Разработка программного обеспечения с помощью чат-ботов и искусственного интеллекта

Мы всегда придерживаемся мнения, чтоискусственный интеллект (ИИ) не может и не должен заменять роль разработчиков. Почти на заре нового времени чатботМэтт Уэлш поспешил заявить, даже провокационно, что компьютерное программирование мертво. Совсем недавно мы сами резко критиковали позицию Дженсен Хуанггенеральный директор NVIDIA, который сказал: «не учитесь программировать, ИИ уже здесь“. Ло разработка программного обеспечения вместо этого он жив и здоров и уже может получить огромную выгоду от использования генеративных моделей с точки зрения производительности, эффективности и улучшения рабочих процессов.

Как использовать чат-ботов и искусственный интеллект для разработки программного обеспечения

Пионер программирования Брайан Керниган отмечает, что машины и, следовательно, искусственный интеллект могут автоматизировать многие задачи, но именно человеческая изобретательность стимулирует инновации и разработку уникальных решений. По этой причине лучший совет новым поколениям — научиться программировать и никогда не отвлекайте свое внимание от этой практики слишком надолго.

Да, предложение диаметрально противоположное предложению Хуана, но, на наш взгляд, гораздо более разумное и приземленное.

Функционирование Большая языковая модель (LLM) теперь совершенно ясно: некоторые из этих модели Они не только умеют отвечать на вопросы, заданные с использованием естественного языка, но и блестяще справляются с созданием программного кода. В этом смысле GitHub Copilot разработал генеративную модель, обученную с использованием миллионов строк кода из проектов с открытым исходным кодом, опубликованных на платформе. Недавно появилось рабочее пространство GitHub Copilot Workspace, которое, опираясь на искусственный интеллект, контролирует всю жизненный цикл любого программного обеспечения.

Но инновации не должны прекращаться просто потому, что различные генеративные модели используют общедоступный код для создания рабочего программного кода.

Использование искусственного интеллекта для разработки программного обеспечения

Сегодня существует множество инструментов, которые разработчики могут использовать для генерировать код и ускорить разработку своих приложений. Например, Visual Studio интегрирует как IntelliCode (на основе искусственного интеллекта), так и GitHub Copilot, а Visual Studio Code позволяет использовать большое количество расширения вмешиваться непосредственно в код при его написании в редакторе. Мы видели это в различиях между Visual Studio и Visual Studio Code.

Однако ничто не мешает вам использовать лучших чат-ботов, чтобы спросить кого-нибудь. быстрый отправлено естественный язык чтобы создать приложение, сгенерируйте рутина который решает конкретную проблему, исправляет проблему в уже разработанном коде, оптимизирует его, улучшает и напрямую добавляет новые функции.

Разумеется, в данном случае прямой связи с IDE нет (интегрированная среда разработки) или с помощью редактора кода, но вы все равно можете получить ценные ответы, касающиеся разработки программного обеспечения проекта, решения общих проблем или их устранения. строки кода что они просто не могли заставить это работать.

Риски слепого использования генеративных моделей для генерации программного кода

Однако есть и обратная сторона медали. Слепое использование генеративных моделей для генерации кода представляет собой риски существенные из них, которые необходимо учитывать. Во-первых, качество кода генерируемые значения могут сильно различаться. Шаблоны могут создавать код с синтаксическими или логическими ошибками, которые, если их не обнаружить, могут привести к сбоям в работе приложения. Риск особенно высок в случае сложные проекты: Здесь даже небольшая ошибка может иметь далеко идущие последствия.

Генеративные модели могут не полностью понимать контекст конкретно для проекта. Это непонимание может привести к неадекватные решения или неоптимальные, не соответствующие функциональным или бизнес-требованиям.

Еще один критический аспект касается безопасность. Модели, на которых не ведется обучение лучшая практика безопасности, которую они могут создать уязвимый кодподвергая приложения таким рискам, как SQL-инъекция о переполнение буфера. Это особенно важно в эпоху, когда кибербезопасность стала главным приоритетом.

Мы уже говорили об этом раньше и в других статьях: качество источников, используемых для первоначального обучения моделей, имеет решающее значение. А наличие проблем в программном коде, опубликованном в сети, встречается крайне часто. Вероятность обнаружения этих недостатков ввыход генерируемые поэтому высоки.

Напоследок следует сказать, что если сгенерированный код основан на материалах, защищенных авторское правоэто может подвергнуть компании потенциальным юридическим спорам.

Вперед, но с мозгами

Таким образом, генеративные модели являются очень ценным подспорьем для разработчика, но они необходимы. навыки и значительный опыт, позволяющий гарантировать, что код, сгенерированный ИИ, не создает проблем на различных уровнях.

Мы сами протестировали основных чат-ботов, используя один режим тупой: то есть мы попробовали заказать разработку приложения с нуля, проверяя время от времени качество полученных результатов.

Программирование с помощью ChatGPT, безусловно, возможно, и получаемый код, несомненно, лучшего качества, чем раньше. Навыки рассуждение OpenAI, представленный в o1, способствует дальнейшему улучшению картины: потому что программирование — это прежде всего дисциплина, использующая железную логику для решения практических задач.

Однако продукт необходимо осторожно просеять через сито: не ждите, что сможете получитьрабочее приложение в два-три шага ЧатGPT.

Вместо этого подойдите к проблеме программирования в несколько этапов и с «в блоках«. Всегда проверяя, что производит модель.

Как использовать ChatGPT для генерации кода

Чтобы использовать ChatGPT и генерировать работающий программный код, вы можете описать то, чего хотите достичь, используя естественный язык. Тем не менее, полезно быть как можно более техническим, предоставляя детали и, возможно, идеи высокого уровня для производства кода. Также важно четко указать язык, который будет использоваться, потребности и цели.

После изготовления первого выходты можешь начать общаться с ChatGPT указывающий, какие изменения следует внести в ранее сгенерированный код. С помощью серии операций «копирования и вставки» вы можете проверить поведение кода на стороне IDE и внести все изменения. исправления и улучшения необходимый.

Важно разговаривать с ChatGPT на техническом языке: любой, кто является программистом и привык работать с циклами for, while, переменными, предложениями if, функциями, подпрограммами, классами и так далее, может и даже должен использовать этот язык. Он должен «чистить блох» кода, явно указывая генеративной модели, что не работает, и вызывая конструкции, переменные и структуры с их именами.

Таким образом, выход продукты ChatGPT, как правило, имеют высокое качество и гораздо быстрее реагируют на конкретные потребности программиста.

Cerebras Inference: инструмент, который лишил нас дара речи

ChatGPT иногда имеет тенденцию проявлять ненужные «отступления от сути», особенно когда код, подлежащий обработке за один раз, становится длинным и сложным. Claude Artifacts превосходны, но для пользователей с бесплатной учетной записью ограничения довольно серьезные.

Cerebras Inference — это чат-бот, который действительно поражает. Он использует базовую архитектуру, называемую Двигатель масштаба пластины (ВФБ), процессор, предназначенный для обработки моделей нейронных сетей. Модель представлена ​​в виде матрицы гири е предвзятостьхранящийся в памяти чипа WSE.

После загрузки модели WSE запускаетвывод на входных данных с помощью высокопараллельного процесса, который значительно ускоряет выполнение.

Используя подход, аналогичный использованному в случае ChatGPT и описанному в предыдущем параграфе, в случае Вывод Церебруса разработчик найдет ответы в мгновение ока! То, чего никогда раньше не видели, по крайней мере, до сегодняшнего дня!

Данные говорят ясно: на наши сложные запросы на различных языках программирования Cerebras Inference всегда отвечал в среднем примерно за полсекунды со скоростью с точки зрения жетонов в секунду (т/с) равны 8000-10000. Система произвелавыход со скоростью более 2000 т/с. Действительно невероятное исполнение.

Что делает вывод Cerebras, так это то, что он имеет тенденцию изолировать проблемы и проблемы пользователей. Итак, на момент созданиявыходчат-бот обычно выделяет только изменения применяться на уже существующий код.

API Cerebras Inference: мир откроется перед вами

Прелесть Cerebras Inference в том, что на данный момент система не предоставляет подробностей. ограниченияесли не в управлении быстрый поистине немыслимой длины.

На данный момент Cerebras поставляет 1 миллион бесплатных токенов в день для разработчиков — вкусный стимул тестировать и внедрять новые функции в свои приложения.

API Церебров они представляют собой решение для вывода ИИ с малой задержкой, которое предлагает разработчикам платформу для запуска генеративных моделей с беспрецедентной производительностью, что упрощает создание сложных и инновационных приложений.

Для эффективной работы большинству приложений искусственного интеллекта требуется решение для вывода с малой задержкой. Это особенно актуально для приложений, требующих обработки больших объемов данных. данные в реальном временитакие как системы распознавания голоса, системы искусственного зрения и системы прогнозирования поведения.

Благодаря API вы можете, например, легко интегрировать решения Cerebras в свои приложения. Конкретные примеры можно найти в Репозиторий GitHub официальный.

На данный момент все это бесплатно и тоже основано на открытых моделях. Лама3.1-8B е Лама3.1-70Б разработанный Мета.

Вступительное изображение предоставлено: iStock.com – Пользовательba011d64_201