კოპილოტი, კოდირების ასისტენტი, რომელიც შეიქმნა Microsoft-ის მხარდაჭერილი GitHub-ის მიერ OpenAI-ის საექსპერტო ენების მოდელების გამოყენებით, გაშლილია 2022 წელს და ახლა მილიონობით პროგრამისტით არის გამოყენებული მსოფლიოში. გარდა ამისა, მრავალი მომხმარებელი წუთისოფლის AI ჩეთბოტებზე, როგორიცაა კლოდ, ChatGPT და ჯემინი, სხვადასხვა ამოცანებისთვის დარწმუნებულია. Alphabet-ის CEO-ს, სუნდარ პიჰაიმ, სამოქმედო ზარებზე აღნიშნა, რომ AI ახლა Google-ში ახალი კოდის მეოთხედზე მეტს გენერირებს, რაც ინჟინრებს უფრო ეფექტურად მუშაობის საშუალებას აძლობს. სხვა ტექნოლოგიური კომპანიები მოსალოდნელია, რომ მათ ფეხდაფეხ გაწვდონ, რადგან ახალი სტარტაპები, როგორიცაა ზენკოდერი, მერლი, კოსინე, ტესლ და პულისაიდი, AI კოდირების სივრცეში წარმოიქმნება და ბაზრის წილისთვის იბრძვიან. ანალიტიკოსები აღნიშნავენ, რომ პროგრამისტები, როგორც ჩანს, მზად არიან კოპილოტის ხელსაწყოების გადახდისთვის. ამ ახალ სტარტაპების მიზანია გენერატიული კოდირების ასისტენტების გაუმჯობესება მხოლოდ ავტომატური შესასრულებელი სამუშაოების მიღმა. ისინი ახლა პროტოტიპირებას, ტესტირებას და გაყვანის პროცესების გაწვდას ახდენენ, რაც შესაძლოა პროგრამისტებს უფრო მეტი ყურადღება მოახდინოს ზედამხედველობაზე, ვიდრე ხელით კოდირების პროცესზე. ბევრმა believes რომ ეს წინსვლა შეიძლება ხელოვნური ზოგადი inteligencia (AGI)-ს მიჰყოს კოდირების საშუალებით. სოფტვერის ინჟინერიის კანონზავნება ფარავს ორი ასპექტს: სიტაქსური სწორის მართვის სიზუსტეს, რაც უზრუნველყოფს კოდის შესრულების გარეშე შეცდომებისა და ფუნქციური მართვის სიზუსტეს, რაც უზრუნველყოფს კოდის გარკვეული ამოცანის შესრულებას. მომავალი თაობის კოდირების ასისტენტები მიზნად ისახავენ არა მხოლოდ კოდის გენერირების გაუმჯობესებას, არამედ ასევე იმ მიზეზების გამჟღავნებას, რის საფუძველზეც იქმნება ეს კოდი. მოდელების ეფექტურად ტრენინგისთვის აუცილებელია დეტალური გაგება კოდირების პროცესის, არ მხოლოდ კოდის ნიმუშების. ზენკოდერი ანალიზში კონტექსტუალური რელევანტურობისკენ ისახავს ყურადღებას, ხოლო კოსინე აგროვებს მონაცემებს კოდერების ფიქრის პროცესებზე, ამMapping-ით ტიპიური ნაბიჯების შემუშავებას, რათა წარმოიდგინოს კოდი.

პულისაიდი იყენებს მეთოდს, რასაც უწოდებენ კოდის განხორციელებისგან გაწვდილის ლარნული სწავლა (RLCE) კოდის გენერირების ოპტიმიზაციისთვის. კოსინე და პულისაიდი იღებენ ინსპირაციას DeepMind-ის AlphaZero-დან, კოდირების პროცესში ცდებისა და შეცდომების გამოყენებით საკუთარი მოდელების დახვეწისთვის. იმ დროს, როდესაც კოსინე ადაპტირებს უკვე არსებულ მოდელებს, პულისაიდი ახალ სპეციალიზებულ მოდელს ქმნის. კოსინეს აცხადებს, რომ მისი მოდელი უკეთ შესრულდება სხვა მოდელებზე კოდირების შეფასებებში, მაშინ როცა პულისაიდი ჯერ კიდევ განვითარების პროცესშია, თუმცა ხელსაყრელი საწყისი შედეგები აჩვენებს. მის საწინააღმდეგოდ, მერლის მიდგომა დიდ ენების მოდელებს გამორიცხავს, არამედ პროგრამირების ლოგიკულ საფუძვლებზე აქცენტს აკეთებს, კოდის ინტერმედიალური წარმოსახვითი წარმოდგენის გამოყენებით, რაც მისიUnderlying სტრუქტურის შენარჩუნებას მოითხოვს. ეს მეთოდი მიზნის გააუმჯობესოს ლოგიკური დასკვნები კოდის გენერირების პროცესში. ბუნდების მოსვლის შედეგად, ეს AI ინსტრუმენტები შეიძლება შეცვალონ სოფტვერის განვითარების როლები, რაც შესაძლებობს გუნდებს უფრო სწრაფად გამოიწვიონ სოფტვერი. კოდირების ასისტენტები, როგორებიცაა კოსინეს გენია, შეიძლება დასაგვარებლად დატოვოს და სხვა ამოცანების შესრულებაც, რაც ინჟინრებს საშუალებას აძლევს, შეინარჩუნონ რამდენიმე პროცესების ზედამხედველობა ერთდროულად, რაც ტრადიციული სამუშაოების გამეორებას შეცვლის. როგორც AI კოდირების ტექნოლოგიები ვითარდება, ახალი იერარქია პროგრამული ინჟინრების მოსალოდნელია, სადაც ელიტური როლები პასუხისმგებლობას აწვდიან AI გენერირებული კოდის ზედამხედველობაზე, ხოლო მცირე გუნდები საერთო ამოცანებს მართავენ. ეს ცვლილებები ასახავს ცვლილებებს, რომლებიც ATM-ებმა ბანკების სისტემას აჩვენა. ზოგისთვის, როგორიცაა გოტშლიჩი მერლიდან, მოწინავე სოფტვერული სისტემების შექმნა მოითხოვს AI-ს, რომელიც დამოუკიდებლად შეიძლება კოდი შექმნას. ის კრიტიკულობს იდეას, რომ ადამიანებმა უნდა დაეხმარონ AI-ს და არგუმენტирует რომ პირიქით უნდა იყოს. მთლიანობაში, გენერატიული კოდირების ასისტენტების მიმართ გააქტიურება მიაქვს უფრო მნიშვნელოვან AI განვითარებებს, რადგან კომპანიები საკუთარ ინსტრუმენტებს AGI-ს მიღწევის ნაბიჯებად აღიქვამენ. როგორც სოფტვერის ინჟინერიის გარემო იცვლება, ეს ინსტრუმენტები აქცენტი აკეთებენ პროგრამული შემქმნელების როლებსა და სამუშაო პროცესებზე, რაც საინტერესო, თუმცა გაურკვეველი მომავლის მაფრენ საშუალებას იძლევა აღნიშნულ სფეროში.