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 closing
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 closing
9.5. Problema 5: Sin código y el dilema de la respuesta directa
10. Conclusión
A. Fuentes de informes de experiencia
Referencias
9. Problemas con la aplicación a la programación del usuario closing
Los beneficios y desafíos de la programación con LLMS discutidos hasta ahora se refieren al programador profesional, o a un programador novato en capacitación. Tienen capacitación formal en programación y, a menudo, alguna comprensión de la naturaleza imperfecta del código generado por IA. Pero la mayoría de las personas que programan no entran en esta categoría. En cambio, son usuarios finales ordinarios de computadoras que programan hasta su fin. Tales programadores de usuario closing a menudo carecen de conocimiento de programación, o el funcionamiento de la IA. También carecen de la inclinación a adquirir esas habilidades.
Es razonable decir que tales programadores de usuario closing (por ejemplo, contadores, periodistas, científicos, dueños de negocios) se beneficiarán más de la asistencia de IA, como LLMS. En un mundo splendid, un usuario closing que desea lograr una tarea podría hacerlo simplemente especificando su intención en un lenguaje pure acquainted sin conocimiento previo del modelo de programación subyacente, o su sintaxis y semántica. El código se generará e incluso se ejecutará automáticamente para producir la salida deseada.
Sin embargo, como hemos visto hasta ahora, el mundo no es splendid e incluso los programadores entrenados enfrentan varios desafíos al programar con IA. Estos desafíos solo se exacerban para los programadores de usuarios finales, como un estudio de Srinivasa Ragavan et al. (2022) observa.
Los participantes en el estudio fueron analistas de datos (n = 20) que realizaron análisis de datos exploratorios en el libro de cuadrícula, un sistema de hoja de cálculo aumentado en idioma pure. En GridBook (Figura 6, adoptada de Srinivasa Ragavan et al. (2022)) Los usuarios pueden escribir fórmulas de hoja de cálculo utilizando el lenguaje pure (Figura 6: AF); Luego se sintetiza una fórmula formal a partir de la expresión del lenguaje pure. Gridbook también infiere el contexto de una expresión; Por ejemplo, en la Figura 6, la consulta en la etiqueta 4 es un seguimiento de la etiqueta 3. Tanto el enunciado del lenguaje pure como la fórmula sintetizada persisten para que los usuarios editen y manipulen.
