Εικόνα για την ανάρτηση 65.jpg
Η Τεχνητή Νοημοσύνη αυτοματοποιεί τα πάντα και θα μπορούσε να αντικαταστήσει τους προγραμματιστές; Φωτογραφία: Midjourney

Μια ομάδα ερευνητών μόλις δημοσίευσε έναν ολοκληρωμένο χάρτη των προκλήσεων που αντιμετωπίζει η τεχνητή νοημοσύνη (AI) στον τομέα της ανάπτυξης λογισμικού και πρότεινε έναν ερευνητικό οδικό χάρτη για την περαιτέρω προώθηση του τομέα.

Φανταστείτε ένα μέλλον όπου η Τεχνητή Νοημοσύνη αναλαμβάνει σιωπηλά τις κουραστικές εργασίες ανάπτυξης λογισμικού: την αναδιαμόρφωση πολύπλοκου κώδικα, τη μετεγκατάσταση παλαιών συστημάτων και την παρακολούθηση σφαλμάτων που βασίζονται σε φυλές, έτσι ώστε οι ανθρώπινοι μηχανικοί λογισμικού να μπορούν να επικεντρωθούν εξ ολοκλήρου στην αρχιτεκτονική του συστήματος, το σχεδιασμό και τα δημιουργικά προβλήματα που οι μηχανές δεν μπορούν ακόμη να λύσουν. Οι πρόσφατες εξελίξεις στην Τεχνητή Νοημοσύνη φαίνεται να έχουν φέρει αυτό το όραμα πολύ κοντά.

Ωστόσο, μια νέα μελέτη από επιστήμονες του Εργαστηρίου Επιστήμης Υπολογιστών και Τεχνητής Νοημοσύνης (CSAIL) του MIT και συνεργαζόμενων ερευνητικών ινστιτούτων έδειξε ότι, για να υλοποιήσουμε αυτό το μέλλον, πρέπει πρώτα να αντιμετωπίσουμε τις πολύ πραγματικές προκλήσεις της παρούσας στιγμής.

«Πολλοί λένε ότι οι προγραμματιστές δεν είναι πλέον απαραίτητοι επειδή η Τεχνητή Νοημοσύνη έχει αυτοματοποιήσει τα πάντα», δήλωσε ο καθηγητής Armando Solar-Lezama, λέκτορας ηλεκτρολογίας και επιστήμης υπολογιστών στο MIT, ανώτερος ερευνητής στο CSAIL και κύριος συγγραφέας της μελέτης. «Στην πραγματικότητα, έχουμε σημειώσει πολύ σημαντική πρόοδο. Τα εργαλεία που διαθέτουμε τώρα είναι πολύ πιο ισχυρά από πριν. Αλλά για να αξιοποιήσουμε πλήρως τις δυνατότητες του αυτοματισμού, υπάρχει ακόμη πολύς δρόμος μπροστά μας».

Ο καθηγητής Armando Solar-Lezama υποστηρίζει ότι η τρέχουσα επικρατούσα αντίληψη απλοποιεί τη μηχανική λογισμικού σε μια εργασία παρόμοια με την προγραμματιστική εργασία ενός φοιτητή: λήψη μιας μικρής ανάθεσης συνάρτησης και σύνταξη κώδικα για τον χειρισμό της ή εκτέλεση μιας ανάθεσης τύπου LeetCode. Εν τω μεταξύ, η πραγματικότητα είναι πολύ πιο περίπλοκη: από την αναδιαμόρφωση κώδικα για τη βελτιστοποίηση του σχεδιασμού, έως τις μεγάλης κλίμακας μετεγκαταστάσεις εκατομμυρίων γραμμών κώδικα από την COBOL στην Java που αλλάζουν ριζικά την τεχνολογική πλατφόρμα μιας εταιρείας.

Η μέτρηση και η επικοινωνία παραμένουν δύσκολα προβλήματα.

Η βελτιστοποίηση κώδικα σε βιομηχανική κλίμακα —όπως η μικροδιόρθωση του πυρήνα της GPU ή οι βελτιώσεις πολλαπλών επιπέδων στο Chrome V8— παραμένει δύσκολο να αξιολογηθεί. Τα τρέχοντα benchmarks επικεντρώνονται κυρίως σε μικρά, συσκευασμένα ζητήματα. Η πιο πρακτική μέτρηση που διατίθεται αυτήν τη στιγμή, το SWE-Bench, απαιτεί απλώς ένα μοντέλο τεχνητής νοημοσύνης για να διορθώσει ένα σφάλμα στο GitHub—ισοδύναμο με μια άσκηση προγραμματισμού χαμηλού επιπέδου, που περιλαμβάνει μερικές εκατοντάδες γραμμές κώδικα, με πιθανότητα διαρροών δεδομένων, και αγνοεί μια σειρά από άλλα σενάρια πραγματικού κόσμου, όπως η ανακατασκευή με τη βοήθεια τεχνητής νοημοσύνης, ο προγραμματισμός ανθρώπου-μηχανής ή η επανεγγραφή συστημάτων υψηλής απόδοσης με εκατομμύρια γραμμές κώδικα. Μέχρι να επεκταθούν τα benchmarks ώστε να περιλαμβάνουν σενάρια υψηλότερου κινδύνου, η μέτρηση της προόδου —και, ως εκ τούτου, η οδήγησή της— θα παραμείνει μια ανοιχτή πρόκληση.

Επιπλέον, η επικοινωνία ανθρώπου-μηχανής αποτελεί επίσης ένα σημαντικό εμπόδιο. Ο επικεφαλής συγγραφέας Άλεξ Γκου, μεταπτυχιακός φοιτητής, δήλωσε ότι επί του παρόντος, η αλληλεπίδραση με την Τεχνητή Νοημοσύνη είναι σαν «ένα λεπτό νήμα επικοινωνίας». Όταν ζητά από την Τεχνητή Νοημοσύνη να δημιουργήσει κώδικα, συχνά λαμβάνει μεγάλα, αδόμητα αρχεία μαζί με μερικές απλές και στοιχειώδεις περιπτώσεις δοκιμών. Αυτό το κενό είναι επίσης εμφανές στην αδυναμία της Τεχνητής Νοημοσύνης να αξιοποιήσει αποτελεσματικά εργαλεία λογισμικού οικεία στους ανθρώπους, όπως προγράμματα εντοπισμού σφαλμάτων και στατικούς αναλυτές.

Κάλεσμα για δράση από την κοινότητα.

Οι συγγραφείς υποστηρίζουν ότι δεν υπάρχει μαγική λύση για αυτά τα προβλήματα και ζητούν προσπάθειες σε επίπεδο κοινότητας: δημιουργία δεδομένων που αντικατοπτρίζουν την πραγματική διαδικασία ανάπτυξης των προγραμματιστών (ποιος κώδικας διατηρείται, ποιος απορρίπτεται, πώς ο κώδικας αναδιαμορφώνεται με την πάροδο του χρόνου κ.λπ.), κοινά εργαλεία αξιολόγησης για την ποιότητα αναδιαμόρφωσης, την ανθεκτικότητα των ενημερώσεων κώδικα και την ακρίβεια στις μεταβάσεις του συστήματος· και δημιουργία διαφανών εργαλείων που επιτρέπουν στην Τεχνητή Νοημοσύνη να εκφράζει αβεβαιότητα και να προσκαλεί την ανθρώπινη παρέμβαση.

Ο μεταπτυχιακός φοιτητής Άλεξ Γκου βλέπει αυτό ως «έκκληση για δράση» για μεγάλης κλίμακας κοινότητες ανοιχτού κώδικα που κανένα εργαστήριο από μόνο του δεν μπορεί να επιτύχει. Η Solar-Lezama οραματίζεται πρόοδο που προέρχεται από μικρά, αμοιβαία ενισχυτικά βήματα - «αποτελέσματα έρευνας που αντιμετωπίζουν διαδοχικά μέρη του προβλήματος» - μετατρέποντας έτσι την Τεχνητή Νοημοσύνη από ένα «εργαλείο σύστασης κώδικα» σε έναν πραγματικό συνεργάτη μηχανικής.

«Γιατί είναι σημαντικό αυτό; Το λογισμικό αποτελεί πλέον το θεμέλιο των οικονομικών, των μεταφορών, της υγειονομικής περίθαλψης και κάθε καθημερινής δραστηριότητας. Ωστόσο, οι ανθρώπινες προσπάθειες για την ασφαλή κατασκευή και συντήρησή τους γίνονται εμπόδιο», μοιράστηκε ο Gu. «Μια Τεχνητή Νοημοσύνη που μπορεί να χειριστεί τη βαριά δουλειά χωρίς να δημιουργεί κρυφά σφάλματα θα επέτρεπε στους προγραμματιστές να επικεντρωθούν στη δημιουργικότητα, τη στρατηγική και την ηθική. Αλλά για να το πετύχουμε αυτό, πρέπει να καταλάβουμε ότι η ολοκλήρωση ενός κώδικα είναι μόνο το εύκολο κομμάτι - το δύσκολο κομμάτι βρίσκεται σε όλα τα άλλα».

(Προσαρμοσμένο από το MIT News)

Πηγή: https://vietnamnet.vn/hanh-trinh-dai-cua-ai-trong-ky-thuat-phan-mem-tu-dong-hoa-2426456.html