Il n’est pas encore évident de savoir comment l’IA peut aider à la construction du pipeline. Au cours des dernières semaines, j’ai effectué des itérations sur plusieurs applications tout en demandant à divers LLM d’écrire le code. Bien qu’ils soient souvent capables d’effectuer jusqu’à 95 % d’une tâche parfaitement, ils commettent encore plusieurs erreurs. Lorsque je leur signale le problème, les LLM répondent très poliment : « Vous avez absolument raison… » S’ils le savent après que je le leur ai signalé, pourquoi ne le savaient-ils pas avant ? Pourquoi n’ont-ils pas pu terminer les 5 % restants du travail ?
C'est une question qui se posera à l'avenir. Pour l'instant, les ingénieurs de build trouvent d'autres façons d'utiliser les LLM. Certains résument le code pour produire une meilleure documentation de haut niveau. Certains utilisent la recherche en langage naturel pour demander à un compagnon IA où un bug a commencé. D'autres font confiance aux LLM pour refactoriser leur code afin d'améliorer la réutilisabilité et la maintenance. L'une des applications les plus courantes consiste à créer des cas de test meilleurs et plus complets.
Les LLM sont toujours en évolution et nous sommes encore en train de comprendre dans quelle mesure ils peuvent raisonner et dans quels domaines ils sont susceptibles d'échouer. Nous découvrons à quel point ils peuvent absorber le contexte et comment ils peuvent améliorer notre code. Ils ajouteront de plus en plus de choses au processus de construction, mais il faudra un certain temps avant que ces améliorations n'apparaissent. D'ici là, nous devrons gérer la manière dont les parties s'assemblent. En d'autres termes, nous, les humains, aurons toujours un travail de maintenance du pipeline de construction.