Vor Large Language Models Oprește Programarea?

Săptămâna trecută a marcat un moment semnificativ pentru OpenAI, deoarece au prezentat GPT-4 Turbo la OpenAI DevDay. O caracteristică remarcabilă a GPT-4 Turbo este fereastra de context extinsă de 128.000, un salt substanțial de la cei 8.000 ai GPT-4. Această îmbunătățire permite procesarea textului de 16 ori mai mare decât predecesorul său, echivalent cu aproximativ 300 de pagini de text.

Acest progres se leagă de o altă dezvoltare semnificativă: impactul potențial asupra peisajului startup-urilor SaaS.

OpenAI’s ChatGPT Enterprise, cu funcții avansate, reprezintă o provocare pentru multe startup-uri SaaS. Aceste companii, care au oferit produse și servicii în jurul ChatGPT sau API-urilor sale, se confruntă acum cu concurența unui instrument cu capacități de nivel enterprise. Ofertele ChatGPT Enterprise, cum ar fi verificarea domeniului, SSO și insight-uri de utilizare, se suprapun direct cu multe servicii B2B existente, periclitând potențial supraviețuirea acestor startup-uri.

În discursul său, CEO-ul OpenAI, Sam Altman, a dezvăluit o altă dezvoltare majoră: extinderea cunoștințelor GPT-4 Turbo. În contrast cu GPT-4, care avea informații doar până în 2021, GPT-4 Turbo este actualizat cu cunoștințe până în aprilie 2023, marcând un pas semnificativ înainte în relevanța și aplicabilitatea AI.

ChatGPT Enterprise se remarcă prin funcții precum securitate și confidențialitate îmbunătățite, acces rapid la GPT-4 și ferestre de context extinse pentru intrări mai lungi. Capacitățile sale avansate de analiză a datelor, opțiuni de personalizare și eliminarea limitelor de utilizare o fac o alegere superioară față de predecesorii săi. Capacitatea sa de a procesa intrări și fișiere mai lungi, împreună cu accesul nelimitat la instrumente avansate de analiză a datelor, cum ar fi Interpreterul de Cod, consolidează și mai mult atracția sa, în special printre afacerile care au fost anterior ezitante din cauza problemelor de securitate a datelor.

Era în care se crea manual codul este înlocuită de sisteme conduse de IA, antrenate în loc de programate, semnificând o schimbare fundamentală în dezvoltarea de software.

The mundane tasks of programming may soon fall to AI, reducing the need for deep coding expertise. Tools like GitHub’s CoPilot și Replit’s Ghostwriter, care asistă la programare, sunt indicatori timpurii ai rolului extins al IA în programare, sugerând un viitor în care IA depășește asistența și gestionează în totalitate procesul de programare. Imaginați-vă o situație obișnuită în care un programator uită sintaxa pentru inversarea unei liste într-un anumit limbaj. În loc de o căutare prin forumuri și articole online, CoPilot oferă asistență imediată, menținând programatorul concentrat pe obiectiv.

Trecerea de la Dezvoltarea Low-Code la Dezvoltarea Condusă de IA

Uneltele low-code și no-code au simplificat procesul de programare, automatizând crearea blocurilor de cod de bază și eliberând dezvoltatorii pentru a se concentra pe aspectele creative ale proiectelor lor. Dar pe măsură ce intrăm în această nouă undă de IA, peisajul se schimbă și mai mult. Simplitatea interfețelor cu utilizatorul și capacitatea de a genera cod prin comenzi simple, precum “Construiește-mi un site web pentru a face X”, revoluționează procesul.

Influența IA în programare este deja imensă. Asemenea modului în care primii oameni de știință din domeniul calculatoarelor au trecut de la o concentrare pe ingineria electrică la concepte mai abstracte, programatorii viitori ar putea considera codarea detaliată ca învechită. Progresele rapide în IA nu se limitează la generarea de text/cod. În domenii precum generarea de imagini, modelele de difuzie, cum ar fi Runway ML, DALL-E 3, arată îmbunătățiri masive. Doar vedeți tweet-ul de mai jos de la Runway, care prezintă funcția lor recentă.

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

Extinzându-se dincolo de programare, impactul IA asupra industriilor creative urmează să fie la fel de transformativ. Jeff Katzenberg, un titan în industria filmului și fost președinte al Walt Disney Studios, a prezis că IA va reduce semnificativ costul de producție a filmelor de animație. Conform unui articol recent de pe Bloomberg, Katzenberg preconizează o reducere drastică de 90% a costurilor. Acest lucru poate include automatizarea sarcinilor laborioase, cum ar fi interpolarea în animația tradițională, renderizarea scenelor și chiar asistența la procese creative, cum ar fi designul de personaje și storyboard-ul.

Cost-Eficiența IA în Codare

Analiză a Costurilor pentru Angajarea unui Inginer de Software:

1. Compensație Totală: Salariul mediu pentru un inginer de software, incluzând beneficii suplimentare în hub-uri tehnologice precum Silicon Valley sau Seattle, este de aproximativ 312.000 de dolari pe an.

Analiză a Costurilor Zilnice:

1. Zile Lucrătoare pe An: Luând în considerare că există aproximativ 260 de zile lucrătoare într-un an, costul zilnic al angajării unui inginer de software este de aproximativ 1.200 de dolari.
2. Producția de Cod: Presupunând o estimare generoasă de 100 de linii de cod finalizate, testate, revizuite și aprobate pe zi, această producție zilnică este baza pentru comparație.

Analiză a Costurilor pentru Utilizarea GPT-3 pentru Generarea de Cod:

1. Costul Tokenului: Costul utilizării GPT-3, la momentul videoclipului, era de aproximativ 0,02 dolari pentru fiecare 1.000 de tokeni.
2. Tokeni pe Linie de Cod: În medie, o linie de cod poate fi estimată să conțină aproximativ 10 tokeni.
3. Cost pentru 100 de Linii de Cod: Prin urmare, costul pentru a genera 100 de linii de cod (sau 1.000 de tokeni) utilizând GPT-3 ar fi de aproximativ 0,12 dolari.

Analiză Comparativă:

• Cost pe Linie de Cod (Uman vs. IA): Comparând costurile, generarea a 100 de linii de cod pe zi costă 1.200 de dolari atunci când este făcută de un inginer de software uman, în contrast cu doar 0,12 dolari utilizând GPT-3.
• Factor de Cost: Acest lucru reprezintă o diferență de factor de cost de aproximativ 10.000 de ori, cu IA fiind semnificativ mai ieftină.

Această analiză subliniază potențialul economic al IA în domeniul programării. Costul scăzut al codului generat de IA în comparație cu cheltuielile ridicate ale dezvoltatorilor umani sugerează un viitor în care IA ar putea deveni metoda preferată pentru generarea de cod, în special pentru sarcini standard sau repetitive. Acest schimb ar putea duce la economii semnificative de costuri pentru companii și o reevaluare a rolului programatorilor umani, concentrându-se probabil pe sarcini mai complexe, creative sau de supraveghere pe care IA nu le poate încă gestiona.

Versatilitatea ChatGPT se extinde la o varietate de contexte de programare, incluzând interacțiuni complexe cu cadre de dezvoltare web. Luați în considerare o situație în care un dezvoltator lucrează cu React, o bibliotecă JavaScript populară pentru construirea interfețelor cu utilizatorul. În mod tradițional, această sarcină ar implica scufundarea în documentație extinsă și exemple furnizate de comunitate, în special atunci când se ocupă de componente intricate sau gestionarea stării.

Cu ChatGPT, acest proces devine simplificat. Dezvoltatorul poate descrie pur și simplu funcționalitatea pe care își propune să o implementeze în React, și ChatGPT oferă fragmente de cod relevante și gata de utilizat. Acest lucru poate varia de la configurarea structurii de bază a componentelor la funcții mai avansate, cum ar fi gestionarea stării cu hook-uri sau integrarea cu API-uri externe. Prin reducerea timpului petrecut cu cercetarea și încercările, ChatGPT îmbunătățește eficiența și accelerează dezvoltarea proiectului în contexte de dezvoltare web.

Provocările în Programarea Condusă de IA

Pe măsură ce IA continuă să redefinească peisajul programării, este esențial să recunoaștem limitările și provocările care vin odată cu depinderea exclusivă de IA pentru sarcinile de programare. Aceste provocări subliniază nevoia unei abordări echilibrate care să exploateze punctele forte ale IA, în timp ce recunoaște limitările sale.

1. Calitatea și Mentenabilitatea Codului: Codul generat de IA poate fi uneori verbos sau ineficient, ceea ce poate duce la provocări de mentenanță. Deși IA poate scrie cod funcțional, asigurarea că acest cod respectă cele mai bune practici pentru citire, eficiență și mentenanță rămâne o sarcină condusă de om.
2. Debogare și Gestionarea Erorilor: Sistemele IA pot genera cod rapid, dar nu sunt întotdeauna bune la debogare sau înțelegerea erorilor subtile în codul existent. Subtilitățile debogării, în special în sisteme complexe și mari, necesită adesea o înțelegere nuanțată și experiență umană.
3. Dependența de Datele de Antrenament: Eficacitatea IA în programare depinde în mare măsură de calitatea și amploarea datelor sale de antrenament. Dacă datele de antrenament lipsesc exemple de anumite bug-uri, modele sau scenarii, capacitatea IA de a gestiona aceste situații este compromisă.
4. Probleme Etice și de Securitate: Pe măsură ce IA devine mai proeminentă în codare, apar preocupări etice și de securitate, în special în jurul confidențialității datelor și potențialului de bias în codul generat de IA. Asigurarea utilizării etice și abordarea acestor bias-uri este crucială pentru dezvoltarea responsabilă a instrumentelor de programare conduse de IA.

Echilibrarea IA și Abilităților de Programare Tradiționale

În echipele de dezvoltare software viitoare, poate apărea un model hibrid. Managerii de produs ar putea traduce cerințele în directive pentru generatorii de cod IA. Supravegherea umană ar putea fi încă necesară pentru asigurarea calității, dar accentul s-ar muta de la scrierea și mentenanța codului la verificarea și finisarea ieșirilor generate de IA. Acest schimb sugerează o diminuare a accentului pe principiile de codare tradiționale, cum ar fi modularitatea și abstractizarea, deoarece codul generat de IA nu trebuie să respecte standardele de mentenanță umană.

În această nouă eră, rolul inginerilor și oamenilor de știință din domeniul calculatoarelor se va transforma semnificativ. Ei vor interacționa cu LLM, furnizând date de antrenament și exemple pentru a atinge sarcinile, mutând accentul de la codarea detaliată la munca strategică cu modelele IA.

Unitatea de calcul de bază se va muta de la procesoarele tradiționale la modelele LLM preantrenate masiv, marcând o plecare de la procesele statice și previzibile la agenți IA dinamici și adaptați.

Accentul se mută de la crearea și înțelegerea programelor la ghidarea modelelor IA, redefinind rolurile oamenilor de știință din domeniul calculatoarelor și rescriind interacțiunea noastră cu tehnologia.

Nevoia Continuă de Înțelegere Umană în Codul Generat de IA

Viitorul programării este mai puțin despre codare și mai mult despre direcționarea inteligenței care va conduce lumea noastră tehnologică.

Credința că procesarea limbajului natural de către IA poate înlocui în totalitate precizia și complexitatea notațiilor matematice formale și a programării tradiționale este, în cel mai bun caz, prematură. Schimbarea către IA în programare nu elimină nevoia de rigurozitate și precizie pe care doar programarea formală și abilitățile matematice le pot oferi.

Mai mult, provocarea de a testa codul generat de IA pentru probleme care nu au fost rezolvate anterior rămâne semnificativă. Tehnici precum testarea bazată pe proprietăți necesită o înțelegere profundă a programării, abilități pe care IA, în starea sa actuală, nu le poate replica sau înlocui.

În concluzie, deși IA promite să automatizeze multe aspecte ale programării, elementul uman rămâne crucial, în special în domenii care necesită creativitate, rezolvarea de probleme complexe și supraveghere etică.