Context

DELTA-Hub 2026 · Data Science Workshop

Modul 4 — AI-assisted coding cu Python

Un asistent îți poate scrie 100 de linii de cod în câteva secunde — și la fel de ușor îți poate strecura un bug subtil care trece de prima rulare. Sesiunea asta e despre cum lucrezi cu el pe date reale de mediu: ce să-i ceri, ce să verifici și unde să nu ai încredere.

★ Context

AI-ul care scrie cod: de la o formulă la o criză de apă

Înainte să deschidem un asistent, hai să vedem de unde vine și ce pune în mișcare — pentru că povestea asta ne privește direct pe noi, cei care lucrăm cu apă, sedimente și deltă.

0%
din codul comis pe GitHub e generat sau asistat de AI
0 ml
apă de răcire la o singură interogare de 100 de cuvinte
+0%
preț DRAM într-un singur trimestru, din foamea data center-elor
🏰 Noul Ev Mediu — paralela lui Mircea Miclea

Psihologul Mircea Miclea propune o paralelă: dacă revoluția industrială a multiplicat clasele sociale (muncitori, maiștri, ingineri, manageri), AI le va reduce înapoi la două mari categorii.

  • Aristocrații epistemici — minoritatea care citește, reflectează, gândește critic. Folosesc AI ca instrument, dar nu depind de el: știu ce întrebări să pună, pentru că au deja cunoștințele „la purtător”.
  • Iobagii epistemici — au delegat efortul mental tehnologiei. Folosesc AI ca să scrie compunerile, să rezolve tema, să decidă pentru ei. Dacă le iei accesul, valoarea lor scade la zero.

Suntem încă în fereastra în care putem alege. Singura cale ca să nu devii „iobag” e efortul cognitiv asumat: citește, învață, antrenează-ți mintea — limitează divertismentul facil. Despre asta e tot restul modulului.

💡 De ce contează pentru modulul ăsta

Dacă AI-ul scrie tot mai mult din cod, valoarea ta nu mai e sintaxa. E formularea clară a problemei și verificarea rezultatului — fix lucrurile pe care le exersăm în următoarele 45 de minute. Și, ca cercetători de mediu, suntem printre primii care ar trebui să folosească aceste unelte conștient de amprenta lor.

1 Obiective

La finalul sesiunii vei putea

✓Înțelege ce este și ce nu este un LLM când scrie cod — și când nu merită folosit
✓Scrie un prompt bun după rețeta Context · Date · Sarcină · Format · Constrângeri
✓Recunoaște tiparele de eșec: funcții inventate, unități greșite, NaN tăcut, axă/CRS inversate
✓Aplica un checklist de verificare la orice cod generat, înainte să te bazezi pe el
✓Folosi bucla iterativă prompt → rulează → citește eroarea → re-promptează pentru debugging
2 Plan de sesiune

Cum decurge sesiunea

EtapăInstrumente
Predare
1Model mental: LLM-ul ca junior rapid, sigur pe el. Când merită / când nudemo
2Anatomia unui prompt bun. Rețeta și bucla iterativăClaude (live)
3Verificarea rezultatelor: checklist-ul pe exemple reale din DeltăClaude · Colab
4Reproductibilitate și onestitate: versiuni, seed, citarea AI—
Hands-on & discuție
5Exercițiu hands-on cu un asistentColab + asistent
6Discuție și Q&A—
3 Concepte cheie

Cinci idei de dus acasă

cel mai plauzibil ≠ adevăr

Model mental

Un LLM prezice textul cel mai plauzibil, nu adevărul. Nu rulează codul, nu-ți vede datele și nu știe versiunea ta de bibliotecă. E un coleg junior foarte rapid și foarte sigur pe el — care uneori inventează cu aceeași convingere cu care are dreptate.

→ Tratează orice răspuns ca pe o propunere, nu ca pe un adevăr.

fără context cu context → țintă

Context > formulare scurtă

Garbage in, garbage out. Fără context, modelul împrăștie; cu context, lovește ținta. Un prompt bun = Context + Date (formă, unități, CRS, nodata) + Sarcină + Format + Constrângeri.

→ Două minute de context economisesc cinci iterații.

Prompt Rulează Eroare Iterează

Bucla iterativă

Rar nimerești din prima. Prompt → rulează → citește eroarea → re-promptează. Lipește eroarea completă și un fragment din date, nu o reformulare a ei.

→ Trei iterații țintite bat un prompt „perfect".

✓ corect ⚠ rulează, dar greșit — — corect greșit nu rulează rulează

Verificarea e treaba ta

Cod care rulează ≠ cod corect. Cea mai periculoasă căsuță e „rulează, dar greșit": niciun mesaj de eroare, dar rezultat fals. Tu rămâi recenzorul — tu cunoști unitățile, CRS-ul și ordinul de mărime.

→ Codul tăcut și plauzibil e cel mai înșelător.

versiuni fixate · pip freeze seed = 42 · rezultate identice notezi că ai folosit un asistent

Reproductibilitate & onestitate

Fixează versiunile (pip freeze), pune un seed, notează că ai folosit un asistent. Nu lipi date nepublicate în prompt. LLM-ul halucinează DOI-uri și referințe — verifică orice citare.

→ Dacă nu poți reproduce, nu poți publica.

Când merită să folosești AI — și când nu

✅ Folosește AI când…
  • scrii cod repetitiv / boilerplate (citit-scris fișiere, plotări, parsing)
  • explorezi o bibliotecă sau un API nou
  • refactorizezi, adaugi docstrings sau comentarii
  • transformi pseudocod ori pași descriși în cod
  • scrii teste sau generezi date de exemplu
  • traduci cod dintr-un limbaj în altul
⛔ Evită sau fii prudent când…
  • logica e științifică, critică și subtilă (fizica modelului, bugete de sediment)
  • ai date sensibile sau nepublicate în prompt
  • ai nevoie de o referință sau citare exactă
  • e o sarcină mică pe care o știi pe de rost (mai rapid manual)
  • codul intră direct în producție fără review
  • nu ai cum să verifici rezultatul
4 Exemple

Prompt slab vs prompt bun

🧩 Rețeta de prompt

Context (ce ai deja) · Date (formă, dtype, unități, CRS, nodata) · Sarcină (ce vrei exact) · Format (ce să-ți returneze) · Constrângeri (ce biblioteci să folosească / evite). Dacă e o sarcină subtilă, adaugă și un exemplu input → output.

Context→ Date→ Sarcină→ Format→ Constrângeri
Aceeași rețetă, aplicată pe un prompt real (exemplul cu Sulina):
CONTEXT + DATExarray.Dataset `ds`, var `t2m` (°C), dims (time, lat, lon), pas zilnic, EPSG:4326
SARCINĂextrage seria la Sulina (45.15°N, 29.65°E) prin interpolare, apoi media lunară
FORMATpandas.Series lunară + grafic matplotlib cu axe etichetate
CONSTRÂNGERIdoar xarray + matplotlib; fără bucle for; comentează fiecare pas

Exemplul 1 — serie de timp lunară la Sulina

Scrie cod Python să-mi scoți temperatura pentru Sulina și să faci media lunară.

De ce e slab: nu spune ce structură de date are, ce unități, ce coordonate are Sulina sau ce să returneze. Asistentul ghicește — și de obicei greșit (citește un CSV inexistent, inventează coordonate, întoarce un array fără etichete).

Context: am un xarray.Dataset `ds` cu variabila `t2m` (temperatura aerului la 2 m,
unități °C), dimensiuni (time, lat, lon), pas zilnic, CRS geografic EPSG:4326.
lat crește spre nord, lon spre est.

Sarcină: extrage seria de timp la Sulina (45.15°N, 29.65°E) prin interpolare
biliniară, apoi agreg-o la medie lunară.

Format: returnează un pandas.Series indexat pe lună + un grafic matplotlib cu
axa Y etichetată „Temperatura (°C)" și titlu „Sulina — medie lunară".

Constrângeri: folosește doar xarray (.interp, .resample) și matplotlib; fără
bucle for peste timp; comentează fiecare pas pe o linie.

Exemplul 2 — mască de apă (NDWI) dintr-un GeoTIFF

Aici tocmai capcanele din Modulul 2 (CRS, nodata) sunt locul unde un LLM te poate duce frumos în șanț.

Calculează NDWI pentru imaginea mea satelitară.

De ce e slab: nu știe ce benzi sunt unde, ce reprezintă valorile, cum sunt marcați pixelii lipsă. Riști împărțire la zero pe nodata, NDWI pe benzile greșite și pierderea CRS-ului la salvare.

Context: am un GeoTIFF Sentinel-2 deschis cu rioxarray ca DataArray `da`, dimensiuni
(band, y, x). Banda 1 = Verde (B3), banda 2 = NIR (B8), reflectanță în [0, 1].
CRS = EPSG:32635 (UTM 35N). Pixelii lipsă sunt marcați cu nodata = 0.

Sarcină: calculează NDWI = (Verde − NIR) / (Verde + NIR) și o mască binară apă/uscat
(NDWI > 0). Maschează pixelii nodata ÎNAINTE de împărțire, ca să nu intre în calcul.

Format: un DataArray `ndwi` (float32, păstrează CRS și transform) + un DataArray
boolean `apa` + suprafața de apă în km² (din rezoluția pixelului).

Constrângeri: păstrează metadatele rio; evită diviziunea la zero (np.where pe numitor);
doar rioxarray / xarray / numpy, fără apeluri GDAL directe.
5 Verificare

Checklist pentru orice cod generat

  • Dimensiuni și unități — shape-ul e cel așteptat? °C sau K? m sau km? grade sau metri (CRS)?
  • NaN și valori-limită — ce se întâmplă pe nodata, pe împărțire la zero, pe marginea grilei?
  • Funcții/biblioteci inventate — există într-adevăr xr.smooth() sau gpd.reproject_to_utm()? (Spoiler: nu.)
  • Performanță plauzibilă — ordinul de mărime e corect? O suprafață de apă de 10⁶ km² în Deltă e o alarmă.
  • Comparare cu un calcul manual — rulează pe un caz mic, cunoscut, unde știi răspunsul.
Capcana CRS / orientarea axei (specific Deltei)
GeoTIFF stochează rândurile nord → sud (y descrescător). Un LLM îți poate da o hartă întoarsă pe verticală fără să clipească. Verifică .rio.crs și sensul axei y înainte de orice clip/reproject. Dacă harta apare răsturnată: da.isel(y=slice(None, None, -1)) sau origin='upper' în imshow.
resample vs isel — agregare sau selectare?
resample(time='1ME').mean() face media ferestrei (corect pentru climatologie). isel(time=slice(None, None, 30)) doar selectează fiecare al 30-lea timestamp. Un LLM le confundă des — și ambele „rulează". Citește ce ți-a dat.
Întreabă asistentul să se verifice singur
„Identifică ce presupuneri ai făcut despre datele mele și unde codul ar putea da greș tăcut." Adesea LLM-ul îți semnalează singur exact problema pe care urma s-o ai.
6 Capcane

De evitat

⚠️ Greșelile clasice
  • Vibe coding pe orb — lipești cod și-l rulezi fără să-l citești.
  • Accepți primul răspuns la un prompt vag, în loc să dai context și să iterezi.
  • Nu dai versiunile bibliotecilor → cod cu API vechi sau prea nou (xarray, pandas se schimbă).
  • Crezi numerele fără sanity-check de unități și ordin de mărime.
  • Funcții care „sună bine" dar nu există — verifică în documentația oficială.
  • Lipești date sensibile / nepublicate în prompt (date de proiect, măsurători neîncărcate, GDPR).
  • Te bazezi pe LLM pentru fapte și citări — halucinează referințe și DOI-uri convingător.
7 Modele AI

Ce model? Și cum codezi cu el acum

În mai 2026, modelele „de frontieră" (Claude, GPT, Gemini) sunt foarte apropiate pe sarcini de cod — toate în jur de 80% pe SWE-bench Verified, testul standard pe probleme reale din GitHub. Diferențele dintre ele contează azi mai puțin decât unealta (agentul) în care le folosești.

SWE-bench Verified — orientativ (mai 2026) GPT-5.x / Codex ~83% Claude Opus 4.7 ~82% Gemini 3.1 Pro ~78% DeepSeek V4 · local ~76% Qwen3-Coder · local ~71% frontieră (cloud) local (open-weight)

Cifre orientative (mai 2026). Benchmark-urile sunt zgomotoase și parțial „contaminate" — citește-le ca direcție, nu ca verdict.

☁️ În cloud (API / chat)
  • Claude (Opus 4.7) — puternic pe cod multi-fișier și agenți; ancora workshop-ului.
  • GPT (5.x / Codex) — agentic, „computer use", context de 1M token.
  • Gemini (3.1 Pro) — cel mai ieftin la nivel de frontieră + 1M context; nativ în Colab.

Cea mai bună calitate — dar codul tău pleacă spre un furnizor extern.

💻 Local, pe mașina ta
  • Qwen3-Coder-Next — făcut pentru agenți de cod; rulează pe hardware consumer puternic.
  • Gemma 4 (Google, Apache-2.0) — cel mai practic default local; intră în ~8 GB VRAM.
  • DeepSeek V4 · GLM · Kimi — aproape de frontieră pe sarcini bine definite.

Le rulezi cu Ollama / llama.cpp / LM Studio — gratis, offline, datele rămân la tine.

📈 Modelele locale prind din urmă

Acum un an, modelele open-weight erau „experimente". Azi sunt la ~10 puncte de cele mari și se folosesc în pipeline-uri reale — un model local poate egala generația precedentă de frontieră, dar gratis și privat. Ritmul e amețitor: complexitatea sarcinilor pe care le duce un agent se cam dublează la fiecare ~6 luni.

Cel mai bun mod de a coda cu AI acum

1
Unealta contează mai mult decât modelul. Același model variază 20–50 de puncte după agentul în care e folosit. Alege un agent bun (Claude Code, Cursor, Codex, Gemini CLI; local: Qwen Code sau Aider + Ollama), nu doar „cel mai mare model".
2
Lucrează „agentic", nu autocomplete. Lasă agentul să-ți citească tot proiectul, să ruleze codul, să vadă eroarea și să itereze singur — apoi tu revizuiești.
3
Hibrid. Model de frontieră (cloud) pentru sarcini grele; model local pentru date sensibile sau nepublicate — exact datele tale de teren din Deltă.
4
Spec + verificare în buclă. Dă un context/spec clar (rețeta!), lasă agentul să itereze contra testelor, iar tu validezi rezultatul. Testele și CI sunt plasa de siguranță.
5
Omul rămâne în buclă. Pentru cercetare, tu garantezi corectitudinea științifică și reproductibilitatea. Modelul scrie; tu semnezi.
8 Resurse

Pentru aprofundare