Сервис онлайн-обучения цифровым профессиям «Яндекс Практикум» предлагает сотрудничество для разработчиков и аналитиков на парт-тайме в роли авторов курсов.

Задача автора — создавать и улучшать образовательный контент, чтобы обучение было актуальным, вовлекающим и понятным даже новичку, чтобы студенты учились и достигали своих целей: находили новую работу или получали повышение по карьерной лестнице.

Сотрудничество в среднем занимает 2—3 часа в день в зависимости от курса, поэтому легко можно совмещать с основной работой и получать дополнительный доход.

Авторы — это проводники в обучении и в мир новых профессий. Именно они:

• Создают материалы для новых курсов.
• Улучшают существующий контент на основе обратной связи от студентов, экспертов сопровождения и редакторов.
• Разрабатывают дополнительные материалы и тестовые задания для проверки знаний.
• Предлагают идеи, как улучшить усвоение материала.
• Делятся знаниями и накопленным опытом, общаясь со студентами через текст.
• Влияют на качество выпускаемых студентов, а значит имеют возможность влиять и на свою профессиональную отрасль.

«Если авторы хотят делиться экспертизой, то лучше всего это делать в Практикуме. У нас крутая команда контента и отличное коммьюнити. Мы научим понятно излагать свои мысли, красиво писать уроки и обучать людей», — Кристина Беляева, автор в команде «Аналитики данных и Машинного обучения».

В первую очередь ищут авторов на курсы машинное обучение (MLE) и дизайн мобильных приложений, а также:

• iOS-разработчик / Android-разработчик
• Мидл-фронтенд разработчик
• Data Engineering (DE)
• SQL для разработки
• Системный аналитик
• Data Science

Изучить список курсов, на которые требуются специалисты, и отправить свой отклик можно по ссылке.

На мероприятии Google I/O компания представила набор основанных на алгоритмах искусственного интеллекта инструментов помощи программисту, в том числе чат-бот, выступающий прямым конкурентом GitHub Copilot — он ассистирует в написании кода и работе с облачными сервисами Google.

Источник изображения: Alex Dudar / unsplash.com

В основе всех этих инструментов, предлагающих автоматическое дополнение и генерацию кода, лежит нейросеть Codey, которая, в свою очередь, базируется на большой языковой модели Google PaLM 2. Компания обучила Codey на большом объёме исходного кода, лицензия которого позволяет использовать его в этих целях, а также на коде собственных продуктов Google. Проект получил интеграцию с экосистемой сервисов компании: она постоянно обучается на коде её проектов, и хотя первичным для неё является контекст Google Cloud, предлагаемый код не ограничивается этим направлением: поддерживаются языки Go, Java, JavaScript, Python и SQL, а начать работу с новыми инструментами можно будет, установив расширения для сред Visual Studio Code, IDE JetBrains и Google Shell.

К сожалению, пока доступ к новым инструментам есть только у небольшого числа клиентов компании — вероятно, более подробно о своих планах она расскажет на мероприятии Google Cloud Next. В перспективе компания собирается использовать эти ИИ-модели, чтобы помочь разработчикам управлять услугами в Google Cloud, включая развёртывание и масштабирование приложений — изучить все возможности инфраструктуры было бы затруднительно, ведь в её документации уже более миллиона страниц. Наконец, сообщили в компании, Google решила избавить клиентов от выполнения рутинных задач, чтобы освободить время для чего-то более творческого.

Google рассказала, что одной из главных тем среди поисковых запросов является сфера программирования, поэтому основанный на ИИ чат-бот Bard получил возможность генерировать, отлаживать и объяснять принципы работы кода.

Источник изображения: Google

Bard поддерживает 20 языков программирования, включая C++, Java, JavaScript и Python. Система имеет интеграцию с другими продуктами Google, а значит, поддерживается экспорт кода в среду Colab для программирования на Python, кроме того, система может помочь в написании функций для Google Таблиц.

Помимо генерации кода, Bard может давать пояснения к его фрагментам — это пригодится для тех, кто только начал изучать программирование. Таким пользователям система покажет, почему тот или иной фрагмент выдаёт определённый результат. Кроме того, можно отладить код, который работает не вполне так, как хотелось бы.

В Google допускают, что пока Bard может выдать код, который не дат ожидаемого результата или окажется неполным, поэтому рекомендуется проверять и тестировать ответы. При желании он может отладить и собственное творение, если указать ему, что оно не работает. А более опытные программисты могут обратиться к системе с просьбой оптимизировать код, сделав его быстрее или эффективнее.

Amazon сделала бесплатным доступ к ИИ-платформе CodeWhisperer, предлагающей помощь в написании программного кода — аналогичный продукт от её конкурента Microsoft обходится в $10 за месяц. Желающим воспользоваться CodeWhisperer достаточно пройти регистрацию.

Источник изображения: Gerd Altmann / pixabay.com

Amazon представила предварительную версию CodeWhisperer в прошлом году — уже тогда она поддерживалась средами разработки вроде Visual Studio Code и создавала код по текстовому описанию. Первоначально платформа была доступной только для клиентов Amazon Web Services, теперь же ей может бесплатно воспользоваться любой желающий.

CodeWhisperer анализирует код, выявляя в нём уязвимости и предлагая варианты для исправления ошибок. Система поддерживает наиболее популярные языки, в том числе Python, Java, JavaScript, TypeScript, C#, Go, Rust, PHP, Ruby, Kotlin, C, C++, Shell-скрпты, а также SQL и Scala.

Принадлежащая Microsoft платформа GitHub опередила Amazon, выпустив инструмент Copilot — он аналогичным образом генерирует и предлагает код программисту, но бесплатно им пользоваться могут только студенты и разработчики популярных проектов Open Source. Остальным приходится платить $10 в месяц или $100 в год. У Google тоже есть свой аналог под названием AlphaCode, но он пока находится на стадии тестирования.

Разработчик с псевдонимом BioBootloader представил скрипты «Росомаха» (Wolverine), которые выявляют причины неработоспособности программ и исправляют ошибки с привлечением большой языковой модели GPT-4. «Росомаха» трудится до тех пор, пока программа не начнёт работать. Каждая найденная ошибка сопровождается пояснением, почему её нужно исправить. Пока это наглядный пример возможностей машинного обучения, но перспективы бесконечны.

Источник изображения: Pixabay

Каждому программисту известно, что обычно проще написать что-то своё, даже с нуля, чем исправлять чужое или выискивать ошибки. Подключить искусственный интеллект к поиску ошибок в программах — это сильнее, чем научить его писать программы. Фактически программы можно будет наделять возможностью к «самовосстановлению» подобно герою комиксов Marvel, в честь которого и назвали этот проект.

Представленный BioBootloader скрипт, который доступен на GitHub, помогает искать ошибки в программах на Python. Но этот же подход можно реализовать для поиска ошибок в программах, написанных на других языках. Для практического использования «Росомахи» необходим ключ OpenAI API для моделей GPT-3.5 или GPT-4, за использование которых взимается плата. Сейчас API GPT 3.5 открыт для всех, у кого есть учетная запись OpenAI, хотя доступ к GPT-4 пока ограничен.

«Он [скрипт] запускает его [код], видит сбой, но затем идёт и разговаривает с GPT-4, чтобы попытаться выяснить, как это исправить, — рассказал разработчик. — GPT-4 возвращает объяснение ошибок программы, показывает изменения, которые он пытается внести, а затем снова запускает программу. Увидев новые ошибки, GPT-4 снова исправляет код, после чего он запускается правильно. В итоге исходный файл Python содержит изменения, добавленные GPT-4».

Принадлежащая Microsoft платформа GitHub представила обновлённую версию ассистента Copilot X, предназначенную для оказания расширенной помощи программисту — теперь здесь есть функция чат-бота и голосовой ввод.

Источник изображения: github.blog

Программист может обращаться к Copilot X в случае затруднений, без необходимости просить помощи на профильных ресурсах — система подсказывает, как выполнять те или иные задачи при написании кода. Глава GitHub Томас Домке (Thomas Dohmke) привёл пример: Copilot X рассказала, как можно написать игру «Змейка» на Python. В окне чата система подсказывает, для чего предназначены те или иные фрагменты кода, предлагает способы его тестирования и исправления ошибок.

GitHub впервые рассказала о Copilot в 2021 году, а вышла платформа лишь в следующем году. Тогда это был инструмент, автоматически дописывающий отдельные строки кода, и он обрёл популярность среди сотни тысяч разработчиков. Сегодня название системы распространилось на широкий спектр прочих продуктов Microsoft от офисных программ до компонентов безопасности.

В новой версии ассистент программиста получил поддержку последней версии языковой модели GPT-4, однако она потребовалась не для всех компонентов: GitHub хочет использовать разные модели для разных задач. Функция автозавершения строки останется на предыдущей версии, потому что для её работы больше важна скорость, чем точность. А возможности GPT-4 нашли применение в новом чат-боте, где они более уместны. Для подключения Copilot X программистам придётся зарегистрироваться в списке ожидания — общедоступным инструмент пока не стал.

Энтузиаст по имени Андреас Эриксен (Andreas Eriksen) собрал «устройство в формфакторе ноутбука», способное, по его собственным оценкам, проработать два года без подзарядки. Компьютер PotatoP сочетает компоненты с чрезвычайно низким потреблением энергии, аккумулятор на 12 000 мА·ч и небольшую солнечную панель.

Источник изображений: hackaday.io

Создателя PotatoP всегда раздражало, что его ноутбук разряжается слишком быстро, а для «небольших проектов по программированию», в которых он применяется, мощные компоненты не требуются. Для стоящих перед Андреасом задач нужен компьютер с чрезвычайно низким энергопотреблением, чётким экраном, а также удобной клавиатурой.

В качестве «материнской платы» используется платформа SparkFun RedBoard Artemis ATP на базе SoC Ambiq Apollo3 — она «устанавливает новый стандарт энергоэффективности для устройств с питанием от батареи». Её процессор Arm Cortex-M4F работает на тактовой частоте до 96 МГц, потребляя менее 6 мкА на 1 МГц. Объем оперативной памяти составляет 384 Кбайт, накопитель имеет ёмкость 1 Мбайт, кроме того, здесь есть широкий набор интерфейсов и портов для подключения внешних устройств.

Дополнительным залогом успеха PotatoP стал Sharp Memory in Pixel LS044Q7DH01 — монохромный дисплей с разрешением 320 × 240 пикселей и диагональю 4,4 дюйма. Автор проекта говорит, что не отказался бы от более крупной версии экрана, если он окажется таким же экономным — здесь нет подсветки, но это не мешает читаемости. Наконец, господин Эриксен не пожалел недешёвой профессиональной клавиатуры Happy Hacking Keyboard Lite 2.

Программист работает в среде Lisp (uLisp), и, по его мнению, он смог создать для себя максимально комфортные условия. Останавливаться на достигнутом автор не хочет — он оптимизирует систему для дальнейшего снижения энергопотребления и подумывает об установке дополнительных солнечных батарей, чтобы продлить время автономной работы своего «ноутбука» PotatoP до бесконечности.

Принадлежащая Microsoft компания GitHub объявила, что Copilot for Business, корпоративная версии ИИ-помощника по написанию программного кода, стала общедоступной за $19 в месяц. По сравнению со стандартной Copilot, версия для корпоративного использования предложит ряд дополнительных функций.

Источник изображения: fancycrave1 / pixabay.com

«Это фактически завершает нашу историю о Copilot версии 1. Мы объявили о запуске программы предварительной оценки в июне 2021 года. Кажется, что это было много лет назад. Прошлым летом появилась общедоступная версия. Теперь мы готовы развернуть его для организаций, компаний, команд, предприятий — практически для всех. Фактически, у нас уже есть более 400 организаций, которые используют Copilot for Business на момент запуска, и мы видим огромный интерес», — прокомментировал данный вопрос генеральный директор GitHub Томас Домке (Thomas Dohmke).

В дополнение к этому разработчики объявили, что Copilot получил поддержку соединения через прокси, в том числе с самоподписанными сертификатами. Также было объявлено, что Copilot теперь работает на улучшенной ИИ-модели от Open AI. По мере развития ИИ-помощника он получает новые возможности. Одной из них стала функция «заполнение середины», когда алгоритм не просто завершает строку кода, но также может добавить код в её середину. Для этого Copilot потребуется изучить не только код, над которым идёт работа, но также связанные с ним другие файлы, с которыми осуществляется взаимодействие.

Источник изображения: GitHub

В последнем обновлении Copilot получил возможность обнаружения распространённых уязвимостей в программном коде, который ИИ-помощник предлагает пользователю. В случае обнаружения небезопасных вариантов Copilot предложит добавить более надёжный код. Разработчики продолжают работать над повышением скорости обработки запросов, поступающих в Copilot. В GitHub ожидают, что в скором времени Copilot сможет генерировать до 80 % кода разработчика. На данный момент возможности алгоритма ограничены примерно 46 % кода для всех языков программирования и 61 % — для Java.

Получивший широкую популярность ИИ-бот ChatGPT способен выполнять самые разные задачи. Исследователям из университета им. Иоганна Гутенберга в Майнце (Германия) совместно с коллегами из Университетского колледжа Лондона удалось задействовать сервис для поиска и устранения ошибок в программном коде.

Источник изображения: Arif Riyanto/unsplash.com

Исследователи предоставили 40 фрагментов кода, содержащих ошибки, четырём системам ChatGPT, Codex, CoCoNut и Standard APR, предназначенным для устранения багов. По сути, они буквально спросили: «Что не так с этим кодом?» и вставили фрагмент кода в окно чата.

В первый раз ChatGPT проявил себя не хуже других напичканных интеллектом систем. Он устранил 19 проблем из 40, Codex — 21 из 40, CoCoNut — 19, а APR — только 7. Проведённые оценочные тесты показали, что ответы ChatGPT во многом дублируют решения, предлагаемые Codex, в чём нет ничего удивительного, поскольку ChatGPT и Codex относятся к одному семейству языковых моделей.

Впрочем, в дальнейшем ChatGPT продемонстрировал свои преимущества. Поскольку бот позволяет вести с ним обсуждение и вносить уточнения после получения первоначального ответа, в результате исследователям удалось решить 31 из 40 задач, намного больше, чем способны были сделать другие системы аналогичного назначения. Более того, выяснилось, что ChatGPT может решать задачи быстрее конкурентов, причём он давал пользователю разные варианты ответов на одну и ту же задачу. Если сначала на один из запросов бот требовал больше информации, то после некоторого количества попыток он уверенно приводил ответ на тот же вопрос.

Источник изображения: Dominik Sobania, Martin Briesch, Carol Hanna, Justyna Petke

По мнению экспертов, успех проведённого исследования потенциально способен привести к модификации существующего рынка ИИ-решений совокупной стоимостью $600 млн, предназначенных для помощи инженерам в поиске и устранении недоработок в программном коде. Платформы вроде Sentry уже стали распространённым инструментов среди программистов, намного ускоряя рабочие процессы.

Программисты, использующие системы искусственного интеллекта (ИИ) при разработке кода, с большей вероятностью получают приложения, которые подвержены уязвимостям, пишет TechCrunch со ссылкой на исследование учёных Стэнфордского университета. По их мнению, к системам генерации кода следует относиться с осторожностью.

Источник изображения: Christopher Gower / unsplash.com

Базой для исследования стала система генерации кода на основе ИИ Codex, разработанная лабораторией OpenAI. В проекте приняли участие 47 разработчиков — от студентов бакалавриата до специалистов с многолетним опытом. Они пользовались платформой Codex для решения задач, связанных с безопасностью, а языками программирования в рамках исследования были Python, JavaScript и C.

Как выяснилось, применявшие в работе систему Codex программисты чаще предлагали неправильные и небезопасные решения по сравнению с контрольной группой. Более того, свои решения они считали более совершенными с позиции кибербезопасности относительно решений специалистов контрольной группы.

Авторы исследования подчёркивают, что не имеют намерений настроить сообщество против Codex и других ИИ-систем генерации кода, но их лучше применять в решении задач, не связанных с высоким риском. В качестве решения проблемы учёные предлагают создать механизмы анализа предлагаемого ИИ кода, а также усилить настройки безопасности по умолчанию в криптографических библиотеках.

Кроме того, генераторы часто обучаются на разработках с ограниченной лицензией, а впоследствии предлагают решения, например, из кодовой базы Quake или учебников по JavaScript — создаваемый с их участием код может стать источником проблем в отношении авторского права. Механизм защиты от подобного плагиата попытались реализовать на платформе GitHub Copilot, но стало только хуже: система начала выдавать большие фрагменты чужого кода, включая сведения об авторах и даже тексты лицензий.

Инженеры подразделения Alphabet DeepMind AI рассказали о создании системы искусственного интеллекта (ИИ) AlphaCode, которая способна генерировать код и решать задачи, предлагаемые на чемпионатах по программированию. Для этого нейросеть обучили двум языковым навыкам: пониманию постановки задачи и поиску её решения.

Источник изображения: Christopher Gower / unsplash.com

Сегодня существуют системы, способные решать отдельные задачи, генерируя программный код, однако эти решения не носят универсального характера: обученный одному классу задач ИИ с большой вероятностью терпит неудачу, когда условия задачи кардинально меняются. Поэтому инженеры Google применили несколько иной подход, положив, что описание задачи — это выражение того, что должен делать алгоритм, а её решение — то же самое, но изложенное на другом языке. Поэтому при обучении системы исследователи решили достичь двух целей: сначала ИИ должен усвоить описание задачи, а затем на основании своего внутреннего представления создать программный код.

В качестве источника данных выступил архив GitHub с более чем 700 Гбайт кода, которые перемежались с комментариями на естественном языке, поясняющими его работу. После первого этапа обучения система перешла к этапу настройки: в DeepMind организовали внутренний чемпионат по программированию, материалы которого также «скормили» ИИ. В этих материалах был полный цикл: постановка задачи, работающий и неработающий код, а также тестовые примеры для его проверки. Подобный подход применялся и раньше, но на сей раз инженеры выделили значительно больше ресурсов на обучение — «на порядки больше, чем в предыдущей работе».

Источник изображения: Procreator / unsplash.com

На начальном этапе результат был далёк от идеала: более 40 % предлагаемых нейросетью решений либо требовали слишком больших аппаратных ресурсов, либо решение задачи занимало слишком много времени. Проводя анализ кода, создатели системы обнаружили, что при решении различных задач, даже если программа выдавала правильный результат, система часто использовала схожие фрагменты кода, выдающие одинаковые ответы при одинаковых исходных данных. Отфильтровав некорректные варианты, AlphaCode смогла выступать на уровне программистов с опытом работы от нескольких месяцев до года, войдя в число справившихся с задачами 54 % конкурсантов на чемпионате.

Такого результата удалось достичь, введя автоматизированную проверку по 100 тыс. предлагаемых системой решений — увеличение этого числа приводило к пропорциональному росту доли правильных ответов. Но пропорционально же росла и ресурсоёмкость вычислительной системы: первоначально для её обучения потребовался объём энергии, в 16 раз превышающий годовую потребность средней американской семьи.

Учёные сделали вывод, что система действительно научилась работать, как и было задумано, предлагая корректные решения, а не случайные фрагменты кода «в надежде», что какой-то из них сработает. Однако при усложнении условий значительно растёт ресурсоёмкость, а значит, сегодня услуги настоящих программистов по-прежнему востребованы, хотя и открываемые ИИ перспективы тоже заслуживают внимания.

В любой сфере деятельности ключевую роль играет рабочее окружение, от удобства и грамотной организации которого зависят не только производительность персонала и эффективность решаемых сотрудниками задач, но и конечная прибыль предприятия. Профессия программиста в этом плане не является исключением и немыслима без подручных инструментов, обеспечивающих полный цикл разработки ПО — от составления алгоритмических конструкций до генерации финального кода продукта и проверки правильности его функционирования. К числу таких решений относится разработанная ООО «Автограмма» одноимённая среда визуальной разработки программного обеспечения.

Среда визуальной разработки программного обеспечения «Автограмма»

«Автограмма» (в англоязычной интерпретации Autogramma) представляет собой графическую среду визуального интерактивного моделирования, разработки, отладки, модульного тестирования и калибровки программного обеспечения с автоматической генерацией исходного кода на языках C/С#, готового к компиляции, сборке и загрузке на целевую платформу. Высокоуровневое графическое представление и визуальное программирование с помощью геометрических и логических связей элементарных блоков для построения алгоритмов существенно облегчают и ускоряют процесс создания прикладных приложений. Как следствие, «Автограмма» может использоваться специалистами и инженерами любой квалификации — специальных знаний в области программирования не требуется, а результаты работ сравнимы с трудом коллектива программистов разных областей и знаний.

«Автограмма» в полной мере отвечает запросам как профессиональной, так и широкой аудитории без опыта работы в сфере программирования — это является несомненным плюсом данного инструмента

В основу программного комплекса «Автограмма» положена клиент-серверная облачная архитектура. В качестве серверной части выступает сайт autogramma.com. Клиентские приложения доступны для платформ Windows и Linux. Также имеется веб-версия продукта, позволяющая непосредственно в браузере просматривать алгоритмические составляющие разрабатываемых программных решений (интерактивная, гипертекстовая документация), а также выводить весь проект или отдельные составляющие проекта на печать в форматах PDF/SVG для отчётных документов.

Веб-интерфейс «Автограмма»

«Автограмма» является многопользовательской платформой с возможностью одновременной работы над проектами командой разработчиков и встроенной системой контроля версий создаваемого ПО. Комплекс позволяет управлять группами и правами доступа пользователей, отслеживать и откатывать вносимые в код изменения, в том числе ветвления и слияния репозитория исходного кода. При этом в процессе разработки непрерывно проводится диагностика создаваемых приложений с выводом сообщений об ошибках, рекомендациях, предупреждениях и подсказках. Таким образом уже в процессе подключения новых блоков пользователь сразу же видит всю диагностическую информацию, что предоставляет максимальную интерактивность разработки ПО.

Интерактивность среды разработки достигается за счёт непрерывной диагностики, интерпретации (симуляции ПО) и наглядной визуализации результатов работы приложений непосредственно в среде разработки, как при симуляции ПО, так и в конечном изделии при чтении данных через CAN-адаптер

В числе прочих сильных сторон «Автограмма» — встроенные инструменты для автоматической генерации документации с использованием разметки Markdown и возможность разработки интерфейсов пользователя с автогенерацией кода графической разметки на языке С++ и возможностью связывания (байндинга) параметров ПО с атрибутами разметки. Для всесторонней отладки готовых приложений предусмотрены средства создания юнит-тестов с вызовом контейнеров ПО, подстановки значений параметров, запуска интерпретатора тестов, сравнения и индикации результатов тестов. Также в среде предоставлена возможность управления проведением испытаний, отладки, калибровки приложений в целевой платформе с подключением по протоколу CCP (CAN Calibration Protocol).

Графическая разметка интерфейсов пользователя

Наконец, ещё одной отличительной особенностью «Автограмма» является наличие на сайте autogramma.com стартовых комплектов, содержащих исходные коды приложений с примерами практического применения среды разработки в связке с различными платами для встраиваемых систем. В числе таковых — Infineon Aurix, NXP i.MX6, ST STM32, NXP S32K, ROCK Pi 4, GigaDevice GD32F10, Artery AT32F4, WCH CH32 и прочие процессоры и микроконтроллеры, которые могут применяться для управления промышленным, транспортным, робототехническим и прочим оборудованием. Ярким подтверждением данных слов служат реализованные МАЗ, ГАЗ, ПАЗ, КАМАЗ, НЕФАЗ и Equipmake проекты по созданию ПО для автомобильных панелей приборов и разработки Ростсельмаш, ПТЗ, связанные с внедрением созданного с помощью «Автограмма» программного обеспечения в системы управления оборудованием и агрегатами сельскохозяйственной техники.

Платформа «Автограмма» зарегистрирована в реестре российского софта и может представлять интерес для организаций, реализующих проекты в рамках программы импортозамещения ПО. Для решения образовательных задач среда визуальной разработки распространяется бесплатно. Стоимость лицензии для коммерческих целей можно узнать, связавшись с представителями ООО «Автограмма» по электронной почте InBox@autogramma.ru.

Специалисты Корнеллского колледжа вычислительной техники и информационных наук имени Энн С. Бауэрс представили инструмент программирования на основе распознавания рукописного текста. Мостиком между рукописной и текстовой частью служит алгоритм машинного обучения, который связывает одно с другим и отчасти позволяет программировать на интуитивном уровне. Сделанные от руки графики и диаграммы транслируются в машинный код и встраиваются в программу.

Источник изображения: cornell.edu

«Интерфейс на основе пера, названный Notate, позволяет пользователям вычислительных цифровых блокнотов — таких как блокноты Jupyter, которые базируются в интернете и являются интерактивными — открывать поля для рисования и писать диаграммы от руки в строках традиционного оцифрованного компьютерного кода», — сказано в пресс-релизе университета.

Рукописный и текстовый контексты программирования собирает модель глубокого машинного обучения. В одном из примеров пользователи рисовали схемы квантовых цепей на полях кода блокнота Jupyter, а ИИ связывал рисунки с набранным программным кодом. Связь осуществляется в обоих направлениях: как рукописного текста с набранным кодом, так и в обратном порядке.

«Подобная система отлично подошла бы для науки о данных, в частности, для создания графиков и диаграмм, которые затем взаимодействуют с текстовым кодом, — сказал один из авторов проекта. — Наша работа показывает, что нынешняя инфраструктура программирования фактически сдерживает нас. Люди готовы к таким возможностям, а разработчики интерфейсов для набора кода должны принять это к сведению и поддерживать изображения и графические интерфейсы внутри кода».

Компания Google реализует секретный проект, в рамках которого ведётся разработка генератора программного кода на базе нейросети, который сможет самостоятельно создавать программный код, исправлять и обновлять его. Этот проект является частью более масштабной программы компании в сфере «генеративного искусственного интеллекта», связанной с созданием ИИ-алгоритмов для генерации изображений, видео и многого другого.

Источник изображения: Pixabay

Согласно имеющимся данным, проект по созданию генератора программного кода зародился в исследовательском подразделении «X» компании Alphabet под кодовым именем Pitchfork. Этим летом реализацией проекта занялись инженеры команды Google Labs под руководством Оливии Хатальски (Olivia Hatalsky), которая много лет является сотрудником подразделения «X» и участвовала в разработке Google Glass и некоторых других устройств.

Источник отмечает, что проект Pitchfork реализуется для того, чтобы «научить код писать и переписывать себя». Предполагается, что созданный алгоритм сможет изучать стили программирования и писать код на основании полученных знаний. Изначально перед проектом Pitchfork стояла задача по созданию инструмента, который мог бы обновлять кодовую базу языка программирования Python до новых версий без необходимости привлекать живых программистов.

Со временем цели проекта сместились в сторону создания системы общего назначения, которая могла бы уменьшить потребность людей в написании и обновлении кода, сохраняя при этом его качество. На какой стадии находится разработка генератора программного кода Google, пока неизвестно.

Принадлежащая Microsoft компания GitHub экспериментирует с интеграцией возможностей голосового управления для инструмента Copilot, используемого для автоматического дополнения кода, поиск которого по открытым базам осуществляет нейросеть. Командой «Hey, GitHub!» можно активировать Copilot для внесения кода голосом без использования клавиатуры, аналогично тому, как происходит взаимодействие с Apple Siri или Google Ассистентом.

Источник изображения: GitHub

Функции голосового управления станут доступны пользователям GitHub, которые взаимодействуют с Copilot — ИИ-инструментом стоимостью $10 в месяц. GitHub запустил его в начале этого года для помощи программистам в написании кода. Copilot предлагает варианты дополнения уже написанного кода в интегрированной среде разработки (IDE), такой как Visual Studio Code, Neovim и JetBrains. Copilot также может предлагать сложные алгоритмы наряду с шаблонным кодом и помощью в модульном тестировании.

«Используя силу вашего голоса, мы рады предоставить возможность использования преимуществ GitHub Copilot ещё большему числу разработчиков, включая тех, кому трудно набирать текст руками», — говорится в заявлении GitHub. На данном этапе голосовое управление Copilot доступно в тестовом режиме в Visual Studio Code, но в дальнейшем разработчики планируют планомерно расширять область его присутствия и возможности. Разработкой функций голосового управления занимается команда GitHub Next, деятельность которой связана с созданием экспериментальных функций внутри проекта.