Les grands modèles de langage mettront-ils fin à la programmation ?

La semaine dernière a marqué un jalon important pour OpenAI, alors qu’ils présentaient GPT-4 Turbo lors de leur OpenAI DevDay. Une fonctionnalité remarquable de GPT-4 Turbo est sa fenêtre de contexte élargie de 128 000, un bond considérable par rapport aux 8 000 de GPT-4. Cette amélioration permet le traitement de textes 16 fois plus importants que son prédécesseur, équivalent à environ 300 pages de texte.

Cette avancée s’inscrit dans un autre développement important : l’impact potentiel sur le paysage des startups SaaS.

OpenAI’s ChatGPT Enterprise, avec ses fonctionnalités avancées, pose un défi à de nombreuses startups SaaS. Ces entreprises, qui proposaient des produits et des services autour de ChatGPT ou de ses API, sont maintenant confrontées à une concurrence d’un outil doté de capacités d’entreprise. Les offres de ChatGPT Enterprise, comme la vérification de domaine, l’authentification unique et les insights d’utilisation, se chevauchentectement avec de nombreux services B2B existants, ce qui pourrait potentiellement mettre en péril la survie de ces startups.

Dans son discours, le PDG d’OpenAI, Sam Altman, a révélé un autre développement majeur : l’extension de la connaissance de GPT-4 Turbo. Contrairement à GPT-4, qui ne disposait d’informations qu’uniquement jusqu’en 2021, GPT-4 Turbo est mis à jour avec des connaissances jusqu’en avril 2023, marquant un progrès significatif dans la pertinence et l’applicabilité de l’IA.

ChatGPT Enterprise se distingue par des fonctionnalités telles que la sécurité et la confidentialité améliorées, un accès à grande vitesse à GPT-4 et des fenêtres de contexte étendues pour des entrées plus longues. Ses capacités avancées d’analyse de données, d’options de personnalisation et de suppression des limites d’utilisation en font un choix supérieur à ses prédécesseurs. Sa capacité à traiter des entrées et des fichiers plus longs, ainsi que l’accès illimité à des outils d’analyse de données avancés comme le précédemment connu Code Interpreter, renforce encore son attrait, en particulier parmi les entreprises qui hésitaient précédemment en raison de problèmes de sécurité des données.

L’ère de la création manuelle de code cède la place à des systèmes pilotés par l’IA, formés au lieu d’être programmés, signifiant un changement fondamental dans le développement de logiciels.

Les tâches fastidieuses de la programmation pourraient bientôt être confiées à l’IA, réduisant le besoin d’une expertise de codage approfondie. Des outils comme GitHub’s CoPilot et Replit’s Ghostwriter, qui aident à la programmation, sont des indicateurs précoces du rôle croissant de l’IA dans la programmation, suggérant un avenir où l’IA pourrait aller au-delà de l’assistance pour gérer entièrement le processus de programmation. Imaginez le scénario courant où un programmeur oublie la syntaxe pour inverser une liste dans un langage particulier. Au lieu d’une recherche dans les forums et les articles en ligne, CoPilot offre une assistance immédiate, permettant au programmeur de se concentrer sur l’objectif.

Transition vers le développement piloté par l’IA

Les outils de faible code et de code zéro ont simplifié le processus de programmation, en automatisant la création de blocs de code de base et en libérant les développeurs pour se concentrer sur les aspects créatifs de leurs projets. Mais à mesure que nous entrons dans cette nouvelle vague d’IA, le paysage change encore. La simplicité des interfaces utilisateur et la capacité de générer du code via des commandes simples comme « Créez un site Web pour faire X » révolutionnent le processus.

L’influence de l’IA dans la programmation est déjà énorme. De même que les premiers informaticiens sont passés d’un accent sur l’ingénierie électrique à des concepts plus abstraits, les futurs programmeurs pourraient considérer le codage détaillé comme obsolète. Les progrès rapides de l’IA ne sont pas limités à la génération de texte/code. Dans des domaines tels que la génération d’images, des modèles de diffusion comme Runway ML, DALL-E 3, montrent des améliorations massives. Regardez simplement le tweet ci-dessous de Runway mettant en vedette leur dernière fonctionnalité.

https://twitter.com/runwayml/status/1723033256067489937

En étendant au-delà de la programmation, l’impact de l’IA sur les industries créatives est appelé à être tout aussi transformatif. Jeff Katzenberg, un géant de l’industrie cinématographique et ancien président des studios Walt Disney, a prédit que l’IA réduirait considérablement le coût de production des films d’animation. Selon un article récent de Bloomberg Katzenberg prévoit une réduction drastique de 90 % des coûts. Cela peut inclure l’automatisation de tâches fastidieuses telles que l’interpolation dans l’animation traditionnelle, le rendu de scènes et même l’aide à des processus créatifs tels que la conception de personnages et la planification de l’histoire.

Le rapport coût-efficacité de l’IA dans la programmation

Analyse de coût de l’emploi d’un ingénieur logiciel :

1. Rémunération totale : La rémunération moyenne d’un ingénieur logiciel, y compris les avantages supplémentaires dans les hubs technologiques comme la Silicon Valley ou Seattle, est d’environ 312 000 $ par an.

Analyse de coût quotidien :

1. Jours ouvrables par an : En considérant qu’il y a environ 260 jours ouvrables dans une année, le coût quotidien de l’emploi d’un ingénieur logiciel est d’environ 1 200 $.
2. Production de code : En supposant une estimation généreuse de 100 lignes de code finalisées, testées, revues et approuvées par jour, cette production quotidienne est la base de comparaison.

Analyse de coût de l’utilisation de GPT-3 pour la génération de code :

1. Coût par jeton : Le coût de l’utilisation de GPT-3, au moment de la vidéo, était d’environ 0,02 $ pour chaque 1 000 jetons.
2. Jetons par ligne de code : En moyenne, une ligne de code peut être estimée à environ 10 jetons.
3. Coût pour 100 lignes de code : Par conséquent, le coût de génération de 100 lignes de code (ou 1 000 jetons) à l’aide de GPT-3 serait d’environ 0,12 $.

Analyse comparative :

• Coût par ligne de code (humain vs IA) : En comparant les coûts, la génération de 100 lignes de code par jour coûte 1 200 $ lorsqu’elle est effectuée par un ingénieur logiciel humain, par opposition à seulement 0,12 $ en utilisant GPT-3.
• Facteur de coût : Cela représente un facteur de coût différent de environ 10 000 fois, l’IA étant nettement moins chère.

Cette analyse met en évidence le potentiel économique de l’IA dans le domaine de la programmation. Le faible coût du code généré par l’IA par rapport au coût élevé des développeurs humains suggère un avenir où l’IA pourrait devenir la méthode préférée pour la génération de code, en particulier pour les tâches standard ou répétitives. Ce changement pourrait conduire à des économies de coûts importantes pour les entreprises et à une réévaluation du rôle des programmeurs humains, en se concentrant potentiellement sur des tâches plus complexes, créatives ou de surveillance que l’IA ne peut pas encore gérer.

</