Чому майбутнє генерації коду штучного інтелекту – персоналізація

За даними McKinsey, економічний вплив Генеративного штучного інтелекту найбільший у сфері розробки продукції та автоматизації коду, що призводить до впливу у розмірі 900 млрд доларів.

Давайте глибше вивчимо стан автоматизації коду, персоналізації коду та її потенціалу.

Стан Генеративного штучного інтелекту та автоматизації коду в 2024 році

У 2023 році ChatGPT і допоміжний інструмент програмування Github CoPilot стали популярними серед програмістів. Моделі GPT і подібні до них показали, що великі мовні моделі можуть генерувати, доповнювати, переробляти і трансформувати код дуже добре.

Сьогодні існує багато допоміжних інструментів програмування. Хоча CoPilot вважається лідером у своїй категорії, є допоміжні інструменти програмування Генеративного штучного інтелекту з різними спеціалізаціями. Назвемо деякі з них:

• Anima спеціалізується на фронт-енді, перетворюючи дизайн у код (наприклад, Figma у React)

• Codium має досвід у складанні тестів і управлінні запитами на отримання коду

• Replit пропонує онлайн-співпрацююче середовище розробки з присвяченим допоміжним інструментом штучного інтелекту

• Tab9 пропонує рішення з високим рівнем безпеки для підприємства

Нові конкуренти CoPilot оголошуються часто, наприклад, magic.dev і Poolside, які обіцяють кращу продуктивність і досвід. Моделі продовжують еволюціонувати – очікується оголошення GPT5, а LlamaCode пропонує висококласову відкриту модель, з тонкими версіями, які з’являються на HuggingFace [лидерборд моделей коду]. Це тільки початок автоматизації коду з великими мовними моделями.

За даними Github, CoPilot прискорює розробку на 55% [дослідження]. Користувачі Anima повідомляють про економію до 50% часу програмування на фронт-енді [випадок], що робить їх у 2 рази швидшими, а також забезпечує кращу якість продукції з точки зору UX, і менше взаємодії між дизайнерами і програмістами.

Персоналізація коду штучного інтелекту

JavaScript є найпопулярнішою мовою програмування (Github 2023), а React є найпопулярнішою веб-фреймворком JavaScript, який використовується понад 40% програмістів (Stackoverflow 2023).

Тепер, якщо ви візьмете 100 різних інженерних команд, які будують на основі React, ви знайдете 100 різних стилів програмування.

Кожна команда має свій стек технологій (набір технологій, використаних у програмній архітектурі). Деякі команди використовують відкриті бібліотеки, такі як Next.js, щоб оптимізувати продуктивність. Деякі використовують фреймворки інтерфейсу користувача, такі як Radix, MUI або Ant. Команди, які використовують React, повинні додати пакети управління станом, такі як React query, Redux, Mobx тощо. І існує тисячі інших популярних відкритих бібліотек JavaScript.

Крім того, одну й ту ж функціональність можна досягти різними способами. Деякі команди віддають перевагу макету CSS-grid, тоді як інші віддають перевагу макету Flex і досягають тих самих результатів. Є синтаксичні переваги. Деякі використовують класичні функції JavaScript, тоді як інші використовують стрілкові функції. Є конвенції найменування, такі як camelCase, kebab-case, і різні способи найменування компонентів і функцій. Є нескінченні способи організації вашого коду, наприклад, як обгортати відкриті компоненти таким чином, щоб інтерфейс коду виглядав однаково для відкритого або пропріетарного коду.

Під час програмування на конкретному проєкті кожен програміст слідує правилам і конвенціям цієї бази коду.

Щоб штучний інтелект міг відігравати ключову роль у програмуванні для інженерної команди, він повинен програмувати так, як команда. Це означає, що штучний інтелект повинен мати багато контексту, щоб налаштувати і персоналізувати свій код.

Епілог: Потенціал генерації коду штучного інтелекту

Ми тільки починаємо розуміти можливості Генеративного штучного інтелекту.

Під час обговорення моделей Генеративного штучного інтелекту варто розглядати персоналізацію як надання моделі найкращого контексту для її завдання. Надання їй великого контексту щодо існуючого коду, UX і завдань користувачів призведе до кращих результатів. Щоб використовувати моделі Генеративного штучного інтелекту на повну їхню потужність, ми упаковуємо їх у продукти з підтримуючими системами, які працюють з “старомодними” алгоритмами і евристиками. Це як ми максимізуємо штучний інтелект до його повної потужності.

Програмне забезпечення продовжить швидше поглинати світ, підвищуючи продуктивність, маржу і ВВП.

Генеральні директори, керівники ІТ і керівники проєктів, які приймають автоматизацію, дозволять своїм командам доставляти продукти у 2-5 разів швидше, отримуючи перевагу над конкурентами. Надання продукції швидше на ринок і за нижчою ціною збільшить маржу компаній і в підсумку збільшить ВВП, отриманий від технологій.

Дешевше програмне забезпечення означає, що програмне забезпечення може прийти і вирішити більше проблем. Що раніше було негативним з точки зору ROI, стане позитивним. Програмне забезпечення, яке вирішує нішеві проблеми, може бути вартим того, якщо вартість розробки знижена на 80%.

Більше людей будуть програмувати, і вони будуть програмувати швидше. Агенти Генеративного штучного інтелекту будуть виробляти, тестувати та розгортати код, а люди будуть займатися творчими частинами, розвиваючи більше архітектури і UX, ніж зараз вважається програмуванням. Я бачу більше позицій програмістів у майбутньому. Тоді ж розвиток перейде на вищий рівень абстракції.