ChatGPT, Bard மற்றும் பிற முக்கிய பெரிய மொழி மாதிரிகள் (எல்.எல்.எம்) கடந்த ஆண்டில் எங்கள் செய்தி ஊட்டங்களில் ஆதிக்கம் செலுத்தின. அதுவும் சரிதான். இந்த அற்புதமான தொழில்நுட்பங்கள் செயற்கை நுண்ணறிவின் எதிர்காலம், சக்தி மற்றும் சாத்தியக்கூறுகள் பற்றிய ஒரு பார்வையை நமக்கு வழங்குகின்றன.
பொது உற்சாகத்தின் பெரும்பகுதி உரை, படங்கள் மற்றும் வீடியோவை உருவாக்குவதை மையமாகக் கொண்டிருந்தாலும், இந்த கருவிகள் மென்பொருள் ஆட்டோமேஷன் போன்ற பல துறைகளுக்கு பயன்படுத்தப்படலாம்.
இந்த கட்டுரை மென்பொருள் ஆட்டோமேஷனுக்கு உடனடி பொறியியல் எவ்வாறு உதவும் என்பதற்கான ஆழமான டைவாக செயல்படும். இருப்பினும், நமது முதல் அழைப்புத் துறைமுகம் உடனடி பொறியியலைப் பற்றிய ஒரு பரிசோதனையாக இருக்க வேண்டும்.
உடனடி பொறியியல் என்றால் என்ன?
ChatGPT போன்ற பெரிய மொழி மாதிரிகள் நாங்கள் வழங்கும் தூண்டுதல்கள் அல்லது வாக்கியங்களின் அடிப்படையில் வெளியீடுகளை உருவாக்குகின்றன. இருப்பினும், நாம் பயன்படுத்தும் சொற்கள் அல்லது வழிமுறைகளைப் பொறுத்து முடிவுகள் பெரிதும் மாறுபடும். தெளிவற்ற மற்றும் தெளிவற்ற வழிமுறைகளை நாம் உள்ளிடும்போது, வெளியீடு குறியைத் தொடாமல் போகலாம்.
உடனடி பொறியியல் என்பது இந்த அற்புதமான செயற்கை நுண்ணறிவு அமைப்புகளிலிருந்து மிகவும் துல்லியமான, துல்லியமான மற்றும் இறுதியில் பயன்படுத்தக்கூடிய உள்ளடக்கத்தைப் பெற உதவும் உள்ளீடுகளின் வடிவமைப்பைக் குறிக்கிறது.
பெரிய மொழி மாதிரி (எல்.எல்.எம்) அமைப்புகள் நாங்கள் கொடுக்கும் அறிக்கைகளை விளக்க இயற்கை மொழி செயலாக்கத்தை (என்.எல்.பி) பயன்படுத்துகின்றன. இயந்திரங்கள் இந்த கேள்விகள் அல்லது அறிவுறுத்தல்களை (அதாவது, தூண்டுதல்கள்) குறியீடாக மாற்றி, அவற்றை அவற்றின் பரந்த தரவு களஞ்சியங்கள் வழியாக இயக்கி, நாங்கள் குறிப்பிடும் எந்த வடிவத்திலும் (அதாவது, உரை, படங்கள், குறியீடு) உள்ளடக்கத்தை உருவாக்குகின்றன.
சாட்ஜிபிடி 570 ஜிபி டேட்டாவில் பயிற்சி பெற்றது
. பயிற்சிப் பொருள் புத்தகங்கள், கட்டுரைகள், வலை நூல்கள் மற்றும் பலவற்றைக் கொண்டுள்ளது. வேறு வார்த்தைகளில் கூறுவதானால், இந்த தரவுத் தொகுப்புகள் கற்பனை செய்ய முடியாத அளவு அறிவைக் கொண்டுள்ளன.
இந்த செயல்முறையை நாம் புரிந்து கொண்டாலும், இந்த அமைப்புகளின் முகமூடிக்கு அடியில் என்ன நடக்கிறது என்பது நம் கண்ணுக்குத் தெரியாமல் நிகழ்கிறது. நிச்சயமாக, நாங்கள் உள்ளீடுகள் மற்றும் வெளியீடுகளைக் கட்டுப்படுத்துகிறோம், மேலும் கணினிக்கு பயிற்சியளிக்கிறோம், ஆனால் இந்த வழிமுறைகள் எவ்வாறு செயல்படுகின்றன மற்றும் முடிவுகளை எடுக்கின்றன என்பது இன்னும் ஒரு மர்மமாக உள்ளது. நியூயார்க் பல்கலைக்கழகத்தின் செயற்கை நுண்ணறிவு பேராசிரியரான சாம் போமனின் வார்த்தைகளில் கூறுவதானால், “நாங்கள் அதை உருவாக்கினோம், நாங்கள் அதை பயிற்சி செய்தோம், ஆனால் அது என்ன செய்கிறது என்று எங்களுக்குத் தெரியாது.”
கணிக்கக்கூடிய மற்றும் பயன்படுத்தக்கூடிய முடிவுகளை உருவாக்கும் வெளியீடுகளைப் பயன்படுத்துவதன் மூலம் அந்த குழப்பத்தை நிர்வகிக்க உடனடி பொறியியல் எங்களுக்கு உதவுகிறது. இந்த பயன்பாடுகளுக்குள் பரந்த அளவிலான அறிவைத் திறக்க அவை நமக்கு ஒரு பாதையை வழங்குகின்றன.
இந்த துறை ஒரு புதிய தொழிலாக வளர்ந்து வருகிறது
, இந்த சக்திவாய்ந்த தொழில்நுட்பத்தை எவ்வாறு பயன்படுத்துவது என்பதை வணிகங்கள் உருவாக்கும்போது படிப்புகள் எல்லா இடங்களிலும் முளைக்கின்றன.
உடனடி பொறியியல் எவ்வாறு உதவ முடியும்
மென்பொருள் ஆட்டோமேஷன்?
மென்பொருள் ஆட்டோமேஷன் மற்றும் எல்.எல்.எம்.கள் நிறைய பொதுவானவை. அவை இரண்டும் விரைவான, அதிக உற்பத்தித்திறன் கொண்ட பணியிடங்களை உருவாக்க இயந்திரங்கள் மனித படைப்பாற்றலை அதிகரிக்கும் எதிர்காலத்தைப் பற்றிய ஒரு பார்வையை வழங்குகின்றன.
இந்த இரண்டு தொழில்நுட்பங்களும் இணையக்கூடிய பல அற்புதமான பகுதிகள் உள்ளன. மென்பொருள் ஆட்டோமேஷனில் உடனடி பொறியியலைப் பயன்படுத்தக்கூடிய மூன்று வழிகள் இங்கே.
#1. குறியீட்டை உருவாக்குதல்
எழுத்துக் குறியீடு பெரிய மொழி மாதிரிகளின் மிகவும் நம்பிக்கைக்குரிய பயன்பாடுகளில் ஒன்றாகும். ஏஐ எல்எல்எம்கள் அவற்றின் குழந்தை பருவத்தில் உள்ளன. அடுத்த சில ஆண்டுகளில் கணினி மற்றும் பயிற்சி இரண்டிற்கும் அதிக வளங்கள் சேர்க்கப்படுவதால் இந்த தொழில்நுட்பம் மேம்பட வேண்டும்.
நீண்ட காலத்திற்கு, இந்த முன்னேற்றங்கள் செயற்கை நுண்ணறிவு வரையறுக்கப்பட்ட அல்லது மனித தலையீடு இல்லாமல் முழு நிரல்களையும் எழுதுவதைக் காணலாம். இருப்பினும், இப்போதைக்கு, எல்.எல்.எம்.களுக்கு சில வரம்புகள் உள்ளன. எல்.எல்.எம் குறியீட்டின் வெளியீட்டின் தரம் முக்கியமாக உள்ளீட்டின் தரத்தைப் பொறுத்தது. அவர்கள் சொல்வது போல் குப்பை உள்ளே, குப்பை வெளியே.
நிச்சயமாக, இது ஒரு தடையாக செயல்படுவது பயனுள்ள உடனடி பொறியியல் மட்டுமல்ல. இதில் பரிந்துரைக்கப்பட்டபடி ChatGPT மற்றும் கல்வியில் பெரிய மொழி மாதிரிகள்: வாய்ப்புகள் மற்றும் சவால்கள் (மேயர், 2023), “தற்போது, சாட்ஜிபிடி குறியீட்டின் சிறிய தொகுதிகளை துல்லியமாக எழுதுவதில் வெற்றிகரமாக இருக்க அதிக வாய்ப்புள்ளது, அதே நேரத்தில் பெரிய / மிகவும் சிக்கலான நிரல்களை (எ.கா., ஒரு மென்பொருள் தொகுப்பு) எழுதுவதில் அதன் நம்பகத்தன்மை கேள்விக்குரியது.”
மேலும், நேச்சர் இதழில் சமீபத்தில் வெளியான ஒரு கட்டுரையில், சில கணினி விஞ்ஞானிகள் எல்.எல்.எம்களுடன் குறியீடு உருவாக்கத்தை சில எச்சரிக்கையுடன் அணுக வேண்டும் என்று எச்சரித்தனர். மற்றொரு சமகால பத்திரிகை,
பெரிய மொழி மாதிரிகள் மற்றும் எளிய, முட்டாள்தனமான பிழைகள்
(ஜெஸ்ஸி, 2023), விற்பனையாளர் கோபிலாட்டால் பயன்படுத்தப்படும் ஒரு பிரபலமான எல்.எல்.எம், கோடெக்ஸ், “அறியப்பட்ட, சொற்பிறப்பான எஸ்.எஸ்.டி.யு.பி.களை அறியப்பட்டதை விட 2 மடங்கு அதிகமாக, சரியான குறியீட்டை” எவ்வாறு உருவாக்குகிறது என்பதை நிரூபித்தது.
இந்த சிக்கல்களை புறக்கணிக்க முடியாது என்றாலும், தொழில்நுட்ப மற்றும் தொழில்நுட்பம் அல்லாத குழுக்களை ஆதரிப்பதன் மூலம் மென்பொருள் வளர்ச்சியை ஜனநாயகப்படுத்த இந்த நிரல்கள் எவ்வாறு உதவும் என்பது குறித்து இன்னும் நிறைய நியாயமான உற்சாகம் உள்ளது.
கருத்தில் கொள்ள வேண்டிய மிகவும் சுவாரஸ்யமான விஷயம் என்னவென்றால், சாட்ஜிபிடி போன்ற கருவிகள் செயல்பாட்டு குறியீட்டை மிக விரைவாக உருவாக்க முடியும். சரியான உடனடி மூலம், பொறியாளர்கள் சில வகையான குறியீட்டை நிரல் செய்ய எடுக்கும் நேரத்தைக் குறைக்கலாம், விரைவான மென்பொருள் மேம்பாட்டு வாழ்க்கை சுழற்சியை உறுதி செய்யலாம்.
2022 ஆம் ஆண்டின் இறுதியில், பிரபலமான நிரலாக்க மையமான
ஸ்டாக் ஓவர்ஃப்ளோ செயற்கை நுண்ணறிவு உருவாக்கியதை தடை செய்தது
அதன் மன்றத்தில் பதில்கள். பயன்பாட்டுடன் தொடர்புடைய அதிக பிழை விகிதம் மற்றும் பிழைகளை அவர்கள் மேற்கோள் காட்டினர். இருப்பினும், தொழில்நுட்பம் ஆரம்ப கட்டத்தில் உள்ளது; மேலும், செயற்கை நுண்ணறிவு உருவாக்கும் வெளியீட்டின் மீதான அதிருப்தி தொழில்நுட்பத்தைப் போலவே மோசமான உடனடி பொறியியலுக்கும் கடன்பட்டுள்ளது.
தொழில்நுட்பம் குறித்த சந்தேகங்கள் இருந்தபோதிலும்,
மெக்கின்சியின் சமீபத்திய கட்டுரை
நிரலாக்க உலகில் பிராம்ப்ட் இன்ஜினியரிங் ஏற்கனவே ஏற்படுத்தும் தாக்கத்தை எடுத்துக்காட்டுகிறது. கன்சல்டிங் நிறுவனத்தின் 2023 ஆம் ஆண்டில் செயற்கை நுண்ணறிவின் நிலை: உற்பத்தி செயற்கை நுண்ணறிவின் பிரேக்அவுட் ஆண்டு இரண்டு சுவாரஸ்யமான போக்குகளைப் பகிர்ந்து கொண்டது. முதலாவதாக, செயற்கை நுண்ணறிவில் முதலீடு செய்த நிறுவனங்களில் 7% உடனடி பொறியாளர்களை பணியமர்த்துகின்றன. இரண்டாவதாக, செயற்கை நுண்ணறிவைப் பயன்படுத்தும் நிறுவனங்கள் செயற்கை நுண்ணறிவு தொடர்பான மென்பொருள் பொறியியல் பாத்திரங்களை 38% இலிருந்து 28% ஆகக் குறைத்துள்ளன.
இந்த போக்குகளை விளக்குவதற்கான ஒரு வழி என்னவென்றால், வணிகங்கள் இந்த அமைப்பில் வசதியாக உள்ளன மற்றும் மென்பொருள் ஆட்டோமேஷனை தங்கள் கணினிகளுக்கு ஒப்படைக்க தயாராக உள்ளன. இந்த புள்ளிவிவரங்கள் தற்போதுள்ள பொறியியலாளர்களை திடுக்கிட வைக்கக்கூடும் என்றாலும், மெக்கின்சி கணக்கெடுப்பு “8 சதவிகிதத்தினர் மட்டுமே தங்கள் தொழிலாளர்களின் அளவு ஐந்தில் ஒரு பங்கிற்கு மேல் குறையும் என்று கூறுகின்றனர்” என்று கூறுகிறது. ஒட்டுமொத்தமாக, செயற்கை நுண்ணறிவு உருவாக்கிய மென்பொருள் ஆட்டோமேஷனை நோக்கிய போக்கைப் பயன்படுத்திக் கொள்ள பொறியாளர்கள் மறுதிறன் செய்ய வேண்டியிருக்கும்.
செயற்கை நுண்ணறிவு உருவாக்கிய மென்பொருள் ஆட்டோமேஷனுக்கான ஒரு வெளிப்படையான பயன்பாடு ஆட்டோமேஷன் போட்களை உருவாக்குவது அடங்கும். இருப்பினும், உடனடி பொறியியல் என்பது உரையாடலில் கவனம் செலுத்துவதால் வெளிப்படையான பயனர் நட்பு இடைமுகமாக இருந்தாலும், இது ஏற்கனவே உள்ள தீர்வுகளை மாற்ற முடியுமா என்பதைப் பார்க்க வேண்டும்.
பல வழிகளில், ZAPTEST போன்ற மென்பொருள் ஏற்கனவே மென்பொருள் ஆட்டோமேஷன் சந்தையை ஜனநாயகமயமாக்கியுள்ளது. உயர் தரமான ஆர்பிஏ போட்களை உருவாக்க தொழில்நுட்பம் அல்லாத குழுக்களை அனுமதிக்கும் குறியீடு இல்லாத கருவிகள் இப்போது இங்கே உள்ளன. சாட்ஜிபிடி போன்ற மென்பொருள் போட்களை உருவாக்க முடியும் என்றாலும், மென்பொருள் பொறியாளர் அல்லாத எவருக்கும், உள்ளவர்களுக்கும் செயல்படுத்துவதும் பராமரிப்பதும் தந்திரமாக இருக்கும்.
உங்கள் GUI இலிருந்து மனித-கணினி இடைவினைகளைப் பதிவுசெய்து, இந்த இயக்கங்களை குறியீடாக மாற்றுவது தூண்டுதல்களைப் பயன்படுத்துவதை விட மிகவும் பயனர் நட்பு. நிலையற்ற மற்றும் பிழை-சிதறிய குறியீட்டை உருவாக்கும் எல்.எல்.எம்மின் திறனுடன் இணைக்கப்படும்போது, ஆர்.பி.ஏ மென்பொருள் எதிர்காலத்தில் எங்கும் செல்லாது என்று சொல்வது நியாயமானது.
#2. கட்டமைக்கப்படாத தரவை மாற்றுதல்
கட்டமைக்கப்படாத தரவு ரோபோடிக் செயல்முறை ஆட்டோமேஷனின் வலுவான வழக்கு அல்ல. மின்னஞ்சல்கள், படங்கள், ஆடியோ மற்றும் பலவற்றைக் கையாள தொழில்நுட்பம் கட்டமைக்கப்படவில்லை. ஆர்பிஏ கருவிகளுக்கு ஒழுங்கமைக்கப்பட்ட கட்டமைப்புகளுடன் முன் வரையறுக்கப்பட்ட தரவு மாதிரிகள் தேவை.
கட்டமைக்கப்படாத தரவின் பெரும் பகுதி இயற்கையான மொழி உரையை உள்ளடக்கியது. இந்த தகவலை “புரிந்துகொள்வதற்கும்” அவற்றிலிருந்து சொற்பொருள் பொருளைப் பிரித்தெடுப்பதற்கும் பெரிய மொழி மாதிரிகள் கட்டப்பட்டுள்ளன. எனவே, இந்த உரைகளை விளக்கவும், அவற்றை ஆர்.பி.ஏ கருவிகளுக்கு ஏற்ற வடிவமாக மாற்றவும் விரும்பும் குழுக்களுக்கு இது ஒரு கணிசமான வாய்ப்பை உருவாக்குகிறது.
உணர்ச்சி பகுப்பாய்வுக்கு உதவ பல குழுக்கள் இயற்கை மொழி செயலாக்கத்தை (என்.எல்.பி) பல ஆண்டுகளாகப் பயன்படுத்துகின்றன. இந்த செயல்முறை, கருத்து சுரங்கம் என்றும் அழைக்கப்படுகிறது, இது பிராண்டுகள் குறித்த நுகர்வோரின் உணர்வுகள் மற்றும் அணுகுமுறைகளை நிறுவனங்கள் மேலே வைத்திருக்க உதவுகிறது. பெரும்பாலான சந்தர்ப்பங்களில், உரைக்குள் நேர்மறை, எதிர்மறை மற்றும் நடுநிலை உணர்வுகளைக் கண்டறிய இந்த கருவிகள் பயன்படுத்தப்படுகின்றன. இருப்பினும், இந்த தொழில்நுட்பம் மிகவும் நுணுக்கமான உணர்ச்சி கண்டறிதல் திறனைக் கொண்டுள்ளது.
இந்த செயல்பாட்டை வழங்கும் சந்தையில் பல கருவிகள் இருந்தாலும், எல்.எல்.எம் ஒரு தயாரிப்பு அல்லது சேவையைப் பற்றி மக்கள் எவ்வாறு உணர்கிறார்கள் என்பதைப் புரிந்துகொள்வதற்கு அப்பால் மிகவும் பல்துறை பயன்பாட்டிற்கான பாதையை வழங்குகிறது. எடுத்துக்காட்டாக, தரவு பகுப்பாய்வு சமீபத்திய ஆண்டுகளில் பிரபலமடைந்துள்ளது. தரவு சார்ந்த முடிவுகளை எடுக்க உதவும் நுண்ணறிவுகளையும் புரிதல்களையும் பெற அனுமதிப்பதன் மூலம் பிக் டேட்டா நிறுவனங்களுக்கு ஒரு விளிம்பை அளிக்கிறது.
ரோபோடிக் செயல்முறை ஆட்டோமேஷன் கருவிகள் தரவை சேகரிக்க உதவும். இருப்பினும், நாம் மேலே குறிப்பிட்டுள்ளபடி, அவை குறிப்பிட்ட வகையான தகவல்களுடன் போராடுகின்றன. இருப்பினும், பெரிய மொழி மாதிரிகளைப் பயன்படுத்தும் செயற்கை நுண்ணறிவு கருவிகளுடன் இணைக்கப்படும்போது, ஆர்பிஏ பெரிய அளவிலான தரவைச் சேகரித்து வணிக நுண்ணறிவு (பிஐ) கருவிகளுக்குத் தேவையான தகவல்களை உருவாக்க அதைப் பயன்படுத்தலாம்.
உற்பத்தி செயற்கை நுண்ணறிவின் மிகவும் அற்புதமான அம்சங்களில் ஒன்று தரவு உள்ளீடுகளைப் புரிந்துகொள்ளும் திறன் ஆகும். சரியான உடனடி பொறியியல் மூலம், அணிகள் இந்த தரவை தங்கள் ஆர்பிஏ கருவிகளுக்கு வேலை செய்யும் வடிவமாக மாற்றலாம்.
பிக் டேட்டா பணிப்பாய்வுகளை மிகவும் திறமையானதாக மாற்ற ஆர்பிஏ உதவும். தொடக்கத்தில், தரவு உள்ளீடு மற்றும் பிரித்தெடுத்தல் இரண்டிற்கும் உதவ நீங்கள் இதைப் பயன்படுத்தலாம். இருப்பினும், தரவை மாற்றுவதற்கும், சுத்தம் செய்வதற்கும் ஏற்றுவதற்கும் அல்லது தரவு இடம்பெயர்வு விரைவாகவும், திறமையாகவும், துல்லியமாகவும் இயங்குவதை உறுதி செய்வதற்கும் ஆர்பிஏ கருவிகளைப் பயன்படுத்துவது மிகவும் மதிப்புமிக்க மற்றும் புதிரான பயன்பாட்டு நிகழ்வுகளில் அடங்கும்.
மற்றொரு முக்கியமான குறிப்பு தரவு ஆளுமை ஆகும். தரவு கோரிக்கைகளை தானியக்கமாக்குவது நிறுவனங்கள் இணக்கமாக இருக்க உதவுகிறது மற்றும் தரவை உடலுழைப்பு தொழிலாளர்களின் பார்வையில் இருந்து விலக்கி வைக்கிறது.
#3. சோதனை ஆட்டோமேஷன்
சோதனை ஆட்டோமேஷன் மென்பொருள் மேம்பாட்டு வட்டங்களில் தொடங்கப்பட்டுள்ளது, ஏனெனில் இது மென்பொருளை சரிபார்க்க விரைவான வழியை வழங்குகிறது. சோதனை மற்றும் தர உத்தரவாதம் பாரம்பரியமாக விலையுயர்ந்த மற்றும் நேரம் எடுக்கும் செயல்முறைகளாகும்; சோதனை ஆட்டோமேஷன் இந்த இரண்டு சவால்களுக்கும் ஒரு தீர்வை வழங்குகிறது.
உடனடி பொறியியல் செய்யக்கூடிய முதல் விஷயங்களில் ஒன்று சோதனை வழக்குகளின் தரத்தை மேம்படுத்துவதாகும். சரியான தூண்டுதல்களுடன், இந்த இயந்திரங்கள் சோதனை வழக்குகளை பகுப்பாய்வு செய்யலாம் மற்றும் சிக்கல்கள் மற்றும் தீர்வுகளை அடையாளம் காண முடியும். இந்த செயல்முறை சோதனை வழக்குகளின் நோக்கத்தை அதிகரிக்கும் மற்றும் மேலும் விரிவான சோதனைகளுக்கு வழிவகுக்கும்.
எடுத்துக்காட்டாக, நீங்கள் ஒரு மனித விமர்சகரைப் போலவே ஒரு பெரிய மொழி மாதிரிக் குறியீட்டை ஊட்டலாம். இந்த இயந்திரங்கள் குறியீட்டின் வழியாக விரைவாக இயங்கலாம் மற்றும் பிழைகள், பிழைகளைக் கண்டறியலாம் மற்றும் செயல்திறன் சிக்கல்களை அடையாளம் காணலாம். இன்னும் சுவாரஸ்யமான, எல்.எல்.எம்.கள் வெறுமனே துணுக்குகளிலிருந்து சோதனை வழக்கு குறியீட்டை முடிப்பதற்கான வாய்ப்பை வழங்குகின்றன, இது சோதனை வழக்குகளின் உருவாக்கத்தை விரைவுபடுத்துகிறது.
உடனடி பொறியியல் மென்பொருள் உருவாக்கத்தில் அஜில் / DevOps அணுகுமுறையின் தோற்றத்திற்கு உந்துதலாக இருந்த பல சிக்கல்களைச் சமாளிப்பதை நோக்கமாகக் கொண்டுள்ளது. பயன்பாடுகள் பயன்படுத்தப்படுவதற்கு முன்பு சிக்கல்களைக் கண்டறியக்கூடிய திறமையான, எளிதில் மீண்டும் செய்யக்கூடிய சோதனைகளை பொறியாளர்கள் விரும்புகிறார்கள். நேரத்தை விடுவிப்பதன் மூலம், மென்பொருள் உருவாக்குநர்கள் அதிக ஆக்கபூர்வமான மற்றும் மதிப்பு சார்ந்த பணிகளில் கவனம் செலுத்த முடியும் என்பதே இங்கே யோசனை.
ஒரு உன்னதமான ஆய்வறிக்கையில் கோடிட்டுக் காட்டப்பட்டுள்ளபடி,
சோதனை ஆட்டோமேஷனில் தொழில்நுட்ப கடன்
(கே. விக்லண்ட், 2012), மென்பொருள் மேம்பாட்டுக் குழுக்கள் தங்கள் மென்பொருளின் கையேடு சோதனை மற்றும் சரிபார்ப்புக்கு அதிக நேரம் செலவிட்டால் சிக்கல்களை சந்திக்க நேரிடும். சோதனை ஆட்டோமேஷன் தீர்வுகளின் ஆரம்ப செலவுகள், ஆட்டோமேஷன் அனுபவம் இல்லாமை மற்றும் பழைய முறைகளுக்கான விருப்பம் கூட இந்த மந்தநிலைக்கு பங்களிக்கும்.
சுறுசுறுப்பான மென்பொருள் உருவாக்கத்தின் மிகவும் சுவாரஸ்யமான அம்சங்களில் ஒன்று
நடத்தை-இயக்கப்பட்ட வளர்ச்சி (பி.டி.டி) ஆகும்.
இந்த கருத்து எதிர்பார்க்கப்படும் பயனர் நடத்தைகளுடன் மென்பொருளை உருவாக்குவதைக் குறிக்கிறது. இந்த அணுகுமுறையை செயல்படுத்துவது தெளிவாக நேரத்தை மிச்சப்படுத்தும் என்றாலும், பல அணிகள் இந்த ஆட்டோமேஷனை உயிர்ப்பிக்க போராடுகின்றன. இருப்பினும், எல்.எல்.எம்கள் ஒரு தீர்வை வழங்க முடியும்.
தொழில்நுட்பக் கடனின் மிகவும் பொதுவான அறிகுறிகளில் மோசமான ஆவணங்கள் மற்றும் வலுவான சோதனை இல்லாதது ஆகியவை அடங்கும். இன்றைய எல்.எல்.எம்.கள் தீர்க்க உதவும் சிக்கல்கள் இவை. இருப்பினும், மறுஉற்பத்தி போன்ற பிற குறிப்பிடத்தக்க அறிகுறிகள் தற்போதைய உற்பத்தி செயற்கை நுண்ணறிவுக்கு மிகவும் சிக்கலானவை, மேலும் நேர சேமிப்பை ஏற்படுத்தாது.
இறுதி எண்ணங்கள்
உருவாக்கும் செயற்கை நுண்ணறிவு பயன்பாடுகள் மகத்தான ஆற்றலைக் கொண்டுள்ளன. இருப்பினும், பயனர் நட்பு, உரையாடல் இடைமுகம் தவறாக வழிநடத்தப்படலாம். இந்த இயந்திரங்களிலிருந்து தரமான வெளியீடுகளை உருவாக்குவது நேரடியானது என்று பலர் நம்புகிறார்கள். இருப்பினும், சிறந்த உடனடி பொறியியல் நீங்கள் எதிர்பார்ப்பதை விட மிகவும் சிக்கலானது.
பயனுள்ள உடனடி பொறியியலுக்கு நிறைய சோதனை மற்றும் பிழை தேவைப்படுகிறது. பதில்கள் பயனுள்ளதாக இருப்பதை உறுதி செய்ய பொறியாளர் சார்பாக நிறைய முன் யோசனை தேவை. இறுதியாக, பிழைகளுக்கான நன்கு விளம்பரப்படுத்தப்பட்ட சாத்தியக்கூறு காரணமாக வேலையைச் சரிபார்த்தல் மற்றும் மீண்டும் சரிபார்த்தல் முக்கியம்.
உடனடி பொறியியல் வேலைகள் அதிகரித்து வந்தாலும், அனைவருக்கும் நம்பிக்கை இல்லை. ஹார்வர்ட் பிசினஸ் ரிவ்யூவில் எழுதும் ஓகுஸ் ஏ. அகார் ஒரு கவர்ச்சிகரமான வாதத்தை முன்வைக்கிறார் “செயற்கை நுண்ணறிவு அமைப்புகளின் எதிர்கால சந்ததியினர் இயற்கை மொழியைப் புரிந்துகொள்வதில் மிகவும் உள்ளுணர்வு மற்றும் திறமையானவர்களாக இருப்பார்கள், நுணுக்கமாக வடிவமைக்கப்பட்ட தூண்டுதல்களின் தேவையைக் குறைக்கும்.”
எதிர்காலம் எதுவாக இருந்தாலும், ஜெனரேட்டிவ் ஏஐ கலவையில் இருக்கும். உடனடி பொறியியல் நிறைய வாக்குறுதிகளைக் கொண்டிருந்தாலும், அது என்ன துல்லியமான பாத்திரத்தை வகிக்கும் என்பதை உறுதியாகக் கூறுவது கடினம்.
சுவாரஸ்யமாக, மென்பொருள் சோதனை ஆட்டோமேஷன் மென்பொருள் ஏற்கனவே பயன்பாட்டு வழக்குகள் மற்றும் வெற்றிக் கதைகளால் நிரம்பியுள்ளது, இது பயன்பாடுகளின் துல்லியம் அல்லது விரிவான சரிபார்ப்பில் சமரசம் செய்யாமல் மென்பொருள் வளர்ச்சியை விரைவுபடுத்துவதற்கான அதன் பொருத்தத்தை நிரூபிக்கிறது.
ZAPTEST போன்ற கருவிகள் ஏற்கனவே டெவலப்பர்களை போதுமான நேரம் மற்றும் வளங்கள், தொழில்நுட்ப கடன், ஆவணப்படுத்தல் மற்றும் விரிவான சோதனை மற்றும் ஆர்பிஏ போன்ற சிக்கல்களை நிவர்த்தி செய்ய அனுமதிக்கின்றன. மேலும் என்னவென்றால், இந்த கருவிகள் உடனடி பொறியியலை விட பயனர் நட்பு, அவை தொழில்நுட்பம் அல்லாத குழுக்களுக்கு மிகவும் பொருத்தமான விருப்பங்களாக அமைகின்றன. எப்போதும் போல, உண்மையான திறன் இந்த அற்புதமான ஆட்டோமேஷன் தொழில்நுட்பங்களின் சந்திப்பில் உள்ளது.
