Kecerdasan Buatan
Akankah Model Bahasa Besar Mengakhiri Pemrograman?
Minggu lalu menandai tonggak penting bagi OpenAI, ketika mereka meluncurkan GPT-4 Turbo di platform mereka Hari Dev OpenAI. Fitur menonjol dari GPT-4 Turbo adalah jendela konteksnya yang diperluas sebesar 128,000, sebuah lompatan besar dari GPT-4 yang berjumlah 8,000. Peningkatan ini memungkinkan pemrosesan teks 16 kali lebih besar dibandingkan pendahulunya atau setara dengan sekitar 300 halaman teks.
Kemajuan ini terkait dengan perkembangan signifikan lainnya: potensi dampak terhadap lanskap startup SaaS.
ChatGPT Enterprise OpenAI, dengan fitur-fitur canggihnya, memberikan tantangan bagi banyak startup SaaS. Perusahaan-perusahaan ini, yang selama ini menawarkan produk dan layanan seputar ChatGPT atau API-nya, kini menghadapi persaingan dari alat dengan kemampuan tingkat perusahaan. Penawaran ChatGPT Enterprise, seperti verifikasi domain, SSO, dan wawasan penggunaan, secara langsung tumpang tindih dengan banyak layanan B2B yang ada, sehingga berpotensi membahayakan kelangsungan hidup startup ini.
Dalam pidato utamanya, CEO OpenAI Sam Altman mengungkapkan perkembangan besar lainnya: perluasan batas pengetahuan GPT-4 Turbo. Berbeda dengan GPT-4, yang hanya memiliki informasi hingga tahun 2021, GPT-4 Turbo diperbarui dengan pengetahuan hingga April 2023, menandai langkah maju yang signifikan dalam relevansi dan penerapan AI.
ChatGPT Enterprise menonjol dengan fitur-fitur seperti keamanan dan privasi yang ditingkatkan, akses kecepatan tinggi ke GPT-4, dan jendela konteks yang diperluas untuk input yang lebih lama. Kemampuan analisis datanya yang canggih, opsi penyesuaian, dan penghapusan batasan penggunaan menjadikannya pilihan yang lebih baik dibandingkan pendahulunya. Kemampuannya untuk memproses input dan file yang lebih lama, serta akses tak terbatas ke alat analisis data tingkat lanjut seperti yang diketahui sebelumnya juru kode, semakin memperkuat daya tariknya, terutama di kalangan bisnis yang sebelumnya ragu-ragu karena masalah keamanan data.
Era pembuatan kode secara manual digantikan oleh sistem berbasis AI, yang dilatih dan bukan diprogram, yang menandakan perubahan mendasar dalam pengembangan perangkat lunak.
Tugas-tugas pemrograman yang biasa-biasa saja akan segera beralih ke AI, sehingga mengurangi kebutuhan akan keahlian coding yang mendalam. Alat seperti CoPilot GitHub dan Penulis Hantu Replit, yang membantu dalam pengkodean, merupakan indikator awal perluasan peran AI dalam pemrograman, yang menunjukkan masa depan di mana AI tidak hanya memberikan bantuan, namun juga mengelola sepenuhnya proses pemrograman. Bayangkan skenario umum di mana seorang programmer lupa sintaks untuk membalik daftar dalam bahasa tertentu. Daripada mencari melalui forum dan artikel online, CoPilot menawarkan bantuan langsung, menjaga pemrogram tetap fokus pada tujuan.
Transisi dari Pembangunan Berkode Rendah ke Pembangunan Berbasis AI
Alat berkode rendah & Tanpa kode menyederhanakan proses pemrograman, mengotomatiskan pembuatan blok pengkodean dasar dan membebaskan pengembang untuk fokus pada aspek kreatif proyek mereka. Namun saat kita memasuki gelombang AI baru ini, lanskapnya semakin berubah. Kesederhanaan antarmuka pengguna dan kemampuan untuk menghasilkan kode melalui perintah sederhana seperti “Buat saya situs web untuk melakukan X” merevolusi proses tersebut.
Pengaruh AI dalam pemrograman sudah sangat besar. Mirip dengan bagaimana ilmuwan komputer awal beralih dari fokus pada teknik elektro ke konsep yang lebih abstrak, pemrogram masa depan mungkin menganggap pengkodean terperinci sebagai sesuatu yang ketinggalan jaman. Kemajuan pesat dalam AI, tidak terbatas pada pembuatan teks/kode. Di bidang seperti model difusi pembuatan gambar landasan pacu ML, DALL-E3, menunjukkan peningkatan besar-besaran. Lihat saja tweet Runway di bawah ini yang menampilkan fitur terbaru mereka.
Memperkenalkan, Kuas Gerak.
Sebuah cara baru untuk menambahkan gerakan terkontrol pada generasi Anda.
Segera hadir di Gen-2. pic.twitter.com/htyjf1gstz
— Landasan pacu (@runwayml) November 10, 2023
Selain pemrograman, dampak AI terhadap industri kreatif juga akan sama transformatifnya. Jeff Katzenberg, seorang raksasa di industri film dan mantan ketua Walt Disney Studios, memperkirakan bahwa AI akan mengurangi biaya produksi film animasi secara signifikan. Menurut artikel terbaru dari Bloomberg Katzenberg memperkirakan pengurangan biaya secara drastis sebesar 90%. Hal ini dapat mencakup otomatisasi tugas-tugas padat karya seperti animasi tradisional, rendering adegan, dan bahkan membantu proses kreatif seperti desain karakter dan pembuatan storyboard.
Efektivitas Biaya AI dalam Pengkodean
Analisis Biaya Mempekerjakan Insinyur Perangkat Lunak:
- Jumlah Kompensasi: Gaji rata-rata untuk seorang insinyur perangkat lunak termasuk tunjangan tambahan di pusat teknologi seperti Silicon Valley atau Seattle adalah sekitar $312,000 per tahun.
Analisis Biaya Harian:
- Hari Kerja Per Tahun: Mengingat ada sekitar 260 hari kerja dalam setahun, biaya harian untuk mempekerjakan seorang insinyur perangkat lunak adalah sekitar $1,200.
- Keluaran Kode: Dengan asumsi perkiraan 100 baris kode yang diselesaikan, diuji, ditinjau, dan disetujui per hari, keluaran harian ini adalah dasar untuk perbandingan.
Analisis Biaya Penggunaan GPT-3 untuk Pembuatan Kode:
- Biaya Token: Biaya penggunaan GPT-3, pada saat video dibuat, adalah sekitar $0.02 untuk setiap 1,000 token.
- Token Per Baris Kode: Rata-rata, satu baris kode diperkirakan berisi sekitar 10 token.
- Biaya untuk 100 Baris Kode: Oleh karena itu, biaya untuk menghasilkan 100 baris kode (atau 1,000 token) menggunakan GPT-3 adalah sekitar $0.12.
Analisis perbandingan:
- Biaya per Baris Kode (Manusia vs. AI): Membandingkan biayanya, menghasilkan 100 baris kode per hari memerlukan biaya $1,200 bila dilakukan oleh insinyur perangkat lunak manusia, dibandingkan hanya $0.12 menggunakan GPT-3.
- Faktor Biaya: Hal ini menunjukkan perbedaan faktor biaya sekitar 10,000 kali lipat, dan AI jauh lebih murah.
Analisis ini menunjukkan potensi ekonomi AI di bidang pemrograman. Rendahnya biaya kode yang dihasilkan AI dibandingkan dengan tingginya biaya pengembang manusia menunjukkan masa depan di mana AI bisa menjadi metode pilihan untuk pembuatan kode, terutama untuk tugas-tugas standar atau berulang. Pergeseran ini dapat menghasilkan penghematan biaya yang signifikan bagi perusahaan dan evaluasi ulang peran pemrogram manusia, yang berpotensi memfokuskan keterampilan mereka pada tugas-tugas yang lebih kompleks, kreatif, atau pengawasan yang belum dapat ditangani oleh AI.
Fleksibilitas ChatGPT meluas ke berbagai konteks pemrograman, termasuk interaksi kompleks dengan kerangka pengembangan web. Pertimbangkan skenario ketika seorang pengembang bekerja dengan React, sebuah perpustakaan JavaScript populer untuk membangun antarmuka pengguna. Biasanya, tugas ini melibatkan penggalian dokumentasi ekstensif dan contoh yang diberikan oleh komunitas, terutama ketika menangani komponen rumit atau pengelolaan negara.
Dengan ChatGPT, proses ini menjadi efisien. Pengembang cukup menjelaskan fungsionalitas yang ingin mereka terapkan di React, dan ChatGPT menyediakan cuplikan kode yang relevan dan siap digunakan. Hal ini dapat berkisar dari menyiapkan struktur komponen dasar hingga fitur yang lebih canggih seperti mengelola status dengan hook atau mengintegrasikan dengan API eksternal. Dengan mengurangi waktu yang dihabiskan untuk penelitian dan uji coba, ChatGPT meningkatkan efisiensi dan mempercepat pengembangan proyek dalam konteks pengembangan web.
Tantangan dalam Pemrograman Berbasis AI
Ketika AI terus mengubah lanskap pemrograman, penting untuk menyadari keterbatasan dan tantangan yang timbul karena hanya mengandalkan AI untuk tugas-tugas pemrograman. Tantangan-tantangan ini menggarisbawahi perlunya pendekatan seimbang yang memanfaatkan kekuatan AI sekaligus mengakui keterbatasannya.
- Kualitas dan Pemeliharaan Kode: Kode yang dihasilkan AI terkadang bertele-tele atau tidak efisien, sehingga berpotensi menimbulkan tantangan pemeliharaan. Meskipun AI dapat menulis kode fungsional, memastikan bahwa kode ini mematuhi praktik terbaik dalam hal keterbacaan, efisiensi, dan pemeliharaan tetap menjadi tugas yang dilakukan manusia.
- Debugging dan Penanganan Kesalahan: Sistem AI dapat menghasilkan kode dengan cepat, namun tidak selalu unggul dalam melakukan debug atau memahami kesalahan dalam kode yang ada. Seluk-beluk debugging, khususnya dalam sistem yang besar dan kompleks, seringkali memerlukan pemahaman dan pengalaman manusia yang berbeda-beda.
- Ketergantungan pada Data Pelatihan: Efektivitas AI dalam pemrograman sangat bergantung pada kualitas dan luasnya data pelatihannya. Jika data pelatihan tidak memiliki contoh bug, pola, atau skenario tertentu, kemampuan AI untuk menangani situasi ini akan terganggu.
- Masalah Etika dan Keamanan: Ketika AI mengambil peran yang lebih besar dalam pengkodean, maka timbul kekhawatiran etika dan keamanan, terutama seputar privasi data dan potensi bias dalam kode yang dihasilkan AI. Memastikan penggunaan yang etis dan mengatasi bias ini sangat penting untuk pengembangan alat pemrograman berbasis AI yang bertanggung jawab.
Menyeimbangkan AI dan Keterampilan Pemrograman Tradisional
Di masa depan, tim pengembangan perangkat lunak mungkin akan mengembangkan model hybrid. Manajer produk dapat menerjemahkan persyaratan menjadi arahan untuk pembuat kode AI. Pengawasan manusia mungkin masih diperlukan untuk menjamin kualitas, namun fokusnya akan beralih dari menulis dan memelihara kode ke memverifikasi dan menyempurnakan keluaran yang dihasilkan AI. Perubahan ini menunjukkan berkurangnya penekanan pada prinsip-prinsip pengkodean tradisional seperti modularitas dan abstraksi, karena kode yang dihasilkan AI tidak perlu mematuhi standar pemeliharaan yang berpusat pada manusia.
Di era baru ini, peran insinyur dan ilmuwan komputer akan berubah secara signifikan. Mereka akan berinteraksi dengan LLM, memberikan data pelatihan dan contoh untuk mencapai tugas, mengalihkan fokus dari pengkodean yang rumit ke bekerja secara strategis dengan model AI.
Unit komputasi dasar akan beralih dari prosesor tradisional ke model LLM besar yang telah dilatih sebelumnya, menandai peralihan dari proses statis yang dapat diprediksi ke agen AI yang dinamis dan adaptif.
Fokusnya adalah transisi dari membuat dan memahami program menjadi memandu model AI, mendefinisikan ulang peran ilmuwan dan insinyur komputer, serta membentuk kembali interaksi kita dengan teknologi.
Kebutuhan yang Berkelanjutan akan Wawasan Manusia dalam Kode yang Dihasilkan AI
Masa depan pemrograman bukan lagi tentang pengkodean, melainkan tentang mengarahkan kecerdasan yang akan menggerakkan dunia teknologi kita.
Keyakinan bahwa pemrosesan bahasa alami oleh AI dapat sepenuhnya menggantikan presisi dan kompleksitas notasi matematika formal dan pemrograman tradisional, masih terlalu dini. Peralihan ke arah AI dalam pemrograman tidak menghilangkan kebutuhan akan ketelitian dan presisi yang hanya dapat diberikan oleh keterampilan pemrograman formal dan matematika.
Selain itu, tantangan pengujian kode yang dihasilkan AI untuk masalah yang belum terpecahkan sebelumnya masih tetap besar. Teknik seperti pengujian berbasis properti memerlukan pemahaman mendalam tentang pemrograman, keterampilan yang tidak dapat ditiru atau digantikan oleh AI, dalam kondisi saat ini.
Singkatnya, meskipun AI berjanji untuk mengotomatiskan banyak aspek pemrograman, elemen manusia tetap penting, terutama di bidang yang membutuhkan kreativitas, penyelesaian masalah yang kompleks, dan pengawasan etika.
