Το ChatGPT, το Bard και άλλα εξέχοντα Μεγάλα Γλωσσικά Μοντέλα (LLM) κυριάρχησαν στις ειδήσεις μας τον τελευταίο χρόνο. Και δικαίως. Αυτές οι συναρπαστικές τεχνολογίες μας προσφέρουν μια ματιά στο μέλλον, τη δύναμη και τις δυνατότητες της τεχνητής νοημοσύνης.
Αν και ο ενθουσιασμός του κοινού έχει επικεντρωθεί στη δημιουργία κειμένου, εικόνων και βίντεο, τα εργαλεία αυτά μπορούν να χρησιμοποιηθούν και σε πολλούς άλλους τομείς, όπως η αυτοματοποίηση λογισμικού.
Αυτό το άρθρο θα λειτουργήσει ως μια βαθιά κατάδυση στον τρόπο με τον οποίο η μηχανική προτροπής μπορεί να μας βοηθήσει με την αυτοματοποίηση λογισμικού. Ωστόσο, η πρώτη μας στάση θα πρέπει να είναι η εξέταση της ίδιας της άμεσης μηχανικής.
Τι είναι η άμεση μηχανική;
Μεγάλα γλωσσικά μοντέλα όπως το ChatGPT παράγουν αποτελέσματα με βάση τις προτροπές ή τις προτάσεις που τους παρέχουμε. Ωστόσο, τα αποτελέσματα ποικίλλουν σημαντικά ανάλογα με τις λέξεις ή τις οδηγίες που χρησιμοποιούμε. Όταν εισάγουμε ασαφείς και ανακριβείς οδηγίες, η έξοδος μπορεί να μην πετύχει το στόχο.
Η μηχανική προτροπής αναφέρεται στον μελετημένο σχεδιασμό των εισροών που βοηθούν στην εξαγωγή ακριβέστερου, ακριβέστερου και τελικά αξιοποιήσιμου περιεχομένου από αυτά τα συναρπαστικά συστήματα τεχνητής νοημοσύνης.
Τα συστήματα μεγάλων γλωσσικών μοντέλων (LLM) χρησιμοποιούν την επεξεργασία φυσικής γλώσσας (NLP) για να ερμηνεύσουν τις δηλώσεις που τους δίνουμε. Οι μηχανές μετατρέπουν αυτές τις ερωτήσεις ή τις οδηγίες (δηλαδή τις προτροπές) σε κώδικα και τις εκτελούν μέσω των τεράστιων αποθετηρίων δεδομένων τους για να παράγουν περιεχόμενο σε οποιαδήποτε μορφή καθορίσουμε (δηλαδή κείμενο, εικόνες, κώδικα).
Το ChatGPT εκπαιδεύτηκε σε πάνω από
570 GB δεδομένων
. Το εκπαιδευτικό υλικό αποτελείται από βιβλία, άρθρα, διαδικτυακά κείμενα κ.ο.κ. Με άλλα λόγια, αυτά τα σύνολα δεδομένων περιέχουν ασύλληπτο όγκο γνώσεων.
Παρόλο που μπορεί να κατανοούμε τη διαδικασία, πολλά από όσα συμβαίνουν κάτω από το καπό αυτών των συστημάτων συμβαίνουν έξω από τα μάτια μας. Βέβαια, ελέγχουμε τις εισόδους και τις εξόδους και εκπαιδεύουμε το σύστημα, αλλά το πώς ακριβώς λειτουργούν αυτοί οι αλγόριθμοι και λαμβάνουν τις αποφάσεις εξακολουθεί να αποτελεί μυστήριο. Με τα λόγια του Sam Bowman, καθηγητή Τεχνητής Νοημοσύνης στο Πανεπιστήμιο της Νέας Υόρκης, “Το κατασκευάσαμε, το εκπαιδεύσαμε, αλλά δεν ξέρουμε τι κάνει”.
Η άμεση μηχανική μας βοηθά να διαχειριστούμε αυτό το χάος χρησιμοποιώντας εξόδους που παράγουν προβλέψιμα και αξιοποιήσιμα αποτελέσματα. Μας προσφέρουν ένα μονοπάτι για να ξεκλειδώσουμε τις τεράστιες ποσότητες γνώσης που βρίσκονται μέσα σε αυτές τις εφαρμογές.
Ο κλάδος αναδύεται ως μια νέα καριέρα
, με τα μαθήματα να ξεφυτρώνουν παντού καθώς οι επιχειρήσεις προσπαθούν να βρουν πώς μπορούν να αξιοποιήσουν αυτή την ισχυρή τεχνολογία.
Πώς μπορεί να βοηθήσει η άμεση μηχανική
με την αυτοματοποίηση λογισμικού;
Η αυτοματοποίηση λογισμικού και τα LLM έχουν πολλά κοινά. Και οι δύο προσφέρουν μια ματιά σε ένα μέλλον όπου οι μηχανές θα ενισχύουν την ανθρώπινη δημιουργικότητα για τη δημιουργία ταχύτερων και πιο παραγωγικών χώρων εργασίας.
Υπάρχουν αρκετοί συναρπαστικοί τομείς στους οποίους οι δύο αυτές τεχνολογίες μπορούν να συγκλίνουν. Ακολουθούν τρεις τρόποι με τους οποίους μπορούμε να χρησιμοποιήσουμε την άμεση μηχανική στην αυτοματοποίηση λογισμικού.
#1. Δημιουργία κώδικα
Η συγγραφή κώδικα είναι μία από τις πιο υποσχόμενες εφαρμογές των Μεγάλων Γλωσσικών Μοντέλων. Τα LLMs AI βρίσκονται στα σπάργανα. Τα επόμενα χρόνια αναμένεται να βελτιωθεί αυτή η τεχνολογία, καθώς θα προστίθενται περισσότεροι πόροι τόσο για την πληροφορική όσο και για την εκπαίδευση.
Μακροπρόθεσμα, αυτές οι εξελίξεις θα μπορούσαν να οδηγήσουν την ΤΝ να γράφει ολόκληρα προγράμματα με περιορισμένη ή καθόλου ανθρώπινη παρέμβαση. Ωστόσο, προς το παρόν, τα LLM έχουν ορισμένους περιορισμούς. Η ποιότητα της εξόδου της κωδικοποίησης LLM εξαρτάται κυρίως από την ποιότητα της εισόδου. Σκουπίδια μέσα, σκουπίδια έξω, όπως λένε.
Φυσικά, δεν είναι μόνο η αποτελεσματική μηχανική που λειτουργεί ως τροχοπέδη. Όπως προτείνεται στο ChatGPT και μεγάλα γλωσσικά μοντέλα στην ακαδημαϊκή κοινότητα: Ευκαιρίες και προκλήσεις (Meyer, 2023), “Επί του παρόντος, το ChatGPT είναι πιο πιθανό να είναι επιτυχές στην ακριβή συγγραφή μικρότερων μπλοκ κώδικα, ενώ η αξιοπιστία του στη συγγραφή μεγαλύτερων/πιο σύνθετων προγραμμάτων (π.χ. ένα πακέτο λογισμικού) είναι αμφισβητήσιμη”.
Επιπλέον, σε ένα πρόσφατο άρθρο στο περιοδικό Nature, ορισμένοι επιστήμονες πληροφορικής προειδοποίησαν ότι θα πρέπει να προσεγγίσουμε τη δημιουργία κώδικα με LLMs με κάποια προσοχή. Ένα άλλο σύγχρονο έγγραφο,
Μεγάλα γλωσσικά μοντέλα και απλά, ηλίθια σφάλματα
(Jesse, 2023), έδειξε πώς ένα δημοφιλές LLM, το Codex, το οποίο χρησιμοποιείται από τον προμηθευτή Copilot, παράγει “γνωστά, αυτολεξεί SStuBs με 2x μεγαλύτερη πιθανότητα από τον γνωστό, αυτολεξεί σωστό κώδικα”.
Ενώ τα προβλήματα αυτά δεν μπορούν να αγνοηθούν, εξακολουθεί να υπάρχει μεγάλος δικαιολογημένος ενθουσιασμός για το πώς αυτά τα προγράμματα μπορούν να συμβάλουν στον εκδημοκρατισμό της ανάπτυξης λογισμικού, υποστηρίζοντας τόσο τις τεχνικές όσο και τις μη τεχνικές ομάδες.
Ίσως το πιο εντυπωσιακό είναι ότι εργαλεία όπως το ChatGPT μπορούν να παράγουν λειτουργικό κώδικα πολύ γρήγορα. Με τη σωστή προτροπή, οι μηχανικοί μπορούν να μειώσουν το χρόνο που απαιτείται για τον προγραμματισμό ορισμένων τύπων κώδικα, εξασφαλίζοντας έναν ταχύτερο κύκλο ζωής ανάπτυξης λογισμικού.
Στο τέλος του 2022, ο δημοφιλής κόμβος προγραμματισμού
Stack Overflow απαγόρευσε την παραγωγή τεχνητής νοημοσύνης
απαντήσεις στο φόρουμ της. Ανέφεραν το υψηλό ποσοστό σφάλματος και τις ανακρίβειες που σχετίζονται με την εφαρμογή. Ωστόσο, η τεχνολογία βρίσκεται σε πρώιμο στάδιο- επιπλέον, η δυσαρέσκεια με την παραγωγή που παράγεται από την τεχνητή νοημοσύνη οφείλεται τόσο στην κακή μηχανική όσο και στην ίδια την τεχνολογία.
Παρά τους ενδοιασμούς σχετικά με την τεχνολογία, μια
πρόσφατο άρθρο της McKinsey
υπογραμμίζει τον αντίκτυπο που έχει ήδη η άμεση μηχανική στον κόσμο του προγραμματισμού. Η εταιρεία συμβούλων Η κατάσταση της τεχνητής νοημοσύνης το 2023: Generative AI: Η χρονιά της διάσπασης της ΤΝ μοιράστηκε δύο ενδιαφέρουσες τάσεις. Πρώτον, το 7% των οργανισμών που έχουν επενδύσει στην τεχνητή νοημοσύνη προσλαμβάνει άμεσα μηχανικούς. Δεύτερον, οι εταιρείες που χρησιμοποιούν τεχνητή νοημοσύνη έχουν μειώσει τους ρόλους μηχανικού λογισμικού που σχετίζονται με την τεχνητή νοημοσύνη από 38% σε 28%.
Ένας τρόπος για να ερμηνεύσουμε αυτές τις τάσεις είναι ότι οι επιχειρήσεις αισθάνονται άνετα με αυτή τη ρύθμιση και είναι έτοιμες να παραδώσουν την αυτοματοποίηση του λογισμικού στις μηχανές τους. Αν και τα στοιχεία αυτά μπορεί να τρομάξουν τους υπάρχοντες μηχανικούς, η έρευνα της McKinsey δείχνει ότι “μόνο το 8 τοις εκατό δηλώνει ότι το μέγεθος του εργατικού δυναμικού τους θα μειωθεί περισσότερο από ένα πέμπτο”. Συνολικά, οι μηχανικοί θα πρέπει πιθανότατα να επανεκπαιδευτούν για να επωφεληθούν από την τάση προς την αυτοματοποίηση του λογισμικού με τεχνητή νοημοσύνη.
Μια προφανής εφαρμογή για την αυτοματοποίηση λογισμικού που δημιουργείται από τεχνητή νοημοσύνη περιλαμβάνει τη δημιουργία ρομπότ αυτοματισμού. Ωστόσο, ενώ η άμεση μηχανική είναι μια φαινομενικά φιλική προς το χρήστη διεπαφή χάρη στην εστίασή της στη συνομιλία, μένει να δούμε αν μπορεί να αντικαταστήσει τις υπάρχουσες λύσεις.
Με πολλούς τρόπους, λογισμικό όπως το ZAPTEST έχει ήδη εκδημοκρατίσει την αγορά αυτοματισμού λογισμικού. Υπάρχουν πλέον εργαλεία χωρίς κώδικα που επιτρέπουν σε μη τεχνικές ομάδες να κατασκευάσουν ρομπότ RPA υψηλής ποιότητας. Ενώ λογισμικό όπως το ChatGPT μπορεί να κατασκευάσει bots, η εφαρμογή και η συντήρηση μπορεί να αποδειχθεί δύσκολη για οποιονδήποτε δεν είναι μηχανικός λογισμικού, ακόμη και για όσους είναι.
Η καταγραφή των αλληλεπιδράσεων ανθρώπου-υπολογιστή από το GUI σας και η μετατροπή αυτών των κινήσεων σε κώδικα είναι πολύ πιο φιλική προς το χρήστη από τη χρήση προτροπών. Σε συνδυασμό με τη δυνατότητα της LLM να παράγει ασταθή και γεμάτο λάθη κώδικα, είναι δίκαιο να πούμε ότι το λογισμικό RPA δεν πρόκειται να πάει πουθενά στο άμεσο μέλλον.
#2. Μετατροπή μη δομημένων δεδομένων
Τα μη δομημένα δεδομένα δεν είναι το δυνατό χαρτί της Ρομποτικής Αυτοματοποίησης Διαδικασιών. Η τεχνολογία δεν έχει κατασκευαστεί για να χειρίζεται πράγματα όπως μηνύματα ηλεκτρονικού ταχυδρομείου, εικόνες, ήχο και άλλα. Τα εργαλεία RPA χρειάζονται προκαθορισμένα μοντέλα δεδομένων με οργανωμένες δομές.
Ένα τεράστιο ποσοστό των μη δομημένων δεδομένων περιλαμβάνει κείμενο φυσικής γλώσσας. Μεγάλα γλωσσικά μοντέλα κατασκευάζονται για να “κατανοήσουν” αυτές τις πληροφορίες και να εξάγουν σημασιολογικό νόημα από αυτές. Ως εκ τούτου, αυτό δημιουργεί μια σημαντική ευκαιρία για τις ομάδες που θέλουν να ερμηνεύσουν αυτά τα κείμενα και να τα μετατρέψουν σε μια μορφή που να είναι αποδεκτή από τα εργαλεία RPA.
Πολλές ομάδες χρησιμοποιούν εδώ και χρόνια την επεξεργασία φυσικής γλώσσας (NLP) για να τις βοηθήσει στην ανάλυση συναισθήματος. Αυτή η διαδικασία, γνωστή και ως εξόρυξη γνώμης, βοηθά τους οργανισμούς να παρακολουθούν τα συναισθήματα και τις στάσεις των καταναλωτών απέναντι στις μάρκες. Στην πλειονότητα των περιπτώσεων, τα εργαλεία αυτά χρησιμοποιούνται για την ανίχνευση θετικών, αρνητικών και ουδέτερων συναισθημάτων μέσα στο κείμενο. Ωστόσο, η τεχνολογία είναι επίσης ικανή για πολύ πιο λεπτομερή ανίχνευση συναισθημάτων.
Ενώ υπάρχουν αρκετά εργαλεία στην αγορά που προσφέρουν αυτή τη λειτουργικότητα, το LLM παρέχει μια διέξοδο για πιο ευέλικτη χρήση πέρα από την κατανόηση του τρόπου με τον οποίο οι άνθρωποι αισθάνονται για ένα προϊόν ή μια υπηρεσία. Για παράδειγμα, τα τελευταία χρόνια η ανάλυση δεδομένων έχει εκτοξευθεί σε δημοτικότητα. Τα μεγάλα δεδομένα δίνουν στις εταιρείες ένα πλεονέκτημα, επιτρέποντάς τους να αντλούν πληροφορίες και να κατανοούν τα δεδομένα που βοηθούν στη λήψη αποφάσεων βάσει δεδομένων.
Τα εργαλεία αυτοματοποίησης ρομποτικών διαδικασιών μπορούν να βοηθήσουν στη συλλογή δεδομένων. Ωστόσο, όπως αναφέραμε παραπάνω, δυσκολεύονται με συγκεκριμένους τύπους πληροφοριών. Ωστόσο, όταν συνδυάζεται με εργαλεία τεχνητής νοημοσύνης που χρησιμοποιούν μεγάλα γλωσσικά μοντέλα, το RPA μπορεί να συλλέξει μεγάλες ποσότητες δεδομένων και να τις χρησιμοποιήσει για να παράγει τις πληροφορίες που απαιτούνται για τα εργαλεία επιχειρηματικής ευφυΐας (BI).
Μια από τις πιο συναρπαστικές πτυχές της Γενετικής Τεχνητής Νοημοσύνης είναι η ικανότητά της να κατανοεί τα δεδομένα που εισάγονται. Με τη σωστή μηχανική προτροπή, οι ομάδες μπορούν να μετατρέψουν αυτά τα δεδομένα σε μορφή που λειτουργεί για τα εργαλεία RPA.
Η RPA μπορεί να βοηθήσει να γίνουν οι ροές εργασίας Big Data πιο αποτελεσματικές. Για αρχή, μπορείτε να το χρησιμοποιήσετε για να βοηθήσετε τόσο στην εισαγωγή όσο και στην εξαγωγή δεδομένων. Ωστόσο, ίσως οι πιο πολύτιμες και ενδιαφέρουσες περιπτώσεις χρήσης περιλαμβάνουν τη χρήση εργαλείων RPA για το μετασχηματισμό, τον καθαρισμό και τη φόρτωση δεδομένων ή τη διασφάλιση της γρήγορης, αποτελεσματικής και ακριβούς μετάβασης δεδομένων.
Ένα άλλο σημαντικό σημείο είναι η διακυβέρνηση δεδομένων. Η αυτοματοποίηση των αιτημάτων δεδομένων βοηθά τους οργανισμούς να παραμένουν συμμορφούμενοι και κρατά τα δεδομένα μακριά από τα μάτια των χειρωνακτικών εργαζομένων.
#3. Αυτοματοποίηση δοκιμών
Η αυτοματοποίηση δοκιμών έχει απογειωθεί στους κύκλους ανάπτυξης λογισμικού επειδή παρέχει έναν ταχύτερο τρόπο για την επαλήθευση του λογισμικού. Οι δοκιμές και η διασφάλιση ποιότητας ήταν παραδοσιακά δαπανηρές και χρονοβόρες διαδικασίες- η αυτοματοποίηση δοκιμών παρέχει λύση και στις δύο αυτές προκλήσεις.
Ένα από τα πρώτα πράγματα που μπορεί να κάνει η άμεση μηχανική είναι να βελτιώσει την ποιότητα των περιπτώσεων δοκιμών. Με τις σωστές οδηγίες, τα μηχανήματα αυτά μπορούν να αναλύουν περιπτώσεις δοκιμών και να εντοπίζουν προβλήματα και διορθωτικά μέτρα. Αυτή η διαδικασία μπορεί να ενισχύσει το πεδίο εφαρμογής των περιπτώσεων δοκιμής και να οδηγήσει σε πιο ολοκληρωμένες δοκιμές.
Για παράδειγμα, μπορείτε να τροφοδοτήσετε ένα μεγάλο γλωσσικό μοντέλο κώδικα με τον ίδιο τρόπο που θα τροφοδοτούσατε έναν ανθρώπινο κριτή. Αυτές οι μηχανές μπορούν να διατρέξουν γρήγορα τον κώδικα και να εντοπίσουν σφάλματα, σφάλματα, ακόμη και να εντοπίσουν προβλήματα απόδοσης. Ίσως το πιο ενδιαφέρον, οι LLM προσφέρουν επίσης τη δυνατότητα ολοκλήρωσης του κώδικα των περιπτώσεων δοκιμής από απλά αποσπάσματα, επιταχύνοντας τη δημιουργία περιπτώσεων δοκιμής.
Η άμεση μηχανική στοχεύει να αντιμετωπίσει πολλά από τα ζητήματα που οδήγησαν στην εμφάνιση της προσέγγισης Agile/DevOps στην ανάπτυξη λογισμικού. Οι μηχανικοί θέλουν αποτελεσματικές, εύκολα επαναλαμβανόμενες δοκιμές που μπορούν να εντοπίζουν προβλήματα πριν από την ανάπτυξη των εφαρμογών. Η ιδέα εδώ είναι ότι, απελευθερώνοντας χρόνο, οι προγραμματιστές λογισμικού μπορούν να επικεντρωθούν σε πιο δημιουργικές και προσανατολισμένες στην αξία εργασίες.
Όπως περιγράφεται σε ένα κλασικό έγγραφο,
Τεχνικό χρέος στον αυτοματισμό δοκιμών
(K. Wiklund, 2012), οι ομάδες ανάπτυξης λογισμικού μπορεί να αντιμετωπίσουν προβλήματα εάν ξοδεύουν πολύ χρόνο για χειροκίνητες δοκιμές και επαληθεύσεις του λογισμικού τους. Το αρχικό κόστος των λύσεων αυτοματοποίησης δοκιμών, η έλλειψη εμπειρίας στην αυτοματοποίηση, ακόμη και η προτίμηση σε παλαιότερες μεθόδους μπορεί να συμβάλλουν σε αυτές τις επιβραδύνσεις.
Μια από τις πιο ενδιαφέρουσες πτυχές της ευέλικτης ανάπτυξης λογισμικού περιλαμβάνει
την ανάπτυξη με γνώμονα τη συμπεριφορά (BDD).
Η έννοια αναφέρεται στην ανάπτυξη λογισμικού με αναμενόμενες συμπεριφορές χρηστών. Ενώ η εφαρμογή αυτής της προσέγγισης μπορεί σαφώς να εξοικονομήσει χρόνο, πολλές ομάδες δυσκολεύονται να υλοποιήσουν αυτή την αυτοματοποίηση. Ωστόσο, τα LLM μπορούν να δώσουν μια λύση.
Μερικά από τα πιο συνηθισμένα συμπτώματα του τεχνικού χρέους περιλαμβάνουν την κακή τεκμηρίωση και την έλλειψη αξιόπιστων δοκιμών. Αυτά είναι προβλήματα που τα LLMs του σήμερα μπορούν να βοηθήσουν στην επίλυση. Ωστόσο, άλλα αξιοσημείωτα συμπτώματα, όπως η αναδιαμόρφωση, είναι πολύ περίπλοκα για την τρέχουσα Γενετική Τεχνητή Νοημοσύνη και μπορεί να μην οδηγήσουν σε εξοικονόμηση χρόνου.
Τελικές σκέψεις
Οι εφαρμογές δημιουργικής τεχνητής νοημοσύνης έχουν τεράστιες δυνατότητες. Ωστόσο, η φιλική προς το χρήστη, διαλογική διεπαφή μπορεί να είναι παραπλανητική. Πολλοί άνθρωποι πιστεύουν ότι είναι απλό να παράγουν ποιοτικές εξόδους από αυτά τα μηχανήματα. Ωστόσο, η άριστη άμεση μηχανική είναι πιο περίπλοκη απ’ ό,τι θα περίμενε κανείς.
Η αποτελεσματική άμεση μηχανική απαιτεί πολλές δοκιμές και λάθη. Χρειάζεται επίσης πολλή προνοητικότητα εκ μέρους του μηχανικού για να διασφαλιστεί ότι οι απαντήσεις είναι χρήσιμες. Τέλος, ο έλεγχος και ο επανέλεγχος της εργασίας είναι σημαντικός λόγω της καλά δημοσιοποιημένης πιθανότητας σφαλμάτων.
Ενώ οι θέσεις εργασίας μηχανικών μπορεί να βρίσκονται σε άνοδο, δεν είναι όλοι πεπεισμένοι. Γράφοντας στο Harvard Business Review, ο Oguz A. Acar διατυπώνει ένα συναρπαστικό επιχείρημα ότι “οι μελλοντικές γενιές συστημάτων τεχνητής νοημοσύνης θα γίνουν πιο διαισθητικές και ικανές στην κατανόηση της φυσικής γλώσσας, μειώνοντας την ανάγκη για σχολαστικά σχεδιασμένες προτροπές”.
Ό,τι κι αν επιφυλάσσει το μέλλον, η Γενετική Τεχνητή Νοημοσύνη θα είναι εκεί στο μείγμα. Ενώ η άμεση μηχανική υπόσχεται πολλά, είναι δύσκολο να πούμε με βεβαιότητα ποιος θα είναι ο ακριβής ρόλος της.
Είναι ενδιαφέρον ότι το λογισμικό αυτοματοποίησης δοκιμών λογισμικού είναι ήδη γεμάτο με περιπτώσεις χρήσης και ιστορίες επιτυχίας που αποδεικνύουν την καταλληλότητά του για την επιτάχυνση της ανάπτυξης λογισμικού χωρίς συμβιβασμούς στην ακρίβεια ή την ολοκληρωμένη επαλήθευση των εφαρμογών.
Εργαλεία όπως το ZAPTEST επιτρέπουν ήδη στους προγραμματιστές να αντιμετωπίσουν ζητήματα όπως η ανεπάρκεια χρόνου και πόρων, το τεχνικό χρέος, η τεκμηρίωση και οι ολοκληρωμένες δοκιμές και το RPA. Επιπλέον, αυτά τα εργαλεία είναι πιο φιλικά προς το χρήστη από την άμεση μηχανική, καθιστώντας τα πολύ πιο κατάλληλες επιλογές για μη τεχνικές ομάδες. Όπως πάντα, οι πραγματικές δυνατότητες βρίσκονται στη διασταύρωση αυτών των συναρπαστικών τεχνολογιών αυτοματισμού.
