Садовник ИИ: новая роль для экспертов в мире автоматического кода
machine-learning large-language-models github-copilot code-generation ai-assisted-programming programmer-assistance end-user-programming usability-studies inferential-assistance

Садовник ИИ: новая роль для экспертов в мире автоматического кода

14 августа 2025 г.

Аннотация и 1 введение

2. Предыдущие концептуализации интеллектуальной помощи для программистов

3. Краткий обзор больших языковых моделей для генерации кода

4. Коммерческие инструменты программирования, которые используют большие языковые модели

5. Надежность, безопасность и последствия безопасности моделей ИИ, генерирующих код,

6. Изузаение юзабилити и дизайна программирования A-ассистентного

7. Опыт отчетов и 7.1. Писать эффективные подсказки сложно

7.2 Активность программирования сдвигается в сторону проверки и незнакомой отладки

7.3. Эти инструменты полезны для шаблона и повторного использования кода

8. Неадекватность существующих метафор для программирования A-A-Advisted

8.1. Помощь ИИ в качестве поиска

8.2. Помощь ИИ в качестве компиляции

8.3. Помощь ИИ в качестве парного программирования

8.4. Отчетливый способ программирования

9. Проблемы с применением программирования конечного пользователя

9.1. Выпуск 1: Спецификация намерений, разложение проблемы и вычислительное мышление

9.2. Выпуск 2: Правильность кода, качество и (над) уверенность

9.3. Выпуск 3: Понимание и обслуживание кода

9.4. Выпуск 4: Последствия автоматизации в программировании конечных пользователей

9.5. Выпуск 5: Код без кода и дилемма прямого ответа

10. Заключение

A. Источники отчета о испытании

Ссылки

9.4. Выпуск 4: Последствия автоматизации в программировании конечных пользователей

В любой системе ИИ мы должны рассмотреть последствия автоматизации. Известно, что программисты конечных пользователей обращаются к местным экспертам или садовникам (программистам конечных пользователей, с интересом и опытом в программировании, которые служат гуру в среде программирования конечных пользователей), когда они не могут решить часть проблемы (Nardi, 1993; Sarkar & Gordon, 2018). Тенденции, ориентированные на задачи, в сочетании с проблемами выполнения их задач также оставляют программистов конечных пользователей с ограниченным вниманием к тестированию или тщательного изучения того, что происходит с их программами. Предполагая, что LLMS и связанный с ними опыт пользователей улучшится в ближайшие годы, что делает программирование конечного пользователя быстрее с LLMS, чем без того, чтобы заманчиво задаться вопросом, можно ли убедить программиста инвестировать сохраненное время и внимание в такие аспекты, как изучение или тестирование своих программ; Если так, что нужно, чтобы повлиять на изменения поведения?

Другой вопрос - в роли таких экспертов. Мы предполагаем, что LLMS или аналогичные возможности ИИ скоро смогут ответить на значительную часть вопросов, на которые программисты конечных пользователей пойдут на локальных экспертов. Таким образом, открытый вопрос заключается в том, как экосистема программистов конечных пользователей в организациях изменится в их ролях, важности и специальностях. Например, возьмут ли садоводы роль обучения пользователей лучше использовать ИИ? Если это так, как мы можем передавать работу таких систем ИИ для пользователей технофилов и ранних пользователей, чтобы они могли позволить другим в организации?

Авторы:

(1) Advait Sarkar, Microsoft Research, Кембриджский университет (advait@microsoft.com);

(2) Эндрю Д. Гордон, Microsoft Research, Эдинбургский университет (adg@microsoft.com);

(3) Карина Негрину, Microsoft Research (cnegreanu@microsoft.com);

(4) Christian Poelitz, Microsoft Research (cpoelitz@microsoft.com);

(5) Sruti Srinivasa Ragavan, Microsoft Research (a-srutis@microsoft.com);

(6) Бен Зорн, Microsoft Research (ben.zorn@microsoft.com).

Эта статья естьДоступно на ArxivПод CC BY-NC-ND 4.0 Лицензия.

Оригинал

Recent Post

Categories

PREVIOUS ARTICLE
NEXT ARTICLE