À medida que os grandes modelos de linguagem (LLMs) dominam cada vez mais o campo da geração de código, surgem questões sobre o seu potencial para substituir programadores humanos. Os LLMs se destacam na compreensão de linguagens de programação como Python e Java, graças à estrutura inerente do código e à ambiguidade reduzida em comparação com a linguagem humana.
A resposta para saber se os LLMs substituirão os programadores é complexa, dependendo de fatores como o contexto, a criatividade e as capacidades em evolução destes sistemas de IA. Bindu Reddy, CEO da Abacus.ai, prevê que os Large Language Models (LLMs) substituirão os programadores humanos nos próximos 3 a 5 anos.
Os LLMs revolucionaram a geração de código, demonstrando sua habilidade na compreensão de linguagens de programação como Python e Java. Esse domínio decorre do fato de que o código está repleto de padrões repetíveis, fornecendo amplos dados de treinamento para LLMs e sua capacidade inata de compreender o contexto. Ao contrário da linguagem humana, o código adere a paradigmas de design específicos, regras estruturadas e ambiguidade mínima, tornando mais fácil para os LLMs gerarem código sintaticamente correto.
Além disso, Reddy explicou que as linguagens de programação possuem vocabulários limitados, dispensando a necessidade de neologismos e dicionários constantes. Embora os LLMs sejam excelentes em compreensão contextual, o código exige muito menos compreensão contextual em comparação com conteúdo textual complexo. Por exemplo, um algoritmo de classificação necessita de informações contextuais mínimas, ao contrário de narrativas textuais intrincadas.
A lógica inerente, a funcionalidade e a criatividade reduzida do código simplificam ainda mais a geração de código preciso, com a vantagem adicional de fácil validação por meio de execução e análise de erros.
“Tudo isso significa que os LLMs são excelentes na geração de código. Isso significa que em breve eles substituirão os programadores? A resposta curta é NÃO nos próximos 1-3 anos e SIM além de 3-5 anos”,
disse Reddy.
Olhando para o futuro, à medida que os LLM continuam a evoluir, poderão tornar-se mais inteligentes, permitindo o encadeamento de vários bots de IA para lidar com tarefas mais significativas. Eventualmente, o papel de um programador na tradução de modelos e documentos de requisitos de produto (PRDs) em sistemas funcionais poderia diminuir, anunciando uma mudança potencial no cenário do desenvolvimento de software, argumenta Reddy.
Opinião diferente: LLMs estão capacitando, não substituindo programadores
Linda Hoeberigs, chefe de IA da i-Genie.ai, argumentou que, embora os LLMs ofereçam imenso potencial, eles estão preparados para aumentar, em vez de substituir, a experiência daqueles com experiência em programação.
Ela argumenta que as técnicas superiores de estímulo evoluíram, exigindo uma compreensão profunda dos princípios do LLM. Técnicas como cadeia de pensamento, solicitação de gráficos e solicitação de reação melhoram a qualidade dos resultados e a compreensão do contexto, mas seu uso eficaz exige conhecimentos normalmente encontrados em cientistas de dados e programadores de IA.
Além disso, aproveitar APIs para eficiência, que oferecem maior rendimento e integração de fluxo de trabalho, torna-se mais acessível para aqueles com conhecimento de programação. As empresas que adotam APIs experimentaram um crescimento notável na capitalização de mercado, enfatizando a sua importância.
O terceiro ponto de Hoeberigs é que o projeto lógico complexo continua sendo uma área em que os programadores humanos se destacam. Embora os LLMs possam gerar texto semelhante ao humano, criar código complexo, confiável e funcional é uma habilidade distinta que os programadores possuem. Os LLMs servem como ferramentas valiosas neste processo.
Os LLMs, quando combinados com tecnologias como Langchain e Picecone, facilitam a consulta de dados proprietários – uma tarefa que normalmente exige habilidades em estruturação de dados, indexação, design de API e interação LLM, habilidades frequentemente encontradas em cientistas e programadores de dados.
Por último, a depuração e o ajuste do modelo são fundamentais, visto que os LLMs podem produzir resultados falhos ou tendenciosos. Esse processo requer uma compreensão profunda do funcionamento interno do modelo, identificação de problemas e solução criativa de problemas, habilidades comumente encontradas em cientistas e programadores de dados experientes.
“A complexidade técnica, a subtileza e a profundidade de compreensão necessárias para aproveitar eficazmente estas ferramentas continuam a ser uma barreira para o público em geral. Parece que, pelo menos por enquanto, os LLMs estão preparados para ser outra ferramenta poderosa no arsenal de cientistas e programadores de dados, em vez de substituí-los.”
Hoeberigs escreveu.
Ainda assim, a IA torna mais fácil a programação para pessoas que não entendem de tecnologia. Por exemplo, o GPT-4 integrou capacidades de execução de código em seu sistema, marcando um desenvolvimento potencialmente transformador. A inovação tem o potencial de colmatar a lacuna para os não programadores, permitindo-lhes envolver-se no desenvolvimento sem necessitar de competências técnicas de codificação. Além disso, o modelo gera código executável, eliminando a necessidade de codificação manual e facilitando a implementação sem esforço. No entanto, são necessárias mais melhorias na compreensão dos dados para melhorar o desempenho geral do modelo, particularmente na simplificação do processamento de dados para geração de código e plotagem de gráficos.
Consulte Mais informação:
source – mpost.io
