KI-Programmierfähigkeiten entwickeln sich weiter! Die Codequalität kann durch kontinuierliche PUA großer Modelle verbessert werden – AI-Artikel

In den letzten Jahren haben sich die Programmierfähigkeiten der künstlichen Intelligenz (KI) weiterentwickelt, sind aber noch nicht perfekt. Kürzlich hat Max Woolf, ein leitender Datenwissenschaftler bei BuzzFeed, durch Experimente herausgefunden, dass KI tatsächlich besseren Code generieren kann, wenn ein großes Sprachmodell (LLM) ständig mit Aufforderungen zum „Schreiben von besserem Code“ versorgt wird. Diese Entdeckung hat große Aufmerksamkeit erregt, und auch namhafte KI-Wissenschaftler der Branche haben großes Interesse daran bekundet und die Bedeutung der Iteration und der schnellen Wortgestaltung betont.

In Woolfs Experiment verwendete er die Claude3.5Sonnet-Version des KI-Modells, um eine Reihe von Programmieraufgaben auszuführen. Zunächst stellte er dem Modell ein einfaches Programmierproblem: Wie findet man die Differenz zwischen dem Minimal- und Maximalwert unter einer Million zufälliger Ganzzahlen, deren Ziffernsumme 30 ergibt? Nachdem Claude diese Aufgabe erhalten hatte, generierte er Code, der den Anforderungen entsprach, aber Woolf war der Meinung, dass der Code noch Raum für Optimierungen hatte.

Dann beschloss Woolf, Claude jedes Mal nach der Codegenerierung über die Eingabeaufforderung „Besseren Code schreiben“ zu bitten, eine iterative Optimierung durchzuführen. Nach der ersten Iteration hat Claude den Code in eine objektorientierte Python-Klasse umgestaltet und zwei bedeutende Optimierungen implementiert, wodurch die Ausführungsgeschwindigkeit um das 2,7-fache erhöht wurde. In der zweiten Iteration fügte Claude Multithreading-Verarbeitung und vektorisierte Berechnungen hinzu, wodurch der Code letztendlich 5,1-mal schneller lief als die Basisversion.

Mit zunehmender Anzahl der Iterationen verlangsamt sich jedoch die Verbesserung der Codequalität. Obwohl das Modell nach mehreren Optimierungsrunden versuchte, einige ausgefeiltere Techniken wie JIT-Kompilierung und asynchrone Programmierung zu verwenden, führten einige Iterationen zu Leistungseinbußen. Letztendlich zeigte Woolfs Experiment das Potenzial und die Grenzen iterativer Eingabeaufforderungen auf und gab den Menschen neue Denkanstöße für die Zukunft der KI-Programmierung.

Diese Forschung zeigt nicht nur das Anwendungspotenzial von KI im Bereich der Programmierung, sondern erinnert uns auch daran, dass KI zwar die Codequalität durch kontinuierliche Iteration verbessern kann, in tatsächlichen Anwendungen es jedoch immer noch lohnenswert ist, schnelle Wörter richtig zu entwerfen und Leistung und Komplexität in Einklang zu bringen Thema. Ausführlich besprochene Themen.