Korvaavatko suuret kielimallit ihmisohjelmoijat?
Lyhyesti
Suuret kielimallit (LLM:t) Kuten GPT-4 ovat tuoneet merkittäviä edistysaskeleita koodin luomiseen, mikä johtuu pääasiassa ohjelmointikielten ymmärtämisestä.
Bindu Reddy, Abacus.ai:n toimitusjohtaja, ennustaa siirtymistä seuraavien 3–5 vuoden aikana, jolloin LLM:t saattavat ottaa merkittävän roolin ohjelmoinnissa.
Muut asiantuntijat kuitenkin väittävät, että LLM:t vahvistavat ohjelmoijia tehden heistä tehokkaampia, mutta ihmisten vivahteikas asiantuntemus ja ongelmanratkaisukyvyt ovat edelleen välttämättömiä tekoälyn ja ohjelmoinnin kehittyvässä maisemassa.
Kun suuret kielimallit (LLM) hallitsevat yhä enemmän koodin luontia, herää kysymyksiä niiden mahdollisuudesta korvata ohjelmoijat. LLM:t ovat erinomaisia ohjelmointikielten, kuten Pythonin ja Javan, ymmärtämisessä koodin luontaisen rakenteen ja ihmisten kieleen verrattuna vähentyneen epäselvyyden ansiosta.
Vastaus siihen, korvaavatko LLM:t ohjelmoijat, on monimutkainen, ja se riippuu tekijöistä, kuten kontekstista, luovuudesta ja näiden tekoälyjärjestelmien kehittyvistä ominaisuuksista. Bindu Reddy, Abacus.ai:n toimitusjohtaja, ennustaa, että Large Language Models (LLM) ottaa vallan ihmisohjelmoijilta seuraavien 3–5 vuoden aikana.
LLM:t ovat mullistaneet koodin luomisen ja osoittaneet kykynsä ymmärtää ohjelmointikieliä, kuten Python ja Java. Tämä dominanssi johtuu tosiasiasta, että koodi on täynnä toistettavia malleja, jotka tarjoavat runsaasti koulutusdataa LLM:ille ja heidän luontaiselle kyvylleen tarttua kontekstiin. Toisin kuin ihmisen kieli, koodi noudattaa tiettyjä suunnitteluparadigmoja, jäsenneltyjä sääntöjä ja minimaalista epäselvyyttä, mikä helpottaa LLM:iden syntaktisesti oikean koodin luomista.
Lisäksi Reddy selitti, että ohjelmointikielillä on rajoitettu sanasto, mikä säästää jatkuvan neologismin ja sanakirjojen tarvetta. Vaikka LLM:t ovat erinomaisia asiayhteyden ymmärtämisessä, koodi vaatii paljon vähemmän kontekstuaalista ymmärrystä verrattuna monimutkaiseen tekstisisältöön. Esimerkiksi lajittelualgoritmi vaatii vähän kontekstuaalista tietoa, toisin kuin monimutkaiset tekstikertomukset.
Koodin luontainen logiikka, toiminnallisuus ja vähentynyt luovuus yksinkertaistavat entisestään tarkan koodin luomista, ja lisäetu on helppo validointi suorituksen ja virheanalyysin avulla.
"Kaikki tämä tarkoittaa sitä, että LLM:t kikkailevat koodin luomisessa. Tarkoittaako tämä sitä, että he pian korvaavat ohjelmoijat? Lyhyt vastaus on EI seuraavien 1-3 vuoden aikana ja KYLLÄ 3-5 vuoden kuluttua.
Reddy sanoi.
Tulevaisuudessa LLM:t voivat kehittyä jatkuvasti, ja niistä voi tulla älykkäämpiä, mikä mahdollistaa useiden AI-bottien ketjuttamisen, jotta ne voivat hoitaa tärkeämpiä tehtäviä. Lopulta ohjelmoijan rooli mallien ja tuotevaatimusasiakirjojen (PRD:n) kääntämisessä toimiviksi järjestelmiksi saattaa heikentyä, mikä voi ennakoida mahdollista muutosta ohjelmistokehityksen maisemassa, Reddy väittää.
Erilainen mielipide: LLM:t vahvistavat, eivät korvaa ohjelmoijia
Linda Hoeberigs, i-Genie.ai:n tekoälypäällikkö, väitti että vaikka LLM:t tarjoavat valtavan potentiaalin, ne ovat valmiita lisäämään ohjelmointitaustansa omaavien asiantuntemusta sen sijaan, että ne korvaavat.
Hän väittää, että ylivoimaiset kehotustekniikat ovat kehittyneet, mikä edellyttää syvällistä ymmärrystä LLM:n periaatteista. Tekniikat, kuten ajatusketju, kuvaajakehotteet ja reagointikehotteet, parantavat tulosteen laatua ja kontekstin ymmärtämistä, mutta niiden tehokas käyttö vaatii asiantuntemusta, jota tavallisesti löytyy datatieteilijöiltä ja tekoälyohjelmoijilta.
Lisäksi sovellusliittymien hyödyntäminen tehokkuuden parantamiseksi, jotka tarjoavat suuremman suorituskyvyn ja työnkulun integroinnin, tulee helpommin ohjelmointitietoa omaaville. Sovellusliittymiä ottavat yritykset ovat kokeneet merkittävän markkina-arvon kasvun, mikä korostaa niiden merkitystä.
Kolmas Hoeberigsin pointti on, että monimutkainen logiikkasuunnittelu on edelleen alue, jolla ohjelmoijat ovat loistavia. Vaikka LLM:t voivat tuottaa inhimillistä tekstiä, monimutkaisen, luotettavan ja toimivan koodin tekeminen on ohjelmoijien erityinen taito. LLM:t toimivat arvokkaina työkaluina tässä prosessissa.
LLM:t yhdistettynä Langchainin ja Piceconen kaltaisiin teknologioihin helpottavat omistusoikeudellisten tietojen kyselyä – tehtävä, joka tyypillisesti vaatii taitoja tietojen strukturoinnissa, indeksoinnissa, API-suunnittelussa ja LLM-vuorovaikutuksessa. Näitä taitoja löytyy usein datatieteilijöiltä ja ohjelmoijilta.
Lopuksi virheenkorjaus ja mallin viritys ovat ensiarvoisen tärkeitä, koska LLM:t voivat tuottaa virheellisiä tai vääristyneitä tuloksia. Tämä prosessi edellyttää syvällistä ymmärrystä mallin sisäisestä toiminnasta, ongelmien tunnistamisesta ja luovasta ongelmanratkaisusta, jotka ovat kokeneiden datatieteilijöiden ja ohjelmoijien yleisiä taitoja.
"Näiden työkalujen tehokkaaseen hyödyntämiseen tarvittava tekninen monimutkaisuus, hienovaraisuus ja ymmärryksen syvyys ovat edelleen este suurelle yleisölle. Näyttää siltä, että ainakin toistaiseksi LLM:t ovat valmiita olemaan toinen tehokas työkalu arsenaalissa. tietojen tutkijat ja ohjelmoijia, eikä heidän korvaajiaan."
Hoeberigs kirjoitti.
Silti tekoäly helpottaa tekniikkaa tuntemattomien ihmisten ohjelmointia. Esimerkiksi, GPT-4 integroitu koodin suorituskyvyn järjestelmään, mikä merkitsee mahdollisesti transformatiivista kehitystä. Innovaatiolla on potentiaalia kuroa umpeen ei-ohjelmoijat, jolloin he voivat osallistua kehitykseen ilman teknisiä koodaustaitoja. Lisäksi malli luo suoritettavaa koodia, mikä eliminoi manuaalisen koodauksen tarpeen ja helpottaa vaivatonta käyttöönottoa. Tietojen ymmärtämiseen tarvitaan kuitenkin lisäparannuksia mallin yleisen suorituskyvyn parantamiseksi, erityisesti tiedonkäsittelyn virtaviivaistamisessa koodin luomista ja kaavioiden piirtämistä varten.
Lue lisää:
- 10 parasta tekoälytyötä
- 8 asiaa, jotka sinun tulee tietää suurista kielimalleista
- Microsoft paljastaa Learn AI Skills -haasteen varustaakseen osallistujat in-demand AI -asiantuntemuksella
Vastuun kieltäminen
Mukaisesti Luottamusprojektin ohjeetHuomaa, että tällä sivulla annettuja tietoja ei ole tarkoitettu eikä niitä tule tulkita oikeudellisiksi, verotukselliseksi, sijoitus-, rahoitus- tai minkään muun muodon neuvoiksi. On tärkeää sijoittaa vain sen verran, mitä sinulla on varaa menettää, ja pyytää riippumatonta talousneuvontaa, jos sinulla on epäilyksiä. Lisätietoja saat käyttöehdoista sekä myöntäjän tai mainostajan tarjoamista ohje- ja tukisivuista. MetaversePost on sitoutunut tarkkaan, puolueettomaan raportointiin, mutta markkinaolosuhteet voivat muuttua ilman erillistä ilmoitusta.
Author
Agne on toimittaja, joka käsittelee metaversumien, tekoälyn ja uusimpia trendejä ja kehitystä Web3 toimialoja varten Metaverse Post. Hänen intohimonsa tarinankerrontaan on johtanut hänen haastatteluihinsa näiden alojen asiantuntijoiden kanssa pyrkien aina löytämään jännittäviä ja mukaansatempaavia tarinoita. Agnella on kandidaatin tutkinto kirjallisuudesta ja laaja tausta kirjoittamiseen monenlaisista aiheista, kuten matkailusta, taiteesta ja kulttuurista. Hän on myös toiminut vapaaehtoisena toimittajana eläinoikeusjärjestöön, jossa hän auttoi lisäämään tietoisuutta eläinten hyvinvointikysymyksistä. Ota häneen yhteyttä [sähköposti suojattu].
lisää artikkeleita
Agne on toimittaja, joka käsittelee metaversumien, tekoälyn ja uusimpia trendejä ja kehitystä Web3 toimialoja varten Metaverse Post. Hänen intohimonsa tarinankerrontaan on johtanut hänen haastatteluihinsa näiden alojen asiantuntijoiden kanssa pyrkien aina löytämään jännittäviä ja mukaansatempaavia tarinoita. Agnella on kandidaatin tutkinto kirjallisuudesta ja laaja tausta kirjoittamiseen monenlaisista aiheista, kuten matkailusta, taiteesta ja kulttuurista. Hän on myös toiminut vapaaehtoisena toimittajana eläinoikeusjärjestöön, jossa hän auttoi lisäämään tietoisuutta eläinten hyvinvointikysymyksistä. Ota häneen yhteyttä [sähköposti suojattu].
