Комментарии 20
Я бы хотел увидеть как ИИ находит противоречия в ТЗ на раннем этапе :)
Если представить что существует достаточно продвинутый ИИ, какую сложную задачу вы бы ему отдали в первую очередь?
Формальную верификацию программ.
Если представить что существует достаточно продвинутый ИИ, какую сложную задачу вы бы ему отдали в первую очередь?
Я был бы очень рад появлению адаптивного ИИ, который мог бы запоминать часто повторяющиеся монотонные действия в работе, и брал бы на себя как раз монотонную, малотворческую работу.
В системах мониторинга - поиск аномалий, в т.ч. по группе метрик. Обычные пороговые схемы - прошлый век.
«Когда люди видят успехи очередного AI, который „почти как человек“, они сразу бросаются меня и оптимизировать текущие процессы.
*менять
Понравилась идея с автоматизацией саппорта - дейстивтельно полезно %)
Странная история, возможно дилетантский взгляд - мне казалось, что нейросеть (и как следствие ИИ) - это вероятности. Например нейросеть с вероятностью 98% отличает, когда на фото кот, а не собака. Или светофор, или автобус. Но если ИИ создаст код, который будет работать с вероятностью 98%?
Человек это ещё большая вероятность которая зависит от гормонов, питания, образа жизни, семейной обстановки, погоды на улице, экологии и т.д.
Сгенерированный код, по крайней мере в 2021 году надежнее написанного человеком. Но если вы начнете использовать для генерации кода нейросети или еще-какую нечеткую логику, то уже никто не сможет ручаться за то, что код сгенерирован правильно. А значит его как-то придется верифицировать - или тестами, или смотреть вест код глазами, ну или еще как-то.
Он конечно надежнее, но правила для генерации в итоге все равно написаны человеком. То есть сгенерированный код - это просто перевод одного языка программирования на другой.
Например - генератор синтаксических анализаторов bison (или может быть что-то там уже более новое появилось). Сгенерированный им разборщик будет 100% корректнее чем написанный человеком, но грамматики языка во входном файле все равно человек должен описывать.
Допустим, некто(с человеческих лицом) или нечто(с юридическим лицом) создало удачный алгоритм и написало хороший код. Тогда некчто может использовать код в собственных разработках и радоваться поступающим плюшкам. Также некчто может запатентовать что-нибудь и приторговывать лицензиями.
Допустим, созданный код так себе или хуже. Тогда созданное можно навалить в общий доступ любыми кучами.
Допустим, предприимчивые решили обучать имитационный интеллект на базе имеющихся куч.
Каково качество результирующего кода ?
Если в кучах был лицензионной код и имитационный интеллект встроил его в результат, то можно ли судиться с имитационным интеллектом и долю малую отсудить у предприимчивых ?
P.S. Вдруг подумалось. Что если нагенерировать в открытых ресурсах петабайты ''мусорных'' процедур. Как это повлияет на результат имитационного интеллекта ?
Здесь должен быть мем по теме
Мне кажется самое сложное для ИИ это работа по саппорту легаси-кода. С нуля что-то написать не так сложно, как вникнуть в работающую систему на которую не всегда есть дока и что-то там доработать или ошибку поправить. Тут нужно анализировать и код системы и требования заказчика, т.е. это не шаблона я работа с кодом.
Недавние достижения в этой области от OpenAI, это поинтереснее Copilot:
https://twitter.com/OpenAI/status/1425185923478679552?s=19
https://twitter.com/brianpeiris/status/1426358750684880896?s=19
Некоторые боятся, что ИИ заменит неопытных разработчиков, джуниоров.
К этому моменту, пожалуй, большая часть человеческих профессий будет автоматизирована.
Ну вообще-то, когда придумают, как создать сильный ИИ, придумают и как максимизировать характеристику "умный". А значит в первую очередь будут автоматизировать высокооплачиваемые профессии и должности, просто чтобы сэкономить.
В общем и целом, нейросетевые технологии пока напоминают пресловутых танцующих медведей: удивительно, что компьютер вообще способен на такие вещи, которые всегда считались прерогативой человека, и поиграть с такими генераторами действительно интересно.
Но вот для практического применения — сыро, невероятно сыро. Даже простейшие классификаторы фотографий вам никогда не выдадут даже 95% точности, в лучшем случае будет 80%. С генеративными сетями, даже самыми продвинутыми типа Artbreeder, всё тоже достаточно печально — предсказуемость результатов генерации достаточно низкая, живой художник выдаст желаемый результат куда быстрее.
При этом каждый дополнительный процент улучшения даётся всё большим трудом: между GPT-3 и GPT-2 уже не такая подавляющая разница, как между GPT-2 и GPT, в дальнейшем каждое удвоение количества параметров будет приносить всё меньший эффект.
Так что в ближайшее десятилетие эти сетки вряд ли будут готовы пойти в продакшн, если не изобретут какую-нибудь более продвинутую архитектуру (потому что трансформеры явно близки к исчерпанию).
статья не будет полной без этого твита
https://twitter.com/mehulmpt/status/1414292509761576961
Искусственный интеллект в разработке: как используют сейчас, что его ждет в будущем и боятся ли ИИ программисты