Par contre quand le scope est plus petit (un composant ou un simple algo), là ils sont assez impressionnant. Pas parfait, car de toute manière bon courage pour avoir la définition de "parfait" quand on parle de code, mais bien supérieur à la majorité des devs pour une première version.
J'en était resté à l'idée de lui faire pondre du code fonction par fonction, mais s'il peut gérer tout un projet...
Ce que je trouve impressionnant, c'est que j'ai toujours appris que pour programmer un truc correctement il fallait déja définir précisément ce que l'on voulait, parce que le compilateur ne pouvait pas deviner. Typiquement, comment se comporter quand l'entrée ne correspond pas à ce que tu t'attendais, etc. Or, l'utilisation de LLM permet de sauter cette partie; on exprime les besoins en langage naturel, et la machine se débrouille pour gérer ce qui n'est pas explicite. Bien sûr, si ça n'était pas explicite, elle va peut-être faire quelque chose de sous-optimal pour toi, mais il suffit alors de l'expliciter.
bien supérieur à la majorité des devs pour une première version.
Et encore, si on parle de LLMs génériques, ils apprennent sur une base de code et ne s'auto-corrigent pas. Qu'est-ce qui pourrait se passer si on les combinait avec une approche de machine learning à la alpha-go? Ton entrée c'est les specs, et la machine testerait des millions de bouts de code toute seule jusqu'à te produire quelque chose d'optimal, en fonction des contraintes initiales (CPU, RAM, taille du binaire, portabilité...).
J'imagine que les LLM existants ont probablement déja été intégrés à des systèmes de rapport de bug par exemple? Il semble y avoir de nombreux bugs qui, après validation par un humain, pourraient être confiés à une IA (qui vérifierait la reproductibilité, qui proposerait un patch, et qui pourrait éventuellement tester le patch et vérifier l'absence de régressions). C'est quand même assez vertigineux...
[^] # Re: Oups.
Posté par arnaudus . En réponse au lien LUCIE — l'IA véritablement open source construite sur la transparence, la confiance et l'efficacité.. Évalué à 3.
J'en était resté à l'idée de lui faire pondre du code fonction par fonction, mais s'il peut gérer tout un projet...
Ce que je trouve impressionnant, c'est que j'ai toujours appris que pour programmer un truc correctement il fallait déja définir précisément ce que l'on voulait, parce que le compilateur ne pouvait pas deviner. Typiquement, comment se comporter quand l'entrée ne correspond pas à ce que tu t'attendais, etc. Or, l'utilisation de LLM permet de sauter cette partie; on exprime les besoins en langage naturel, et la machine se débrouille pour gérer ce qui n'est pas explicite. Bien sûr, si ça n'était pas explicite, elle va peut-être faire quelque chose de sous-optimal pour toi, mais il suffit alors de l'expliciter.
Et encore, si on parle de LLMs génériques, ils apprennent sur une base de code et ne s'auto-corrigent pas. Qu'est-ce qui pourrait se passer si on les combinait avec une approche de machine learning à la alpha-go? Ton entrée c'est les specs, et la machine testerait des millions de bouts de code toute seule jusqu'à te produire quelque chose d'optimal, en fonction des contraintes initiales (CPU, RAM, taille du binaire, portabilité...).
J'imagine que les LLM existants ont probablement déja été intégrés à des systèmes de rapport de bug par exemple? Il semble y avoir de nombreux bugs qui, après validation par un humain, pourraient être confiés à une IA (qui vérifierait la reproductibilité, qui proposerait un patch, et qui pourrait éventuellement tester le patch et vérifier l'absence de régressions). C'est quand même assez vertigineux...