpen andere belangrijke vakken in de verdrukking kan brengen.

Het artikel biedt dus geen toverstaf die vandaag alles oplost. In plaats daarvan biedt het een routekaart. Ze suggereren dat om te overleven in de moderne beroepsbevolking, de volgende generatie software engineers vloeiend moet zijn in zowel de oude manieren van bouwen als de nieuwe manieren van samenwerken met AI. De auteurs stellen voor dat we het regelboek moeten bijwerken om ervoor te zorgen dat deze studenten klaar zijn voor de baan die er daadwerkelijk is, en niet voor de baan die tien jaar geleden bestond.