چرا پیشگامان می‌گویند کدنویسی حل شده است اما مهندسی هنوز حل نشده

در اولین قسمت از پادکست Pragmatic Engineer، میزبان سایمون ویلیسون هستم. سایمون یکی از مشهورترین مهندسان نرم‌افزاری است که با مدل‌های زبانی بزرگ (LLM) آزمایش می‌کند تا بهره‌وری خود را افزایش دهد. او بیش از سه سال است که در این زمینه فعالیت می‌کند و یافته‌های خود را به صورت عمومی در وبلاگش منتشر می‌کند.

سایمون خالق Datasette است، یک ابزار متن‌باز برای کاوش و انتشار داده‌ها. او به صورت تمام‌وقت روی توسعه ابزارهای متن‌باز برای روزنامه‌نگاری داده‌ای کار می‌کند که بر پایه Datasette و SQLite هستند. پیش از این، او مدیر مهندسی در Eventbrite بود و از طریق خرید Lanyrd - یک استارتاپ از Y Combinator که در سال 2010 تأسیس کرد - به این شرکت پیوست. سایمون همچنین یکی از هم‌بنیانگذاران چارچوب وب جنگو است. او از اوایل دهه 2000 در مورد توسعه وب وبلاگ‌نویسی می‌کند.

در این گفت‌وگو، عمیقاً به دنیای هوش مصنوعی مولد می‌پردازیم و درباره موضوعات زیر صحبت می‌کنیم:

• آزمایش‌های اولیه سایمون با LLM و ابزارهای کدنویسی

• چرا فاین‌تونینگ معمولاً اتلاف وقت است - و چه زمانی نیست

• مروری بر RAG (تولید با بازیابی افزایش‌یافته)

• تعامل با حالت صوتی GPT

• مجموعه ابزارهای روزانه سایمون با LLM

• تصورات نادرست رایج درباره LLM و حوزه‌های خاکستری اخلاقی

• چگونه بهره‌وری سایمون افزایش یافته و دیدگاه خوش‌بینانه او نسبت به این ابزارها

• نکات، ترفندها و هک‌های تعامل با ابزارهای هوش مصنوعی مولد

• و بیشتر!

همه با روش کدنویسی احساسی به سمت نرم‌افزارهای خراب می‌روند. هوش مصنوعی بیشتر، پایه‌های ضعیف را تعمیر نمی‌کند، فقط آشفتگی را بلندتر و سریع‌تر می‌کند! در این قسمت از پادکست، به بررسی این موضوع می‌پردازیم که گردش‌کارهای هوش مصنوعی در سطح حرفه‌ای چگونه هستند. مستندات زمینه، حفاظ‌های معماری، ارکستراسیون چندعاملی، و داده‌های تحقیقاتی که نشان می‌دهند چرا 84٪ از توسعه‌دهندگان احساس بهره‌وری بیشتری دارند و چرا 16٪ دیگر احتمالاً اشتباه انجام می‌دهند، مورد بحث قرار می‌گیرد.