Connect with us

Künstliche Intelligenz

Code lesen statt Code schreiben: Die unterschätzte Senior-Disziplin


close notice

This article is also available in
English.

It was translated with technical assistance and editorially reviewed before publication.

.

Im April 2000 veröffentlichte Stack-Overflow-Gründer Joel Spolsky einen Aufsatz mit dem Titel „Things You Should Never Do, Part I“. Anlass war die Entscheidung von Netscape, den Code des damaligen Browsers von Grund auf neu zu schreiben, statt den vorhandenen weiterzuentwickeln.

Weiterlesen nach der Anzeige


the next big thing – Golo Roden

the next big thing – Golo Roden

Golo Roden ist Gründer und CTO von the native web GmbH. Er beschäftigt sich mit der Konzeption und Entwicklung von Web- und Cloud-Anwendungen sowie -APIs, mit einem Schwerpunkt auf Event-getriebenen und Service-basierten verteilten Architekturen. Sein Leitsatz lautet, dass Softwareentwicklung kein Selbstzweck ist, sondern immer einer zugrundeliegenden Fachlichkeit folgen muss.

Spolskys These: Diese Entscheidung sei der schlimmste strategische Fehler, den eine Softwarefirma machen könne. Sie beruhe auf einem fundamentalen Missverständnis darüber, was Programmierarbeit eigentlich ist. Programmiererinnen und Programmierer schrieben lieber neu, weil das Lesen fremden Codes mühsam sei und sich das Schreiben produktiv anfühle. Doch dieser Eindruck täusche. Die Verlockung, neu anzufangen, sei eine der teuersten Versuchungen der Branche.

Über 25 Jahre später hat dieser Text nichts von seiner Aktualität verloren. Im Gegenteil. Mit dem Auftauchen von Large Language Models (LLM) hat sich die Asymmetrie zwischen Schreiben und Lesen so verschoben, dass die Frage akut wird, ob wir die eigentliche Senior-Disziplin der Softwareentwicklung systematisch unterschätzen. Das Tippen ist nicht das, was Teams in den nächsten Jahren ihren Atem rauben wird. Das Lesen ist es. In diesem Beitrag möchte ich zeigen, warum das so ist, woher die Asymmetrie kommt, wie sie sich durch generative KI verschärft und wie aus einer beiläufigen Begleitfähigkeit eine eigenständige Disziplin werden müsste.

Der eigene Code wird nach drei Wochen zu fremdem Code

Beim Schreiben hat man alles gleichzeitig im Kopf: die Anforderung, das Datenmodell, die geplante Architektur, die Stelle, an der man gerade arbeitet, die Annahmen, die man trifft, die Trade-offs, die man eingeht. Diese mentale Gesamtsicht macht das Schreiben schnell. Sie ist gleichzeitig das, was beim Lesen fehlt.

Wer drei Wochen später denselben Code wieder vor sich hat, ohne den Kontext mitzubringen, muss diese Gesamtsicht rekonstruieren. Variablennamen geben Hinweise, Tests sagen mehr, ein Pull-Request-Kommentar liefert im Bestfall den fachlichen Anlass, eine Commit-Message mit Glück die letzte Begründung. Die eigentliche Intention, das gedachte Modell, die verworfenen Alternativen, all das ist verloren. Rekonstruieren kostet Zeit und Konzentration, und beides ist teurer als das Schreiben.

Spolskys Anekdote ist deshalb so anschaulich, weil sie diese Asymmetrie auf Organisationsebene zeigt. Bei Netscape stand man vor einer alten Codebasis, die niemand mehr durchschauen wollte. Die Verlockung lag nahe, das Ganze einfach neu zu schreiben. Das Ergebnis ist bekannt: drei Jahre Stillstand, ein verlorener Browser-Markt, eine Firma im Niedergang. Der vermeintlich einfachere Weg war der teuerste.

Weiterlesen nach der Anzeige

Auf individueller Ebene zeigt sich dasselbe Muster täglich. Es zeigt sich in Stack-Overflow-Antworten, die statt der Frage einen anderen Lösungsansatz vorschlagen. Es zeigt sich in Kolleginnen und Kollegen, die Refactorings vorschlagen, ohne den vorhandenen Code wirklich verstanden zu haben. Es zeigt sich in der eigenen Versuchung, ein Modul lieber zu ersetzen als zu verbessern. Lesen ist und bleibt unbequem.

LLMs kippen die Bilanz endgültig

Ein modernes LLM erzeugt mehrere Hundert Zeilen Code in der Zeit, in der eine Person diese Zeilen einmal überfliegen kann. Generieren ist billig geworden. Token sind billig, Wartezeiten kurz, und das mentale Modell für die Aufgabe ist auf das Formulieren eines Prompts geschrumpft. Der Aufwand auf der Schreibseite ist faktisch zusammengebrochen.

Auf der Leseseite hat sich nichts geändert. Verstehen kostet noch immer das, was es immer gekostet hat: konzentrierte Aufmerksamkeit, Zeit, Geduld. Die menschliche Verarbeitungsgeschwindigkeit für Code liegt grob bei einigen Zeilen pro Minute, je nach Komplexität deutlich darunter. Diese Größenordnung lässt sich nicht durch Werkzeuge beschleunigen, weil sie an der menschlichen Kognition selbst hängt.

Das Resultat ist eine groteske Verschiebung. Wo früher eine Tagesarbeit etwa hundert Zeilen Code produzierte, die ein Reviewer in einer halben Stunde durchgehen konnte, kann heute eine Stunde Promptarbeit Tausende Zeilen erzeugen. Die zu verstehende Menge wächst dramatisch, die Geschwindigkeit des Verstehens bleibt konstant. Was früher ein Engpass beim Schreiben war, wird zum Engpass beim Verstehen.

Diese Verschiebung wird in vielen Diskussionen ignoriert. Man feiert die Produktivität auf der Generierungsseite und schweigt über die Bilanz, die sich auf der Leseseite auftut. Was nicht gelesen wird, wird nicht verstanden. Was nicht verstanden wird, wird nicht zuverlässig betrieben. Die Schulden verschieben sich nur in die Zukunft, sie verschwinden nicht.

Sichtbar wird das spätestens dort, wo Code-Review-Prozesse, die für die Geschwindigkeit der Vor-LLM-Ära konzipiert waren, plötzlich mit Pull-Requests konfrontiert sind, deren Umfang ein menschlicher Reviewer in einem ganzen Tag nicht durchdringen könnte. Die Reaktion ist meistens nicht eine vertiefte Auseinandersetzung, sondern ein verkürztes Daumen-hoch. Damit verlagert sich der Code-Review von einem inhaltlichen zu einem zeremoniellen Schritt, und genau in dieser Verlagerung entstehen die Probleme, die später teuer werden.

Die Abhängigkeitsspirale

Eine ambitionierte Schule propagiert, die Beschäftigung mit Code werde überflüssig: Mit genug Skills, Harness-Engineering und einer präzisen Markdown-Spezifikation lasse sich die Arbeit vollständig auf die Spec-Ebene verlagern. Der generierte Code sei eine Implementierungsfrage, die niemand mehr ansehen müsse. Diese Vorstellung wird mit Anlauf gegen eine Wand laufen.

Wer Code nur generiert, ohne ihn zu lesen, hat von Anfang an fremden Code vor sich. Reviewen geht nicht, Fehler suchen geht nicht, beides setzt Verstehen voraus. Mit jeder weiteren Generierung wächst die Codebasis schneller, als sie sich durchdringen lässt. Die Lücke zwischen „vorhanden“ und „verstanden“ öffnet sich in atemberaubender Geschwindigkeit, und mit ihr die Anzahl der Stellen, an denen man später fragen muss, was hier eigentlich passiert.

Die einzige verbliebene Instanz, die diesen Code noch erklären, prüfen oder reparieren kann, ist die KI selbst. Damit ist man ironischerweise auf genau das System angewiesen, das die Lage herbeigeführt hat. Aus einem Werkzeug wird eine Abhängigkeit, aus einer Beschleunigung eine Falle. Wer keine eigene Verstehenskompetenz aufbaut, hat nur noch eine externe und entscheidet über diese externe Kompetenz nicht mehr selbst.

Dieses Muster ist nicht neu, neu ist nur seine Geschwindigkeit. Ein Team besitzt eine unzugängliche Codebasis nicht mehr. Im klassischen Fall geschah die Unzugänglichkeit über Jahre, durch personelle Wechsel und unzureichende Dokumentation. Im KI-gestützten Fall kann das innerhalb weniger Monate geschehen, weil die Generierungsgeschwindigkeit die Aufnahmegeschwindigkeit hoffnungslos übersteigt.

Der typische Auslöser ist nicht spektakulär. Ein Bug taucht in Produktion auf, niemand im Team versteht den betroffenen Code, also befragt man die KI. Die KI liefert eine Erklärung und einen Fix, beides plausibel, beides ungeprüft. Im günstigen Fall stimmt es. Im weniger günstigen baut man neue Schulden auf alte und merkt es erst, wenn der nächste Bug genau in dieser Schicht entsteht. Aus Reparatur wird Übermalung.

Was zunächst wie eine Befreiung wirkt, ist also eine Verlagerung der Last. Statt selbst zu schreiben, formuliert man Prompts. Statt selbst zu verstehen, fragt man die KI. Beides scheint produktiv. Beides erodiert die Souveränität über die eigene Codebasis.



Source link

Verwandte Themen:
Weiterlesen

Künstliche Intelligenz

Loki: DLR entwickelt KI-Assistenten für Fluglotsen und Piloten


Wie in vielen Bereichen fehlt es auch in der Flugsicherung an Arbeitskräften. Schon heute gibt es zu wenige Fluglotsen in Europa. Die Lage wird sich in den kommenden Jahren noch verschärfen, wenn viele der vorhandenen aus dem Berufsleben ausscheiden. Mit Ausbildung – so viel ist klar – wird sich der Bedarf nicht decken lassen. Künstliche Intelligenz (KI) soll künftig bei der Flugsicherung helfen.

Weiterlesen nach der Anzeige

Dirc heißt der digitale Fluglotse, eine Abkürzung für Digital Interactive Reliable Controller, der künftig mit menschlichen Kollegen zusammen Dienst tun soll. Entwickelt wurde er im Projekt Loki (Kollaboration von Luftfahrt-OperateurInnen und KI-Systemen) des Deutschen Zentrums für Luft- und Raumfahrt (DLR) in Zusammenarbeit mit Fluglotsen, der Industrie und den zuständigen Behörden wie der europäischen Flugsicherheitsbehörde European Union Aviation Safety Agency (EASA).

Empfohlener redaktioneller Inhalt

Mit Ihrer Zustimmung wird hier ein externes YouTube-Video (Google Ireland Limited) geladen.

Trustworthy Human-AI Collaboration in Aviation – The DLR project LOKI

Rund 900 Fluglotsen fehlen aktuell in Europa. 20 bis 30 Prozent der aktiven werden in den kommenden fünf Jahren in Rente gehen. Gleichzeitig hat die KI in den vergangenen Jahren große Fortschritte gemacht.

„Durch die aufkommenden Technologien war klar, dass die Zeit reif ist, sich zu überlegen, wie wir einen digitalen Partner entwickeln können, der seinen menschlichen Team-Partner unterstützt und sicherstellt, dass der menschliche Team-Partner verantwortungsvoll seine Rolle wahrnehmen kann“, erläuterte Carmen Bruder bei der Vorstellung der Loki-Ergebnisse am 25. Juni in Hamburg. Die Psychologin am DLR-Institut für Luft- und Raumfahrtmedizin ist wissenschaftliche Leiterin des Projekts. „Am Ende haben wir ein Bild, wie gut jetzt schon die Zusammenarbeit mit unserem aktuellen Prototyp funktioniert und wo wir Entwicklungsbedarf für kommende Projekte sehen.“

Der Dritte im Team ist digital

Fluglotsen arbeiten immer zu zweit in einem Team. Die Idee ist, Dirc als dritten in dieses Team zu integrieren. Ziel dabei sei nicht, Menschen zu ersetzen, betont Sebastian Schier-Morgenthal, Abteilungsleiter Lotsenassistenz am DLR-Institut für Flugführung. „Der Ansatz ist, zu überlegen, welche Arbeit die KI dem Menschen sinnvoll abnehmen und welche der Mensch tunlichst weiterhin selbst erledigt.“

Wenn ein Flugzeug einen Sektor in gleicher Höhe, ohne Kursänderung oder Konflikte mit anderen Flugzeugen durchquere, könne ein KI-System dessen Betreuung übernehmen, beschreibt er. Bei einem Notfall hingegen soll weiterhin ein Mensch der Ansprechpartner für den Piloten sein.

Weiterlesen nach der Anzeige

Dirc bilde die echte Arbeit gut nach, sagte Bruder. Das System sei dann mit Fluglotsen getestet worden: „Die mussten zwei Tage lang mit Dirc zusammenarbeiten. Wir hatten Szenarien mit und ohne Dirc und haben ganz viel gemessen: die Leistung, die Arbeitsbelastung, physiologische Variablen, Blickdaten.“ Zudem mussten die Teilnehmer Fragebögen ausfüllen.

Die Teilnahme der Nutzer sei wichtig, denn das führe zu Akzeptanz, erläutert die Forscherin. „Wenn andere Nutzer wissen, dass ihre Kollegen Teil der Entwicklungsteams waren, erhöht das ihre Bereitschaft, das System gut zu finden oder ihm zu vertrauen.“

Mehr Kapazität mit KI-Unterstützung

Der enge Kontakt zu den Nutzern hat sich offensichtlich bewährt: „Wir haben einen Sektor simuliert über Norddeutschland, fast bis Hamburg, und haben gesehen, dass wir nicht nur das Limit erreichen können, was zwei Menschen zusammen erreichen können“, erzählt Schier-Morgenthal. „Wir gehen auf 125 Prozent der Kapazität“ – also 25 Prozent mehr Verkehrsaufkommen in einem Luftraumsektor als heute. Das sei für die Luftfahrtindustrie ein großer Nutzen, „weil im Augenblick die Flugsicherung an vielen Stellen der Flaschenhals ist“.

Wann Dirc in der Praxis eingeführt werden könnte, lässt sich noch nicht sagen. Wegen der Sicherheitsanforderungen und der Zertifizierungen wird es wohl 10 bis 15 Jahre dauern, bis Dirc im Einsatz sein wird. Aber, sagt Schier-Morgenthal, es müsse ja nicht gleich das komplette System sein. „Wir haben Elemente, die wir jetzt schon auskoppeln können.“

Ein Beispiel dafür könnte eine KI-basierte Spracherkennung sein, die heute schon verlässlich funktioniert, etwa auf dem Smartphone läuft. Am Flughafen in Zürich wird ein solches System bereits getestet.

Ipas hilft Piloten

Von der KI sollen aber nicht nur Fluglotsen profitieren: Ein zweites, in Loki entwickeltes KI-System soll Piloten unterstützen. Das Intelligent Pilot Assistance System (Ipas) soll ihnen dabei helfen, eine alternative Flugroute oder einen geeigneten Ausweichflughafen zu suchen, wenn sie beispielsweise durch einen technischen Defekt zur Landung gezwungen werden.

Heute müssen sich Pilot und Copilot die nötigen Informationen aus diversen Datenbanken zusammensuchen: Wie sind die Bedingungen auf dem Flughafen, etwa die Länge der Landebahn? Wie sind die Wetterverhältnisse? Gibt es in der Nähe ein Krankenhaus, in dem der medizinische Notfall behandelt werden kann? Oft kommen dabei noch Zettel und Stift zum Einsatz, erläutert DLR-Forscherin Anne Papenfuß.


Demoversion von Ipas auf einem Tablet

Demoversion von Ipas auf einem Tablet

Demoversion von Ipas auf einem Tablet

(Bild: Werner Pluta / heise medien)

Ipas soll diese Informationen aggregieren und aufbereiten. Statt handschriftliche Notizen zu vergleichen, bekommt das Cockpit-Personal eine Übersicht mit in Fragen kommenden Flughäfen. Die Parameter wie Wetter und andere Bedingungen sind als Icons dargestellt, hinter denen Detailinformationen hinterlegt sind.

Nicht nur das: Ipas bewertet die Informationen auch: Je nach Eignung werden die Icons rot, gelb oder grün eingefärbt. Entsprechend der Bewertung werden die Flughäfen dann in einer Rangfolge gelistet, was den Piloten als Entscheidungshilfe dienen kann.

Da im Cockpit von Verkehrsmaschinen bereits heute eine Art Tablet, das Electronic Flight Bag (EFB), im Einsatz ist, könnte Ipas früher im Einsatz als der digitale Fluglotse Dirc.


(wpl)



Source link

Weiterlesen

Künstliche Intelligenz

So funktioniert Langzeitarchivierung mit Voxeln in Quarzglas


Im Handschuhfach eines roten Tesla-Roadsters, der seit 2018 durchs Sonnensystem treibt, liegt ein kleines Stück Glas. Darin ist die komplette Foundation-Trilogie des Science-Fiction-Autors Isaac Asimov gespeichert. Wenn in einigen Milliarden Jahren jemand das Auto auflesen sollte, soll der Datenträger noch lesbar sein.

  • SPhotonix speichert Daten mit einem Femtosekundenlaser in Quarzglas und verspricht extrem lange Haltbarkeit.
  • Die Technik ist vielversprechend, aber Schreib- und Lesegeschwindigkeit sowie Kosten sind noch nicht industrietauglich.
  • Das Verfahren ist vor allem für Archivdaten gedacht, nicht für schnellen Alltagsspeicher.

5D Memory Crystal nennt der Hersteller der Glasscheibe, das US-Start-up SPhotonix, seinen Langzeitspeicher. Das Prinzip ähnelt dem von Microsofts Glasspeicher, welcher unter dem Namen Project Silica bekannt wurde. Tatsächlich haben die Forscher hinter SPhotonix mehrere Jahre lang mit Microsoft zusammengearbeitet. Während Microsoft die Ergebnisse nur für die eigenen Cloudarchive nutzen will, geht SPhotonix einen anderen Weg: Das Unternehmen will die Technik als Lizenzgeber an die Industrie weitergeben, beliebige Firmen sollen sich passende Schreib- und Lesegeräte anschaffen können.




Das Speichermedium selbst ist denkbar einfach: eine Scheibe aus Quarzglas, wie es auch in Glasfaserkabeln eingesetzt wird. Das Material ist preiswert, chemisch außerordentlich stabil und resistent gegen Hitze, Strahlung, Salzwasser, Feuchtigkeit und Temperaturschwankungen. Die eigentliche Information schreibt ein Femtosekundenlaser in das Innere des Glases. Die Pulse dieses Lasers sind so kurz und energiereich, dass sie im Fokuspunkt das Glas modifizieren, ohne es zu beschädigen – SPhotonix hat diesen Prozess unter dem Namen FemtoEtch patentieren lassen.


Das war die Leseprobe unseres heise-Plus-Artikels „So funktioniert Langzeitarchivierung mit Voxeln in Quarzglas“.
Mit einem heise-Plus-Abo können Sie den ganzen Artikel lesen.



Source link

Weiterlesen

Künstliche Intelligenz

iPadOS 27: Apple öffnet Handschrifterkennung für Dritt-Apps


Gemessen daran, dass Apple mit dem Apple Pencil sogar eine eigene Hardware vertreibt, um auf dem iPad zu zeichnen und zu schreiben, ist das US-Unternehmen bislang recht zaghaft gewesen, den Eingabestift systemweit nutzbar zu machen. Mit iPadOS 27 wird der Pencil jetzt noch einmal deutlich aufgewertet – sofern auch die Entwickler von Dritt-Apps mitspielen. Apple öffnet nämlich seine Handschrifterkennung in PencilKit für alle Entwickler. Die neue Schnittstelle steht dabei nicht nur unter iPadOS, sondern auch unter iOS, macOS und visionOS 27 bereit.

Weiterlesen nach der Anzeige

Bislang war die Erkennung handschriftlicher Notizen, etwa für die Suche, Apples eigenen Apps wie Notizen und Freeform vorbehalten. Mit der neuen Schnittstelle PKStrokeRecognizer können nun auch Drittanbieter-Apps handschriftliche Eingaben erkennen, durchsuchbar machen und in normalen Text umwandeln.

Apple öffnet seinen Werkzeugkasten

Die neue API bietet laut Apple drei Kernfunktionen: Sie liefert die wahrscheinlichste Texterkennung für eine Notiz zurück, erzeugt einen durchsuchbaren Index aus mehrdeutigen Erkennungsergebnissen – etwa wenn unklar ist, ob „1“ oder „l“ gemeint war – und kann gezielt nach einem Suchbegriff innerhalb einer Zeichnung suchen, inklusive der Position auf der Seite. Die Suchfunktion lässt sich auch an Apples Systemsuche anbinden, wodurch Entwickler ohne viel Zusatzaufwand eine vollständige Suchoberfläche samt Trefferanzeige erhalten.

Wichtig für den Datenschutz: Die Erkennung läuft laut Apple vollständig lokal auf dem Gerät, eine Internetverbindung ist nicht nötig. Unterstützt werden 29 Sprachen. Da sich die Erkennungsqualität mit künftigen Modell-Updates verbessern kann, liefert Apple zusätzlich eine Versionsnummer mit, anhand derer Apps prüfen können, ob gespeicherte Indizes neu erstellt werden sollten.

Tieferer Zugriff auf das Datenmodell

Neben der reinen Erkennung erlaubt iPadOS 27 auch einen tieferen Zugriff auf das Datenmodell von PencilKit: Damit soll das Handgeschriebene für App-Entwickler besser zugänglich werden. Neue Funktionen zum „Slicing“ erlauben es Dritt-Apps zudem, Striche programmatisch zu radieren oder Teilabschnitte zu extrahieren – etwa, um die Schreibreihenfolge eines handschriftlichen Zeichens als Animation nachzuzeichnen, wie Apple in einer Demo zum Erlernen chinesischer Schriftzeichen zeigte.

Weiterlesen nach der Anzeige

Auch bestehende Zeichenflächen außerhalb von PencilKit profitieren: Wer Striche bislang als Bézier-Pfade speichert, kann sie nun in PencilKits eigenes Format umwandeln und so ebenfalls Zugriff auf die Handschrifterkennung erhalten. Spannendes Detail für Entwickler: PKStrokeRecognizer ist als Swift-Actor implementiert und arbeitet asynchron, sodass Apps die Handschrifterkennung ohne Blockieren der Benutzeroberfläche ausführen können.

Lesen Sie auch


(mki)



Source link

Weiterlesen

Beliebt