코딩에 제너레이티브 AI를 사용한 CTO의 경험담

에반 데이비스(Evan Davis) CTO는 최신 AI 기술을 활용하여 현실의 문제를 해결해 왔습니다. 그는 최근 자신의 경험에 대해 이야기했습니다. 제너레이티브 AI 와 함께 코딩 작업을 하면서 이 기술의 실제 적용 사례와 잠재적인 함정에 대한 개인적인 인사이트를 공유했습니다. 이 대담과 그 결과물인 블로그를 통해 빠르게 변화하는 환경, 특히 사용하기 쉬운 제너레이티브 AI 시대에 코딩이 예전과 같지 않을 이유에 대해 자세히 살펴보고자 합니다.

코딩에서 제너레이티브 AI의 잠재력과 한계

인공 지능의 하위 집합인 생성 AI는 기존 예제를 학습하여 아트웍에서 코드에 이르기까지 새로운 콘텐츠를 만드는 데 중점을 둡니다. Evan은 최근 ChatGPT-3.5와 같은 최고의 제너레이티브 AI 모델을 사용한 경험이 있습니다, GPT-4, 깃허브 코파일럿, 아마존 코드위스퍼러, Bard 등 이 기술은 코딩 작업에서 유용한 도구임이 입증되었습니다. 몇 가지 한계점을 살펴보기 전에 중요한 참고 사항입니다. 현재 상태의 제너레이티브 AI는 코딩에 큰 영향을 미치고 있으며, 시간이 지남에 따라 계속 발전하고 개선될 것입니다.

코딩 지식이 어느 정도 있는 사람이라면 이 기술을 통해 약 80%의 작업을 처리하고 디버깅 프로세스를 보다 관리하기 쉽게 만들 수 있습니다. 이는 제너레이티브 AI가 코딩에 접근하는 방식을 혁신하여 프로세스 속도를 높이고 인적 오류를 줄일 수 있다고 믿는 업계 전문가들의 의견과 일치합니다.

그러나 다른 신기술과 마찬가지로 제너레이티브 AI에도 한계가 없는 것은 아닙니다. 에반은 개인적인 경험에 비추어 볼 때, 이 기술은 특히 덜 일반적인 라이브러리에서 논리가 부족한 코드를 생성하는 경우가 종종 있다고 지적했습니다. AI는 라이브러리에 존재하지 않는 유령 함수를 호출하여 혼란을 야기하고 출력을 해독하는 데 추가적인 시간을 소비했습니다. 이는 이 분야에서 잘 알려진 문제이며, 연구자들은 이러한 문제를 해결하기 위해 AI 알고리즘을 지속적으로 개선하고 있습니다.

GitHub 코파일럿의 역할과 잠재적 영향력

Evan은 또한 줄 단위로 코드를 제안하는 AI 기반 코딩 어시스턴트인 GitHub Copilot을 사용한 경험도 공유했습니다. 그는 사용자의 기존 코드의 경계 내에서 작동하기 때문에 레일을 벗어날 가능성이 적다는 것을 발견했습니다.

GitHub와 OpenAI에서 개발한 Copilot은 사용자가 제공한 컨텍스트를 기반으로 한 줄씩 코드를 제안하므로 잘못된 출력을 생성할 가능성이 적습니다.

곧 출시될 Copilot X는 GPT-4를 Visual Studio Code에 통합하고 음성 제어 기능을 제공하는 것으로, 이 분야에서 큰 진전을 이뤘습니다. 이 도구는 음성 인식 코딩 도우미 역할을 하며, 기술 업계 전반에서 주목받고 있는 트렌드인 AI를 코딩 워크플로에 더욱 완벽하게 통합하는 중요한 발걸음을 내딛게 될 것입니다.

생성적 AI: 오늘날의 로제타 스톤

제너레이티브 AI에 대한 팀원들의 대화에서 CEO 그레고리 엘리아스는 AI가 생성한 코드와 로제타 스톤을 흥미로운 비유를 들어 기술의 능력과 제약을 설명했습니다. 로제타 스톤이 고대 언어의 번역 메커니즘 역할을 했던 것처럼, 제너레이티브 AI는 코딩 언어의 번역기로 볼 수 있습니다.

코딩의 맥락에서 생성 AI는 번역기와 매우 유사한 기능을 합니다. 한 언어의 구문, 규칙, 관용구를 이해하고 이를 다른 언어로 재창조하는 작업을 수행합니다. 단순한 단어 대 단어 번역을 넘어 원본 코드의 의도, 논리 및 구조를 포착하는 것을 목표로 합니다.

그러나 이 번역 프로세스의 정확성과 효율성은 AI의 학습 데이터에 포함된 특정 코딩 언어 또는 라이브러리의 가용성과 풍부함에 따라 크게 달라집니다. 예를 들어, AI가 Python과 Java에 대해 광범위하게 학습했지만 Erlang과 같이 덜 일반적인 언어를 거의 본 적이 없는 경우 Erlang 코드를 정확하게 생성하거나 번역하는 데 어려움을 겪을 수 있습니다.

학습 데이터의 품질: 중요한 요소

Evan은 또한 AI 모델에 입력되는 학습 데이터의 품질이 중요하다고 강조했습니다. 인터넷에는 다양한 품질의 코드가 넘쳐나기 때문에 AI 모델이 고품질의 코드로 학습하도록 하는 것은 중요한 과제입니다. 작동은 하지만 지나치게 단순한 차선의 솔루션이 만들어질 수 있다는 사실이 관찰되었습니다.

예를 들어, 사용자의 SQL 쿼리 생성을 지원하도록 학습된 생성형 AI 모델을 생각해 보세요. 과거에는 올바른 SQL 쿼리를 작성하려면 수년간의 전문 지식이 필요했지만, 이제는 생성형 AI의 도움으로 수십만 명의 사용자가 단 몇 초 만에 이를 달성할 수 있습니다. 이는 지식과 역량의 민주화에 있어 기념비적인 진전입니다. 이 원리는 SQL을 넘어 Microsoft Excel이나 비즈니스 인텔리전스 도구와 같은 일상적인 도구로 확장될 수 있습니다. 사용자는 일반적으로 고급 지식과 경험이 필요한 복잡한 스프레드시트, 차트, 대시보드를 쉽고 정확하게 작성하는 데 도움을 받을 수 있습니다.

그러나 라이브러리가 제대로 문서화되어 있지 않거나 AI의 학습 데이터에 해당 라이브러리의 포괄적인 예제가 포함되어 있지 않으면 AI는 정확도가 떨어지거나 기능이 떨어지는 코드를 생성할 수 있습니다. 이 인사이트는 AI 연구자들의 광범위한 관찰 결과와 유사합니다. AI 모델의 성능은 학습된 데이터의 풍부함, 다양성, 품질에 따라 크게 좌우된다는 것입니다.

기본적으로 생성형 AI는 인간 코더와 마찬가지로 자신에게 익숙한 언어와 라이브러리로 작업하는 것이 더 효과적입니다. 이는 AI 모델 개발에서 포괄적인 고품질 학습 데이터의 중요성을 강조하는 동시에 새로운 언어가 등장하고 기존 언어가 발전함에 따라 지속적인 AI 학습 및 개선의 중요성을 강조합니다. 이를 통해 AI가 다양한 작업에서 사용자를 지원하는 능력을 지속적으로 개선하여 효율성과 생산성을 향상시킬 수 있습니다.

새로운 시대를 열다

에반의 제너레이티브 AI에 대한 경험은 이 기술의 엄청난 잠재력과 내재된 과제를 흥미롭게 엿볼 수 있게 해줍니다. AI 분야가 계속 발전함에 따라 이와 같은 경험은 AI가 실제 문제를 해결하는 데 더욱 효과적인 도구가 될 수 있도록 발전을 이끌 것입니다.

ChatGPT와 같은 생성형 AI 모델은 프로그래머와 최종 사용자 모두 라이브러리 내에서 수십만 시간의 코딩 시간과 수년간의 전문 지식의 필요성을 크게 줄여주기 시작했습니다. 이러한 변화는 프로그래밍 애플리케이션의 접근성과 유용성에서 기념비적인 도약을 의미합니다.

기사에서 조사 결과를 살펴보세요 "코더를 위한 ChatGPT와 바드 스펠의 위험성'는 이 점을 강조합니다. 두 AI 모델 모두 코드를 효과적으로 생성하는 능력을 보여 주었으며, 잠재적으로 수많은 사람의 코딩 작업을 없애고 놀라운 결과를 가져올 수 있습니다. 이러한 기술이 계속 발전함에 따라 프로그래밍 작업의 용이성과 속도에 더 큰 영향을 미칠 것으로 기대할 수 있습니다.

제너레이티브 AI의 출현과 지속적인 개발은 프로그래밍 세계에 혁신과 포용성을 특징으로 하는 새로운 시대를 열 수 있습니다. 이러한 고급 AI 모델은 진입 장벽을 낮추고 코딩 프로세스를 간소화함으로써 코딩 전문 지식이 더 이상 디지털 솔루션 구축의 전제 조건이 되지 않는 미래를 약속합니다. 이 흥미진진한 미래를 헤쳐나가기 위해서는 빠르게 진화하는 기술의 흐름을 파악하고 그 혁신적 잠재력을 지속적으로 활용해야 합니다.