Hvorfor fremtiden for AI-kodegenerering er personliggjøring

Ifølge McKinsey, er den økonomiske påvirkningen av GenAI størst i feltet produktutvikling og kodeautomatisering, noe som resulterer i en påvirkning på 900 milliarder dollar.

La oss dykke dyptere inn i tilstanden for kodeautomatisering, kodepersonliggjøring og dens potensiale.

Tilstanden for GenAI og kodeautomatisering i 2024

I 2023, eksploderte ChatGPT og Githubs kodeassistent, CoPilot, og ble mainstream blant kodere. GPT og lignende modeller har vist at LLM-er (store språkmodeller) kan generere, fullføre, omstrukturere og transformere kode svært godt.

I dag finnes det en rekke kodeassistenter. Mens CoPilot regnes som kategorilederen, finnes det GenAI-kodeassistenter med forskjellige spesialiteter. For å nevne noen:

• Anima spesialiserer seg på front-end, og omgjør design til kode (dvs. Figma til React)

• Codiums ekspertise ligger i å komponere tester og håndtere pull-forespørsler

• Replit tilbyr en online, samarbeidsorientert IDE med en dedikert AI-assistent

• Tab9 tilbyr en på-prem, høyt sikret løsning for bedrifter

Rivaler til CoPilot annonseres hyppig, for eksempel magic.dev og Poolside, som lover bedre ytelse og bedre brukeropplevelse. Modellene fortsetter å utvikle seg – GPT5 forventes å bli annonsert snart, og LlamaCode tilbyr en høykvalitets åpen kildekode-modell, med finjusterte versjoner som dukker opp på HuggingFace [kode-modell-lederliste]. Det er bare begynnelsen på kodeautomatisering med LLM-er.

Ifølge Github, øker CoPilot utviklingshastigheten med 55% [forskning]. Anima-brukere rapporterer å spare opptil 50% av front-end-kodingstiden [saksstudie], noe som gjør dem 2 ganger raskere og resulterer i bedre produktkvalitet når det gjelder brukeropplevelse – og mindre ping-pong mellom designere og utviklere.

AI-kodepersonliggjøring

JavaScript er det mest populære kode-språket (Github 2023), og React er det mest populære JavaScript-web-rammeverket, brukt av over 40% av utviklerne (Stackoverflow 2023).

Nå, hvis du tar 100 forskjellige ingeniørteam som bygger på toppen av React, vil du finne 100 forskjellige kodestiler. Forskjellige team har forskjellige måter å skrive kode på.

Hvert team har sin teknologi-stakk (settet av teknologier som brukes i programvare-arkitekturen). Noen team bruker åpne kildekode-biblioteker som Next.js, som lar dem optimere ytelse. Noen bruker UI-rammeverk som Radix, MUI eller Ant. Team som bruker React må legge til statisk-håndtering-pakker, som React-forespørsel, Redux, Mobx osv. Og det finnes tusenvis av andre populære åpne kildekode-JavaScript-biblioteker.

I tillegg kan samme funksjonalitet oppnås på forskjellige måter. Noen team foretrekker en CSS-grid-layout, mens andre foretrekker en Flex-layout og oppnår samme resultater. Det finnes syntaktiske preferanser. Noen bruker klassiske JavaScript-funksjoner, mens andre bruker pil-funksjoner. Det finnes navnekonvensjoner som camelCase, kebab-case og forskjellige måter å navngi komponenter og funksjoner på. Det finnes endeløse måter å organisere koden på, som hvordan å pakke åpne kildekode-komponenter på en måte som gjør at kode-grensesnittet ser likt ut for åpne kildekode eller proprietær kode.

Når man kodar på et bestemt prosjekt, følger hver utvikler reglene og konvensjonene for den kodebasen.

For at AI skal spille en nøkkelrolle i kodning for et ingeniørteam, må det kode som teamet. Dette betyr at AI må ha mye kontekst for å tilpasse og personliggjøre sin kode.

Epilog: Potensialet i AI-kodegenerering

Vi har fortsatt bare skrapet overflaten av GenAI-egenskapene.

Når vi diskuterer GenAI-modeller, må vi vurdere personliggjøring som å gi modellen den beste konteksten for oppgaven. Å gi den en god kontekst med hensyn til eksisterende kode, brukeropplevelse og brukernes jobb å gjøre, vil resultere i bedre resultater. For å utnytte GenAI-modellene til deres fulle potensiale, pakker vi dem som produkter med støttesystemer som fungerer med “gammeldags” algoritmer og heuristikk. Dette er hvordan vi maksimerer AI til deres fulle potensiale.

Programvare vil fortsette å “spise” verden raskere og raskere, øke produktivitet, marginer og BNP.

CEO-er, IT-ledere og PM-ledere som adopterer automatisering, vil tillate at deres team kan levere 2 ganger og kanskje til og med 5 ganger raskere, og få en fordel over konkurrentene. Å bringe produkter raskere til markedet og til en lavere kostnad, vil øke selskapets marginer og til slutt øke BNP fra teknologi.

Billigere programvareutvikling betyr at programvare kan komme og løse flere problemer. Hva som tidligere var ROI-negativt, vil bli ROI-positivt. Programvare som løser nisje-problemer kan være verdt det hvis utviklingskostnadene er ned 80%.

Flere mennesker vil kode, og de vil kode raskere. GenAI-agenter vil produsere, teste og distribuere kode, og mennesker vil gjøre de kreative delene, utvikle mer arkitektur og brukeropplevelse enn hva som regnes som kodning i dag. Jeg ser mer utvikler-stillinger i fremtiden. Det sagt, vil utvikling utvikle seg til et høyere abstraksjonsnivå.