ЦхатГПТ, Бард и други истакнути модели великих језика (ЛЛМ) доминирали су нашим феедовима вести током прошле године. И с правом. Ове узбудљиве технологије нам нуде увид у будућност, моћ и могућности вештачке интелигенције.
Иако је велики део узбуђења јавности усредсређен на креирање текста, слика и видео записа, ови алати се могу користити за многе друге дисциплине, попут аутоматизације софтвера.
Овај чланак ће служити као дубински урон у то како нам брзи инжењеринг може помоћи у аутоматизацији софтвера. Међутим, наш први позив би требало да буде испитивање самог инжињеринга.
Шта је брзи инжењеринг?
Велики језички модели као што је ЦхатГПТ производе излазе на основу упита или реченица које им пружамо. Међутим, резултати се веома разликују у зависности од речи или упутстава које користимо. Када унесемо нејасне и непрецизне инструкције, излаз можда неће погодити циљ.
Брзи инжењеринг се односи на промишљен дизајн улаза који помажу да се добије прецизнији, тачнији и на крају употребљивији садржај из ових узбудљивих АИ система.
Системи великог језичког модела (ЛЛМ) користе обраду природног језика (НЛП) за тумачење исказа које им дајемо. Машине претварају ова питања или упутства (тј. упите) у код и покрећу их кроз своја огромна спремишта података да би произвели садржај у било ком формату који одредимо (тј. текст, слике, код).
ЦхатГПТ је обучен за преко 570 ГБ података. Материјал за обуку се састоји од књига, чланака, веб текстова и тако даље. Другим речима, ови скупови података садрже незамисливу количину знања.
Иако можемо разумети процес, много тога што се дешава испод хаубе ових система дешава се ван нашег видокруга. Наравно, ми контролишемо улазе и излазе и обучавамо систем, али тачно како ови алгоритми функционишу и доносе одлуке још увек је мистерија. Према речима Сема Боумана, професора вештачке интелигенције на Универзитету у Њујорку, „Ми смо га изградили, обучили смо га, али не знамо шта ради.
Брзи инжењеринг нам помаже да управљамо тим хаосом коришћењем излаза који дају предвидљиве и употребљиве резултате. Они нам нуде пут да откључамо огромне количине знања унутар ових апликација. Дисциплина се појављује као нова каријера , са курсевима који се појављују свуда док предузећа смишљају како могу да искористе ову моћну технологију.
Како брзи инжењеринг може помоћи
са софтверском аутоматизацијом?
Софтверска аутоматизација и ЛЛМ имају много заједничког. Обојица нуде увид у будућност у којој ће машине повећати људску креативност како би створиле бржа и продуктивнија радна места.
Постоји неколико узбудљивих области у којима се обе ове технологије могу спојити. Ево три начина на које можемо да користимо брзи инжењеринг у софтверској аутоматизацији.
#1. Генерисање кода
Писање кода је једна од најперспективнијих примена великих језичких модела. АИ ЛЛМ су у повоју. У наредних неколико година требало би да се ова технологија побољша како се више ресурса додаје и рачунарству и обуци.
Дугорочно, овај напредак би могао да види да АИ пише читаве програме уз ограничену или никакву људску интервенцију. Међутим, за сада, ЛЛМ имају нека ограничења. Квалитет излаза ЛЛМ кодирања зависи углавном од квалитета улаза. Ђубре унутра, ђубре напоље, како се каже.
Наравно, није само ефикасан брзи инжењеринг оно што делује као препрека. Као што је предложено у ЦхатГПТ и модели великих језика у академској заједници: могућности и изазови (Меиер, 2023), „Тренутно је већа вероватноћа да ће ЦхатГПТ бити успешан у прецизном писању мањих блокова кода, док је његова поузданост у писању већих/сложенијих програма (нпр. софтверски пакет) упитна.“
Штавише, у недавном чланку у часопису Натуре, неки компјутерски научници су упозорили да генерисању кода са ЛЛМ-овима треба да приступимо са одређеним опрезом. Још један савремени лист, Велики језички модели и једноставне, глупе грешке (Јессе, 2023), демонстрирали су како популарни ЛЛМ, Цодек, који користи продавац Цопилот, производи „познате, дословне ССтуБ-ове чак 2к вероватније од познатог, дословно исправан код“.
Иако се ови проблеми не могу занемарити, још увек постоји много оправданог узбуђења око тога како ови програми могу помоћи у демократизацији развоја софтвера тако што подржавају и техничке и нетехничке тимове.
Можда је најупечатљивија ствар коју треба узети у обзир је да алати као што је ЦхатГПТ могу врло брзо произвести функционални код. Уз прави упит, инжењери могу да смање време потребно за програмирање одређених типова кода, обезбеђујући бржи животни циклус развоја софтвера.
Крајем 2022. популарни програмски центар Стацк Оверфлов забранио је АИ генерисану одговоре на свом форуму. Они су навели високу стопу грешака и нетачности повезане са апликацијом. Међутим, технологија је у почетној фази; штавише, незадовољство резултатом генерисаном вештачком интелигенцијом дугује подједнако лошем брзом инжењерингу колико и самој технологији.
Упркос сумњама у вези са технологијом, недавно дело МцКинсеи-а наглашава утицај који брзи инжењеринг већ има у свету програмирања. Консултантске фирме Стање вештачке интелигенције 2023.: година пробоја генеративне вештачке интелигенције поделили два занимљива тренда. Прво, 7% организација које су инвестирале у АИ запошљавају брзе инжењере. Друго, компаније које користе вештачку интелигенцију смањиле су улогу софтверског инжењеринга у вези са вештачком интелигенцијом са 38% на 28%.
Један од начина да се протумаче ови трендови је да су предузећа задовољна овим подешавањем и спремна да пренесу софтверску аутоматизацију на своје машине. Иако би ове бројке могле запрепастити постојеће инжењере, МцКинсеи анкета сугерише да „само 8 одсто каже да ће се величина њихове радне снаге смањити за више од петине“. Све у свему, инжењери ће вероватно морати да се поново обуче да би искористили тренд ка аутоматизацији софтвера генерисане вештачком интелигенцијом.
Једна очигледна апликација за аутоматизацију софтвера генерисану вештачком интелигенцијом укључује креирање робота за аутоматизацију. Међутим, иако је брзи инжењеринг наизглед прилагођен кориснику захваљујући фокусу на разговор, остаје да се види да ли може да замени постојећа решења.
На много начина, софтвер попут ЗАПТЕСТ- а је већ демократизовао тржиште софтверске аутоматизације. Сада су ту алатке без кодирања које омогућавају нетехничким тимовима да направе висококвалитетне РПА ботове. Док софтвер као што је ЦхатГПТ може да прави ботове, имплементација и одржавање могу се показати незгодним за свакога ко није софтверски инжењер, па чак и за оне који јесу.
Снимање интеракција између људи и рачунара из вашег ГУИ-ја и претварање ових покрета у код је много једноставније за корисника од коришћења упита. У комбинацији са потенцијалом ЛЛМ-а да произведе нестабилан и грешком посут код, поштено је рећи да РПА софтвер никуда не иде у догледној будућности.
#2. Конвертовање неструктурираних података
Неструктурирани подаци нису јака страна роботске аутоматизације процеса . Технологија није направљена да рукује стварима попут е-поште, слика, звука и још много тога. РПА алатима су потребни унапред дефинисани модели података са организованим структурама.
Огроман део неструктурираних података укључује текст на природном језику. Велики језички модели су направљени да „разумеју“ ове информације и извуку семантичко значење из њих. Као такво, ово ствара значајну прилику за тимове који желе да протумаче ове текстове и претворе их у формат који одговара РПА алатима.
Многи тимови већ годинама користе обраду природног језика (НЛП) како би им помогли у анализи осећања. Овај процес, такође познат као прикупљање мишљења, помаже организацијама да буду у току са осећањима и ставовима потрошача према брендовима. У већини случајева, ови алати се користе за откривање позитивних, негативних и неутралних осећања у тексту. Међутим, технологија је способна и за далеко детаљнију емоционалну детекцију.
Иако на тржишту постоји неколико алата који нуде ову функционалност, ЛЛМ пружа пут ка свестранијој употреби изван разумевања како људи мисле о производу или услузи. На пример, аналитика података је експлодирала у популарности последњих година. Велики подаци дају компанијама предност тако што им омогућавају да извуку увиде и разумевање који помажу у доношењу одлука на основу података.
Алати роботске аутоматизације процеса могу помоћи у прикупљању података. Међутим, као што смо горе поменули, они се боре са одређеним врстама информација. Међутим, када је упарен са АИ алатима који користе велике језичке моделе, РПА може прикупити велике количине података и користити их за генерисање информација које су потребне за алате пословне интелигенције (БИ).
Један од узбудљивијих аспеката генеративне вештачке интелигенције је њена способност да разуме уносе података. Уз прави брз инжењеринг, тимови могу да претворе ове податке у формат који функционише за њихове РПА алате.
РПА може помоћи да токови великих података буду ефикаснији. За почетак, можете га користити за помоћ при уносу и екстракцији података. Међутим, можда највреднији и најинтригантнији случајеви употребе укључују коришћење РПА алата за трансформацију, чишћење и учитавање података или обезбеђивање брзог, ефикасног и тачног одвијања миграције података.
Још једна важна тачка напомене је управљање подацима. Аутоматизација захтева за подацима помаже организацијама да остану усаглашене и чува податке ван видокруга физичких радника.
#3. Тест Аутоматион
Аутоматизација тестирања је узела маха у круговима за развој софтвера јер пружа бржи начин за верификацију софтвера. Тестирање и осигурање квалитета су традиционално скупи и дуготрајни процеси; аутоматизација тестирања пружа решење за оба ова изазова.
Једна од првих ствари које брзи инжењеринг може да уради је да побољша квалитет тест случајева. Уз праве упите, ове машине могу анализирати тест случајеве и идентификовати проблеме и лекове. Овај процес може повећати обим тест случајева и довести до свеобухватнијих тестова.
На пример, можете нахранити код модела великог језика на исти начин на који бисте могли да прегледате. Ове машине могу брзо да прођу кроз код и уоче грешке, грешке, па чак и да идентификују проблеме са перформансама. Можда још интригантније, ЛЛМ такође нуде могућност довршавања кода тест случаја из пуких исечака, убрзавајући креирање тест случајева.
Промпт инжењеринг има за циљ да се позабави многим проблемима који су довели до појаве Агиле/ДевОпс приступа развоју софтвера. Инжењери желе ефикасне, лако поновљиве тестове који могу уочити проблеме пре него што се апликације примене. Идеја је да ослобађањем времена програмери софтвера могу да се концентришу на креативније задатке и задатке засноване на вредности.
Као што је наведено у класичном раду, Технички дуг у аутоматизацији тестова (К. Виклунд, 2012), тимови за развој софтвера могу наићи на проблеме ако троше превише времена на ручно тестирање и верификацију свог софтвера. Почетни трошкови решења за аутоматизацију тестирања, недостатак искуства у аутоматизацији, па чак и склоност старијим методама могу допринети овим успоравањима.
Један од најзанимљивијих аспеката Агиле развоја софтвера укључује развој вођен понашањем (БДД). Концепт се односи на развој софтвера са очекиваним понашањем корисника. Иако примена овог приступа може јасно да уштеди време, многи тимови се боре да оживе ову аутоматизацију. Међутим, ЛЛМ могу пружити решење.
Неки од најчешћих симптома техничког дуга укључују лошу документацију и недостатак чврстог тестирања. Ово су проблеми које данас ЛЛМ могу решити. Међутим, други значајни симптоми, као што је рефакторинг, сувише су сложени за тренутну генеративну вештачку интелигенцију и можда неће довести до уштеде времена.
Последње мисли
Генеративне АИ апликације имају огроман потенцијал. Међутим, кориснички интерфејс за разговор може бити погрешан. Многи људи верују да је једноставно произвести квалитетне резултате из ових машина. Међутим, одличан брзи инжењеринг је компликованији него што бисте очекивали.
Ефикасан брз инжењеринг захтева много покушаја и грешака. Такође је потребно много предумишљаја у име инжењера како би се осигурало да су одговори корисни. Коначно, провера и поновна провера рада је важна због добро објављеног потенцијала за грешке.
Иако би брзи инжењерски послови могли бити у порасту, нису сви у то уверени. Пишући у Харвард Бусинесс Ревиев, Огуз А. Ацар износи фасцинантан аргумент да „Будуће генерације система вештачке интелигенције постаће интуитивније и вештије у разумевању природног језика, смањујући потребу за помно осмишљеним упутствима.
Шта год да носи будућност, Генеративна АИ ће бити ту у мешавини. Иако брзи инжењеринг има много обећања, тешко је са сигурношћу рећи какву ће прецизну улогу имати.
Занимљиво је да је софтвер за аутоматизацију софтверског тестирања већ препун случајева употребе и прича о успеху које демонстрирају његову погодност за убрзавање развоја софтвера без угрожавања тачности или свеобухватне верификације апликација.
Алати као што је ЗАПТЕСТ већ омогућавају програмерима да реше проблеме као што су неадекватно време и ресурси, технички дуг, документација и свеобухватно тестирање и РПА. Штавише, ови алати су лакши за корисника од брзог инжењеринга, што их чини далеко погоднијим опцијама за нетехничке тимове. Као и увек, прави потенцијал лежи на пресеку ових узбудљивих технологија аутоматизације.
