Tabla de enlaces
Resumen y 1 Introducción
2. Conceptualizaciones previas de asistencia inteligente para programadores
3. Una breve descripción de los modelos de idiomas grandes para la generación de código
4. Herramientas de programación comercial que utilizan modelos de idiomas grandes
5. Implicaciones de fiabilidad, seguridad e seguridad de los modelos de IA generadores de código
6. Usabilidad y estudios de diseño de programación asistida por AI-AI
7. Informes de experiencia y 7.1. Escribir indicaciones efectivas es difícil
7.2. La actividad de la programación cambia hacia la verificación y la depuración desconocida
7.3. Estas herramientas son útiles para la boilerplate y la reutilización de códigos
8. La insuficiencia de las metáforas existentes para la programación asistida por AI-AI
8.1. Asistencia de IA como búsqueda
8.2. Asistencia de IA como compilación
8.3. Ayuda de IA como programación de pares
8.4. Una forma distinta de programación
9. Problemas con la aplicación a la programación del usuario ultimate
9.1. Problema 1: Especificación de intención, descomposición del problema y pensamiento computacional
9.2. Problema 2: corrección del código, calidad y (sobre) confianza
9.3. Problema 3: Comprensión y mantenimiento del código
9.4. Problema 4: Consecuencias de la automatización en la programación del usuario ultimate
9.5. Problema 5: Sin código y el dilema de la respuesta directa
10. Conclusión
A. Fuentes de informes de experiencia
Referencias
9.4. Problema 4: Consecuencias de la automatización en la programación del usuario ultimate
En cualquier sistema de IA, debemos considerar las consecuencias de la automatización. Se sabe que los programadores de usuarios finales recurren a expertos locales o jardineros (programadores de usuarios finales con interés y experiencia en programación que sirven como gurús en el entorno de programación del usuario ultimate) cuando no pueden resolver una parte del problema (Nardi, 1993; Sarkar y Gordon, 2018). Las tendencias de orientación de tareas combinadas con los desafíos de completar sus tareas fácilmente también deja a los programadores de usuarios finales con una atención limitada para las pruebas o aprender cuidadosamente lo que está sucediendo con sus programas. Suponiendo que las LLM y las experiencias asociadas del usuario mejorarán en los próximos años, lo que hace que la programación del usuario ultimate sea más rápido con LLM que sin ellos, es tentador preguntarse si el programador puede ser persuadido para invertir el tiempo y la atención ahorrados a aspectos como aprender o probar sus programas; Si es así, ¿qué se necesitaría para influir en los cambios de comportamiento?
Otra pregunta es en el papel de tales expertos. Conjeturamos que LLMS o capacidades de IA similares pronto podrán responder una fracción appreciable de preguntas para las que los programadores de usuarios finales irán a expertos locales. Por lo tanto, una pregunta abierta es cómo el ecosistema de los programadores de usuarios finales en las organizaciones cambiará en sus roles, importancia y especialidades. Por ejemplo, ¿los jardineros asumirán el papel de educar a los usuarios para aprovechar mejor la IA? Si es así, ¿cómo podemos comunicar el funcionamiento de tales sistemas de IA a usuarios tecnófilos y adoptantes tempranos, para que puedan habilitar a otros en la organización?
