IBM розширила сферу дії інструментів генеративного штучного інтелекту (ШІ), які вона надає для автоматизації написання коду, до середовища автоматизації ІТ Ansible. Про це повідомляє DevOps.com.
Ручир Пурі, головний науковий співробітник IBM Research, сказав, що watsonx Code Assistant для Red Hat Ansible Lightspeed забезпечує природній мовний інтерфейс. Він робить мову, що використовується для створення Ansible playbooks, які автоматизують робочі процеси ІТ, набагато доступнішою. Такий підхід допоможе демократизувати найкращі практики DevOps, знизивши планку навичок, необхідних для прийняття Ansible, додав він.
Окрім спрощення використання Ansible у корпоративних ІТ-організаціях, це також дозволить невеликим організаціям із більш обмеженим досвідом програмування також використовувати DevOps, зазначив Пурі.
З 2022 року IBM разом зі своїм підрозділом Red Hat працює над проектом Ansible Lightspeed, метою якого є застосування генеративного штучного інтелекту для автоматизації ІТ.
З додаванням watsonx Code Assistant для Red Hat Ansible Lightspeed тепер також існує інструмент генеративного ШІ для написання коду, який IBM навчила з використанням великої мовної моделі Granite (LLM), яка базується на архітектурі декодера, здатного передбачати, який код буде наступним у послідовності.
Різниця між підходом IBM й іншими інструментами копайлота полягає в тому, що LLM навчаються за допомогою кураторського коду, щоб мінімізувати галюцинації, які виникають, коли для створення коду використовуються LLM загального призначення, навчені з використанням суперечливих даних.
Наразі IBM також прагне застосувати watsonx Code Assistant до інших предметно-спеціальних мов у рамках масштабних зусиль зі зменшення когнітивного навантаження, необхідного для створення та постійної модернізації програмного забезпечення незалежно від того, яка мова програмування використовувалася для його створення.
Минулого літа IBM також представила інструмент для перетворення коду COBOL у код Java, який може працювати на мейнфреймі.
Без сумніву, генеративний ШІ матиме глибокий вплив на те, як розробляється програмне забезпечення. Наступним великим завданням буде конвергенція робочих процесів DevOps з робочими процесами операцій машинного навчання (MLOps), які вчені та інженери використовують для створення моделей ШІ, сказав Пурі. Мета полягає в тому, щоб оптимізувати розгортання моделей ШІ, які незабаром будуть вбудовані майже у кожну програму.
Організаціям також потрібно буде навчитися розгортати та керувати деякими типами векторних баз даних, щоб налаштувати наявний LLM шляхом представлення власних неструктурованих даних у форматі, який може розпізнати LLM. Після цього LLM використовує ці зовнішні дані разом із даними, на яких він спочатку навчався, щоб створити більш обґрунтовані відповіді та пропозиції.
Потім організації можуть піти далі, використовуючи структуру для створення та розгортання програми ШI. Деякі організації можуть навіть зайти так далеко, що створять власну LLM, щоб забезпечити найвищий рівень точності.
Кількість організацій, які мають науковців з обробки даних, інженерів з обробки даних, розробників застосунків та експертів із кібербезпеки, необхідних для створення та розгортання ШІ-програм, все ще досить обмежена. Але оскільки стає можливим використовувати природну мову для написання коду, тепер це лише питання часу.
Раніше ProIT повідомляв, що Microsoft робить штучний інтелект доступнішим в Azure AI Studio.
Підписуйтеся на ProIT у Telegram, щоб не пропустити жодну публікацію!
