जब AI संकलक बन जाता है तो programming शिक्षा को क्या सिखाया जाना चाहिए?

मेटा विवरण: इंजन-वर्धित एजेंट गैर-विशेषज्ञों को विशेषज्ञ कलाकृतियां बनाने देते हैं, लेकिन शिक्षकों को कार्य अंतराल को बंद करने के लिए विनिर्देश, सत्यापन और पुनर्प्राप्ति सिखाना चाहिए।

टैगः इंजन-वर्धित एजेंट, AI शिक्षा, सत्यापन, मानव-इन-द-लूप, कोडिंग एजेंट

विशेष रुप से प्रदर्शित छवि: प्राकृतिक भाषा के निर्देशों का अमूर्त, मैत्रीपूर्ण चित्रण एक सत्यापन परत के माध्यम से सटीक कंप्यूटिंग इंजन में गुजरता है, कोई लोग, लोगो या पाठ नहीं।

शिक्षकों, छात्रों और पेशेवरों के लिए जो इंजन-वर्धित एजेंटों के साथ काम करते हैं, मुख्य टेकअवे यह है कि प्राकृतिक भाषा इंटरफेस पेशेवर कंप्यूटिंग इंजन चलाने के लिए आवश्यक कौशल को कम कर रहे हैं, लेकिन वे उन इंजनों का उत्पादन करने के लिए जरूरी कौशल को नहीं घटा रहे हैं। शैक्षिक प्रतिक्रिया ऑपरेटिंग टूल से आगे बढ़कर विनिर्देश लिखने, आउटपुट सत्यापित करने और त्रुटियों से उबरने की ओर होनी चाहिए।

सटीक इंजन प्राकृतिक भाषा इंटरफेस के नीचे रहते हैं

बूलियन-बीजगणित आधारित तार्किक इंजन कंप्यूटिंग इतिहास के लिए केंद्रीय रहे हैं। चूंकि 2000 के दशक में उन्नत GPUs उभरा, neural networks ने कुछ क्षेत्रों में सटीक कम्प्यूटिंग सिस्टम के साथ प्रतिस्पर्धा करना शुरू कर दिया है। neural networks , कई अनुमानित कंप्यूटींग तत्वों पर भरोसा करते हैं, और क्या वे एक कार्य के लिए पर्याप्त हैं, अक्सर अनुभवजन्य परीक्षण द्वारा तय किया जाता है। सटीक कंप्यूटिग सिस्टम अधिक कठोर होते हैं और इनपुट को स्वीकार करने में अधिक सीमित होते हैं।

Transformer आधारित large language models , या LLMs , neural networks हैं जिन्हें डेटा के टेराबाइट्स पर प्रशिक्षित किया जा सकता है और मानव प्रश्नों के लिए प्राकृतिक भाषा उत्तर का उत्पादन कर सकते हैं। उनकी कमजोरी गणना और मूल्यांकन है, जो शतरंज में सबसे अधिक दिखाई देती है। सटीक कंप्यूटिंग सिस्टम उन कार्यों को जल्दी और कुशलता से संभालने के लिए बनाए गए थे। पचास वर्षों की इलेक्ट्रॉनिक कम्प्यूटिंग और इंजीनियरिंग ने कंप्यूटेशन, ड्राफ्टिंग, सिमुलेशन, कार्यालय उत्पादकता और रोबोट निर्देश के लिए प्लेटफॉर्म तैयार किए हैं। स्रोत में LLM कनेक्टर्स वाले कंप्यूटर प्लेटफ़ॉर्म का एक नमूना शामिल है; दिखाए गए प्लेटफार्मों में open-source या मालिकाना कनेक्टर हैं LLMs .

LLMs सटीक कंप्यूटिंग सिस्टम के लिए प्राकृतिक भाषा इंटरफेस के रूप में भी काम कर सकता है, जो कि MCP और अन्य API कनेक्टर्स के पीछे का विचार है। हर टूल एक जैसा नहीं होता. कुछ पहले से मौजूद सामग्री को वापस करते हुए रूट, पुनर्प्राप्त, स्टोर या खोज करते हैं। अन्य लोग डिलीवरबल्स बनाने के लिए सिस्टम इंजीनियरों और अन्य श्रमिकों का उपयोग करने वाले एजेंट्स के सामने LLMs , डालते हैं। वे इंजन-वर्धित एजेंट हैं, जिन्हें स्रोत में गणना और संख्यात्मकता में सक्षम उपकरणों के तौर पर वर्णित किया गया है। वे प्राकृतिक भाषा निर्देशों को कम्प्यूटिंग प्रणालियों के लिए सटीक निर्देशों में परिवर्तित करते हैं, जो तब अनुसंधान और इंजीनियरिंग कलाकृतियों का उत्पादन करती हैं। कोडिंग एजेंट सबसे स्पष्ट उदाहरण हैं, और अधिक प्लेटफॉर्म neural networks 5 के माध्यम से जुड़ रहे हैं।

कुछ लोग तर्क देते हैं कि ये इंजन एजेंटों के अंदर गायब हो जाएंगे, एक दृश्य जो software से जुड़ा हुआ है AI और वाई पर उनकी बात Software Is Changing (फिर से) । स्रोत की प्रतिक्रिया यह है कि यह दस साल में सच हो सकता है, लेकिन अब नहीं। कंपनियां तत्काल मूल्य की परवाह करती हैं। मौजूदा प्लेटफॉर्म और वर्कफ़्लोज़ को LLMs से जोड़ा जा सकता है , जबकि गहरी एकीकरण एक शोध कार्यक्रम बना रहता है। संभाव्य और सटीक गणना भी अलग-अलग होती हैः निर्दिष्ट कार्यों के लिए, सटीक कंप्यूटिंग उच्च दक्षता के साथ सिद्ध परिणाम प्रदान करता है, और दायित्व सटीकता पर निर्भर करता है।

लोकतांत्रिक उत्पादन का अर्थ यह नहीं है कि उत्पाद की गारंटी दी जाए।

इंजन-वर्धित एजेंट गैर विशेषज्ञों को ऐसा काम करने देते हैं जो एक विशेषज्ञ की तरह दिखता है। पहले, केवल विशेषज्ञ ही प्लेटफॉर्म के वाक्यविन्यास को सीखने और इसके आउटपुट का आकलन करने में समय लगाते थे। अब, वांछित परिणाम व्यक्त करना पर्याप्त हो सकता है। स्रोत कहता है कि यह सामान्य उपयोग और social media उपाख्यानों में दिखाई देता हैः एक हथकरघा बिल्ड के लिए इंजीनियरिंग ड्राइंग बना सकता है, एक कार्यालय कार्यकर्ता प्रोजेक्ट मैनेजमेंट प्लेटफ़ॉर्म के व्यावहारिक ज्ञान के बिना एक परियोजना का प्रबंधन कर सकता है और एक छात्र गेम लिख सकता है. स्रोत का मानव-इन-द-लूप आंकड़ा इसे लोकतांत्रिक बुद्धि के रूप में प्रस्तुत करता है।

नई आसानी की कीमत है। एक विस्तार समूह विशेषज्ञ-ग्रेड कलाकृतियों का निर्माण कर रहा है, बिना उन्हें सही ठहराने की क्षमता के। पुरानी बाधा दो कौशल में शामिल हो गईः इंजन चलाना और यह जानना कि सही उत्तर कैसा दिखता है। प्राकृतिक भाषा ने पहली बाधा को हटा दिया और दूसरी जगह छोड़ दी।

सत्यापन अनुपस्थित शैक्षिक कार्य बन जाता है

आर्टिफैक्ट उत्पादन और कलाकृतियों का सत्यापन अलग-अलग क्षमताएं हैं। हाल ही में, वे एक साथ आए थे। आउटसोर्स किए गए उत्पादन के साथ, कठोर सत्यापन को शैक्षिक उद्देश्य बनने की आवश्यकता है। इंजन संवर्धित पाइपलाइन का कोई भी हिस्सा स्वचालित रूप से जांच नहीं करता है कि क्या कलाकृति इरादे से मेल खाती है। यह मानव-इन-द-लूप या कार्य-संरेखण अंतर है, और यह मॉडल सुधारने पर बंद नहीं होता है। किसी व्यक्ति या संस्थान को उत्तरदायी रहना चाहिए, और जवाबदेही के लिए विनिर्देश, साक्ष्य और हस्ताक्षर की आवश्यकता होती है।

आवश्यक कौशल विफलताओं में दिखाई देते हैं। यदि उत्पन्न कलाकृतियां गलत हैं, तो छात्रों को उन असफलताओं का पता लगाने और उन्हें रोकने के लिए सीखना चाहिए। प्रशिक्षण पर्यवेक्षकों ने अन्य जगहों पर मदद की है। प्रबंधकीय प्रशिक्षण के मेटा-विश्लेषण लगातार प्रदर्शन लाभ दिखाते हैं, और software निरीक्षण प्रशिक्षित समीक्षक अप्रशिक्षित समीक्षकों की तुलना में अधिक दोष पाते हैं. स्रोत इस गिरावट में एक पायलट अध्ययन की रिपोर्ट करता है ताकि यह परीक्षण किया जा सके कि क्या वह सबक पर्यवेक्षी एजेंटों तक फैला हुआ है।

स्कूलों और प्रशिक्षण कार्यक्रमों को कार्यस्थल में इन उपकरणों के लिए अधिक दृढ़ता से प्रतिक्रिया करने की आवश्यकता है। कोडिंग सबसे तेज असंगति दिखाती हैः AI और कोडिंग एजेंट नियमित रूप से पेशेवर उपयोग किए जाते हैं, फिर भी कई सिलेबी उन्हें बाहर करते हैं। स्रोत जेटब्रेन्स 2026 सर्वेक्षण का हवाला देता है काम पर इस्तेमाल किए जाने वाले कोडिंग एजेंटों पर, "AI Coding Agents: Adoption Trends" से खींचा गया JetBrains Blog.

प्रयोगशालाओं, विनिर्देशों और वसूली के माध्यम से एजेंटों को शिक्षित करें

इंजन-वर्धित एजेंटों को प्रयोगशाला के माध्यम से कक्षाओं में प्रवेश करना चाहिए, जिस मार्ग का अनुसरण वे कई प्लेटफार्मों द्वारा नियंत्रित करते हैं। डोमेन ज्ञान आवश्यक रहता है, इसलिए व्याख्यान रहते हैं, और व्याख्यों को सुधारना एक अलग वार्तालाप होता है। स्रोत AI एजेन्टों के लिए तीन प्रयोगशाला सिद्धांत प्रस्तावित करता है।

सबसे पहले, केवल वही कार्य सौंपें जो स्वतंत्र रूप से सत्यापित किया जा सके। छात्रों को यह पुष्टि करने के लिए निर्देश और डोमेन ज्ञान की आवश्यकता होती है कि उत्पन्न कलाकृतियां उनके लक्ष्य से मेल खाती हैं।

दूसरा, विनिर्देशों के माध्यम से एजेंटों के साथ बातचीत करें। एक विशिष्टता एजेंट को प्रासंगिक कलाकृतियों का उत्पादन करने के लिए संदर्भ देती है और छात्र को इसकी जांच के लिए एक मानक प्रदान करती है।

तीसरा, विचलनों की पहचान करना और उनसे उबरना सीखें। प्राकृतिक भाषा उस तरह से गणना योग्य नहीं है जिस तरह बूलियन तर्क होता है। LLM मोडल अपेक्षाओं के साथ अर्थ अंतराल को भरता है।

विनिर्देश संचालित निर्देश टिकाऊ है क्योंकि यह ताकत के एक वास्तविक विभाजन से मेल खाता है। मनुष्य कार्यों में सीखते हैं; मॉडल अपडेट के बीच सीखने. विशिष्टताओं और परीक्षण पर्यवेक्षक और संस्थान, एजेंट या मंच विक्रेता नहीं हैं। वर्तमान कानून और देयता संरचनाएं मनुष्यों को सुरक्षा और कार्य संरेखण के लिए लूप में रखती हैं, और दायित्व शासन एक दशक लंबी घड़ी पर चलते हैं।

शरद ऋतु 2027 पायनियर समूह

स्रोत शिक्षकों के एक खुले सहयोग का गठन कर रहा है ताकि विभिन्न विषयों में कक्षाओं में विनिर्देश-संचालित AI पर्यवेक्षण लाया जा सके। इसमें सीएस 1 / CS2 और परिचयात्मक इंजीनियरिंग डिजाइन के लिए बीज मॉड्यूल हैं, जो अब दो विश्वविद्यालय कक्षा पायलट में हैं। नए क्षेत्रों में ढांचे का विस्तार करने के लिए आयोजकों के साथ निर्माण करने के इच्छुक डोमेन विशेषज्ञों की आवश्यकता होती है। प्रशिक्षकों और विभाग प्रमुखों को नए एजेंट-पर्यवेक्षण प्रयोगशालाओं को सह-डिज़ाइन और तैनात करने के लिये शरद ऋतु 2027 Pioneer Cohort में शामिल होने के लिए आमंत्रित किया जाता है।

भागीदार साइटों को लागत पर या नीचे प्रदान किए गए AI एजेंटों के मानव-इन-द-लूप पर्यवेक्षण का अभ्यास करने के लिए उपकरण और प्रयोगशाला सामग्री प्राप्त होती है। वे कंप्यूटर विज्ञान और इंजीनियरिंग पायलटों से बीज मॉड्यूल और प्रशिक्षक गाइड भी प्राप्त करते हैं। अनुसंधान समर्थन में साझा प्रोटोकॉल, स्थानीय संस्थागत समीक्षा बोर्ड के साथ मदद, डेटाबेस भंडारण और विश्लेषण और प्रत्येक साथी के अपने छात्रों के परिणामों पर एक रिपोर्ट शामिल है।

नेटवर्क भागीदारों को डोमेन सह-डिज़ाइन के लिए एक कोर्स और विचार लाने के लिए कहता है, चाहे वह मैकेनिकल इंजीनियरिंग हो, बायोइंफॉर्मेटिक्स, डेटा साइंस या कोई अन्य क्षेत्र। साझेदार कम से कम एक फॉल 2027 पाठ्यक्रम अनुभाग में एक मॉड्यूल पढ़ाते हैं, लघु पूर्व / पोस्ट मूल्यांकन का प्रशासन करते हैं, और साझा मल्टीसाइट अध्ययन के लिए डी-पहचान वाले डेटा का योगदान देते हैं। पार्टनर संकाय को मल्टी साइट पेपर्स के सह-लेखक बनने और अनुदान प्रस्तावों में शामिल होने के लिए आमंत्रित किया जाता है जो नेटवर्क को वित्त पोषित करता है।

कार्रवाई का आह्वान Pioneer Cohort पर https://avlml.org/join.html?utm_source=towardsai&utm_medium=article&utm_campaign=recruit26 में शामिल होने के लिए है। स्रोत मूल रूप से Towards AI में माध्यम पर प्रकाशित किया गया था, जहां पाठक कहानी को उजागर और प्रतिक्रिया देकर चर्चा जारी रखते हैं।