Rozwój aplikacji wykorzystujących generatywną sztuczną inteligencję (GenAI) może demokratyzować kodowanie i potencjalnie uwalniać zasoby, ale organizacje muszą ostrożnie zarządzać współpracownikami bez wcześniejszego doświadczenia w kodowaniu.
Według Jona Pulestona, wiceprezesa ds. innowacji w dziale profili w firmie Kantar, choćby dokładna analiza syntetyczna osoba oparte na zestawie danych obejmującym 25 000 prawdziwych osób i zawierające 250 predykcyjnych zmiennych demograficznych może dawać „bardzo nieprzewidywalne” wyniki choćby w przypadku prostych pytań, takich jak „Czy masz psa?”.
„W naszym eksperymencie udało się to przewidzieć z dokładnością zaledwie 75%, choćby przy użyciu najnowocześniejszej sztucznej inteligencji i uczenia maszynowego” [ML] zastosowaliśmy technikę, w porównaniu z 52% szansą opartą na naszych danych demograficznych”, mówi Puleston. „To podkreśla ogromną ilość danych wejściowych wymaganych do stworzenia syntetycznych modeli danych wystarczająco dokładnych do uogólnionego użytku komercyjnego. Podejmując decyzję biznesową wartą miliardy dolarów, istnieją ryzyka”.
Eksperyment Kantara sugeruje, iż złożoność przemawia przeciwko rozmowom o „obywatele-programiści„jeśli chodzi o rozwój narzędzi do generowania sztucznej inteligencji w języku naturalnym, w szczególności, a Puleston dodaje: „Prawdziwe ludzkie spostrzeżenia są przez cały czas sercem dobrych badań rynku”.
W końcu szczegółowy kontekst danej aktywności może często okazać się kluczowy. Kopanie piłki nożnej między słupki bramki jest w zasadzie prostą czynnością, ale potrzeba lat praktyki, aby robić to niezawodnie dobrze.
Leslie Kanthan, dyrektor generalny i współzałożycielka kod firma optymalizacyjna TurinTech twierdzi, iż pułapki czyhają na nieostrożnych – choćby jeżeli organizacja ma gotowe zestawy danych. „Współpraca z kodem AI i wewnętrznymi aplikacjami jest dobra, ponieważ sprawia, iż ludzie korzystają z tych najnowocześniejszych rzeczy, umożliwiając generowanie pomysłów i kreatywność. Ale pozostało kwestia zarządzania tym”, mówi Kanthan.
Na przykład, jeżeli tworzysz aplikację zawierającą poufne zbiory danych, nie mając doświadczenia w kodowaniu, trudno będzie Ci uzasadnić przed organami regulacyjnymi i służbami zgodności, co dokładnie aplikacja robi, a czego nie.
„Samo stwierdzenie, iż stworzyłeś aplikację i rozwiązuje ona ten problem, nie jest wystarczające dla regulatorów” — mówi Kanthan. „Muszą wiedzieć, iż dane są przechowywane poprawnie itd.”
Mimo to GenAI może pomóc początkującym programistom przez rok lub dwa wyostrzyć swoje umiejętności, a rozwój może zostać rozszerzony o szerszy zakres zastosowań, przy jednoczesnym zachowaniu potrzeby solidnego testowania, przeglądu i akceptacji przez użytkowników w miarę udoskonalania narzędzi.
Nie zapominaj, iż czystszy kod może być bardziej zrównoważony, zużywając mniej zasobów, w tym energii, dodaje Kanthan. „Teraz pomyśl o [GenAI] realistycznie. Minie jeszcze kilka lat, zanim będziesz mieć solidne zastosowanie aplikacyjne choćby dla najbardziej zaawansowanych zastosowań”, mówi. „Musisz dokładnie wiedzieć, co robisz”.
Zapytaj, co dokładnie wnosisz do firmy i jak to wykorzystać. Dzisiejsze GenAI najlepiej wykorzystać jako asystenta wiedzy eksperckiej, a nie jej substytut – i opracuj odpowiednie mechanizmy kontroli i równowagi oraz zarządzanie w każdym przypadku użycia. „Dowiedz się, co stworzyłeś i jak byłeś w stanie to uzasadnić” – dodaje Kanthan.
Kjell Carlsson, szef strategii AI w Domino Data Lab, zauważa, iż takie oferty jak Amazonka Q reklamowane jako dostępne dla osób niebędących programistami będą zwykle miały ograniczone zastosowanie. Pytanie nie brzmi, czy potrzebujesz umiejętności, aby używać narzędzia, ale czy możesz faktycznie używać tego narzędzia z dobrym skutkiem? Zasada jest odwrotna, iż będziesz musiał „podnieść poziom swoich ludzi”.
Porównaj wyzwanie z użyciem makr Visual Basic lub Excel, na przykład: wymagają one umiejętności lub technicznego zaplecza. A co z dokumentacją?
W firmach dysponujących mniejszymi zasobami, w których mogą stosować je mniej doświadczeni programiści, CzatGPTNa przykład, tworząc aplikacje, nie można mieć „dużego” zaufania do jakości wyników – potwierdza Carlsson.
„Potrzeba dużego zrozumienia ze strony użytkownika końcowego, aby wiedzieć, jak wygląda dobre” – mówi. „To może być świetny sposób, aby gwałtownie się rozkręcić i robić rzeczy, które są standardem. Nie, jeżeli jest to zadanie, do którego zwykle używasz SQL lub – nie daj Boże – COBOL”.
„Każdy może kodować”
Gavin Harcourt, szef inżynierii w platformie marketing intelligence Streetbees, mówi, iż ich doświadczenia z GenAI, obejmujące projektowanie produktu, odkrywanie go i wczesną implementację, obalają mit, iż „każdy może kodować”.
„W przypadku tych demonstracji, powiedzmy, Amazon Q, mam wiele sceptycyzmu: dowiedzieliśmy się, iż trzeba inwestować” — mówi Harcourt. „Mamy zespoły ludzi, którzy tworzą schematy, fizycznie tłumaczą wiedzę z zakresu badań rynku i nie tylko”.
Shaf Shajahan, dyrektor ds. produktów AI w Streetbees, dodaje: „To obejmuje dwie i pół osoby zajmującej się wyłącznie tłumaczeniem złożonych problemów badań rynku na biblioteki danych, tak jak konsultanci ds. strategii uczący się, jak poruszać się po złożonych danych schematy. Potrzebny jest marketing, strategia i technologia razem, a także ludzie oddani inżynierii.”
GenAI będzie ewoluować, a duże modele językowe (LLM) będą z czasem coraz bardziej komodytyzowane. Jednak choćby z „elementem jakości i wyników”, który prawie każdy może dostarczyć, prawdopodobnie nie jest to optymalne, zauważa Shajahan.
„Kluczowym wyróżnikiem będzie to, iż nie będzie to tylko cienka otoczka podstawowego LLM, ale jakość Twojego produktu lub wyniku, który został zaprojektowany i opracowany przez ekspertów w tej dziedzinie” – zauważa Shajahan.
Hans de Visser, dyrektor ds. produktów (CPO) w niskokodowy Dostawca platformy programistycznej Mendix twierdzi, iż dzieli rozwój wspomagany sztuczną inteligencją, który polega na wdrażaniu usług AI dla programistów pracujących na jego platformie w celu zwiększenia ich produktywności, od aplikacji wspomaganych sztuczną inteligencją, które wplatają usługi AI w inteligentniejsze aplikacje tworzone przez programistę.
Zasady, praktyka i zarządzanie specyficzne dla wymagań są najważniejsze. Niektórzy klienci dążą do „przesunięcia w lewo”, częściowo w celu zmniejszenia obciążeń bardziej technicznych zespołów i zapewnienia pracownikom większej kontroli nad ich własnym losem. „Ale pomyśl o rodzaju aplikacji, o której mówisz, i jaka platforma jest odpowiednia do jej obsługi” — mówi Visser.
Zbadaj zakres, zasięg i krytyczność poszczególnych grup roboczych, działów i przedsiębiorstwa w porównaniu ze złożonością aplikacji. jeżeli wygenerujesz domenę wizualną lub model danych, który możesz całkowicie przejrzeć, powinieneś być w stanie zweryfikować wyniki i to, czy mają zastosowanie do odpowiedniej strony lub wygenerowanego przepływu pracy.
Pomyśl o „ogrodzeniu otoczonym murem” Aplikacje Microsoft PowerAppsktóry w najprostszej formie może mieć SharePoint i Excel jako zwykłe źródła do łączenia danych. Wokół tego możesz zbudować interfejs użytkownika, listę kontrolną lub bardzo prosty przepływ pracy dla przypomnień o zatwierdzeniu lub podobnych.
„Jeśli utrzymasz to w tych granicach i będziesz w stanie to kontrolować, może to być całkowicie w porządku dla deweloperów obywatelskich i korzystania z funkcji AI dostępnych na tej konkretnej platformie” – mówi Visser.
W przypadku bardziej zaawansowanych aplikacji działowych włączenie usług GenAI zwiększy produktywność dzięki abstrakcji i automatyzacji.
„Zastanów się, jakiego typu funkcje GenAI chcesz przyznać jakiemu typowi programisty. jeżeli masz GenAI oparte na kodzie, otrzymasz wygenerowany kod. jeżeli nigdy nie zbudowali aplikacji, zwykle nie potrafią zrozumieć, co dzieje się za kulisami” — zauważa Visser.
Melvyn White, główny architekt korporacyjny ds. sztucznej inteligencji i uczenia maszynowego w BT Group, zasadniczo zgadza się z potrzebą pogodzenia tzw. demokratyzacji z rozwojem ograniczonym do pewnego poziomu wiedzy specjalistycznej – w oczekiwaniu na szybką ewolucję technologiczną i konieczność dotrzymania kroku organizacjom.
„Udostępnienie sztucznej inteligencji masom jest pod wieloma względami dobrą rzeczą” – mówi White, zauważając, iż w pewnym sensie GenAI można postrzegać jako kolejny krok po wykorzystaniu ujednolicony język modelowania (UML) jako akcelerator.
„Moi znajomi, którzy programują codziennie, używają LLM-ów, ale sami są bardzo dobrymi programistami. To w pewnym stopniu zwiększa ich produktywność, ale przez cały czas muszą się zagłębiać i wprowadzać poprawki i zmiany. Wiedzą, co robią”.
