Wbudowanie możliwości generatywnej sztucznej inteligencji w programy pozwala nam tworzyć mechanizmy, które wcześniej były nieosiągalne przy użyciu konwencjonalnych programów.
Co więcej, gdy generatywna sztuczna inteligencja będzie w stanie automatycznie generować programy, będziemy mogli swobodnie i łatwo tworzyć i uruchamiać programy oparte na naszych pomysłach.
Do tej pory stworzyłem systemy, które mogą tłumaczyć moje artykuły blogowe na angielski i publikować je na angielskich blogach, tworzyć filmy objaśniające z filmów prezentacyjnych i przesyłać je na YouTube, a także generować i publikować własne strony blogowe z indeksami, kategoriami i tagami.
W ten sposób system, który wykorzystuje oryginalną treść jako surowiec i włącza funkcje generatywnej sztucznej inteligencji do produkcji różnorodnych treści pochodnych, można nazwać fabryką intelektualną.
Opracowałem również aplikację internetową do obsługi tej fabryki intelektualnej i zarządzania jej statusem, udostępniając ją zarówno na komputerach PC, jak i smartfonach. Co więcej, części, które wykonują zautomatyzowane przetwarzanie wywołane zdarzeniami, są wykonywane na maszynach wirtualnych przygotowanych do przetwarzania wsadowego w warstwie backendowej.
W ten sposób samodzielnie opracowałem frontendy dla komputerów PC i smartfonów, backend serwera internetowego, przetwarzanie wsadowe na maszynach wirtualnych oraz infrastrukturę dla nich, wszystko przy wsparciu generatywnej sztucznej inteligencji.
To nie jest jedynie inżynieria pełnozakresowa (full-stack engineering); można to nazwać inżynierią wszechkierunkową, ponieważ obejmuje kompleksowe opracowywanie różnych aspektów systemu.
Ponadto, podczas poprawy użyteczności opracowanej aplikacji internetowej lub dodawania nowych funkcji, mogę delegować programowanie generatywnej sztucznej inteligencji, co pozwala na łatwe wprowadzanie ulepszeń podczas jej używania.
Dzięki temu oprogramowanie jest jeszcze bardziej elastyczne i płynne niż tradycyjne oprogramowanie, co pozwala mi tworzyć coś, co idealnie pasuje do moich wzorców użytkowania. Nazywam to „liquidware”.
Faktycznie opracowałem i obecnie używam tych rozwiązań. Nie są to tylko koncepcje, ale już rzeczywistość w rozwoju oprogramowania.
Chociaż jeszcze tego nie opracowałem, przewiduję, że w dziedzinie systemów biznesowych metodologia rozwoju znana jako „rozwój zorientowany na procesy biznesowe” stanie się rzeczywistością.
Jest to podejście, które nie dąży do ogólnej optymalizacji programów, co komplikuje systemy, lecz raczej segmentuje moduły oprogramowania według indywidualnych procesów biznesowych.
Tylko podstawowa definicja ram interfejsu użytkownika, zarządzanie uprawnieniami użytkownika oraz modele danych, które muszą być współdzielone między procesami biznesowymi, są współdzielone jako zewnętrzna struktura systemu biznesowego.
Inne wewnętrzne przetwarzanie systemu i dane tymczasowe są zarządzane na poziomie procesu biznesowego.
Może to obejmować funkcje i struktury danych, które mogą być współdzielone przez dwa lub więcej procesów biznesowych. Jednakże, jeśli zostaną one przekształcone w moduły współdzielone lub niestandardowe biblioteki, to chociaż poprawi się ponowne wykorzystanie kodu i jakość, struktura oprogramowania stanie się złożona, a zmiany będą wymagały ciągłego rozważania wpływu na inne procesy biznesowe.
W sytuacji, gdy generatywna sztuczna inteligencja automatycznie generuje programy, ta druga wada przeważa nad pierwszą zaletą. Dlatego podejście zorientowane na procesy biznesowe, które kładzie nacisk na optymalizację indywidualną, a nie ogólną, staje się racjonalne.
Dodatkowo, wyobraź sobie jednostki takie jak „wprowadzanie podstawowych informacji o nowym pracowniku”, „aktualizacja podstawowych informacji o pracowniku” i „wyszukiwanie pracowników według nazwiska” jako indywidualne procesy biznesowe.
W tradycyjnych metodologiach rozwoju ich odpowiednie interfejsy użytkownika, procesy frontendowe, procesy backendowe i procesy wsadowe są rozdzielane na różne pliki w różnych katalogach. Co więcej, każdy z nich jest rozwijany przez różnych inżynierów.
Jednakże, gdy pojedynczy inżynier wykonuje inżynierię wszechkierunkową, pozwalając generatywnej sztucznej inteligencji na programowanie, sensowniejsze jest skonsolidowanie kodu wymaganego dla jednego procesu biznesowego w jednym pliku lub folderze.
Ponadto, wyniki analizy wymagań, specyfikacje testów, wyniki testów i zapisy przeglądów również mogą być skonsolidowane w tej samej lokalizacji.
Pozwala to na zarządzanie wszystkimi produktami inżynierii oprogramowania dla każdego procesu biznesowego. A ponieważ nie ma potrzeby rozważania optymalizacji ogólnej, ulepszenia mogą być skupione w ramach danego procesu biznesowego, a nowe procesy biznesowe mogą być łatwo dodawane do systemu biznesowego.
W ten sposób rozwój programów i to, co można rozwijać za pomocą programów, znacząco się zmienia dzięki generatywnej sztucznej inteligencji. To nie jest przyszła możliwość; to już obecna rzeczywistość, a w niedalekiej przyszłości jej kompletność może tylko wzrosnąć, a kolejny etap musi wyjść poza to.
Systemy Symulacyjne
To, co można zrealizować za pomocą programów, nie ogranicza się do wspomnianych tu systemów biznesowych i fabryk intelektualnych.
Pozostałe obszary, o których nie wspomniałem, można ogólnie zaklasyfikować jako systemy symulacyjne.
Niezależnie od tego, czy rozwiązujemy proste równanie fizyczne za pomocą pojedynczej formuły analitycznej, czy obliczamy złożone zjawiska fizyczne za pomocą programów iteracyjnych, oba te przypadki można nazwać systemami symulacyjnymi.
Ponadto, systemy symulacyjne mogą być wykorzystywane nie tylko w fizyce, ale także w chemii, biologii, a nawet w socjologii i ekonomii. Co więcej, symulacje znajdują zastosowanie nie tylko w środowisku akademickim, ale także w dziedzinach takich jak inżynieria, medycyna, projektowanie instytucjonalne i zarządzanie biznesem.
Gry to również rodzaj systemu symulacyjnego. W każdej grze można powiedzieć, że fizyka, społeczeństwo, zasady itp. w świecie tej gry są, że tak powiem, symulowane.
Poza tym, wykonujemy również pewien rodzaj symulacji, gdy planujemy nasze życie, podróże lub sposób wydawania kieszonkowego.
Te symulacje były przeprowadzane na różne sposoby: poprzez tworzenie i uruchamianie programów, poprzez formułowanie i obliczanie równań na papierze, poprzez myślenie w głowie, poprzez organizowanie pomysłów za pomocą tekstu i strzałek na białej tablicy, lub poprzez rysowanie wykresów w programie Excel.
Opracowanie programu symulacyjnego dla konkretnego problemu pozwala na bardziej złożone symulacje niż równania analityczne. Wymaga to jednak umiejętności programowania, wysiłku i czasu.
Ponadto, model symulacji musi być jasno zdefiniowany, co wymaga umiejętności, wysiłku i czasu na przemyślenie.
Dodatkowo, symulacje mogły być wykonywane tylko w sposób, który można było wyrazić za pomocą programów, i do tej pory można było symulować tylko to, co można było wyrazić obliczeniowo.
Generatywna sztuczna inteligencja znacząco zmieni tę sytuację.
Generatywna sztuczna inteligencja nie tylko umożliwia łatwe tworzenie programów systemów symulacyjnych, ale także, poprzez wbudowanie jej w systemy symulacyjne, pozwala na symulowanie elementów, które nie mogą być wyrażone za pomocą formuł matematycznych. Umożliwia to niejednoznaczne, jakościowe elementy symulacji oraz symulacje z udziałem inteligentnych agentów podobnych do ludzi.
Ponadto, takie modele symulacji mogą być wyrażane nie tylko w formułach matematycznych, ale także w języku naturalnym i interpretowane przez generatywną sztuczną inteligencję.
Ułatwi to systematyzowanie różnych symulacji, które przeprowadzaliśmy w różnych sytuacjach.
Dzięki temu będziemy mogli uzyskiwać dokładniejsze, wydajniejsze i skuteczniejsze wyniki symulacji, zmniejszając możliwość przeoczeń i stronniczych założeń.
Co więcej, podczas omawiania lub rozważania złożonych problemów, możliwe będzie wykorzystanie systemów symulacyjnych do dyskusji i rozważań, zamiast polegać na indywidualnych symulacjach mentalnych.
To zwiększa precyzję deliberacji i sprawia, że dyskusje są bardziej konstruktywne. Dzieje się tak, ponieważ zamiast wskazywać na inteligencję lub błędy w myśleniu drugiej osoby, dyskusje mogą skupić się na jasnych punktach, takich jak podstawowy model symulacji, wszelkie pominięcia lub brakujące elementy, sposób szacowania wysoce niepewnych części oraz które wskaźniki wśród wyników są podkreślane.
W miarę jak systemy symulacyjne stają się łatwe do tworzenia, sposób naszego myślenia przesunie się z myślenia liniowego, które skupia się na intuicji, założeniach i złych intencjach lub błędach innych, na myślenie symulacyjne.
To jak wyszukiwanie w Internecie na smartfonie podczas rozmowy, aby sprawdzić źródła wiadomości, Wikipedię lub źródła pierwotne. Nie ma już potrzeby niekończących się sporów opartych wyłącznie na wzajemnych wspomnieniach.
Podczas dyskusji generatywna sztuczna inteligencja zorganizuje model symulacji, zasady symulacji i warunki wstępne na podstawie treści dyskusji.
Osoby dyskutujące muszą jedynie dodać lub poprawić informacje i założenia do tego modelu i zasad, a następnie potwierdzić wyniki symulacji. Podobnie jak w przypadku znalezienia wiarygodnego źródła wiadomości, te wyniki symulacji mogą służyć jako wspólny grunt do głębszej dyskusji.
To uwolni słuchaczy od ery zastanawiania się, kto ma rację lub komu można ufać. Nie będą już też tracić z oczu istoty, próbując zrozumieć niejasny żargon i pojęcia, które pojawiają się w dyskusjach.
Będą musieli rozważyć tylko bardzo proste rzeczy: jak ocenić niepewność i jakie wartości priorytetyzować.