L'esperienza del nostro CTO nell'utilizzo dell'IA generativa per il coding

Evan Davis, il nostro CTO, ha sfruttato le più recenti tecnologie di intelligenza artificiale per risolvere problemi reali. Di recente ha parlato della sua esperienza nell'utilizzo IA generativa per il lavoro di codifica con il team di Skim AI, fornendo alcune delle sue personali intuizioni sulle applicazioni pratiche della tecnologia e sulle potenziali insidie. Con questa conversazione e il blog che ne è scaturito, intendiamo fornire uno sguardo interno su questo ambiente in rapida evoluzione e, in particolare, sul motivo per cui la codifica non sarà più la stessa nell'era dell'IA generativa facile da usare.

Potenzialità e limiti dell'intelligenza artificiale generativa nella codifica

L'IA generativa, un sottoinsieme dell'intelligenza artificiale, si concentra sulla creazione di nuovi contenuti, dalle opere d'arte al codice, imparando da esempi esistenti. Nella recente esperienza di Evan con i migliori modelli di IA generativa come ChatGPT-3.5, GPT-4, Github CoPilot, Amazon CodeWhisperer, Bardo e altro ancora, la tecnologia si è dimostrata un valido alleato nelle attività di codifica. Si tratta di una nota importante prima di addentrarsi in alcune limitazioni. Allo stato attuale, l'IA generativa sta avendo un grande impatto sulla codifica e continuerà a evolversi e a migliorare nel tempo.

Per chi ha qualche conoscenza di codifica, la tecnologia può fornire un vantaggio significativo, occupandosi potenzialmente di circa 80% del compito e rendendo il processo di debug più gestibile. Ciò è in linea con gli esperti del settore che ritengono che l'intelligenza artificiale generativa rivoluzionerà il modo in cui ci avviciniamo alla codifica, accelerando il processo e riducendo l'errore umano.

Tuttavia, come ogni tecnologia emergente, l'IA generativa non è priva di limiti. Nella sua esperienza personale, Evan ha notato che la tecnologia generava occasionalmente codice privo di logica, in particolare con le librerie meno comuni. L'IA chiamava funzioni fantasma, cioè funzioni che non esistevano nella libreria, generando confusione e tempo aggiuntivo per decifrare gli output. Si tratta di una sfida nota nel settore e i ricercatori continuano a perfezionare gli algoritmi di IA per risolvere questi problemi.

Il ruolo di GitHub Copilot e il suo potenziale impatto

Evan ha anche condiviso la sua esperienza con GitHub Copilot, un assistente di codifica dotato di intelligenza artificiale che suggerisce codice riga per riga. Ha riscontrato una minore probabilità di andare fuori strada, in quanto opera entro i limiti del codice esistente dell'utente.

Sviluppato da GitHub e OpenAI, Copilot suggerisce codice riga per riga in base al contesto fornito dall'utente, riducendo la probabilità di produrre risultati errati.

L'imminente rilascio di Copilot X, che integra GPT-4 in Visual Studio Code e dispone di controllo vocale, rappresenta un importante progresso nel settore. Questo strumento fungerà da assistente di codifica ad attivazione vocale, segnando un passo significativo verso una maggiore integrazione dell'intelligenza artificiale nei nostri flussi di lavoro di codifica, una tendenza che sta guadagnando terreno in tutto il settore tecnologico.

IA generativa: la Stele di Rosetta di oggi

Durante la conversazione del team sull'IA generativa, il CEO Greggory Elias ha tracciato un'interessante analogia tra il codice generato dall'IA e la Stele di Rosetta, illustrando le capacità e i limiti della tecnologia. Proprio come la Stele di Rosetta serviva come meccanismo di traduzione per le lingue antiche, l'IA generativa può essere vista come un traduttore per i linguaggi di codifica.

L'intelligenza artificiale generativa, nel contesto della codifica, funziona come un traduttore. Lavora per comprendere la sintassi, le convenzioni e i modi di dire di una lingua e ricrearli in un'altra. Va oltre la semplice traduzione parola per parola, mirando a catturare l'intento, la logica e la struttura del codice originale.

Tuttavia, l'accuratezza e l'efficacia di questo processo di traduzione dipendono in modo significativo dalla disponibilità e dalla ricchezza dello specifico linguaggio o libreria di codifica nei dati di addestramento dell'IA. Ad esempio, se l'IA è stata addestrata in modo estensivo su Python e Java, ma ha visto poco un linguaggio meno comune come Erlang, potrebbe avere difficoltà a generare o tradurre accuratamente il codice Erlang.

La qualità dei dati di formazione: Un fattore critico

Evan ha anche sottolineato l'importanza della qualità dei dati di addestramento che alimentano i modelli di IA. Internet è ricco di codice di qualità variabile e garantire che il modello di IA sia addestrato su codice di alta qualità è una sfida significativa. È stato osservato che possono essere prodotte soluzioni non ottimali: funzionano, ma sono troppo semplicistiche.

Si pensi, ad esempio, a un modello di IA generativa addestrato per assistere gli utenti nella generazione di query SQL. In passato, la creazione della giusta query SQL richiedeva anni di conoscenze specialistiche, ma ora, con l'aiuto dell'IA generativa, centinaia di migliaia di utenti possono ottenere questo risultato in pochi secondi. Si tratta di un passo monumentale nella democratizzazione della conoscenza e delle capacità. Questo principio può estendersi al di là di SQL e a strumenti più quotidiani, come Microsoft Excel o persino gli strumenti di Business Intelligence. Gli utenti possono essere assistiti nella creazione di fogli di calcolo, grafici e dashboard complessi con facilità e precisione, cosa che in genere richiederebbe conoscenze ed esperienze avanzate.

Tuttavia, se una libreria è scarsamente documentata o i dati di addestramento dell'IA non includono esempi completi di quella libreria, l'IA potrebbe produrre codice meno accurato o meno funzionale. Questa intuizione è parallela a osservazioni più ampie fatte dai ricercatori di IA: le prestazioni di un modello di IA dipendono fortemente dalla ricchezza, dalla diversità e dalla qualità dei dati su cui è stato addestrato.

In sostanza, l'intelligenza artificiale generativa, proprio come i codificatori umani, lavora meglio con i linguaggi e le librerie con cui ha maggiore familiarità. Questo sottolinea l'importanza di dati di addestramento completi e di alta qualità nello sviluppo di modelli di IA, oltre a sottolineare l'importanza di un addestramento e di un perfezionamento continui dell'IA, man mano che emergono nuovi linguaggi e si evolvono quelli esistenti. Nel grande schema delle cose, ciò contribuisce a migliorare continuamente la capacità dell'IA di assistere gli utenti in varie attività, aumentandone l'efficienza e la produttività.

L'inizio di una nuova era

Le esperienze di Evan con l'IA generativa rivelano uno sguardo affascinante sull'immenso potenziale e sulle sfide intrinseche di questa tecnologia. Mentre il campo dell'IA continua a evolversi, saranno esperienze come queste a guidarne lo sviluppo, assicurando che diventi uno strumento ancora più efficace per risolvere i problemi del mondo reale.

I modelli di intelligenza artificiale generativa, come ChatGPT, hanno iniziato a ridurre significativamente la necessità di centinaia di migliaia di ore di codifica e di anni di specializzazione all'interno delle librerie sia per i programmatori che per gli utenti finali. Questa trasformazione rappresenta un monumentale balzo in avanti nell'accessibilità e nella fruibilità delle applicazioni di programmazione.

Uno sguardo ai risultati del nostro articolo "ChatGPT e Bard mettono in pericolo i codificatori" sottolinea questo punto. Entrambi i modelli di intelligenza artificiale hanno dimostrato la loro capacità di generare codice in modo efficace, eliminando potenzialmente innumerevoli ore di lavoro umano e fornendo risultati notevoli. Con il continuo miglioramento di queste tecnologie, possiamo aspettarci un impatto ancora maggiore sulla facilità e sulla velocità delle attività di programmazione.

L'emergere e il continuo sviluppo dell'IA generativa potrebbe inaugurare una nuova era nel mondo della programmazione, caratterizzata da un'accelerazione dell'innovazione e dell'inclusività. Riducendo le barriere all'ingresso e semplificando il processo di codifica, questi modelli avanzati di IA promettono un futuro in cui l'esperienza di codifica non è più un prerequisito per costruire soluzioni digitali. Mentre navighiamo in questo entusiasmante futuro, dobbiamo tenere il polso di questa tecnologia in rapida evoluzione e continuare a sfruttare il suo potenziale di trasformazione.