Tehisintellekt
Kui palju tootlikumad on arendajad, kes tuginevad AI kodeerimistööriistadele? Viimasel ajal on palju spekuleeritud, et AI muudab arendajad 2, 3 või isegi 5 korda tootlikumaks. Aruanne ennustab aastaks 2030 arendajate tootlikkust kümnekordistada.
Iroonia on aga selles, et inseneride ringkond ei ole suures osas suutnud kokku leppida a universaalne viis tootlikkuse mõõtmiseks inseneriteadusest. Mõned on isegi selle idee täielikult tagasi lükanud, väites, et enamik mõõdikuid on vigased või ebatäiuslikud. Enamik väiteid tehisintellekti tootlikkuse parandamise kohta tänapäeval on kvalitatiivsed, põhinevad pigem küsitlustel ja anekdootidel, mitte kvantitatiivsetel andmetel.
Kuidas saame tehisintellekti kohta otsuseid teha, ilma et oleksime eelnevalt kokku leppinud, kuidas tootlikkust mõõta? Kui me kaugtöö eksperimendist midagi õppisime, siis seda, et me vajusime ilma andmeteta oma otsuste tegemiseks, vahetades kontori-, kaug- ja hübriidstrateegiate vahel, mis põhinesid pigem dogmadel ja ideoloogiatel kui andmetel ja mõõtmistel.
Oleme teel seda kordama AI-ga. Edasiliikumiseks peame esmalt mõistma ja kvantifitseerima selle mõju.
Oht maha jääda
Praegune tehisintellekti ümber käiv hüpe võib anda mõnele meist põhjuse peatuda, kuna selle mõju kvaliteedile, võimalik plagiaadi oht ja muud tegurid on teadmata. Kõige ettevaatlikumad ettevõtted on sisenenud hoidmismustrisse, oodates, kuidas see uus stsenaarium välja näeb.
Tehnoloogiapõhiste ettevõtete puhul on mahajäämise oht aga eksistentsiaalne. AI on topeltkiirendi, mis mõjutab mõlemat Mis ja kuidas ettevõtted ehitavad. Tänapäeval tehisintellekti investeerivatel ettevõtetel on potentsiaali kahekordistada investeeringuid, tuues turule mitte ainult uusi tehisintellektil põhinevaid tooteid, vaid ka tooteid turule kiiremini ja odavamalt.
Enamik ettevõtteid on keskendunud Mis kuid AI võib olla selle mootor kuidas, luues 10- või isegi 100-kordse toodanguga insenerimeeskonna. Ettevõtted, kes mõtlevad välja, kuidas kiiresti kuristikku ületada, optimeerides tehisintellekti tööriistu kõige tõhusamal ja mõjuvamal viisil, ning jõuavad kõige kiiremini tootlikkuse platoole, saavad edumaast kasu veel aastaid. Risk mitte midagi teha on liiga suur.
Mõistke kompromisse
Kellele, kellel on haamriga, näeb kõik välja nagu nael. See kehtib ka AI puhul.
Vastavalt a hiljutine GitHubi aruanne, oli arendajate mainitud tehisintellekti kodeerimise tööriistade peamine eelis nende kodeerimiskeeleoskuse parandamine. Veel üks oluline eelis on ülesannete automatiseerimine, näiteks standardkoodi kirjutamine. A ettevõtte CodeCov hiljutine eksperiment näitas, et ChatGPT töötab hästi lihtsate testide kirjutamisel triviaalsete funktsioonide ja suhteliselt lihtsa koodi jaoks.
Kuid nagu igal tehnoloogial, on AI-l oma eelised ja puudused. Näiteks ei suuda generatiivsed tehisintellektid ja LLM-id täita väga keerulisi või loomingulisi ülesandeid, nagu näiteks koodibaasi migreerimine ühest arhitektuurist teise või äriloogika lisamine uude funktsiooni. Need võivad isegi avada ettenägematuid turvaauke või juriidilisi küsimusi, kui arendajad aktsepteerivad tehisintellekti loodud ettepanekuid ilma plagiaadikontrollita, litsentsipiiranguteta või tehisintellekti loodud tuletusteta (nn. hallutsinatsioonid).
Kuid tehisintellekt ei pea olema imerohi tarkvara kirjutamis- ja tootmisviisi muutmiseks. Isegi nende piirangute juures võib see avada uusi uksi, mis muudavad need ülesanded 10 korda lihtsamaks, kiiremaks või odavamaks, kui seda kasutatakse vaid mõnel täpsel viisil õigete ülesannete täitmiseks.
Mõju kvantifitseerimine
Enamik arendajaid juba kasutab AI-toega tööriistu. GitHubi andmetel92% küsitluses osalenud kasutajatest on kasutanud tehisintellekti kodeerimise tööriistu tööl või vabal ajal. Seetõttu on ettevõtete jaoks ülioluline luua võimalikult varakult lähtealused, et võrrelda tootlikkust enne ja pärast uute tehisintellekti tööriistade kasutuselevõttu.
Isegi lihtsad puhverserveri mõõdikud võivad anda kvantitatiivset teavet uute tööriistade mõju kohta. Näiteks sisse juurdlus kogukonnas Rohkem kui 400.000 1,3 arendaja hulgast näib, et GitHub Copiloti kasutajad sisestavad 1,22 korda rohkem märke ja XNUMX korda rohkem koodiridu sama aja jooksul kui arendajad, kes ei kasuta AI-kodeerimisassistenti. . Kuigi rohkemate koodiridade muutmine ei tähenda tingimata paremat tootlikkust, annab GitHub Copiloti abil koodi kirjutamise kiirus, olenemata sellest, kas need on ühikutestid, funktsioonid või muud standardkoodid, tõendi, et nad säästavad aega ja vaeva korduvate ülesannete kohta.
Samuti võib mõju kvantifitseerida, kui mõõta, kui palju funktsioone meeskond suudab pakkuda enne ja pärast AI-tööriistadesse investeerimist. Inseneri kohta tarnitavate funktsioonide arvu suurenemine (koos tarnitud funktsioonide madalama maksumusega) annab ärilise kasu AI-tööriistadesse investeerimise jätkamiseks.
Tehisintellekti investeeringute positiivne tulu: tehisintellekti tööriistadesse investeerimine võib avada uute funktsioonide arendamise. Piltide krediit: Software.com
Eemaldamiseks või ümbertöötlemiseks tarnitud funktsioonide võrdlemine võib samuti aidata mõista tehisintellekti mõju kvaliteedile. Ettevõtted, kes kogevad uute tehisintellekti kodeerimistööriistade kasutuselevõtu tõttu kvaliteediprobleeme, kulutavad rohkem aega koodi jagamisele, eemaldades ebaefektiivse koodi ja ümberkujundamise ning vähem aega uute funktsioonide väljatöötamiseks.
Kuigi teatud määral värskendamist ja ümbertöötamist on vaja, võib kasvav hulk viidata sellele, et nende tööriistade ROI on vähem veenev ja mõjutab oluliselt kvaliteeti.
Tehisintellekti mõju kvaliteedile. Suurenenud tööturu vähenemine ja ümbertöötamine on märk AI kvaliteediprobleemidest. Piltide krediit: Software.com
Õigete investeeringute tegemine
Et vastata, kas tehisintellekt parandab arendaja tootlikkust, peate esmalt parandama selle mõju nähtavust: kus, millal ja kuidas arendusprotsessis on tehisintellektil tõenäoliselt suurim investeeringutasuvus. Kuna generatiivse tehisintellekti ümber on nii palju hüpet ja põnevust, on tõeni jõudmiseks olulisem kui kunagi varem leida õigeid andmeid.
Kuna ettevõtted investeerivad tehisintellekti arendustööriistadesse, saavad nad oma meeskondi volitada, rakendades tarkvaraarenduses vaatlusi. Vaatlusvõime ei aita teil mitte ainult AI-ga seotud piirangute ja võimaluste kohta kiiremini teada saada, vaid avab ukse ka vestlustele muude tootlikkust mõjutavate tegurite üle, nagu kaugtöö, DevOps ja sisemised arendusplatvormid.
Ei saa olla kahtlust, et tehisintellektil on roll tootlikkuse parandamisel, kuid selleks on vaja faktide uurimist, et mõista, kuidas seda teha, ja seejärel teha teadlikke otsuseid.
