Der lange Weg der KI in der Softwareentwicklung

Bild für Beitrag 65.jpg — Künstliche Intelligenz automatisiert alles – könnte sie Programmierer ersetzen? Foto: Midjourney

Eine Gruppe von Forschern hat soeben eine umfassende Übersicht über die Herausforderungen veröffentlicht, denen sich die künstliche Intelligenz (KI) im Bereich der Softwareentwicklung gegenübersieht, und einen Forschungsfahrplan vorgeschlagen, um das Gebiet weiter voranzubringen.

Stellen Sie sich eine Zukunft vor, in der KI stillschweigend die mühsamen Aufgaben der Softwareentwicklung übernimmt: komplexe Code-Refaktorisierung, Migration von Altsystemen und die Suche nach Race Conditions, sodass sich menschliche Softwareentwickler voll und ganz auf Systemarchitektur, Design und kreative Probleme konzentrieren können, die Maschinen noch nicht lösen können. Jüngste Fortschritte im Bereich der KI scheinen diese Vision in greifbare Nähe gerückt zu haben.

Eine neue Studie von Wissenschaftlern des Computer Science and Artificial Intelligence Laboratory (CSAIL) am MIT und Partnerforschungsinstituten hat jedoch gezeigt, dass wir, um diese Zukunft zu verwirklichen, zunächst die sehr realen Herausforderungen der Gegenwart bewältigen müssen.

„Viele behaupten, Programmierer seien überflüssig geworden, weil KI alles automatisiert habe“, so Professor Armando Solar-Lezama, Dozent für Elektrotechnik und Informatik am MIT, leitender Forscher am CSAIL und Hauptautor der Studie. „Tatsächlich haben wir sehr bedeutende Fortschritte erzielt. Die uns heute zur Verfügung stehenden Werkzeuge sind weitaus leistungsfähiger als früher. Um das volle Potenzial der Automatisierung auszuschöpfen, ist es aber noch ein langer Weg.“

Professor Armando Solar-Lezama argumentiert, dass die gängige Auffassung Softwareentwicklung auf eine Aufgabe reduziert, die einer Programmieraufgabe für Studenten ähnelt: Man erhält eine kleine Funktionsaufgabe und schreibt Code, um diese zu lösen, oder bearbeitet eine Aufgabe im LeetCode-Stil. Die Realität ist jedoch weitaus komplexer: Sie reicht von Code-Refactoring zur Designoptimierung bis hin zu umfangreichen Migrationen von Millionen von Codezeilen von COBOL nach Java, die die Technologieplattform eines Unternehmens grundlegend verändern.

Messung und Kommunikation stellen weiterhin große Herausforderungen dar.

Codeoptimierung im industriellen Maßstab – wie etwa die Optimierung von GPU-Kernen oder mehrstufige Verbesserungen in Chrome V8 – ist nach wie vor schwer zu bewerten. Aktuelle Benchmarks konzentrieren sich primär auf kleine, isolierte Probleme. Die derzeit praktischste verfügbare Metrik, SWE-Bench, verlangt lediglich, dass ein KI-Modell einen Fehler auf GitHub behebt – vergleichbar mit einer einfachen Programmieraufgabe von wenigen hundert Codezeilen, die das Risiko von Datenlecks birgt und zahlreiche andere reale Szenarien wie KI-gestütztes Refactoring, Mensch-Maschine-Interaktion oder die Neuentwicklung von Hochleistungssystemen mit Millionen von Codezeilen außer Acht lässt. Solange Benchmarks nicht auf risikoreichere Szenarien ausgeweitet werden, bleibt die Messung und damit die Förderung von Fortschritten eine ungelöste Herausforderung.

Darüber hinaus stellt die Mensch-Maschine-Kommunikation eine große Hürde dar. Studienleiter Alex Gu, ein Doktorand, erklärte, die Interaktion mit KI gleiche derzeit einem „dünnen Kommunikationsfaden“. Wenn er die KI bittet, Code zu generieren, erhält er oft große, unstrukturierte Dateien zusammen mit einigen wenigen, einfachen und rudimentären Testfällen. Diese Diskrepanz zeigt sich auch in der Unfähigkeit der KI, für Menschen vertraute Software-Tools wie Debugger und statische Analysetools effektiv zu nutzen.

Ein Aufruf zum Handeln aus der Gemeinschaft.

Die Autoren argumentieren, dass es für diese Probleme keine Zauberlösung gibt und fordern Anstrengungen auf Gemeinschaftsebene: den Aufbau von Daten, die den tatsächlichen Entwicklungsprozess von Programmierern widerspiegeln (welcher Code beibehalten, welcher verworfen wird, wie Code im Laufe der Zeit refaktoriert wird usw.), gemeinsame Bewertungsinstrumente für die Qualität der Refaktorisierung, die Beständigkeit von Patches und die Genauigkeit bei Systemübergängen; und die Entwicklung transparenter Werkzeuge, die es der KI ermöglichen, Unsicherheit auszudrücken und menschliches Eingreifen zu erzwingen.

Doktorand Alex Gu sieht darin einen „Aufruf zum Handeln“ für große Open-Source-Communities, den kein einzelnes Labor leisten kann. Solar-Lezama geht davon aus, dass Fortschritte durch kleine, sich gegenseitig verstärkende Schritte entstehen – „Forschungsergebnisse, die nacheinander Teile des Problems angehen“ – und so KI von einem „Code-Empfehlungstool“ zu einem echten Entwicklungspartner transformieren.

„Warum ist das wichtig? Software ist heute die Grundlage für Finanzen, Transport, Gesundheitswesen und alle alltäglichen Aktivitäten. Doch der menschliche Aufwand für deren sichere Entwicklung und Wartung wird zunehmend zum Flaschenhals“, erklärte Gu. „Eine KI, die die komplexe Arbeit ohne versteckte Fehler bewältigen kann, würde es Programmierern ermöglichen, sich auf Kreativität, Strategie und Ethik zu konzentrieren. Um das zu erreichen, müssen wir jedoch verstehen, dass das Fertigstellen eines Codeabschnitts nur der einfache Teil ist – die eigentliche Herausforderung liegt in allem anderen.“

Kommentar (0)