ChatGPT, Bard ומודלים בולטים אחרים של שפה גדולה (LLM) שלטו בעדכוני החדשות שלנו בשנה האחרונה. ובצדק. טכנולוגיות מלהיבות אלה מציעות לנו הצצה לעתיד, לעוצמה ולאפשרויות של בינה מלאכותית.
בעוד שרוב ההתרגשות הציבורית התרכזה סביב יצירת טקסט, תמונות ווידאו, כלים אלה יכולים לשמש עבור הרבה דיסציפלינות אחרות, כמו אוטומציה של תוכנה.
מאמר זה ישמש כצלילה מעמיקה לאופן שבו הנדסה מהירה יכולה לעזור לנו עם אוטומציה של תוכנה. עם זאת, נמל השיחה הראשון שלנו צריך להיות בחינה של הנדסה מהירה עצמה.
מהי הנדסה מהירה?
מודלי שפה גדולים כמו ChatGPT מייצרים פלטים המבוססים על ההנחיות או המשפטים שאנו מספקים להם. עם זאת, התוצאות משתנות מאוד בהתאם למילים או להוראות שבהן אנו משתמשים. כאשר אנו מזינים הוראות מעורפלות ולא מדויקות, ייתכן שהפלט לא יגיע לסימן.
הנדסה מהירה מתייחסת לתכנון שקול של קלטים המסייעים להפיק תוכן מדויק, מדויק יותר ובסופו של דבר שמיש יותר ממערכות AI מלהיבות אלה.
מערכות מודל שפה גדול (LLM) משתמשות בעיבוד שפה טבעית (NLP) כדי לפרש את ההצהרות שאנו נותנים להן. המכונות הופכות את השאלות או ההוראות הללו (כלומר, הנחיות) לקוד ומפעילות אותן דרך מאגרי הנתונים העצומים שלהן כדי לייצר תוכן בכל פורמט שנציין (כלומר, טקסט, תמונות, קוד).
ChatGPT הוכשר על יותר
מ-570GB של נתונים
. חומר ההדרכה מורכב מספרים, מאמרים, טקסטים באינטרנט וכן הלאה. במילים אחרות, מערכי נתונים אלה מכילים כמות בלתי נתפסת של ידע.
בעוד שאנו עשויים להבין את התהליך, הרבה ממה שקורה מתחת למכסה המנוע של מערכות אלה מתרחש מחוץ לטווח הראייה שלנו. כמובן, אנחנו שולטים בקלט ובפלט, ואנחנו מאמנים את המערכת, אבל איך בדיוק האלגוריתמים האלה עובדים ומקבלים את ההחלטות הוא עדיין בגדר תעלומה. במילותיו של סם באומן, פרופסור לבינה מלאכותית באוניברסיטת ניו יורק, “בנינו אותו, אימנו אותו, אבל אנחנו לא יודעים מה הוא עושה”.
הנדסה מהירה עוזרת לנו לנהל את הכאוס הזה באמצעות פלטים שמפיקים תוצאות צפויות ושמישות. הם מציעים לנו נתיב לשחרר את כמויות הידע העצומות בתוך יישומים אלה.
המשמעת מתגלה כקריירה חדשה
, עם קורסים שצצים בכל מקום כאשר עסקים מבינים כיצד הם יכולים לרתום את הטכנולוגיה החזקה הזו.
כיצד עזרה הנדסית מהירה יכולה לעזור
עם אוטומציית תוכנה?
אוטומציה תוכנה LLMs יש הרבה במשותף. שניהם מציעים הצצה לעתיד שבו מכונות יגבירו את היצירתיות האנושית כדי ליצור מקומות עבודה מהירים ופרודוקטיביים יותר.
ישנם מספר תחומים מרגשים שבהם שתי הטכנולוגיות הללו יכולות להתכנס. להלן שלוש דרכים שבהן אנו יכולים להשתמש בהנדסה מהירה באוטומציה של תוכנה.
#1. יצירת קוד
כתיבת קוד היא אחד היישומים המבטיחים ביותר של מודלי שפה גדולים. LLMs AI נמצאים בחיתוליהם. בשנים הקרובות הטכנולוגיה הזו תשתפר ככל שיתווספו יותר משאבים הן למחשוב והן להכשרה.
בטווח הארוך, פיתוחים אלה יכולים לראות AI לכתוב תוכניות שלמות עם התערבות אנושית מוגבלת או ללא התערבות כלל. עם זאת, לעת עתה, LLMs יש כמה מגבלות. איכות הפלט של קידוד LLM תלויה בעיקר באיכות הקלט. זבל פנימה, זבל החוצה, כמו שאומרים.
כמובן, לא רק הנדסה מהירה יעילה פועלת כמחסום. כפי שהוצע ב ChatGPT ומודלי שפה גדולים באקדמיה: הזדמנויות ואתגרים (Meyer, 2023), “נכון לעכשיו, ChatGPT נוטה יותר להצליח בכתיבה מדויקת של בלוקים קטנים יותר של קוד, בעוד שהאמינות שלו בכתיבת תוכנות גדולות / מורכבות יותר (למשל, חבילת תוכנה) מוטלת בספק.”
יתר על כן, במאמר שפורסם לאחרונה במגזין Nature, כמה מדעני מחשב הזהירו כי עלינו לגשת ליצירת קוד עם LLMs בזהירות מסוימת. עוד עיתון עכשווי,
מודלי שפה גדולים ובאגים פשוטים ומטופשים
(Jesse, 2023), הדגימו כיצד קודקס LLM פופולרי, המשמש את הספק Copilot, מייצר “קוד נכון ידוע, מילה במילה, עד פי 2 מהידוע, מילה במילה, קוד נכון”.
בעוד שלא ניתן להתעלם מבעיות אלה, עדיין יש הרבה התרגשות מוצדקת לגבי האופן שבו תוכניות אלה יכולות לעזור לדמוקרטיזציה של פיתוח תוכנה על ידי תמיכה בצוותים טכניים ולא טכניים כאחד.
אולי הדבר המרשים ביותר שיש לקחת בחשבון הוא שכלים כמו ChatGPT יכולים לייצר קוד פונקציונלי במהירות רבה. עם ההנחיה הנכונה, מהנדסים יכולים להפחית את הזמן הדרוש לתכנות סוגים מסוימים של קוד, ולהבטיח מחזור חיים מהיר יותר של פיתוח תוכנה.
בסוף 2022, מרכז התכנות הפופולרי
Stack Overflow אסר על יצירת בינה מלאכותית
תשובות בפורום שלה. הם ציינו את שיעור השגיאות הגבוה ואי הדיוקים הקשורים ליישום. עם זאת, הטכנולוגיה נמצאת בשלב מתהווה; יתר על כן, חוסר שביעות הרצון מפלט שנוצר על ידי בינה מלאכותית נובע מהנדסה מהירה לקויה לא פחות מאשר מהטכנולוגיה עצמה.
למרות החששות לגבי הטכנולוגיה,
מאמר שפורסם לאחרונה על ידי מקינזי
מדגיש את ההשפעה שיש להנדסה מהירה כבר בעולם התכנות. חברת הייעוץ מצב הבינה המלאכותית ב-2023: שנת הפריצה של Generative AI חלקו שתי מגמות מעניינות. ראשית, 7% מהארגונים שהשקיעו בבינה מלאכותית מגייסים מהנדסים מהירים. שנית, חברות המשתמשות בבינה מלאכותית צמצמו את תפקידי הנדסת התוכנה הקשורים לבינה מלאכותית מ-38% ל-28%.
דרך אחת לפרש מגמות אלה היא שעסקים מרגישים בנוח עם הגדרה זו ומוכנים להעביר אוטומציה של תוכנה למכונות שלהם. בעוד שנתונים אלה עשויים להבהיל מהנדסים קיימים, סקר מקינזי מצביע על כך ש”רק 8% אומרים שגודל כוח העבודה שלהם יקטן ביותר מחמישית”. בסך הכל, מהנדסים יצטרכו כנראה מיומנות מחדש כדי לנצל את המגמה לכיוון אוטומציה של תוכנה הנוצרת על ידי בינה מלאכותית.
אחד היישומים הברורים לאוטומציה של תוכנה הנוצרת על ידי בינה מלאכותית כולל יצירת בוטים לאוטומציה. עם זאת, בעוד הנדסה מהירה היא ממשק ידידותי למשתמש לכאורה הודות להתמקדות שלה בשיחה, נותר לראות אם היא יכולה להחליף פתרונות קיימים.
במובנים רבים, תוכנה כמו ZAPTEST כבר הפכה את שוק אוטומציית התוכנה לדמוקרטי. כלים ללא קוד נמצאים כאן עכשיו המאפשרים לצוותים לא טכניים לבנות בוטים RPA באיכות גבוהה . בעוד שתוכנה כמו ChatGPT יכולה לבנות בוטים, הטמעה ותחזוקה יכולות להיות מסובכות עבור כל מי שאינו מהנדס תוכנה ואפילו עבור אלה שכן.
הקלטת אינטראקציות אדם-מחשב מממשק המשתמש הגרפי שלך והמרת תנועות אלה לקוד היא הרבה יותר ידידותית למשתמש מאשר שימוש בהנחיות. בשילוב עם הפוטנציאל של LLM לייצר קוד לא יציב ורצוף שגיאות, זה הוגן לומר כי תוכנת RPA לא הולך לשום מקום בעתיד הנראה לעין.
#2. המרת נתונים לא מובנים
נתונים לא מובנים אינם הצד החזק של Robotic Process Automation. הטכנולוגיה לא נבנתה להתמודד עם דברים כמו מיילים, תמונות, אודיו ועוד. כלי RPA זקוקים למודלי נתונים מוגדרים מראש עם מבנים מאורגנים.
חלק עצום מהנתונים הבלתי מובנים כוללים טקסט בשפה טבעית. מודלים גדולים של שפה בנויים כדי “להבין” את המידע הזה ולחלץ ממנו משמעות סמנטית. ככזה, זה יוצר הזדמנות לא מבוטלת לצוותים שרוצים לפרש את הטקסטים האלה ולהמיר אותם לפורמט שמתאים לכלי RPA.
צוותים רבים משתמשים בעיבוד שפה טבעית (NLP) במשך שנים כדי לעזור להם בניתוח סנטימנט. תהליך זה, הידוע גם בשם כריית דעות, מסייע לארגונים להתעדכן ברגשות הצרכנים ובעמדותיהם כלפי מותגים. ברוב המקרים, כלים אלה משמשים לזיהוי רגשות חיוביים, שליליים וניטרליים בתוך טקסט. עם זאת, הטכנולוגיה מסוגלת גם לזיהוי רגשי פרטני הרבה יותר.
אמנם ישנם מספר כלים בשוק המציעים פונקציונליות זו, LLM מספק נתיב לשימוש תכליתי יותר מעבר להבנת איך אנשים מרגישים לגבי מוצר או שירות. לדוגמה, ניתוח נתונים התפוצץ בפופולריות בשנים האחרונות. Big Data מעניק לחברות יתרון בכך שהוא מאפשר להן להפיק תובנות והבנות המסייעות בקבלת החלטות מונחות נתונים.
כלים רובוטיים לאוטומציה של תהליכים יכולים לסייע באיסוף נתונים. עם זאת, כפי שהזכרנו לעיל, הם נאבקים עם סוגים ספציפיים של מידע. עם זאת, בשילוב עם כלי AI המשתמשים במודלי שפה גדולים, RPA יכול לאסוף כמויות גדולות של נתונים ולהשתמש בהם כדי ליצור את המידע הדרוש עבור כלי בינה עסקית (BI).
אחד ההיבטים המרגשים יותר של Generative AI הוא היכולת שלה להבין קלט נתונים. בעזרת הנדסת ההנחיה הנכונה, צוותים יכולים להפוך נתונים אלה לפורמט שמתאים לכלי ה- RPA שלהם.
RPA יכול לעזור להפוך זרימות עבודה של Big Data ליעילות יותר. בתור התחלה, אתה יכול להשתמש בו כדי לעזור הן בהזנת נתונים והן בחילוץ. עם זאת, אולי מקרי השימוש החשובים והמסקרנים ביותר כוללים שימוש בכלי RPA להמרה, ניקוי וטעינה של נתונים או הבטחת העברת נתונים במהירות, ביעילות ובמדויק.
נקודה חשובה נוספת שיש לציין היא פיקוח על נתונים. אוטומציה של בקשות נתונים עוזרת לארגונים לשמור על תאימות ושומרת על נתונים הרחק מעיניהם של עובדים ידניים.
#3. אוטומציית בדיקות
אוטומציית בדיקות המריאה בחוגי פיתוח תוכנה מכיוון שהיא מספקת דרך מהירה יותר לאמת תוכנה. בדיקות ואבטחת איכות היו באופן מסורתי תהליכים יקרים וגוזלים זמן; אוטומציית בדיקות מספקת פתרון לשני האתגרים הללו.
אחד הדברים הראשונים שהנדסה מהירה יכולה לעשות הוא לשפר את איכות מקרי הבדיקה. עם ההנחיות הנכונות, מכונות אלה יכולות לנתח מקרי מבחן ולזהות בעיות ותרופות. תהליך זה יכול לשפר את היקף מקרי הבדיקה ולהוביל לבדיקות מקיפות יותר.
לדוגמה, באפשרותך להזין קוד מודל שפה גדול באותו אופן שבו אתה יכול להזין בודק אנושי. מכונות אלה יכולות לרוץ במהירות דרך הקוד ולזהות שגיאות, באגים ואפילו לזהות בעיות ביצועים. אולי מסקרן יותר, LLMs מציעים גם את האפשרות של השלמת קוד מקרה מבחן מתוך קטעי בלבד, להאיץ את היצירה של מקרי מבחן.
הנדסה מהירה שואפת להתמודד עם רבות מהסוגיות שהניעו את הופעתה של גישת Agile/DevOps לפיתוח תוכנה. מהנדסים מעוניינים בבדיקות יעילות וקלות לחזרה שיכולות לזהות בעיות לפני פריסת יישומים. הרעיון כאן הוא שעל ידי פינוי זמן, מפתחי תוכנה יכולים להתרכז במשימות יצירתיות יותר ומונעות ערך.
כפי שמתואר במאמר קלאסי,
חוב טכני באוטומציית בדיקות
(K. Wiklund, 2012), צוותי פיתוח תוכנה יכולים להיתקל בבעיות אם הם מבלים יותר מדי זמן על בדיקה ידנית ואימות של התוכנה שלהם. עלויות ראשוניות של פתרונות אוטומציה של בדיקות, חוסר ניסיון באוטומציה ואפילו העדפה לשיטות ישנות יותר יכולים לתרום להאטה זו.
אחד ההיבטים המעניינים ביותר של פיתוח תוכנה Agile כרוך
בפיתוח מונחה התנהגות (BDD).
המושג מתייחס לפיתוח תוכנה עם התנהגויות משתמש צפויות. בעוד יישום גישה זו יכול בבירור לחסוך זמן, צוותים רבים נאבקים להביא אוטומציה זו לחיים. עם זאת, LLMs יכול לספק פתרון.
חלק מהתסמינים הנפוצים ביותר של חוב טכני כוללים תיעוד לקוי והיעדר בדיקות חזקות. אלה הן בעיות כי LLMs של היום יכול לעזור לפתור. עם זאת, תסמינים בולטים אחרים, כגון שכתוב, מורכבים מדי עבור AI Generative הנוכחי, ועשויים שלא לגרום לחיסכון בזמן.
מחשבות אחרונות
ליישומי בינה מלאכותית גנרטיבית יש פוטנציאל עצום. עם זאת, ממשק השיחה הידידותי למשתמש עלול להטעות. אנשים רבים מאמינים כי זה פשוט לייצר תפוקות איכותיות ממכונות אלה. עם זאת, הנדסה מהירה מעולה היא מסובכת יותר ממה שניתן היה לצפות.
הנדסה מהירה יעילה דורשת הרבה ניסוי וטעייה. זה גם צריך הרבה מחשבה מראש מטעם המהנדס כדי להבטיח את התשובות שימושיות. לבסוף, בדיקה ובדיקה מחדש של העבודה חשובה בשל הפוטנציאל המתוקשר היטב לטעויות.
בעוד עבודות הנדסה מהירות עשויות להיות במגמת עלייה, לא כולם משוכנעים. במאמר ב- Harvard Business Review, Oguz A. Acar מעלה טיעון מרתק כי “הדורות הבאים של מערכות AI יהפכו אינטואיטיביים ומיומנים יותר בהבנת שפה טבעית, ויצמצמו את הצורך בהנחיות מהונדסות”.
לא משנה מה צופן העתיד, Generative AI תהיה שם בתערובת. בעוד שלהנדסה מהירה יש הרבה הבטחות, קשה לדעת בוודאות איזה תפקיד מדויק היא תמלא.
באופן מעניין, תוכנה לאוטומציה של בדיקות תוכנה כבר עמוסה במקרי שימוש וסיפורי הצלחה המוכיחים את התאמתה להאצת פיתוח התוכנה מבלי להתפשר על דיוק או אימות מקיף של יישומים.
כלים כמו ZAPTEST כבר מאפשרים למפתחים לטפל בבעיות כמו מחסור בזמן ובמשאבים, חוב טכני, תיעוד ובדיקות מקיפות ו-RPA. יתר על כן, כלים אלה ידידותיים יותר למשתמש מאשר הנדסה מהירה, מה שהופך אותם לאפשרויות מתאימות הרבה יותר עבור צוותים שאינם טכניים. כמו תמיד, הפוטנציאל האמיתי טמון בצומת של טכנולוגיות אוטומציה מלהיבות אלה.
