Comments 14
Главное — чтобы он «упрощал жизнь» не так же ужасно, как он рисует КДПВ.
Мое мнение - нейросеть может отрисовать что-то, когда и так уже все понятно. При этом вопрос еще хорошо ли это, т.к. когда рисуешь что-то "руками", то неизбежно возникает момент рефлексии, приводящий к пересмотру и улучшению результата.
А вот когда ничего не понятно (но очень интересно) и надо синтезировать решение, удовлетворяющее всех и вся (а это 99% полезной работы аналитика), то тут я слабо представляю что может предложить нейросеть.
Отсюда и мало кейсов :)
Возможно, вы правы )
Но вот где точно (лично мне) помогает - в перекладке таблицы с описанием сообщения в Open Api спеку + с примерами. Руками устанешь набивать (легко, но нудно).
Еще удобно по готовому контракту скрипты для базы данных погенерировать или в обратную сторону.
Мыслительный ресурс не сильно экономит, зато время на рутине ощутимо, имхо.
тут есть такой момент, что аналитик может вообще такими вещами и не заниматься - например, когда спеку в open api генерирует разработчик прямо в коде
Т.е. сильная зависимость от того чем именно занимается аналитик и много ли на нем автоматизируемой рутины
Если таковой почти нет, то пока нейросетям там вроде как ловить и нечего. Можно конечно заставить их погенерировать кейсы, но тут мне не удалось выхлопа получить
Справедливое замечание!
Я чаще встречал в различных компаниях и командах не очень высокую степень автоматизации: спеки "руками" создавали либо разработчики, либо аналитики. По коду редко генерировали. Поэтому и тем, и дргуим было бы полезно подобные задачи автоматизировать или отдать ассистенту. Ну и на базе описанного алгоритма + БД сгенерировать спеку (не по коду) тоже удобно.
В общем, способы применения и польза ассистентов, конечно, зависят от процессов и контекста :)
Работает ли он локально ? Какие требования к системе? Задача - работа в полностью закрытых сетях.
Поставить локально на машину не получится, так как ИИ-модели требуют большие вычислительные ресурсы (разворачиваются на видеокартах типа Nvidia H200). При этом можно развернуть в закрытом контуре Организации. Мы, начиная с 2024 года, поставляем наше решение в On-prem. Если подобный формат вам интересен, можете связать для консультации с коллегами через сайт GigaCode.
Проблему чистого листа такие чаты решают, но не хватает интеграции с базой знаний и гитом, чтобы учесть все нюансы которых слишком много. Я бы оценил помощь как в 10% от всей работы
Интеграция с базой данных была бы действительно полезной. Мы работаем над этим сейчас.
А вот с гитом не уверен, что даст заметный прирост. Модели изначально обучались в том числе и на гите. Возможно, данные из конкретного репозитория могут помочь повысить качество контекста. Но вы уже сейчас можете склонировать интересующий вас файл в свой проект (или рядом), прикрепить к чату или открыть во вкладке IDE, что даст доп контекст в запрос.
Очень надо открытый API...
Следующий запрос к CodeChat направлен на генерацию скриптов для базы данных. Предложения:
Т. е. следующую за этим "структуру" придумал не gigacode, а условный "живой аналитик"? :(
"Я у себя один во всех флаконах", поэтому хочется ограничиться запросом "сделайте мне красиво". Код еще куда не шло, но придумать "правильную" для меня структуру БД... (под мои метаданные, под мою видимость их обработки, под все эти наивные/расширенные/графовые RAG и боязнь переделывания ... "Нет в жизни шастя").
Сейчас пытаю GigaChat.
GigCode обучался на коде. Поэтому и работает с кодом лучше и быстрее. При этом GigaChat обучали на текстах, что дает лучший результат при "светской" беседе. Для статьи кейсы сочинял с помощью GigaChat. А решение - с GigaCode.
Если работаете с кодом, рекомендую потыкать GigaCode. В самом плагине есть доп фишки и функционал, повышающие качество ответов (обычный чат такое не даст).
Успехов в экспериментах и работе! :)
GigaCode: как ИИ-ассистент упрощает жизнь системным аналитикам