ChatGPT, Bard og önnur áberandi stórmálslíkön (LLM) hafa ráðið ríkjum í fréttastraumum okkar síðastliðið ár. Og það með réttu. Þessi spennandi tækni veitir okkur innsýn í framtíðina, kraftinn og möguleika gervigreindar.
Þó að mikið af spennu almennings hafi snúist um að búa til texta, myndir og myndband, þá er hægt að nota þessi verkfæri í fullt af öðrum greinum, eins og sjálfvirkni hugbúnaðar.
Þessi grein mun virka sem djúpt kafa í hvernig skjót verkfræði getur hjálpað okkur með sjálfvirkni hugbúnaðar. Hins vegar ætti fyrsta viðkomuhöfn okkar að vera athugun á tafarlausri verkfræðinni sjálfri.
Hvað er hvetja verkfræði?
Stór tungumálalíkön eins og ChatGPT framleiða framleiðsla byggð á leiðbeiningum eða setningum sem við veitum þeim. Hins vegar eru niðurstöðurnar mjög mismunandi eftir orðum eða leiðbeiningum sem við notum. Þegar við setjum inn óljósar og ónákvæmar leiðbeiningar gæti framleiðslan ekki hitt í mark.
Hvetja verkfræði vísar til yfirvegaðrar hönnunar inntaks sem hjálpar til við að fá fram nákvæmara, nákvæmara og að lokum nothæft efni frá þessum spennandi gervigreindarkerfum.
Large Language Model (LLM) kerfi nota náttúrulega málvinnslu (NLP) til að túlka fullyrðingarnar sem við gefum þeim. Vélarnar breyta þessum spurningum eða leiðbeiningum (þ.e. leiðbeiningum) í kóða og keyra þær í gegnum mikla gagnageymslur sínar til að framleiða efni á hvaða sniði sem við tilgreinum (þ.e. texta, myndir, kóða).
ChatGPT var þjálfað á yfir
570 GB af gögnum
. Námsefnið samanstendur af bókum, greinum, veftextum og svo framvegis. Með öðrum orðum, þessi gagnasöfn innihalda ólýsanlega mikla þekkingu.
Þó að við skiljum ferlið, þá gerist margt af því sem gerist undir húddi þessara kerfa úr augsýn okkar. Jú, við stjórnum inntakum og úttaki og þjálfum kerfið, en nákvæmlega hvernig þessi reiknirit virka og taka ákvarðanir er enn ráðgáta. Með orðum Sam Bowman, AI prófessors við New York University, “Við byggðum það, við þjálfuðum það, en við vitum ekki hvað það er að gera.”
Skjót verkfræði hjálpar okkur að stjórna þeirri ringulreið með því að nota framleiðsla sem skilar fyrirsjáanlegum og nothæfum árangri. Þeir bjóða okkur leið til að opna mikið magn þekkingar í þessum forritum. Fræðigreinin er að koma fram sem nýr starfsferill
, þar sem námskeið spretta upp alls staðar þar sem fyrirtæki finna út hvernig þau geta nýtt þessa öflugu tækni.
Hvernig er hægt að hvetja verkfræði hjálp
með sjálfvirkni hugbúnaðar?
Sjálfvirkni hugbúnaðar og LLM eiga margt sameiginlegt. Báðir bjóða þeir upp á innsýn í framtíð þar sem vélar munu auka sköpunargáfu manna til að skapa hraðari og afkastameiri vinnustaði.
Það eru nokkur spennandi svið þar sem báðar þessar tækni geta runnið saman. Hér eru þrjár leiðir sem við getum notað skjóta verkfræði í sjálfvirkni hugbúnaðar.
#1. Kóði myndaður
Að skrifa kóða er eitt efnilegasta forrit stórra tungumálalíkana. AI LLM eru á barnsaldri. Á næstu árum ætti þessi tækni að batna eftir því sem meira fjármagn bætist við bæði tölvuvinnslu og þjálfun.
Til lengri tíma litið gætu þessar framfarir séð gervigreind skrifa heil forrit með takmarkaðri eða engri mannlegri íhlutun. Hins vegar, í bili, hafa LLM nokkrar takmarkanir. Gæði framleiðslu LLM-kóðunar fer aðallega eftir gæðum aðfanga. Rusl inn, rusl út, eins og sagt er.
Auðvitað er það ekki bara árangursrík hvetja verkfræði sem virkar sem vegatálmi. Eins og lagt er til í ChatGPT og stór tungumálamódel í fræðasamfélaginu: tækifæri og áskoranir (Meyer, 2023), “Eins og er er líklegra að ChatGPT nái árangri í að skrifa smærri kóðakubba nákvæmlega, en áreiðanleiki þess við að skrifa stærri / flóknari forrit (td hugbúnaðarpakka) er vafasamur.”
Ennfremur, í nýlegri grein í tímaritinu Nature, vöruðu sumir tölvunarfræðingar við því að við ættum að nálgast kóða kynslóð með LLM með nokkurri varúð. Önnur samtímagrein,
Stór tungumálalíkön og einfaldar, heimskulegar villur
(Jesse, 2023), sýndu hvernig vinsæll LLM, Codex, sem er notaður af söluaðilanum Copilot, framleiðir “þekkta, orðrétta SStuBs allt að 2x eins líklegt og þekkt, orðréttur réttur kóði.
Þó að ekki sé hægt að hunsa þessi vandamál, þá er enn mikil réttlætanleg spenna um hvernig þessi forrit geta hjálpað til við að lýðræðisvæða hugbúnaðarþróun með því að styðja tæknileg og ekki tæknileg teymi.
Kannski er það áhrifamesta sem þarf að hafa í huga að verkfæri eins og ChatGPT geta framleitt hagnýtan kóða mjög fljótt. Með réttri hvetja geta verkfræðingar dregið úr þeim tíma sem það tekur að forrita ákveðnar tegundir kóða, sem tryggir hraðari líftíma hugbúnaðarþróunar.
Í lok árs 2022 bannaði vinsæla forritunarmiðstöðin
Stack Overflow gervigreind
svör á vettvangi sínum. Þeir vitnuðu í hátt villuhlutfall og ónákvæmni sem tengist forritinu. Hins vegar er tæknin á byrjunarstigi; ennfremur á óánægjan með framleiðslu gervigreindar jafn mikið að þakka lélegri skjótri verkfræði og tækninni sjálfri.
Þrátt fyrir efasemdir um tæknina,
nýleg grein eftir McKinsey
varpar ljósi á þau áhrif sem skjót verkfræði hefur nú þegar í heimi forritunar. Ráðgjafafyrirtækið Staða gervigreindar árið 2023: Brotaár generative AI deildi tveimur áhugaverðum straumum. Í fyrsta lagi eru 7% stofnana sem hafa fjárfest í gervigreind að ráða skjóta verkfræðinga. Í öðru lagi hafa fyrirtæki sem nota gervigreind dregið úr gervigreindartengdum hugbúnaðarverkfræðihlutverkum úr 38% í 28%.
Ein leið til að túlka þessa þróun er að fyrirtæki eru ánægð með þessa uppsetningu og tilbúin að afhenda sjálfvirkni hugbúnaðar í vélar sínar. Þó að þessar tölur gætu komið núverandi verkfræðingum á óvart, bendir McKinsey könnunin til þess að “aðeins 8 prósent segja að vinnuafli þeirra muni minnka um meira en fimmtung.” Á heildina litið munu verkfræðingar líklega þurfa að endurkunna sig til að nýta sér þróunina í átt að sjálfvirkni hugbúnaðar sem myndast af gervigreind.
Ein augljós umsókn um sjálfvirkni hugbúnaðar sem myndast af gervigreind felur í sér að búa til sjálfvirkni vélmenni. Hins vegar, þó að skjót verkfræði sé að því er virðist notendavænt viðmót þökk sé áherslu sinni á samtal, á eftir að koma í ljós hvort það getur komið í veg fyrir núverandi lausnir.
Á margan hátt hefur hugbúnaður eins og ZAPTEST þegar lýðræðislegt sjálfvirkni hugbúnaðarmarkaðarins. Verkfæri án kóða eru hér núna sem gera ótæknilegum teymum kleift að smíða hágæða RPA vélmenni. Þó að hugbúnaður eins og ChatGPT geti smíðað vélmenni, gæti framkvæmd og viðhald reynst erfiður fyrir alla sem eru ekki hugbúnaðarverkfræðingur og jafnvel þá sem eru það.
Að taka upp samskipti manna og tölvu frá GUI og umbreyta þessum hreyfingum í kóða er mun notendavænni en að nota leiðbeiningar. Þegar það er tengt við möguleika LLM til að framleiða óstöðugan og villustráðan kóða er sanngjarnt að segja að RPA hugbúnaður er ekki að fara neitt í fyrirsjáanlegri framtíð.
#2. Umbreyting ómótaðra gagna
Ómótuð gögn eru ekki sterk föt Robotic Process Automation. Tæknin var ekki smíðuð til að takast á við hluti eins og tölvupóst, myndir, hljóð og fleira. RPA verkfæri þurfa fyrirfram skilgreind gagnalíkön með skipulögðu skipulagi.
Stór hluti ómótaðra gagna felur í sér náttúrulegan tungumálatexta. Stór tungumálalíkön eru byggð til að “skilja” þessar upplýsingar og draga merkingarfræðilega merkingu úr þeim. Sem slíkt skapar þetta töluvert tækifæri fyrir teymi sem vilja túlka þessa texta og breyta þeim í snið sem RPA verkfæri samþykkja.
Mörg teymi hafa notað náttúrulega málvinnslu (NLP) í mörg ár til að hjálpa þeim við viðhorfagreiningu. Þetta ferli, einnig þekkt sem skoðananám, hjálpar stofnunum að fylgjast með tilfinningum og viðhorfum neytenda til vörumerkja. Í flestum tilfellum eru þessi verkfæri notuð til að greina jákvæð, neikvæð og hlutlaus viðhorf innan texta. Hins vegar er tæknin fær um mun nákvæmari tilfinningalega uppgötvun líka.
Þó að það séu nokkur tæki á markaðnum sem bjóða upp á þessa virkni, þá veitir LLM leið til fjölhæfari notkunar umfram skilning á því hvað fólki finnst um vöru eða þjónustu. Til dæmis hafa gagnagreiningar sprungið í vinsældum undanfarin ár. Big Data veitir fyrirtækjum forskot með því að leyfa þeim að öðlast innsýn og skilning sem hjálpar til við gagnadrifna ákvarðanatöku.
Robotic Process Automation verkfæri geta hjálpað til við að safna gögnum. Hins vegar, eins og við nefndum hér að ofan, glíma þeir við ákveðnar tegundir upplýsinga. Hins vegar, þegar það er parað við gervigreindarverkfæri sem nota stór tungumálalíkön, getur RPA safnað miklu magni gagna og notað þau til að búa til upplýsingarnar sem eru nauðsynlegar fyrir viðskiptagreindarverkfæri (BI).
Einn af meira spennandi þáttum Generative AI er hæfni þess til að skilja inntak gagna. Með réttri hvetjandi verkfræði geta teymi breytt þessum gögnum í snið sem hentar RPA verkfærum þeirra.
RPA getur hjálpað til við að gera verkflæði Big Data skilvirkari. Til að byrja með geturðu notað það til að hjálpa bæði við innslátt og útdrátt gagna. Hins vegar eru kannski verðmætustu og forvitnilegustu notkunartilvikin að nota RPA verkfæri til að umbreyta, hreinsa og hlaða gögnum eða tryggja að gagnaflutningur gangi hratt, skilvirkt og nákvæmlega.
Annað mikilvægt atriði sem þarf að hafa í huga er stjórnun gagna. Sjálfvirkar gagnabeiðnir hjálpa fyrirtækjum að fylgja reglum og halda gögnum frá verkafólki.
#3. Prófa sjálfvirkni
Test Automation hefur tekið flugið í hugbúnaðarþróunarhringjum vegna þess að það veitir hraðari leið til að sannreyna hugbúnað. Prófanir og gæðatrygging hafa jafnan verið dýr og tímafrek ferli; Próf sjálfvirkni veitir lausn á báðum þessum áskorunum.
Eitt af því fyrsta sem hvetja verkfræði getur gert er að bæta gæði prófunartilvika. Með réttum leiðbeiningum, þessar vélar geta greint prófunartilvik og greint vandamál og úrræði. Þetta ferli getur aukið umfang prófunartilvika og leitt til umfangsmeiri prófa.
Til dæmis er hægt að fæða stóran tungumálalíkanakóða á svipaðan hátt og þú gætir verið mannlegur gagnrýnandi. Þessar vélar geta fljótt keyrt í gegnum kóðann og komið auga á villur, villur og jafnvel greint frammistöðuvandamál. Kannski forvitnilegra, LLM bjóða einnig upp á möguleika á að klára kóða prófmáls úr aðeins bútum og flýta fyrir stofnun próftilvika.
Hvetja verkfræði miðar að því að takast á við mörg af þeim málum sem hafa knúið fram tilkomu Agile/DevOps nálgunar við hugbúnaðarþróun. Verkfræðingar vilja skilvirk, auðveldlega endurtekin próf sem geta komið auga á vandamál áður en umsóknum er beitt. Hugmyndin hér er sú að með því að losa um tíma geta hugbúnaðarframleiðendur einbeitt sér að skapandi og gildisdrifnari verkefnum.
Eins og lýst er í klassískri ritgerð,
Tæknilegar skuldir í Test Automation
(K. Wiklund, 2012), hugbúnaðarþróunarteymi geta lent í vandræðum ef þau eyða of miklum tíma í handvirkar prófanir og sannprófun á hugbúnaði sínum. Stofnkostnaður við sjálfvirknilausnir prófa, skortur á sjálfvirknireynslu og jafnvel val á eldri aðferðum getur stuðlað að þessum hægagangi.
Einn áhugaverðasti þátturinn í Agile hugbúnaðarþróun felur í sér
hegðunardrifna þróun (BDD).
Hugmyndin vísar til þess að þróa hugbúnað með væntanlegri notendahegðun. Þó að innleiðing þessarar nálgunar geti greinilega sparað tíma, eiga mörg teymi í erfiðleikum með að vekja þessa sjálfvirkni til lífsins. Hins vegar geta LLM veitt lausn.
Sum algengustu einkenni tæknilegra skulda eru léleg skjöl og skortur á öflugum prófunum. Þetta eru vandamál sem LLM í dag geta hjálpað til við að leysa. Hins vegar eru önnur athyglisverð einkenni, svo sem endurgerð, of flókin fyrir núverandi Generative AI, og geta ekki leitt til tímasparnaðar.
Lokahugsanir
Generative AI forrit hafa gríðarlega möguleika. Hins vegar getur notendavænt, samtalsviðmót verið villandi. Margir telja að það sé einfalt að búa til gæðaframleiðslu frá þessum vélum. Hins vegar er framúrskarandi hvetja verkfræði flóknari en þú gætir búist við.
Árangursrík hvetja verkfræði krefst mikillar reynslu og villa. Það þarf líka mikla fyrirhyggju fyrir hönd verkfræðingsins til að tryggja að svörin séu gagnleg. Að lokum er mikilvægt að athuga og endurskoða verkið vegna vel auglýstra möguleika á villum.
Þó að skjót verkfræðistörf gætu verið að aukast, eru ekki allir sannfærðir. Skrifar í Harvard Business Review og Oguz A. Acar færir heillandi rök fyrir því að “Komandi kynslóðir gervigreindarkerfa munu verða leiðandi og færari í að skilja náttúrulegt tungumál og draga úr þörfinni fyrir vandlega hannaðar leiðbeiningar.”
Hvað sem framtíðin ber í skauti sér, þá verður Generative AI þar í blöndunni. Þó að skjót verkfræði hafi mikið loforð, þá er erfitt að segja með vissu hvaða nákvæmu hlutverki hún mun gegna.
Athyglisvert er að hugbúnaðarprófunarhugbúnaður fyrir sjálfvirkni hugbúnaðar er þegar fullur af notkunartilvikum og árangurssögum sem sýna fram á hæfi hans til að flýta fyrir hugbúnaðarþróun án þess að skerða nákvæmni eða alhliða sannprófun forrita.
Verkfæri eins og ZAPTEST gera forriturum nú þegar kleift að taka á málum eins og ófullnægjandi tíma og fjármagni, tæknilegum skuldum, skjölum og alhliða prófunum og RPA. Það sem meira er, þessi verkfæri eru notendavænni en skjót verkfræði, sem gerir þau mun hentugri valkosti fyrir ótæknileg teymi. Eins og alltaf liggja raunverulegir möguleikar á mótum þessarar spennandi sjálfvirkni tækni.
