論文の概要: What do professional software developers need to know to succeed in an age of Artificial Intelligence?
- arxiv url: http://arxiv.org/abs/2506.00202v2
- Date: Wed, 04 Jun 2025 17:32:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-05 13:54:39.499156
- Title: What do professional software developers need to know to succeed in an age of Artificial Intelligence?
- Title（参考訳）: 人工知能の時代を成功させるために、プロのソフトウェア開発者は何を知っておく必要があるのか?
- Authors: Matthew Kam, Cody Miller, Miaoxin Wang, Abey Tidwell, Irene A. Lee, Joyce Malyn-Smith, Beatriz Perez, Vikram Tiwari, Joshua Kenitzer, Andrew Macvean, Erin Barrar,
- Abstract要約: ジェネレーティブAIは、ソフトウェア開発者にとって生産性向上の初期の証拠を見せている。
我々は、AIの使用の最先端にいる21人の開発者による研究について述べ、彼らが発見した12の作業目標と75の関連するタスク、それぞれに関するスキルと知識をまとめています。
私たちは、成功するAI開発者になるためのスキルと知識が、4つのドメインにまとめられていることに気づきました。
- 参考スコア（独自算出の注目度）: 1.5774644021279332
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative AI is showing early evidence of productivity gains for software developers, but concerns persist regarding workforce disruption and deskilling. We describe our research with 21 developers at the cutting edge of using AI, summarizing 12 of their work goals we uncovered, together with 75 associated tasks and the skills & knowledge for each, illustrating how developers use AI at work. From all of these, we distilled our findings in the form of 5 insights. We found that the skills & knowledge to be a successful AI-enhanced developer are organized into four domains (using Generative AI effectively, core software engineering, adjacent engineering, and adjacent non-engineering) deployed at critical junctures throughout a 6-step task workflow. In order to "future proof" developers for this age of AI, on-the-job learning initiatives and computer science degree programs will need to target both "soft" skills and the technical skills & knowledge in all four domains to reskill, upskill and safeguard against deskilling.
- Abstract（参考訳）: ジェネレーティブAIは、ソフトウェア開発者にとって生産性向上の初期の証拠を見せている。
我々は、AIの使用の最先端にいる21人の開発者による研究について説明し、彼らが発見した12の作業目標と75の関連するタスク、そしてそれぞれのスキルと知識をまとめて、開発者が仕事でAIをどのように使っているかを説明します。
これらすべてから,5つの洞察の形で研究結果を抽出した。
AIを成功させるためのスキルと知識は、4つのドメイン(ジェネレーティブAIを効果的に使用、コアソフトウェアエンジニアリング、隣接するエンジニアリング、隣接する非エンジニアリング)にまとめられ、6ステップのタスクワークフローを通じて重要なタスクにデプロイされます。
この時代のAIの開発者を“証明”するためには、オンライン学習のイニシアチブとコンピュータサイエンスの学位プログラムは、4つのドメインすべてで“ソフト”スキルと技術スキルと知識の両方を目標にし、スキルのリスキル、スキルアップ、デスクシリングに対する保護が必要です。
関連論文リスト
- Challenges and Paths Towards AI for Software Engineering [55.95365538122656]
ソフトウェア工学におけるAIの進歩を3倍に議論する。
まず、ソフトウェア工学のためのAIにおいて、具体的なタスクを構造化した分類法を提供する。
次に、現在のアプローチを制限するいくつかの重要なボトルネックを概説する。
論文 参考訳（メタデータ） (2025-03-28T17:17:57Z) - Curious, Critical Thinker, Empathetic, and Ethically Responsible: Essential Soft Skills for Data Scientists in Software Engineering [0.0]
データサイエンティストは、大量のデータを管理し、AIアルゴリズムの社会的影響に対処する上で、課題に直面している。
この研究は、AIを使ったプロジェクトに取り組む際に、データサイエンティストが必要とする重要なソフトスキルを特定することを目的としている。
論文 参考訳（メタデータ） (2025-01-03T20:27:14Z) - Imagining and building wise machines: The centrality of AI metacognition [78.76893632793497]
我々は人間の知恵について知られているものを調べ、そのAIのビジョンをスケッチする。
AIシステムは特にメタ認知に苦しむ。
スマートAIのベンチマーク、トレーニング、実装について論じる。
論文 参考訳（メタデータ） (2024-11-04T18:10:10Z) - Towards the Terminator Economy: Assessing Job Exposure to AI through LLMs [10.844598404826355]
米国の雇用の3分の1はAIに強く依存しており、主に大学院または大学院の教育を必要とする高度な職業で行われている。
高度な職業であっても、AIはタスク置換において高い多様性を示し、AIと人間は同じ職業の中で相互に補完することを示唆している。
すべての結果、モデル、コードはオンラインで公開されており、コミュニティが結果を再現し、結果を比較し、私たちの仕事をベンチマークとして使用して、時間とともにAIの進捗を監視します。
論文 参考訳（メタデータ） (2024-07-27T08:14:18Z) - Visions of a Discipline: Analyzing Introductory AI Courses on YouTube [11.209406323898019]
われわれはYouTubeで最も視聴された20のAIコースを分析した。
導入型AIコースは、AIの倫理的または社会的課題に有意義に関わっていない。
我々は、よりバランスのとれた視点を示すために、AIの倫理的課題を強調しておくことを推奨する。
論文 参考訳（メタデータ） (2024-05-31T01:48:42Z) - The application of artificial intelligence in software engineering: a
review challenging conventional wisdom [0.9651131604396904]
この調査章は、ソフトウェア工学に適用されるAIの最も一般的な方法のレビューである。
このレビューでは、1975年から2017年にかけての要件フェーズについて、46の主要なAI駆動手法が発見されている。
この章の目的は、以下の質問に答えることである。
論文 参考訳（メタデータ） (2021-08-03T15:59:59Z) - Trustworthy AI: A Computational Perspective [54.80482955088197]
我々は,信頼に値するAIを実現する上で最も重要な6つの要素,(i)安全とロバスト性,(ii)非差別と公正,(iii)説明可能性,(iv)プライバシー,(v)説明可能性と監査性,(vi)環境ウェルビーイングに焦点をあてる。
各次元について、分類学に基づく最近の関連技術について概観し、実世界のシステムにおけるそれらの応用を概説する。
論文 参考訳（メタデータ） (2021-07-12T14:21:46Z) - The MineRL BASALT Competition on Learning from Human Feedback [58.17897225617566]
MineRL BASALTコンペティションは、この重要な種類の技術の研究を促進することを目的としている。
Minecraftでは、ハードコードされた報酬関数を書くのが難しいと期待する4つのタスクのスイートを設計しています。
これら4つのタスクのそれぞれについて、人間のデモのデータセットを提供するとともに、模擬学習ベースラインを提供する。
論文 参考訳（メタデータ） (2021-07-05T12:18:17Z) - Building Bridges: Generative Artworks to Explore AI Ethics [56.058588908294446]
近年,人工知能(AI)技術が社会に与える影響の理解と緩和に重点が置かれている。
倫理的AIシステムの設計における重要な課題は、AIパイプラインには複数の利害関係者があり、それぞれがそれぞれ独自の制約と関心を持っていることだ。
このポジションペーパーは、生成的アートワークが、アクセス可能で強力な教育ツールとして機能することで、この役割を果たすことができる可能性のいくつかを概説する。
論文 参考訳（メタデータ） (2021-06-25T22:31:55Z) - Empowering Things with Intelligence: A Survey of the Progress,
Challenges, and Opportunities in Artificial Intelligence of Things [98.10037444792444]
AIがIoTをより速く、より賢く、よりグリーンで、より安全にするための力を与える方法を示します。
まず、認識、学習、推論、行動の4つの視点から、IoTのためのAI研究の進歩を示す。
最後に、私たちの世界を深く再形成する可能性が高いAIoTの有望な応用をいくつかまとめる。
論文 参考訳（メタデータ） (2020-11-17T13:14:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。