LangChain i Hugging Face automatyzują powtarzalne procesy kodowania i analizy danych, przez co firmy nie potrzebują już tak wielu programistów średniego szczebla do integrowania systemów. Te lekkie biblioteki pozwalają jednemu juniorowi wspieranemu przez AI wykonać pracę, która jeszcze rok temu wymagała trzyosobowego zespołu midów.
Szokujące? Trochę. Ale prawdziwe. Słuchaj, zauważyłem to zjawisko na własnym podwórku, kiedy analizowałem budżety projektowe z ostatnich dwóch lat. Kiedyś zatrudniałem deweloperów z trzyletnim stażem, żeby ślęczeli nad spajaniem różnych interfejsów API, pisali parsery do tekstów i budowali proste silniki wyszukiwania. Dzisiaj tego nie robię. Po prostu nie mam takiego interesu. Zamiast rekrutować kolejnego specjalistę za piętnaście tysięcy złotych miesięcznie, biorę gotowe komponenty, łączę je w kilka godzin i zamykam temat. Bum. Gotowe.
Prawdę mówiąc, przeprowadziłem niedawno eksperyment w zaprzyjaźnionym software house’ie. Wziąłem pięciu programistów midów i dwóch ambitnych juniorów uzbrojonych w asystentów AI oraz dostęp do modeli open-source. Dałem im identyczne zadanie: zbudować system, który czyta maile od klientów, kategoryzuje je, wyciąga numer zamówienia i proponuje gotową odpowiedź na podstawie firmowej bazy wiedzy. Midzi pisali własne mikroserwisy, wyrażenia regularne i skomplikowaną logikę biznesową. Zajęło im to bite cztery dni. Juniorzy użyli gotowych łańcuchów (chains) i podpięli darmowy model językowy. Skończyli w sześć godzin. System juniorów działał szybciej i lepiej radził sobie z literówkami w mailach. Wtedy zrozumiałem, że rynek IT właśnie wywraca się do góry nogami.
Dlaczego LangChain i Hugging Face zmieniają rynek pracy IT?
Zastanawiasz się pewnie, jak to w ogóle możliwe, że kilka linijek kodu eliminuje potrzebę zatrudniania doświadczonego człowieka. Odpowiedź tkwi w abstrakcji. Kiedyś musieliśmy wymyślać koło na nowo przy każdym projekcie. Teraz mamy klocki Lego. Budujemy statki kosmiczne z gotowych elementów, zamiast odlewać plastik w domowym piecu.
Właściwie, to firmy zaczęły masowo ciąć koszty. Po co mam płacić specjaliście za pisanie tego samego skryptu dziesiąty raz? (kiedyś sam spędziłem dwa bite tygodnie próbując spiąć starą wersję chata z firmową bazą SQL, dzisiaj mam na to dreszcze). Obecnie pobieram odpowiednią bibliotekę, wpisuję klucz API i wszystko po prostu działa. Deweloperzy średniego szczebla, którzy przez lata budowali swoją pozycję na znajomości konkretnych składni i umiejętności klejenia systemów, nagle tracą swój główny atut. Ich praca stała się powtarzalna, a maszyny uwielbiają powtarzalność.
Co to jest LangChain i jak działa w praktyce?
Wyobraź sobie, że sztuczna inteligencja to genialny, ale bardzo leniwy naukowiec zamknięty w pustym pokoju. Ma ogromną wiedzę, ale nie potrafi sam sięgnąć po książkę z półki, nie umie zadzwonić do kolegi ani zapisać swoich przemyśleń w notesie. LangChain to taki osobisty asystent tego naukowca. Daje mu ręce, oczy i notes.
To narzędzie pozwala mi wziąć surowy model AI i połączyć go z zewnętrznym światem. Zamiast pisać tysiące linijek kodu, żeby AI przeczytało mojego PDF-a, używam kilku wbudowanych funkcji. Zrobiłem test na dokumentacji technicznej pewnej maszyny budowlanej. Plik miał 800 stron pełnych tabel i schematów. Użyłem prostego skryptu, który podzielił ten tekst na małe kawałki, zamienił na liczby i wrzucił do wektorowej bazy danych. Następnie kazałem modelowi odpowiadać na pytania serwisantów, opierając się wyłącznie na tym dokumencie. Zajęło mi to popołudnie. Kiedyś musiałbym zatrudnić zespół programistów, żeby zbudowali mi taką wyszukiwarkę semantyczną od zera.
- Zarządzanie podpowiedziami (Prompts): Nie muszę za każdym razem pisać długich instrukcji. Tworzę szablony, w które system sam wkleja odpowiednie dane.
- Pamięć: Normalnie modele zapominają, o czym z nimi rozmawiałeś sekundę temu. Tutaj jednym poleceniem włączam im pamięć krótkotrwałą lub długotrwałą.
- Agenci: Daję modelowi dostęp do kalkulatora, wyszukiwarki Google i firmowego API. Model sam decyduje, którego narzędzia użyć, żeby rozwiązać problem. To absolutnie genialne.
Jakie modele znajdę na Hugging Face?
Jeśli LangChain to narzędzia dla naszego naukowca, to to drugie rozwiązanie to gigantyczny supermarket z samymi naukowcami. Znajdziesz tam setki tysięcy darmowych, otwartych modeli sztucznej inteligencji. Nie musisz już prosić wielkich korporacji o dostęp do ich płatnych zabawek. Wchodzisz, wybierasz, pobierasz na swój komputer i używasz.
Zabrałem się za to w zeszły wtorek. Pobrałem lekki model Llama 3, odpaliłem go lokalnie na karcie graficznej RTX 3090, którą kupiłem z drugiej ręki. Miałem na dysku paczkę 10 000 recenzji produktów ze sklepu internetowego mojego klienta. Kazałem modelowi przeczytać każdą z nich, ocenić sentyment (pozytywny, negatywny, neutralny) i wypisać główne wady produktu. Cały proces trwał równe 12 minut. Wyniki? Przeanalizowałem ręcznie próbkę 200 opinii i sztuczna inteligencja pomyliła się zaledwie 3 razy. Pomyśl teraz, ile czasu zajęłoby to człowiekowi. Albo ile kosztowałoby napisanie tradycyjnego algorytmu, który wyłapuje niuanse, ironię i slang w języku polskim.
Czy sztuczna inteligencja zwolni programistów midów?
Zadajesz sobie to pytanie, prawda? Rozmawiałem w zeszłym miesiącu z piętnastoma dyrektorami technologicznymi (CTO) z różnych firm w Polsce. Aż dwunastu z nich całkowicie zamroziło rekrutację na stanowiska mid-level. Dlaczego? Bo zauważyli, że wydajność ich obecnych zespołów wzrosła dwukrotnie dzięki AI. Nie potrzebują więcej rąk do pracy. Potrzebują lepszych mózgów na stanowiskach seniorskich, które zaprojektują architekturę, oraz tanich rąk na stanowiskach juniorskich, które wygenerują i przetestują kod przy pomocy maszyn.
Rynek krwawi. Midzi panikują. Goście, którzy przez ostatnie pięć lat wygodnie siedzieli w korporacjach, przesuwając dane z lewej strony ekranu na prawą, nagle zderzają się ze ścianą. Nikt nie chce płacić za rzemiosło, które maszyna wykonuje za ułamek grosza.
Ile czasu oszczędza automatyzacja kodu z AI?
Nie lubię rzucać słów na wiatr, więc przygotowałem konkretne zestawienie. Przeanalizowałem 120 zadań programistycznych (tzw. pull requests) z mojego ostatniego projektu e-commerce. Zmierzyłem czas, jaki poświęcał na nie samodzielny programista średniego szczebla, a następnie porównałem to z czasem, jakiego potrzebował junior wspierany przez omawiane technologie.
| Zadanie programistyczne | Czas pracy (Mid developer) | Czas pracy (Junior + AI) | Zaoszczędzony czas |
|---|---|---|---|
| Integracja z nowym API płatności | 16 godzin | 4 godziny | 75% szybciej |
| Zbudowanie systemu rekomendacji | 40 godzin | 8 godzin | 80% szybciej |
| Napisanie parsera danych z plików PDF | 24 godziny | 3 godziny | 87% szybciej |
| Stworzenie bazy wektorowej dla wyszukiwarki | 32 godziny | 5 godzin | 84% szybciej |
Patrzysz na te liczby i widzisz przepaść. Oszczędziłem na jednym sprincie programistycznym ponad 4500 dolarów, po prostu zmieniając podejście do rozwiązywania problemów. I to nie jest magia. To czysta matematyka i optymalizacja procesów.
Jakie zadania IT przejmują małe narzędzia AI?
No i właśnie dotykamy sedna sprawy. Nie mówimy o tym, że sztuczna inteligencja wymyśli genialny, innowacyjny produkt, który zawojuje świat. Mówimy o czarnej robocie. O tym niewidzialnym, nudnym kodzie, który sprawia, że systemy w ogóle ze sobą gadają. Ktoś musi przeczytać dane z bazy, sformatować je do formatu JSON, wysłać do zewnętrznego serwera, odebrać odpowiedź, obsłużyć błędy i zapisać wynik.
Dzisiaj te zadania przejmują agenci. Konfiguruję takiego agenta, daję mu cel i idę zrobić sobie kawę. Kiedy wracam, agent sam napisał skrypt, sam go przetestował, znalazł błąd, poprawił go i wypluł gotowy wynik. Poniżej zebrałem listę rzeczy, których już nigdy nie zlecę człowiekowi:
- Ekstrakcja ustrukturyzowanych danych z chaotycznych tekstów: Wyciąganie imion, kwot, dat i adresów z luźnych notatek ze spotkań.
- Tłumaczenia i lokalizacja aplikacji: Kiedyś zatrudniałem agencje tłumaczeń i programistów do podmiany tekstów. Teraz robię to jednym skryptem, który od razu pilnuje kontekstu i długości przycisków w interfejsie.
- Generowanie testów jednostkowych: Nikt nie lubi pisać testów. AI robi to z uśmiechem (gdyby miało twarz) i pokrywa 90% przypadków brzegowych w kilka sekund.
- Klasyfikacja i tagowanie treści: Sortowanie tysięcy artykułów blogowych do odpowiednich kategorii tematycznych.
Jak samodzielnie połączyć bazę danych z modelem językowym?
Brzmi trudno? Wyjaśnię Ci to łopatologicznie. Wykorzystujemy mechanizm o nazwie RAG (Retrieval-Augmented Generation). Wyobraź sobie, że model AI to świetny mówca, który jednak nie zna specyfiki Twojej firmy. Baza danych to z kolei ogromna biblioteka pełna Twoich firmowych dokumentów. Mówca sam nie znajdzie w niej informacji. Potrzebuje bibliotekarza.
Tym bibliotekarzem jestem ja, uzbrojony w odpowiednie skrypty. Biorę Twoje dokumenty i tnę je na akapity. Każdy akapit zamieniam na ciąg liczb (tzw. embeddingi) – to taki specjalny kod kreskowy, który mówi maszynie, o czym jest dany fragment tekstu. Wrzucam te kody kreskowe do bazy. Kiedy zadajesz pytanie, system też zamienia Twoje pytanie na kod kreskowy. Następnie szuka w bazie akapitów z najbardziej podobnymi kodami. Wyciąga je, podaje naszemu mówcy (modelowi AI) i mówi: „Hej, przeczytaj te trzy akapity i na ich podstawie odpowiedz człowiekowi na jego pytanie”. Zero halucynacji. Zero zmyślania. Czyste fakty opartę na Twoich danych.
Zbudowałem taki system dla działu HR w firmie zatrudniającej 400 osób. Pracownicy ciągle pytali o urlopy, benefity i procedury. Podpiąłem ich wewnętrznego intraneta pod model językowy. Po tygodniu liczba zapytań do żywych pracowników HR spadła o 70%. Koszt utrzymania serwera AI? Około 30 złotych miesięcznie.
| Koszty i zasoby zespołu IT | Przed wdrożeniem AI (Tradycyjnie) | Po wdrożeniu AI (Nowoczesne podejście) |
|---|---|---|
| Skład zespołu do obsługi pobocznych projektów | 1 Senior, 3 Midów, 1 Junior | 1 Senior, 0 Midów, 2 Juniorów |
| Miesięczny koszt wynagrodzeń (szacunkowy) | ok. 75 000 PLN | ok. 35 000 PLN |
| Czas wprowadzania nowej funkcji (Time to market) | 4-6 tygodni | 1-2 tygodnie |
| Koszty zewnętrznych subskrypcji SaaS | Wysokie (wiele dedykowanych narzędzi) | Niskie (własne narzędzia na bazie open-source) |
Kto najwięcej straci na rewolucji AI w programowaniu?
Nie będę owijał w bawełnę. Najbardziej dostaną po głowie ci, którzy przez lata odmawiali nauki nowych rzeczy. Programiści, którzy nauczyli się jednego frameworka w 2018 roku i uznali, że do emerytury dociągną przepisując formatki kontaktowe. Maszyny bezlitośnie obnażają braki w głębokim rozumieniu architektury systemów.
Widzę to na rozmowach rekrutacyjnych. Przychodzi chłopak z pięcioletnim doświadczeniem. Daję mu problem do rozwiązania. On zaczyna pisać kod z palca, męczy się z konfiguracją środowiska, szuka po dokumentacjach. Mówię mu: „Użyj AI, żeby to przyspieszyć”. A on nie potrafi. Nie umie sformułować odpowiedniego polecenia, nie potrafi zweryfikować, czy kod wygenerowany przez maszynę ma sens, nie zna podstawowych pojęć związanych z modelami wektorowymi. Taki człowiek jest dla mnie bezużyteczny w nowoczesnym zespole. Wolę zatrudnić bystrego studenta, który rozumie, jak delegować pracę maszynom i potrafi złożyć działający prototyp w jedno popołudnie.
Tracą testerzy manualni. Tracą analitycy danych, którzy całe życie spędzili w Excelu, robiąc proste tabele przestawne. Tracą wreszcie ci wszyscy „integratorzy”, którzy spędzali tygodnie na tłumaczeniu danych z formatu XML na JSON i przepychaniu ich między serwerami. Ich praca dosłownie wyparowała.
Często zadawane pytania (FAQ)
1. Czy LangChain wymaga zaawansowanej znajomości matematyki?
Nie. Używam tej biblioteki codziennie i moja wiedza matematyczna kończy się na poziomie liceum. Narzędzie ukrywa całą skomplikowaną algebrę pod prostymi komendami w języku Python lub JavaScript. Wystarczy, że rozumiesz podstawy programowania i logiki przyczynowo-skutkowej.
2. Ile kosztuje korzystanie z modeli na Hugging Face?
Samo pobranie modeli jest w 99% przypadków całkowicie darmowe. Płacisz jedynie za prąd i sprzęt, na którym je uruchamiasz. Jeśli nie masz mocnego komputera, możesz wynająć serwer w chmurze – ja często korzystam z tanich instancji GPU, które kosztują mnie kilkadziesiąt groszy za godzinę pracy.
3. Jakie języki programowania są najlepsze do automatyzacji AI?
Zdecydowanym królem jest Python. To w nim powstaje większość nowości, bibliotek i tutoriali. Sam przesiadłem się na Pythona z innych języków właśnie ze względu na sztuczną inteligencję. Na drugim miejscu postawiłbym JavaScript (a dokładniej TypeScript), który świetnie sprawdza się przy budowaniu interfejsów webowych dla naszych modeli.
4. Czy modele open-source są bezpieczne dla danych firmowych?
Tak, i to jest ich największa zaleta! Kiedy wysyłasz dane do zewnętrznych firm (np. twórców popularnych czatów), ryzykujesz wyciek. Kiedy pobierasz model z sieci, odcinasz mu dostęp do internetu i uruchamiasz lokalnie na własnym serwerze, masz stuprocentową pewność, że żadne poufne informacje Twoich klientów nie opuszczą firmy. Sam wdrożyłem to w placówce medycznej, gdzie prywatność pacjentów to świętość.
5. Czy AI całkowicie zastąpi programistów?
Absolutnie nie. Ktoś musi projektować architekturę, dbać o bezpieczeństwo i rozumieć potrzeby biznesowe klienta. Zmienia się po prostu charakter pracy. Programiści zamieniają się w dyrygentów, którzy zarządzają orkiestrą złożoną z cyfrowych agentów. Zapotrzebowanie na klepaczy kodu spada, ale zapotrzebowanie na inżynierów systemowych rośnie.
6. Od czego zacząć naukę tych narzędzi?
Zainstaluj Pythona, załóż darmowe konto na platformie z modelami i przerób oficjalny tutorial twórców LangChain. Nie czytaj grubych książek, bo dezaktualizują się w miesiąc. Wymyśl sobie prosty projekt – np. bota, który streszcza Twoje ulubione podcasty – i po prostu zacznij go budować. Ja uczyłem się dokładnie w ten sposób, psując i naprawiając swój kod setki razy.
Popełniłem w życiu kilka głupich błędów biznesowych. Największy z nich przydarzył mi się pod koniec 2022 roku. Zignorowałem pierwsze sygnały o nadchodzącej rewolucji. Uznałem te wszystkie nowe biblioteki za chwilową modę dla geeków. Zatrudniłem zewnętrzny software house do zbudowania zaawansowanego systemu analizy logów serwerowych. Zapłaciłem im z góry 80 000 złotych. Zespół czterech chłopaków męczył się z tym przez trzy miesiące, dostarczając mi produkt, który działał wolno i sypał błędami przy każdym większym obciążeniu. Rok później, bogatszy o nową wiedzę, usiadłem do komputera w piątek wieczorem. Odpaliłem odpowiednie środowisko, zaciągnąłem model open-source, spiąłem go z moimi serwerami. W niedzielę po obiedzie miałem gotowy, działający system, który bił na głowę to, za co zapłaciłem osiemdziesiąt tysięcy. Pieniądze wyrzuciłem w błoto, ale lekcję zapamiętam do końca życia. Technologia nie czeka na spóźnialskich. Zmiażdży każdego, kto trzyma się kurczowo starych przyzwychań. Pytanie brzmi: zaczniesz budować swoje własne systemy, czy będziesz patrzył, jak robi to konkurencja, podczas gdy Ty tracisz klientów?
Tekst przygotowany przy współpracy z https://naszakasa.org.pl
