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 last
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 last
9.5. Problema 5: Sin código y el dilema de la respuesta directa
10. Conclusión
A. Fuentes de informes de experiencia
Referencias
9.1. Problema 1: Especificación de intención, descomposición del problema y pensamiento computacional
Al intentar realizar tareas de análisis de datos utilizando lenguaje pure, los participantes tuvieron que refinar su especificación de intención en el lenguaje pure varias veces, antes de llegar al resultado deseado (si lo hicieron). Las expresiones de NL a menudo se especificaban, ambiguas, demasiado complejas o frases de dominio contenidas no especificadas en el contexto (por ejemplo, en los datos que se están analizando). Por lo tanto, el primer problema es comunicar las capacidades del sistema y hacerlo interpretable para que los usuarios puedan ver cómo se interpreta su aviso.
Los programadores de usuarios finales a menudo carecen de habilidades de pensamiento computacional (Wing, 2011), como la capacidad de descomponer los problemas en subproblemas, reformular los problemas de formas que pueden calcular un sistema, and so forth. Sin embargo, el uso efectivo de LLM como CODEX requiere tales habilidades. Por ejemplo, si estos modelos son más precisos cuando las soluciones a un problema son una sola línea, entonces el usuario debe poder dividir su problema en subproblemas más pequeños, cada uno de los cuales se puede resolver en una o dos líneas. Además, también pueden carecer de la capacidad de enmarcar un problema como problemas computacionales genéricos, en lugar de problemas específicos del dominio. Por ejemplo, es más possible que un agente de bienes raíces pregunte “que es la casa más grande” (declarativamente), en lugar de “que es la casa con el área máxima construida” (procedimiento).
Por lo tanto, los entornos de computación de usuario last impulsados por AI deberían ayudar a los programadores de usuarios finales a pensar “computacionalmente”: deben ayudar a los usuarios a romper sus problemas a pasos más pequeños, o guiar a los usuarios hacia estrategias alternativas para especificar o resolver un problema (por ejemplo, proporcionar ejemplos, ofrecer alternativas) o incluso buscar indicaciones de procedimiento donde sea necesario (por ejemplo, para desambiar).
