Wbudowując funkcje generatywnej sztucznej inteligencji w programy, możemy tworzyć mechanizmy, które wcześniej były nieosiągalne przy użyciu konwencjonalnego programowania.
Co więcej, gdy generatywna sztuczna inteligencja stanie się zdolna do automatycznego generowania programów, będziemy mogli swobodnie i łatwo tworzyć i uruchamiać programy tak, jak je sobie wymyślimy.
Do tej pory stworzyłem systemy, które tłumaczą moje artykuły blogowe na angielski i publikują je na angielskim blogu, tworzą filmy wyjaśniające z filmów prezentacyjnych i przesyłają je na YouTube, a także generują i publikują moją własną stronę blogową z indeksami, kategoriami i tagami.
W ten sposób mechanizm, który wykorzystuje oryginalną treść jako surowiec i integruje funkcje generatywnej sztucznej inteligencji do produkcji różnorodnych treści pochodnych, można nazwać Fabryką Intelektualną.
Ponadto stworzyłem aplikację internetową do obsługi tej Fabryki Intelektualnej i zarządzania jej statusem, udostępniając ją zarówno na komputerach PC, jak i smartfonach. Dodatkowo, części, które obsługują automatyczne przetwarzanie wywołane zdarzeniami, są wykonywane na maszynach wirtualnych przygotowanych do przetwarzania wsadowego poza zapleczem.
W ten sposób samodzielnie opracowałem frontendy na komputery PC i smartfony, backend serwera internetowego, przetwarzanie wsadowe na maszynach wirtualnych oraz infrastrukturę dla nich, wszystko przy wsparciu generatywnej sztucznej inteligencji.
To nie jest jedynie inżynieria full-stack, ale można to nazwać Inżynierią Wszechstronną, która kompleksowo rozwija różne aspekty systemu.
Co więcej, podczas ulepszania aspektów opracowanej aplikacji internetowej, które są niewygodne w użyciu, lub dodawania nowych funkcji, mogę powierzyć programowanie generatywnej sztucznej inteligencji, co pozwala na łatwe wprowadzanie ulepszeń podczas użytkowania.
Jest to jeszcze bardziej elastyczne i płynne niż konwencjonalne oprogramowanie, umożliwiając mi stworzenie czegoś, co idealnie pasuje do mojego sposobu użytkowania. Nazywam to Liquidware.
Osobiście je opracowałem i faktycznie używam. To nie tylko koncepcja; to już rzeczywistość rozwoju oprogramowania.
Chociaż jeszcze nie opracowana, w dziedzinie systemów biznesowych przewiduję, że metodologia rozwoju Zorientowana na Procesy Biznesowe stanie się rzeczywistością.
Jest to podejście, które nie dąży do ogólnej optymalizacji programów, co komplikuje systemy, ale zamiast tego dzieli moduły oprogramowania na poszczególne Procesy Biznesowe.
Tylko podstawowa definicja ram interfejsu użytkownika, zarządzanie uprawnieniami użytkowników i modele danych, które muszą być współdzielone między Procesami Biznesowymi, są współdzielone jako zewnętrzne ramy systemu biznesowego.
Inne wewnętrzne przetwarzanie systemu i tymczasowe dane są zarządzane na poziomie Procesu Biznesowego.
Mogą istnieć funkcje lub struktury danych, które mogą być współdzielone przez dwa lub więcej Procesów Biznesowych. Jednakże, jeśli zostaną one przekształcone w współdzielone moduły lub niestandardowe biblioteki, to choć poprawia się ponowne użycie kodu i jakość, struktura oprogramowania staje się złożona, a zmiany wymagają ciągłego rozważania ich wpływu na inne Procesy Biznesowe.
W sytuacji, gdy generatywna sztuczna inteligencja automatycznie generuje programy, wady tych ostatnich przewyższają zalety tych pierwszych. Dlatego też, podejście Zorientowane na Procesy Biznesowe, które kładzie nacisk na Optymalizację Indywidualną, a nie na optymalizację ogólną, staje się racjonalne.
Dodatkowo, wyobraź sobie jednostki takie jak „wprowadzanie podstawowych informacji o nowym pracowniku”, „aktualizowanie podstawowych informacji o pracowniku” lub „wyszukiwanie pracowników po nazwisku” jako poszczególne Procesy Biznesowe.
W tradycyjnych metodologiach rozwoju, każdy interfejs użytkownika, proces frontendu, proces backendu i proces wsadowy byłyby rozdzielone na różne pliki w różnych katalogach. Co więcej, każdy z nich byłby rozwijany przez innego inżyniera.
Jednakże, gdy jeden inżynier wykonuje Inżynierię Wszechstronną, zlecając programowanie generatywnej sztucznej inteligencji, bardziej sensowne jest skonsolidowanie kodu wymaganego dla jednego Procesu Biznesowego w jednym pliku lub folderze.
Dodatkowo, wyniki analizy wymagań, specyfikacje testów, wyniki testów i zapisy przeglądów również mogą być skonsolidowane w tym samym miejscu.
Pozwala to na zarządzanie wszystkimi artefaktami inżynierii oprogramowania w ramach jednego Procesu Biznesowego. A ponieważ nie ma potrzeby rozważania optymalizacji ogólnej, ulepszenia mogą być skupione w ramach tego Procesu Biznesowego, a nowe Procesy Biznesowe mogą być łatwo dodawane do systemu biznesowego.
W ten sposób rozwój programów i tego, co można za ich pomocą rozwijać, ulega znaczącym zmianom dzięki generatywnej sztucznej inteligencji. To nie jest scenariusz przyszłości; to już teraźniejszość, a w niedalekiej przyszłości jego wyrafinowanie może tylko postępować, a kolejny etap musi nieuchronnie 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 szeroko sklasyfikować jako systemy symulacyjne.
Niezależnie od tego, czy rozwiązujemy proste równania fizyki za pomocą pojedynczej analitycznej formuły, czy obliczamy złożone zjawiska fizyczne za pomocą programów iteracyjnych, oba mogą być uważane za systemy symulacyjne.
Ponadto systemy symulacyjne mogą być wykorzystywane nie tylko w fizyce, ale także w chemii, biologii, socjologii, ekonomii i innych dziedzinach. Poza środowiskiem akademickim, symulacje znajdują zastosowanie również w inżynierii, medycynie, operacjach instytucjonalnych i zarządzaniu biznesem.
Gry są również rodzajem systemu symulacyjnego. W każdej grze fizyka, społeczeństwo, zasady i inne aspekty w obrębie Świata tej gry są, w pewnym sensie, symulowane.
Poza tym, wykonujemy również rodzaj symulacji, planując nasze życie, podróże lub sposób wydawania kieszonkowego.
Symulacje te były prowadzone na różne sposoby: poprzez tworzenie i uruchamianie programów, obliczanie równań na papierze, myślenie w głowie, porządkowanie myśli za pomocą tekstu i strzałek na tablicy, czy rysowanie wykresów w Excelu.
Opracowanie programu symulacyjnego dla konkretnego problemu pozwala na bardziej złożone symulacje niż równania analityczne. Wymaga to jednak umiejętności, wysiłku i czasu na rozwój programistyczny.
Wymaga również wyjaśnienia modelu symulacyjnego, co z kolei wymaga umiejętności, wysiłku i czasu.
Ponadto symulacje były ograniczone do tego, co można było wyrazić w formie programowej, a wcześniej można było symulować tylko to, co można było wyrazić obliczeniowo.
Generatywna sztuczna inteligencja znacząco zmienia tę sytuację.
Generatywna AI może nie tylko z łatwością opracowywać programy systemów symulacyjnych, ale także, poprzez jej włączenie do systemów symulacyjnych, możliwe staje się symulowanie elementów, których nie da się wyrazić matematycznie. Umożliwia to niejednoznaczne, jakościowe elementy symulacji oraz symulacje obejmujące inteligentne agenty podobne do ludzi.
Co więcej, te modele symulacyjne mogą być wyrażane nie tylko matematycznie, ale także w języku naturalnym i interpretowane przez generatywną sztuczną inteligencję.
Ułatwi to przekształcenie różnorodnych symulacji, które przeprowadzaliśmy w wielu sytuacjach, w systemy symulacyjne.
W rezultacie będziemy w stanie uzyskać dokładniejsze, wydajniejsze i skuteczniejsze wyniki symulacji, ze zmniejszoną możliwością przeoczenia szczegółów lub wprowadzenia błędów.
Co więcej, podczas rozważania lub omawiania złożonych problemów, będziemy mogli wykorzystać system symulacyjny do ich analizy i dyskusji, zamiast polegać na indywidualnych symulacjach mentalnych.
To zwiększa precyzję rozważań i sprawia, że dyskusje stają się bardziej konstruktywne. Zamiast wskazywać na inteligencję lub błędy w myśleniu drugiej osoby, dyskusje mogą skupić się na jasnych punktach, takich jak podstawowe modele symulacji, wszelkie pominięcia lub brakujące elementy, sposób szacowania wysoce niepewnych części oraz to, które metryki wśród wyników są priorytetowe.
W miarę jak systemy symulacyjne stają się łatwe do tworzenia, nasz sposób myślenia przejdzie od myślenia liniowego – które skupia się na intuicji, założeniach oraz złośliwości lub błędach innych – do Myślenia Symulacyjnego.
To tak, jakby podczas dyskusji wyszukiwać w internecie na smartfonie, aby zweryfikować źródła wiadomości, Wikipedię lub źródła pierwotne. Nie będzie już potrzeby niekończących się sporów polegających wyłącznie na wzajemnej pamięci.
Podczas dyskusji generatywna AI uporządkuje model symulacji, zasady symulacji i warunki wstępne na podstawie treści dyskusji.
Uczestnicy dyskusji muszą jedynie dodać lub poprawić informacje i założenia w tym modelu i zasadach, a następnie sprawdzić wyniki symulacji. Podobnie jak w przypadku znalezienia wiarygodnego źródła wiadomości, te wyniki symulacji mogą służyć jako wspólny grunt do pogłębienia dyskusji.
Oznacza to, że ludzie słuchający dyskusji nie będą już żyli w erze, w której musieliby zastanawiać się, kto ma rację lub komu można ufać. Nie stracą też z oczu istoty, próbując zrozumieć tajemne terminy techniczne i koncepcje pojawiające się w dyskusji.
Będą musieli rozważyć tylko bardzo proste rzeczy: jak ocenić niepewność i które wartości priorytetowo traktować.