Apakah Model Bahasa Besar Akan Mengakhiri Pemrograman?

Minggu lalu menandai tonggak penting bagi OpenAI, karena mereka memperkenalkan GPT-4 Turbo di OpenAI DevDay. Fitur unggulan GPT-4 Turbo adalah jendela konteks yang diperluas sebesar 128.000, melompat pesat dari 8.000 GPT-4. Peningkatan ini memungkinkan pemrosesan teks 16 kali lebih besar dari pendahulunya, setara dengan sekitar 300 halaman teks.

Pertumbuhan ini terkait dengan perkembangan signifikan lainnya: dampak potensial pada lanskap startup SaaS.

OpenAI’s ChatGPT Enterprise, dengan fitur-fitur canggih, menantang banyak startup SaaS. Perusahaan-perusahaan ini, yang telah menawarkan produk dan layanan di sekitar ChatGPT atau API-nya, sekarang menghadapi persaingan dari alat dengan kemampuan perusahaan. Penawaran ChatGPT Enterprise, seperti verifikasi domain, SSO, dan wawasan penggunaan, secara langsung tumpang tindih dengan banyak layanan B2B yang ada, berpotensi membahayakan kelangsungan hidup startup ini.

Dalam pidatonya, CEO OpenAI Sam Altman mengungkapkan perkembangan besar lainnya: perluasan batas waktu pengetahuan GPT-4 Turbo. Tidak seperti GPT-4, yang hanya memiliki informasi hingga 2021, GPT-4 Turbo diperbarui dengan pengetahuan hingga April 2023, menandai langkah besar ke depan dalam relevansi dan keteraplikasian AI.

ChatGPT Enterprise menonjol dengan fitur-fitur seperti keamanan dan privasi yang ditingkatkan, akses cepat ke GPT-4, dan jendela konteks yang diperluas untuk input yang lebih panjang. Kemampuan analisis data yang canggih, opsi kustomisasi, dan penghapusan batas penggunaan membuatnya menjadi pilihan yang lebih baik daripada pendahulunya. Kemampuan untuk memproses input yang lebih panjang dan file, bersama dengan akses tak terbatas ke alat analisis data canggih seperti Code Interpreter, lebih memperkuat daya tariknya, terutama di antara bisnis yang sebelumnya ragu-ragu karena kekhawatiran keamanan data.

Era mengrafikkan kode secara manual mulai bergeser ke sistem yang didorong AI, yang dilatih bukan diprogram, menandai perubahan fundamental dalam pengembangan perangkat lunak.

Tugas-tugas pemrograman yang membosankan mungkin segera jatuh ke AI, mengurangi kebutuhan akan keahlian pemrograman yang mendalam. Alat seperti GitHub’s CoPilot dan Replit’s Ghostwriter, yang membantu dalam pemrograman, adalah indikator awal peran AI yang berkembang dalam pemrograman, menunjukkan masa depan di mana AI meluas di luar bantuan untuk sepenuhnya mengelola proses pemrograman. Bayangkan skenario umum di mana seorang pemrogram lupa sintaks untuk membalik daftar dalam bahasa tertentu. Alih-alih mencari melalui forum online dan artikel, CoPilot menawarkan bantuan langsung, menjaga pemrogram tetap fokus pada tujuan.

Beralih dari Pengembangan Rendah-Kode ke Pengembangan yang Didorong AI

Alat rendah-kode & tanpa kode menyederhanakan proses pemrograman, mengotomatisasi pembuatan blok kode dasar dan membebaskan pengembang untuk fokus pada aspek kreatif dari proyek mereka. Namun, ketika kita memasuki gelombang AI baru ini, lanskap berubah lebih jauh. Kesederhanaan antarmuka pengguna dan kemampuan untuk menghasilkan kode melalui perintah sederhana seperti “Buatkan saya situs web untuk melakukan X” merevolusi proses.

Pengaruh AI dalam pemrograman sudah sangat besar. Mirip dengan bagaimana ilmuwan komputer awal beralih dari fokus pada teknik listrik ke konsep yang lebih abstrak, pemrogram di masa depan mungkin melihat pemrograman rinci sebagai sesuatu yang kuno. Kemajuan pesat dalam AI tidak terbatas pada generasi teks/kode. Di bidang seperti generasi gambar, model difusi seperti Runway ML, DALL-E 3, menunjukkan kemajuan besar. Lihat tweet di bawah oleh Runway yang menampilkan fitur terbaru mereka.

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

Pengaruh AI pada industri kreatif di luar pemrograman juga akan sangat transformatif. Jeff Katzenberg, tokoh besar dalam industri film dan mantan ketua Walt Disney Studios, telah memprediksi bahwa AI akan mengurangi biaya produksi film animasi secara signifikan. Menurut artikel terbaru dari Bloomberg Katzenberg memprediksi pengurangan biaya sebesar 90%. Ini dapat mencakup otomatisasi tugas-tugas yang memakan waktu seperti in-betweening dalam animasi tradisional, rendering adegan, dan bahkan membantu dengan proses kreatif seperti desain karakter dan penyuntingan cerita.

Keefektifan Biaya AI dalam Pemrograman

Analisis Biaya Menggunakan Insinyur Perangkat Lunak:

1. Kompensasi Total: Gaji rata-rata untuk insinyur perangkat lunak, termasuk manfaat tambahan di pusat-pusat teknologi seperti Silicon Valley atau Seattle, sekitar $312.000 per tahun.

Analisis Biaya Harian:

1. Hari Kerja Per Tahun: Dengan asumsi ada sekitar 260 hari kerja dalam setahun, biaya harian untuk menggunakan insinyur perangkat lunak sekitar $1.200.
2. Output Kode: Dengan asumsi perkiraan yang murah hati sebesar 100 baris kode final, diuji, ditinjau, dan disetujui per hari, output harian ini menjadi dasar perbandingan.

Analisis Biaya Menggunakan GPT-3 untuk Generasi Kode:

1. Biaya Token: Biaya menggunakan GPT-3, pada saat video, sekitar $0,02 untuk setiap 1.000 token.
2. Token Per Baris Kode: Rata-rata, sebuah baris kode dapat diestimasi untuk mengandung sekitar 10 token.
3. Biaya untuk 100 Baris Kode: Oleh karena itu, biaya untuk menghasilkan 100 baris kode (atau 1.000 token) menggunakan GPT-3 akan sekitar $0,12.

Analisis Perbandingan:

• Biaya Per Baris Kode (Manusia vs. AI): Dengan membandingkan biaya, menghasilkan 100 baris kode per hari akan dikenakan biaya $1.200 ketika dilakukan oleh insinyur perangkat lunak manusia, dibandingkan dengan hanya $0,12 menggunakan GPT-3.
• Faktor Biaya: Ini mewakili perbedaan faktor biaya sekitar 10.000 kali, dengan AI menjadi jauh lebih murah.

Analisis ini menunjukkan potensi ekonomi AI dalam bidang pemrograman. Biaya rendah kode yang dihasilkan AI dibandingkan dengan biaya tinggi pengembang manusia menunjukkan masa depan di mana AI bisa menjadi metode preferensi untuk generasi kode, terutama untuk tugas-tugas standar atau berulang. Perubahan ini dapat menyebabkan penghematan biaya signifikan bagi perusahaan dan evaluasi ulang peran pengembang manusia, potensialmente fokus pada tugas-tugas yang lebih kompleks, kreatif, atau pengawasan yang AI belum bisa tangani.

Kemampuan ChatGPT meluas ke berbagai konteks pemrograman, termasuk interaksi kompleks dengan kerangka kerja pengembangan web. Pertimbangkan skenario di mana seorang pengembang bekerja dengan React, sebuah perpustakaan JavaScript populer untuk membangun antarmuka pengguna. Secara tradisional, tugas ini akan melibatkan penyelaman ke dalam dokumentasi yang luas dan contoh-contoh yang disediakan oleh komunitas, terutama ketika menangani komponen yang rumit atau pengelolaan state.

Dengan ChatGPT, proses ini menjadi lebih sederhana. Pengembang dapat menjelaskan fungsionalitas yang mereka inginkan untuk diimplementasikan dalam React, dan ChatGPT menyediakan potongan kode yang relevan dan siap digunakan. Ini bisa berkisar dari pengaturan struktur komponen dasar hingga fitur yang lebih maju seperti pengelolaan state dengan hook atau integrasi dengan API eksternal. Dengan mengurangi waktu yang dihabiskan untuk penelitian dan trial-and-error, ChatGPT meningkatkan efisiensi dan mempercepat pengembangan proyek dalam konteks pengembangan web.

Tantangan dalam Pemrograman yang Didorong AI

Ketika AI terus membentuk lanskap pemrograman, penting untuk mengakui keterbatasan dan tantangan yang datang dengan mengandalkan AI sepenuhnya untuk tugas-tugas pemrograman. Tantangan ini menekankan kebutuhan akan pendekatan yang seimbang yang memanfaatkan kekuatan AI sambil mengakui keterbatasannya.

1. Kualitas Kode dan Kemudahan Pemeliharaan: Kode yang dihasilkan AI dapat kadang-kadang bersifat verbos atau tidak efisien, potensialmente menyebabkan tantangan pemeliharaan. Meskipun AI dapat menulis kode fungsional, memastikan bahwa kode ini mematuhi praktik terbaik untuk keterbacaan, efisiensi, dan kemudahan pemeliharaan tetap menjadi tugas yang dipimpin oleh manusia.
2. Debugging dan Penanganan Kesalahan: Sistem AI dapat menghasilkan kode dengan cepat, tetapi mereka tidak selalu unggul dalam debugging atau memahami kesalahan nuansa dalam kode yang ada. Kesulitan debugging, terutama dalam sistem besar dan kompleks, sering memerlukan pemahaman dan pengalaman manusia yang halus.
3. Ketergantungan pada Data Pelatihan: Efektivitas AI dalam pemrograman sangat bergantung pada kualitas dan keluasan data pelatihannya. Jika data pelatihan kekurangan contoh dari beberapa bug, pola, atau skenario, kemampuan AI untuk menangani situasi tersebut terganggu.
4. Keamanan dan Keprihatinan Etika: Dengan AI mengambil peran yang lebih menonjol dalam pemrograman, kekhawatiran keamanan dan etika muncul, terutama seputar privasi data dan potensi bias dalam kode yang dihasilkan AI. Memastikan penggunaan etis dan menangani bias ini sangat penting untuk pengembangan alat pemrograman yang didorong AI yang bertanggung jawab.

Mengimbangkan AI dan Keterampilan Pemrograman Tradisional

Di tim pengembangan perangkat lunak masa depan, mungkin model hibrida akan muncul. Manajer produk dapat menerjemahkan persyaratan menjadi direktif untuk penghasil kode AI. Pengawasan manusia mungkin masih diperlukan untuk jaminan kualitas, tetapi fokus akan bergeser dari menulis dan memelihara kode ke verifikasi dan penyempurnaan output yang dihasilkan AI. Perubahan ini menunjukkan penurunan penekanan pada prinsip-prinsip pemrograman tradisional seperti modularitas dan abstraksi, karena kode yang dihasilkan AI tidak perlu memenuhi standar pemeliharaan yang berorientasi pada manusia.

Dalam era baru ini, peran insinyur dan ilmuwan komputer akan berubah secara signifikan. Mereka akan berinteraksi dengan LLM, menyediakan data pelatihan dan contoh untuk mencapai tugas, menggeser fokus dari pemrograman yang rumit ke kerja strategis dengan model AI.

Satuan komputasi dasar akan bergeser dari prosesor tradisional ke model LLM besar yang sudah dilatih sebelumnya, menandai peralihan dari proses statis dan dapat diprediksi ke agen AI dinamis dan adaptif.

Fokus bergeser dari menciptakan dan memahami program ke mengarahkan model AI, mendefinisikan kembali peran ilmuwan komputer dan insinyur, serta membentuk kembali interaksi kita dengan teknologi.

Keperluan Berkelanjutan untuk Wawasan Manusia dalam Kode yang Dihasilkan AI

Masa depan pemrograman lebih tentang mengarahkan kecerdasan yang akan mengemudi dunia teknologi kita.

Keyakinan bahwa pemrosesan bahasa alami oleh AI dapat sepenuhnya menggantikan presisi dan kompleksitas notasi matematika formal dan keterampilan pemrograman tradisional, adalah, pada yang terbaik, prematur. Perubahan ke arah AI dalam pemrograman tidak menghilangkan kebutuhan akan ketepatan dan presisi yang hanya dapat disediakan oleh pemrograman formal dan keterampilan matematika.

Lagipula, tantangan menguji kode yang dihasilkan AI untuk masalah yang belum pernah diselesaikan sebelumnya tetap signifikan. Teknik seperti pengujian berbasis properti memerlukan pemahaman yang mendalam tentang pemrograman, keterampilan yang AI, dalam keadaan saat ini, tidak bisa duplikat atau gantikan.

Secara singkat, meskipun AI berjanji untuk mengotomatisasi banyak aspek pemrograman, elemen manusia tetap sangat penting, terutama dalam bidang yang memerlukan kreativitas, pemecahan masalah kompleks, dan pengawasan etika.