Tekoäly
Lopettavatko suuret kielimallit ohjelmoinnin?
Viime viikko oli merkittävä virstanpylväs OpenAI:lle, kun he esittelivät GPT-4 Turbon OpenAI DevDay. GPT-4 Turbon erottuva ominaisuus on sen laajennettu kontekstiikkuna 128,000 4, mikä on merkittävä harppaus GPT-8,000:n 16 300:sta. Tämä parannus mahdollistaa tekstin käsittelyn XNUMX kertaa tehokkaammin kuin edeltäjänsä, mikä vastaa noin XNUMX sivua tekstiä.
Tämä edistys liittyy toiseen merkittävään kehitykseen: mahdolliseen vaikutukseen SaaS-yritysten maisemaan.
OpenAI:n ChatGPT Enterprise edistyneine ominaisuuksineen asettaa haasteen monille SaaS-aloitusyrityksille. Nämä yritykset, jotka ovat tarjonneet tuotteita ja palveluita ChatGPT:n tai sen sovellusliittymien ympärillä, joutuvat nyt kilpailemaan yritystason ominaisuuksilla varustetun työkalun kanssa. ChatGPT Enterprisen tarjoukset, kuten verkkotunnuksen vahvistus, SSO ja käyttötiedot, ovat suoraan päällekkäisiä monien olemassa olevien B2B-palvelujen kanssa, mikä saattaa vaarantaa näiden startup-yritysten selviytymisen.
Avauspuheenvuorossaan OpenAI:n toimitusjohtaja Sam Altman paljasti toisen tärkeän kehityksen: GPT-4 Turbon tietorajan laajentamisen. Toisin kuin GPT-4, jolla oli tietoa vain vuoteen 2021 asti, GPT-4 Turbo on päivitetty tiedolla huhtikuuhun 2023 asti, mikä merkitsee merkittävää edistysaskelta tekoälyn merkityksellisyydessä ja soveltuvuudessa.
ChatGPT Enterprise erottuu ominaisuuksista, kuten parannetusta suojauksesta ja yksityisyydestä, nopeasta pääsystä GPT-4:ään ja laajennetuilla kontekstiikkunoilla pidempiä syötteitä varten. Sen edistyneet data-analyysiominaisuudet, mukautusvaihtoehdot ja käyttörajoitusten poistaminen tekevät siitä ylivertaisen valinnan edeltäjiinsä verrattuna. Sen kyky käsitellä pidempiä syötteitä ja tiedostoja sekä rajoittamaton pääsy edistyneisiin data-analyysityökaluihin, kuten aiemmin tunnettuihin Koodin tulkki, vahvistaa vetovoimaansa entisestään, erityisesti yritysten keskuudessa, jotka olivat aiemmin epäröineet tietoturvasyistä.
Manuaalisen koodin luomisen aikakausi väistyy tekoälyohjatuille järjestelmille, jotka on koulutettu ohjelmoinnin sijaan, mikä merkitsee perustavanlaatuista muutosta ohjelmistokehityksessä.
Ohjelmoinnin arkipäiväiset tehtävät saattavat pian joutua tekoälyn käsiin, mikä vähentää syvän koodausosaamisen tarvetta. Työkalut kuten GitHubin CoPilot ja Replitin Ghostwriter, jotka auttavat koodaamisessa, ovat varhaisia indikaattoreita tekoälyn kasvavasta roolista ohjelmointityössä, mikä viittaa tulevaisuuteen, jossa tekoäly ulottuu ohjelmointiprosessin täydelliseen hallintaan. Kuvittele yleinen skenaario, jossa ohjelmoija unohtaa tietyn kielen luettelon kääntämisen syntaksin. Verkkofoorumien ja -artikkelien haun sijaan CoPilot tarjoaa välitöntä apua pitäen ohjelmoijan keskittyneenä kohti tavoitetta.
Siirtyminen matalakoodista tekoälyyn perustuvaan kehitykseen
Low-code & No Code -työkalut yksinkertaistivat ohjelmointiprosessia, automatisoivat peruskoodauslohkojen luomisen ja vapauttavat kehittäjät keskittymään projektiensa luoviin puoliin. Mutta kun astumme tähän uuteen tekoälyaaltoon, maisema muuttuu edelleen. Käyttöliittymien yksinkertaisuus ja kyky luoda koodia yksinkertaisilla komennoilla, kuten "Build me a website to do X", mullistavat prosessin.
Tekoälyn vaikutus ohjelmointiin on jo valtava. Samalla tavalla kuin varhaiset tietotekniikan tutkijat siirtyivät sähkötekniikasta abstraktimpiin käsitteisiin, tulevat ohjelmoijat saattavat pitää yksityiskohtaista koodausta vanhentuneena. Tekoälyn nopea kehitys ei rajoitu tekstin/koodin luomiseen. Aloilla, kuten kuvan sukupolven diffuusiomalli, kuten Kiitotie ML, DALL-E3, osoittaa valtavia parannuksia. Katso alla oleva Runwayn twiitti, joka esittelee heidän uusimman ominaisuutensa.
Esittelyssä Motion Brush.
Uusi tapa lisätä ohjattua liikettä sukupolvellesi.
Tulossa pian Gen-2:een. pic.twitter.com/htyjf1gstz
- Kiitorata (@runwayml) Marraskuussa 10, 2023
Ohjelmointia pidemmälle menevän tekoälyn vaikutuksen luoville aloille odotetaan olevan yhtä muuttava. Jeff Katzenberg, elokuvateollisuuden titaani ja Walt Disney Studiosin entinen puheenjohtaja, on ennustanut, että tekoäly vähentää merkittävästi animaatioelokuvien tuotantokustannuksia. Tuoreen artikkelin mukaan Bloomberg Katzenberg ennakoi 90 prosentin kustannussäästöjä. Tämä voi sisältää työvoimavaltaisten tehtävien automatisoinnin, kuten perinteisen animaation välissä tekemisen, kohtausten renderöinnin ja jopa avustamisen luovissa prosesseissa, kuten hahmojen suunnittelussa ja kuvakäsikirjoituksessa.
Tekoälyn kustannustehokkuus koodauksessa
Ohjelmistoinsinöörin palkkaamisen kustannusanalyysi:
- Kokonaiskorvaus: Ohjelmistoinsinöörin keskipalkka, mukaan lukien lisäedut teknologiakeskuksissa, kuten Piilaaksossa tai Seattlessa, on noin 312,000 XNUMX dollaria vuodessa.
Päivittäinen kustannusanalyysi:
- Työpäivät vuodessa: Kun otetaan huomioon, että vuodessa on noin 260 työpäivää, ohjelmistosuunnittelijan päivittäinen palkkaus on noin 1,200 XNUMX dollaria.
- Koodilähtö: Olettaen, että arviolta 100 viimeisteltyä, testattua, tarkistettua ja hyväksyttyä koodiriviä päivässä, tämä päivittäinen tulos on vertailun perusta.
Kustannusanalyysi GPT-3:n käytöstä koodin luomiseen:
- Tokenin hinta: GPT-3:n käyttökustannukset olivat videon esityshetkellä noin 0.02 dollaria jokaista 1,000 XNUMX merkkiä kohden.
- Tokenit per koodirivi: Keskimäärin koodirivin voidaan arvioida sisältävän noin 10 merkkiä.
- 100 koodirivin hinta: Siksi 100 koodirivin (tai 1,000 3 tunnuksen) luominen GPT-0.12:lla maksaisi noin XNUMX dollaria.
Vertaileva analyysi:
- Hinta per koodirivi (ihminen vs. tekoäly): Kustannuksia verrattaessa 100 koodirivin luominen päivässä maksaa 1,200 0.12 dollaria, kun sen tekee ihmisen ohjelmistoinsinööri, kun taas GPT-3:lla vain XNUMX dollaria.
- Kustannustekijä: Tämä edustaa noin 10,000 XNUMX-kertaista kustannustekijäeroa, kun tekoäly on huomattavasti halvempi.
Tämä analyysi viittaa tekoälyn taloudelliseen potentiaaliin ohjelmoinnin alalla. Tekoälyn luoman koodin alhaiset kustannukset verrattuna ihmisten kehittäjien korkeisiin kustannuksiin viittaavat tulevaisuuteen, jossa tekoälystä voi tulla suosituin menetelmä koodin luomiseen, erityisesti tavallisiin tai toistuviin tehtäviin. Tämä muutos voi johtaa merkittäviin kustannussäästöihin yrityksille ja ohjelmoijien roolin uudelleenarviointiin, jolloin heidän taitonsa voidaan keskittää monimutkaisempiin, luovampiin tai valvontatehtäviin, joita tekoäly ei vielä pysty käsittelemään.
ChatGPT:n monipuolisuus ulottuu useisiin ohjelmointikonteksteihin, mukaan lukien monimutkainen vuorovaikutus verkkokehityskehysten kanssa. Harkitse tilannetta, jossa kehittäjä työskentelee Reactin kanssa, joka on suosittu JavaScript-kirjasto käyttöliittymien rakentamiseen. Perinteisesti tähän tehtävään sisältyisi laajaan dokumentaatioon ja yhteisön toimittamiin esimerkkeihin perehtymistä, erityisesti kun on kyse monimutkaisista komponenteista tai valtionhallinnasta.
ChatGPT:n avulla tämä prosessi on virtaviivaistettu. Kehittäjä voi yksinkertaisesti kuvailla toiminnallisuutta, jonka he pyrkivät toteuttamaan Reactissa, ja ChatGPT tarjoaa asiaankuuluvia, käyttövalmiita koodinpätkiä. Tämä voi vaihdella peruskomponenttirakenteen määrittämisestä edistyneempiin ominaisuuksiin, kuten tilan hallintaan koukkujen avulla tai integrointiin ulkoisten API:iden kanssa. ChatGPT lisää tehokkuutta ja nopeuttaa projektikehitystä verkkokehityskontekstissa vähentämällä tutkimukseen ja kokeilemiseen käytettyä aikaa.
Tekoälyohjatun ohjelmoinnin haasteita
Tekoälyn muokkaaessa edelleen ohjelmointimaisemaa on olennaista tunnistaa rajoitukset ja haasteet, jotka johtuvat pelkästä tekoälyyn luottamisesta ohjelmointitehtävissä. Nämä haasteet korostavat tarvetta tasapainoiseen lähestymistapaan, joka hyödyntää tekoälyn vahvuuksia ja tunnustaa sen rajoitukset.
- Koodin laatu ja ylläpidettävyys: Tekoälyn luoma koodi voi joskus olla monisanaista tai tehotonta, mikä voi johtaa ylläpitoongelmiin. Tekoäly voi kirjoittaa toiminnallista koodia, mutta sen varmistaminen, että tämä koodi noudattaa luettavuuden, tehokkuuden ja ylläpidettävyyden parhaita käytäntöjä, on edelleen ihmislähtöinen tehtävä.
- Vianetsintä ja virheiden käsittely: Tekoälyjärjestelmät voivat luoda koodia nopeasti, mutta ne eivät aina ole erinomaisia virheenkorjauksessa tai olemassa olevan koodin vivahteisten virheiden ymmärtämisessä. Virheenkorjauksen hienovaraisuudet, erityisesti suurissa, monimutkaisissa järjestelmissä, vaativat usein ihmisen vivahteikkaan ymmärryksen ja kokemuksen.
- Luottaminen koulutustietoihin: Tekoälyn tehokkuus ohjelmoinnissa riippuu suurelta osin sen harjoitustietojen laadusta ja laajuudesta. Jos harjoitustiedoista puuttuu esimerkkejä tietyistä virheistä, malleista tai skenaarioista, tekoälyn kyky käsitellä näitä tilanteita vaarantuu.
- Eettiset ja turvallisuusongelmat: Tekoälyn saaessa entistä näkyvämmän roolin koodauksessa eettisiä ja turvallisia huolenaiheita syntyy, erityisesti tietosuojan ja tekoälyn luoman koodin harhamahdollisuuksien osalta. Eettisen käytön varmistaminen ja näiden harhaanjohtaminen on ratkaisevan tärkeää tekoälypohjaisten ohjelmointityökalujen vastuullisessa kehittämisessä.
Tekoälyn ja perinteisten ohjelmointitaitojen tasapainottaminen
Tulevaisuudessa ohjelmistokehitystiimeissä saattaa syntyä hybridimalli. Tuotepäälliköt voisivat kääntää vaatimukset tekoälykoodigeneraattoreiden ohjeiksi. Inhimillinen valvonta saattaa silti olla tarpeen laadunvarmistuksen kannalta, mutta painopiste siirtyisi koodin kirjoittamisesta ja ylläpidosta tekoälyn tuottamien tulosteiden tarkistamiseen ja hienosäätöön. Tämä muutos viittaa perinteisten koodausperiaatteiden, kuten modulaarisuuden ja abstraktion, vähentymiseen, koska tekoälyn luoman koodin ei tarvitse noudattaa ihmiskeskeisiä ylläpitostandardeja.
Tällä uudella aikakaudella insinöörien ja tietojenkäsittelytieteilijöiden rooli muuttuu merkittävästi. He ovat vuorovaikutuksessa LLM:n kanssa ja tarjoavat koulutusdataa ja esimerkkejä tehtävien suorittamiseksi ja siirtävät painopisteen monimutkaisesta koodauksesta strategiseen tekoälymallien kanssa työskentelemiseen.
Peruslaskentayksikkö siirtyy perinteisistä prosessoreista massiivisiin, valmiiksi koulutettuihin LLM-malleihin, mikä merkitsee poikkeamaa ennakoitavista, staattisista prosesseista dynaamisiin, mukautuviin tekoälyagentteihin.
Painopiste on siirtyminen ohjelmien luomisesta ja ymmärtämisestä tekoälymallien ohjaamiseen, tietojenkäsittelytieteilijöiden ja insinöörien roolien uudelleenmäärittelyyn sekä vuorovaikutuksen muokkaamiseen teknologian kanssa.
Jatkuva inhimillisen näkemyksen tarve tekoälyn luomassa koodissa
Ohjelmoinnin tulevaisuus ei ole niinkään koodausta vaan enemmän älykkyyden ohjaamista, joka ohjaa teknologista maailmaamme.
Uskomus, että tekoälyn luonnollisen kielen prosessointi voi täysin korvata muodollisten matemaattisten merkintöjen ja perinteisen ohjelmoinnin tarkkuuden ja monimutkaisuuden, on parhaimmillaankin ennenaikaista. Siirtyminen kohti tekoälyä ohjelmoinnissa ei poista tarvetta tiukkuuteen ja tarkkuuteen, jonka vain muodollinen ohjelmointi ja matemaattiset taidot voivat tarjota.
Lisäksi haaste testata tekoälyn luomaa koodia ongelmiin, joita ei ole ratkaistu aiemmin, on edelleen merkittävä. Tekniikat, kuten ominaisuuspohjainen testaus, vaativat syvällistä ohjelmoinnin ymmärtämistä, taitoja, joita tekoäly ei voi nykyisessä tilassaan toistaa tai korvata.
Yhteenvetona voidaan todeta, että vaikka tekoäly lupaa automatisoida monia ohjelmoinnin näkökohtia, inhimillinen elementti on edelleen ratkaiseva, erityisesti luovuutta, monimutkaista ongelmanratkaisua ja eettistä valvontaa vaativilla alueilla.
