Teza strategiczna 02
euphile widzi praktyczny pułap tego, co sztuczna inteligencja może zrobić w tworzeniu oprogramowania w ramach dzisiejszego przepływu pracy. Lepsze modele nadal są pomocne, ale wyniki nadal muszą pozostać zrozumiałe, możliwe do kontrolowania, testowania, wdrażania, monitorowania i obsługi w systemach, którymi ludzie i organizacje mogą faktycznie zarządzać.
Inteligentniejsze modele będą pomocne, ale obecny cykl życia oprogramowania stwarza praktyczne ograniczenia.
Sztuczna inteligencja może już tworzyć kompleksowe aplikacje.
Jednak dane wyjściowe nadal muszą pozostać zrozumiałe i możliwe do obsługi przez ludzi.
Po plateau zróżnicowanie przesuwa się w stronę kosztów, szybkości i niezawodności.
Rozpoczyna się szacunkowa presja na wiodących dostawców sztucznej inteligencji.
Jest to interfejs pomiędzy oprogramowaniem generowanym przez sztuczną inteligencję a cyklem życia oprogramowania, którym może faktycznie zarządzać człowiek.
Co mówi teza
Generatywna sztuczna inteligencja jest już silna w tworzeniu kodu. Praktyczny pułap pojawia się, ponieważ tworzenie oprogramowania to nie tylko generowanie kodu. Dane wyjściowe nadal muszą przetrwać ludzkie rozumowanie, jawne procesy oprogramowania i rzeczywistość operacyjną.
Pliki, opcje architektury, testy, poprawki błędów i duże części całych aplikacji można już szybko wygenerować. Czynnikiem ograniczającym w coraz większym stopniu jest to, co dzieje się po pojawieniu się kodu.
Oprogramowanie nadal musi być rozumiane, przeglądane, wersjonowane, budowane, pakowane, wdrażane, monitorowane, debugowane i utrzymywane w strukturach, w których zespoły mogą faktycznie pracować.
Jeśli produkty wyjściowe nadal przechodzą przez ten sam cykl życia skoncentrowany na plikach, kompilacji, przeglądaniu i wdrażaniu, inteligentniejsze modele ostatecznie generują przyrostowe zyski, a nie skokowe zmiany.
Kiedy coraz trudniej jest zarobić na pionierskich możliwościach, a szybko obserwujący stale się poprawiają, konkurencja przesuwa się w stronę kosztów, szybkości, niezawodności i dopasowania operacyjnego.
Często zadawane pytanie
odpowiedź euphile brzmi: tak: GenAI usprawni również te zadania. Ważną różnicą jest wykorzystanie GenAI w obecnej infrastrukturze cyfrowej i przeprojektowanie infrastruktury cyfrowej wokół GenAI.
Lepsze generatory, lepsze walidatory, lepsze wiązki testowe, lepiej DSL, lepsze kompilatory i lepsza automatyzacja wokół SDLC wszyscy są częścią tego samego ruchu.
Kompilatory nadal przestrzegają ścisłych zasad. Testy nadal wymagają obliczeń, zależności i środowisk. Artefakty nadal wymagają kompilacji. Kontenery nadal wymagają udostępnienia. Zadania nadal wymagają planowania.
Opóźnienia, pamięć, bezpieczeństwo, zasilanie, moc obliczeniowa i koszt wnioskowania ograniczają zakres przeprojektowania bieżącego stosu po prostu poprzez wywołanie większej liczby sztucznej inteligencji.
Aby przeprojektować infrastrukturę za pomocą GenAI, potrzebna jest większa infrastruktura dla GenAI. Duża część tej infrastruktury wciąż jest budowana w oparciu o obecny paradygmat, a nie poza nim.
Okno możliwości
Globalna moc obliczeniowa i wydajność centrów danych są w dalszym ciągu ograniczone, wnioskowanie na poziomie pionierskim pozostaje drogie, a modele generyczne są nadal słabe w przypadku precyzyjnego działania oprogramowania na poziomie przedsiębiorstwa. To stwarza miejsce na inną strategię.
Zamiast płacić więcej za ogólne wnioskowanie o granicach, organizacje mogą dostosować otwarte modele do swoich repozytoriów, reguł domeny i pracy z oprogramowaniem specyficznym dla projektu.
Mniejsze lub dopracowane systemy otwarte można uruchamiać w już istniejącej infrastrukturze, w tym w środowiskach klasy stacji roboczych i obecnym sprzęcie firmowym.
Nawet wysoce inteligentne modele ogólne wciąż borykają się z kontekstem firmy, milczącymi konwencjami i precyzyjną strukturą działania prawdziwego oprogramowania dla przedsiębiorstw.
Obecne okno to nie tylko tańsze wnioskowanie. Chodzi także o tworzenie regulowanych przepływów pracy, walidatorów, generatorów i bezpiecznych wzorców wykonywania, które pozostają cenne w cyklach modelu.
Implikacja strategiczna
Zdaniem euphile’a jest mało prawdopodobne, aby kolejna faza rywalizacji w dziedzinie oprogramowania AI została wygrana wyłącznie poprzez inteligencję surowego modelu. Przy dzisiejszych ograniczeniach przepływu pracy bardziej wartościowe stanowiska będą prawdopodobnie wynikać ze specjalizacji kontekstowej, deterministycznego oprzyrządowania, mniejszej zależności od tokenów i opłacalnej realizacji w oparciu o zespoły infrastrukturalne, które już posiadają i rozumieją. To właśnie tam znajduje się obecne okno możliwości.