Модный ИИ — собственный взгляд в начале пути освоения
Сейчас очень модно говорить про ИИ, рассуждать как мы заживём уже скоро в мире где все за нас сделает тот самый ИИ, но увы не все так просто
Что такое ИИ?
В первую очередь это инструмент который умеет ровно то, чему его научили те кто создавал модели и скармливал тонны полезной и не всегда полезной информации. Не буду вдаваться в подробности устройства, существующие методологии и модели — это всегда можно погуглить для уровня новичков или профессионалов, сейчас речь про концепцию восприятия ИИ
Как учиться «общаться» с ИИ
В первую очередь нужно понимать как он работает и самый лучший метод — это постановка задачи и попытка решить её силами ИИ. Процесс достаточно простой:
- Ставим задачу
- ИИ выдает результат
- Анализируем то что предложил ИИ
- Доуточняем для ИИ (запоминаем что надо было отдать на вход)
- ИИ выдаёт результат и так до тех пор пока перед нами не будет в целом верное решение
Итеративность выше — дала нам понимание что мы должны давать ИИ на вход. Для решения следующей задачи — мы дадим на вход много важной информации и получим результат куда быстрее
Но тут есть проблема: если мы не знаем как бы мы сами могли решить эту задачу — мы либо уточняем не про то, либо мы не способны оценить ответ ИИ. В итоге получаем решение с множеством архитектурным проблем и, возможно, не решающее нашу задачу (к вопросу: «ИИ заменит человека»)
Самая главная проблема с ИИ — ему нужно на вход подать не только постановку задачи, но и бизнес смысл — иначе решение без контекста будет скорее всего бесполезным
Из моего личного опыта
Сейчас на работе активно внедряют ИИ для разработки программного обеспечения. Идея простая, но звучит странно «заживём» — не заживём ещё лет 5 так точно. В чем проблема? Бизнес ставит задачу, далее бизнес/системный аналитик ставит задачу ИИ (предварительно создавать слепок бизнес-логики для ИИ).
ИИ анализирует, старается сопоставить код с бизнес-логикой и с поставленной задачей. Далее аналитик оценивает предлагаемое ИИ решение и если его устраивает (аналитик должен понимать как функционирует код) — даёт задание предложить изменения кода
После того как аналитик в рамках своего понимания — принимает решение передать изменения на анализ разработчику и тот начинает анализировать решение ИИ.. и если его все устроило — разрешает внесение изменений в код или предварительно дополняет/исправляет, то есть становится не разработчиком, а скорее экспертом
Где тут проблемы?
Требования к аналитику: должен знать не только бизнес-логику, но и ориентироваться в инструментах (фреймворках), в базах данных и т.п.
Разработчик: должен не сам писать код — а должен разобраться в предложениях ИИ и стать ответственным за принятие правок в код со стороны ИИ
Тестировщик: тут наверное все хорошо — бизнес требования есть от аналитика, тестовая модель создаётся ИИ
У меня свой набор сайтов и на них спокойно внедряем мои идеи, это как прокачка скилов по взаимодействию с ИИ — рекомендую: просто набивать руку и не бояться, что ИИ сократит большое количество рабочих мест.. может быть когда то, но сейчас без хороших аналитиков и разработчиков не обойтись
В ближайшее время раскрою тему и возможно даже простыми словами про методологии напишу + интересные практические кейсы
Кстати,
мировые технологические лидеры (Фундаментальные LLM)
Эти модели обладают самым мощным ИИ-«мозгом» для проектирования сложной архитектуры, поиска багов и написания кода с нуля.
- Claude 3.5 Sonnet (Anthropic): Мировой эталон по качеству кода, логике и пониманию сложных ТЗ.
- DeepSeek-Coder: Самый доступный и мощный open-source ИИ с качеством генерации на уровне лидеров.
- GPT-4o (OpenAI): Универсальный инструмент с высокой скоростью генерации и отличным API для интеграций.
- Google Gemini 1.5 Pro: Лидер по объему памяти, способный анализировать кодовую базу всего проекта целиком.
Российские импортонезависимые решения
Эти инструменты незаменимы для работы внутри РФ, так как они официально доступны, безопасны для коммерческой разработки и независимы от зарубежных санкций.
- GigaCode (Сбер): Главный российский аналог GitHub Copilot. Работает как плагин для популярных IDE, поддерживает более 35 языков и глубоко интегрирован с платформой GitVerse для AI Code Review.
- Yandex CodeAssistant: Инструмент автодополнения кода от Яндекса, встроенный в платформу Yandex Cloud. Оптимизирован для быстрой работы на базе моделей YandexGPT.
Специализированные плагины и среды разработки (IDE)
Инструменты, которые встраиваются прямо в рабочее пространство программиста для генерации кода «на лету».
- GitHub Copilot: Самый массовый и популярный в мире ИИ-ассистент для автодополнения строк и функций.
- Cursor: Отдельный редактор кода (модификация VS Code), созданный специально для глубокого диалога с ИИ в процессе написания программ.
Продолжение: Промт не помог: почему слепая вера в ИИ стоит бизнесу дорого