Generative AI มีศักยภาพในการขัดขวางการดำเนินงานด้านไอที ตั้งแต่โครงสร้างพื้นฐานที่เป็นรหัสไปจนถึงการตอบสนองเหตุการณ์ Red Hat และ IBM ได้เปิดตัว Project Wisdom ซึ่งใช้ generative AI เพื่อสร้าง Ansible playbooks ในขณะที่ Copilot ของ GitHub และ CodeT5 ของ Salesforce เป็นหนึ่งในตัวอย่างอื่น ๆ ของ AI เชิงกำเนิดที่ใช้ในการผลิตโค้ดแอปพลิเคชันซอฟต์แวร์ตามข้อความแจ้งภาษาธรรมชาติ ผู้สังเกตการณ์ในอุตสาหกรรมระบุว่า AI กำเนิดสามารถมีบทบาทเพิ่มขึ้นในด้านความสามารถในการสังเกต ความยืดหยุ่นของเวิร์กโฟลว์ เช่น วิศวกรรมความโกลาหลและการทดสอบการเจาะระบบรักษาความปลอดภัย และการวิเคราะห์ภายหลังชันสูตรบนข้อมูลที่ไม่มีโครงสร้าง เช่น ไฟล์แชท การโทรด้วยเสียง และการสื่อสารด้วยภาษาธรรมชาติอื่นๆ แม้ว่าจะไม่น่าจะแทนที่นักพัฒนาที่เป็นมนุษย์ได้อย่างสมบูรณ์ แต่ AI เชิงกำเนิดอาจเปลี่ยนลักษณะงานของโปรแกรมเมอร์ได้อย่างมาก โดยย้ายความเชี่ยวชาญของพวกเขาไปสู่วิศวกรรมที่ทันท่วงที
Generative AI has the potential to disrupt IT operations, from infrastructure-as-code to incident response. Already, Red Hat and IBM have launched Project Wisdom, which uses generative AI to create Ansible playbooks, while GitHub’s Copilot and Salesforce’s CodeT5 are among other examples of generative AI being used to produce software application code based on natural language prompts. According to industry observers, generative AI could play an increasing role in observability, resilience workflows, such as chaos engineering and security penetration testing, and post-mortem analyses on unstructured data, such as chat files, audio calls and other natural language communication. While it is unlikely to completely replace human developers, generative AI could significantly change the nature of work for programmers, moving their expertise to prompt engineering.
ChatGPT และ generative AI จะส่งผลต่อการดำเนินงานด้าน IT อย่างไร
เจเนอเรทีฟเอไอได้ครอบงำวงจรข่าวสารในช่วง 6 เดือนที่ผ่านมา เนื่องจากความก้าวหน้าทางเทคนิคในสาขานี้ดูเหมือนจะพร้อมยกระดับการทำงานในแต่ละวัน รวมถึงผู้เชี่ยวชาญด้านไอทีด้วย
การอภิปรายเกี่ยวกับความหมายของเจเนอเรทีฟ AI ต่อเทคโนโลยีและสังคมในวงกว้างเริ่มถึงจุดเดือดในเดือนพฤศจิกายน 2022 เมื่อ ChatGPT-3 เปิดตัวโดย OpenAI ในเดือนนี้ OpenAI ได้จุดประกายการโต้วาทีด้วย API ที่สามารถเปลี่ยนลักษณะของแอปพลิเคชันขององค์กรและผู้บริโภค และการเปิดตัว GPT-4 ซึ่งเป็นโมเดลภาษาขนาดใหญ่ (LLM) ที่อัปเดตซึ่งฉลาดพอที่จะผ่านการสอบ SAT หรือเนติบัณฑิต
AI เจเนอเรทีฟสามารถใช้เพื่อผลิตเนื้อหาต้นฉบับเพื่อตอบสนองต่อคำค้นหา แต่ยังสามารถใช้ในการเขียนโค้ดหรือทำงานเป็นผู้ช่วยเสมือนได้อีกด้วย ตัวอย่าง AI เชิงกำเนิดอื่นๆ ได้แก่ Copilot ของ GitHub ซึ่งอิงตาม Codex ของ OpenAI ซึ่งสามารถสร้างโค้ดแอปพลิเคชันซอฟต์แวร์ตามข้อความแจ้งภาษาธรรมชาติ, CodeT5 ของ Salesforce และเครื่องมือเติมโค้ดของ Tabnine ในสัปดาห์นี้ AI เชิงสร้างสรรค์ยังปรากฏในผู้ช่วย AI ใหม่สำหรับ Microsoft Azure และ Office 365 เช่นเดียวกับการอัปเดต Google Cloud และ Google Workspace
แม้กระทั่งก่อนที่ GPT-3 จะปรากฎตัว AI กำเนิดได้เข้ามาเป็นเครื่องมือที่ผู้เชี่ยวชาญด้าน IT คุ้นเคย เช่น ซอฟต์แวร์ Ansible Infrastructure-as-code ของ Red Hat IBM และ Red Hat เปิดตัว Project Wisdom ในเดือนตุลาคม โดยมีเป้าหมายในการฝึกอบรมแบบจำลอง AI เชิงกำเนิดเพื่อสร้าง Playbooks Ansible
“เพียงแค่พิมพ์ประโยค เราตั้งใจจะทำให้มันง่ายขึ้นในการสร้างเนื้อหาการทำงานอัตโนมัติ ค้นหาเนื้อหาการทำงานอัตโนมัติ ปรับปรุงเนื้อหาการทำงานอัตโนมัติ และที่สำคัญที่สุดคือ อธิบายว่า playbook ทำอะไรโดยไม่ต้องเรียกใช้” Ashesh Badani รองประธานอาวุโสและ หัวหน้าฝ่ายผลิตภัณฑ์ที่ Red Hat ในบล็อกโพสต์เดือนตุลาคม
ความสามารถของเจเนอเรทีฟเอไอในการทำงานเขียนโค้ดเมื่อกลุ่มนักพัฒนามนุษย์เพียงกลุ่มเดียวได้กระตุ้นให้วิศวกรซอฟต์แวร์วิตกกังวลว่าในที่สุดแล้วโปรแกรมดังกล่าวจะมาแทนที่พวกเขาหรือไม่ แม้ว่าการแทนที่ทั้งหมดนั้นไม่น่าเป็นไปได้ แต่ AI เชิงกำเนิดสามารถเปลี่ยนลักษณะงานของโปรแกรมเมอร์ได้อย่างมาก โดยเปลี่ยนความเชี่ยวชาญของพวกเขาจากการสอนเครื่องจักรโดยตรงผ่านภาษาการเข้ารหัสไปสู่สิ่งที่ได้รับการขนานนามว่าเป็นวิศวกรรมที่ทันท่วงที
เป็นที่ชัดเจนว่างานด้านวิศวกรรมซอฟต์แวร์บางอย่าง เช่น การสร้างการทดสอบ จะถูกแทนที่โดย AI ในเร็วๆ นี้ ตามรายงานของนักวิเคราะห์รายหนึ่ง Diego Lo Giudice นักวิเคราะห์จาก Forrester Research กล่าวว่า “[Generative AI] ไม่เพียงสร้างโค้ดแอปพลิเคชันเท่านั้น แต่ยังประมวลผลการทำงานอัตโนมัติได้ด้วย ซึ่งมันสร้างการทดสอบการทำงานได้ด้วย” “ไม่ใช่แค่การทดสอบหน่วย – การทดสอบการทำงาน”
ในขณะเดียวกัน โครงสร้างพื้นฐานสมัยใหม่ที่จัดการโดยผู้เชี่ยวชาญด้าน IT ในบทบาทต่างๆ เช่น วิศวกรความเชื่อถือได้ของไซต์ (SRE) ส่วนใหญ่ขับเคลื่อนด้วยโค้ด ในสาขาวิศวกรรมแพลตฟอร์มที่เติบโตอย่างรวดเร็ว ผู้เชี่ยวชาญด้านไอทีทำหน้าที่เป็นช่องทางระหว่างนักพัฒนาแอปพลิเคชันและโครงสร้างพื้นฐานส่วนหลังที่ซับซ้อน โดยมักจะสร้างเทมเพลตโครงสร้างพื้นฐานเป็นรหัสเพื่อให้แน่ใจว่าแอปพลิเคชันได้รับการปรับใช้อย่างราบรื่นและเป็นไปตามนโยบายขององค์กรในสภาพแวดล้อมการทดสอบและการผลิต
ความสามารถในการสังเกตได้ วิศวกรรมความโกลาหลเป็นพื้นที่สุกงอมสำหรับ Generative AI
ผู้สังเกตการณ์ในอุตสาหกรรมกล่าวว่าทักษะและเวิร์กโฟลว์ของการปฏิบัติงานด้านไอทีบางอย่างอาจกลายเป็นโดเมนของ AI เชิงกำเนิดในขณะที่มีการปรับปรุง ผู้สังเกตการณ์ในอุตสาหกรรมกล่าว นอกเหนือจาก AI กำเนิดสำหรับโครงสร้างพื้นฐานที่เป็นโค้ดคล้ายกับ Project Wisdom แล้ว ความสามารถในการสังเกตอาจเห็น LLM มีบทบาทเพิ่มขึ้นในอนาคต
“ถ้ามันสามารถเข้าถึงข้อมูลของคุณได้ และเข้าใจเมื่อคุณพูดว่า ‘เชื่อมต่อข้อมูลนี้กับข้อมูลนี้ เข้ากับข้อมูลนี้ แล้วแสดงผลลัพธ์ให้ฉันเห็น’ แสดงว่าคุณมีส่วนต่อประสานการสนทนาสำหรับรับรายงานเกี่ยวกับธุรกิจ ตัวชี้วัด ตัวชี้วัดประสิทธิภาพของเซิร์ฟเวอร์ อะไรก็ตาม” Rob Zazueta ที่ปรึกษาด้านเทคนิคอิสระใน Concord, Calif กล่าว
การสร้างการทดสอบและระบบอัตโนมัติสำหรับเวิร์กโฟลว์ที่ยืดหยุ่น เช่น วิศวกรรมความโกลาหลและการทดสอบการเจาะระบบความปลอดภัย อาจเหมาะสำหรับ AI เชิงกำเนิด ตามที่ผู้เชี่ยวชาญด้านไอทีอีกคนกล่าว
คริส ไรลีย์ ผู้จัดการอาวุโสฝ่ายนักพัฒนาสัมพันธ์ของบริษัทเทคโนโลยีการตลาด HubSpot กล่าวว่า “เมื่อเราคิดถึงความยืดหยุ่น คุณกำลังมองว่าอะไรอาจผิดพลาดได้” “คงจะดีไม่น้อยหากมีวิธีทดสอบทุกอย่างที่อาจผิดพลาดได้อย่างแท้จริง? อะไรคือกรณีทดสอบที่เราไม่สามารถจินตนาการได้” บอท AI สามารถทำการทดสอบซ้ำๆ ที่มนุษย์มักไม่มีเวลาทำ ไรลีย์กล่าว
“หากคุณมีนักวิเคราะห์การเจาะระบบเสมือนจริงหรือบอทตรวจจับบั๊กเสมือน มันก็สามารถตรวจดูสิ่งต่าง ๆ อย่างต่อเนื่อง ดูว่าอะไรได้ผล อะไรไม่ได้ผล และอาจทดสอบเอกสารประกอบกับสถานการณ์จริง” ไรลีย์กล่าว “มีกรณีการใช้งานที่น่าสนใจมากมายเกี่ยวกับการระบุช่องว่าง … แทนที่จะรอฟังจากใครสักคน”
AI และแมชชีนเลิร์นนิงถูกนำมาใช้แล้วโดยผลิตภัณฑ์ AIOps เพื่อตอบสนองต่อเหตุการณ์ด้านไอที แต่ AI เชิงกำเนิดสามารถปรับปรุงการวิเคราะห์หลังชันสูตรของข้อมูลที่ไม่มีโครงสร้าง เช่น ไฟล์แชท การโทรด้วยเสียง และการสื่อสารด้วยภาษาธรรมชาติอื่นๆ Robert Nishihara ผู้ร่วมก่อตั้งและ CEO ของ Anyscale ผู้ให้บริการที่โฮสต์โครงสร้างพื้นฐานที่ใช้ในการฝึกโมเดล AI ขนาดใหญ่ กล่าว รวมถึง GPT-4
“ด้วยข้อมูลเสียง [เช่น] การขายที่บันทึกไว้ … [เรา] สามารถถามคำถามเช่น ‘ทำไมพวกเขาถึงเลือก [เรา]’ หรือหากเราแพ้ข้อตกลง ‘ทำไมพวกเขาถึงไปร่วมกับคู่แข่ง’ แทน ต้องดูการโทรอีกครั้งและคิดออก” เขากล่าว “ใช้หลักการเดียวกันนี้กับเหตุการณ์ต่างๆ เช่น เหตุการณ์ด้านไอทีหรือจุดบกพร่อง [ซอฟต์แวร์] ที่กำลังยื่นฟ้อง และปัญหาที่กำลังถูกติดตาม”
อาจมีบางกรณีที่ AI เชิงกำเนิดสามารถทำให้เทคโนโลยีที่ซับซ้อนเข้าถึงได้สำหรับผู้คนที่ไม่มีความเชี่ยวชาญอย่างลึกซึ้ง และลดช่องว่างทักษะด้านเทคโนโลยี Nishihara กล่าว
“ขณะที่เครื่องมือและ AI พัฒนาขึ้น ผมคิดว่าจะทำให้คนทั่วไปสามารถทำหน้าที่ [เฉพาะทางก่อนหน้านี้] ได้” เขากล่าว “มันจะเน้นที่ความสามารถในการถามคำถามที่ถูกต้องมากขึ้น และน้ำหนักน้อยลงในการทราบรายละเอียดทางเทคนิคของวิธีการแปลคำถามเหล่านั้นให้เป็นเครื่องมือเฉพาะที่คุณใช้”
Generative AI สามารถทำงานได้ดี แต่ไม่สามารถแทนที่มนุษย์ได้
ทักษะประเภทนั้น – การถามคำถามที่ถูกต้องและระบุชุดขั้นตอนที่จำเป็นในการแก้ปัญหาที่ซับซ้อน – เป็นพื้นที่ที่ AI เชิงกำเนิดไม่ได้ใกล้เคียงกับการแทนที่มนุษย์ Nishihara กล่าว
“ในกรอบเวลา 5 ปี ผมไม่เห็นวิศวกรซอฟต์แวร์ถูกแทนที่อย่างสมบูรณ์อย่างแน่นอน” เขากล่าว “ฉันคิดว่ามันจะทำให้หลายสิ่งหลายอย่างง่ายขึ้น … [และ] ทำให้ผู้คนจำนวนมากสามารถสร้างแอปพลิเคชันซอฟต์แวร์ได้เร็วขึ้น”
Andy Thurai นักวิเคราะห์จาก Constellation Research กล่าวว่ายังอยู่ในช่วงเริ่มต้นของวงจรโฆษณาสำหรับเจเนอเรทีฟ AI ความท้าทายบางประการเกี่ยวกับการฝึกอบรมและการบำรุงรักษา LLM กำลังถูกมองข้ามไป
ตัวอย่างเช่น ชุดข้อมูลและทรัพยากรโครงสร้างพื้นฐานที่จำเป็นในการฝึกอบรม LMM นั้นมีจำนวนมหาศาล Thurai กล่าว
“องค์กรส่วนบุคคลอาจมีข้อมูลไม่เพียงพอที่จะฝึกอบรม LLM” เขากล่าว “นั่นเป็นไปได้เฉพาะกับไฮเปอร์สเกลเลอร์ขนาดใหญ่เท่านั้น Google, Azure หรือ AWS อาจมีข้อมูลเพียงพอที่จะทำเช่นนั้น”
บริการต่างๆ เช่น ChatGPT API ช่วยให้ทำงานกับ LLM ที่มีอยู่ได้ง่ายขึ้น แต่การฝึกอบรมโมเดลใหม่เพื่อกำหนดเป้าหมายแอปพลิเคชันไอทีนั้นต้องใช้ความพยายามแยกต่างหากและมีค่าใช้จ่ายสูง เขากล่าว และท้ายที่สุด ประโยชน์ของการฝึกอบรม LLM เพื่อสร้างผลลัพธ์ เช่น เทมเพลตโครงสร้างพื้นฐานที่เป็นโค้ด อาจไม่เหมาะสมกับการลงทุนในระดับนั้น
“หากมีการปรับใช้เพียง 10 วิธีที่เป็นไปได้ [ผู้เชี่ยวชาญด้านไอที] ก็สามารถมีตัวอย่างได้ ทำไมพวกเขาถึงต้องการโมเดล AI” ทูไร กล่าว
นอกจากนี้ยังมีคำถามว่าองค์กรต่างๆ จะไว้วางใจให้ AI เข้ามาแทนที่นักพัฒนาซอฟต์แวร์, SRE หรือวิศวกรแพลตฟอร์มหรือไม่ เป็นแนวคิดที่เสนอไปแล้วเมื่อ 5 ปีที่แล้วโดยผู้จำหน่าย AIOps ซึ่งยอมรับ NoOps ซึ่งยังไม่ได้นำไปใช้โดยองค์กรหลักส่วนใหญ่
AI เจเนอเรทีฟก็ไม่น่าจะเปลี่ยนแปลงสิ่งนั้นเช่นกัน Thurai กล่าว แต่จะทำหน้าที่เป็นตัวเร่งความเร็วในด้านต่างๆ เช่น การสร้างและการอ่านเอกสารทางเทคนิคแทน
“มีแอปพลิเคชันตัวอย่างสองสามตัวโดย AI21 Labs ที่เรียกว่า Wordtune และ Wordtune Read ซึ่งเป็นตัวเลือกที่ดีในการสร้างหรือแนะนำเอกสาร” Thurai กล่าว “ถ้าคุณมีเอกสารครบ 40 หน้า เช่น คุณเป็นผู้บริหาร คุณคงไม่อยากอ่านทั้งหมดนั้น WordTune Read สามารถสรุปได้แล้วพูดว่า ‘นี่คือสามส่วนที่คุณต้องอ่าน’”
เพื่อสรุปผลกระทบที่ AI กำเนิดจะมีต่องานด้านไอที Thurai อ้างคำพูดของผู้เชี่ยวชาญด้าน AI อีกคนที่สัมภาษณ์โดย Last Week Tonight ของ HBO เมื่อวันที่ 26 ก.พ.
Erik Brynjolfsson ผู้อำนวยการห้องปฏิบัติการเศรษฐกิจดิจิทัลของ Stanford กล่าวว่า “ฉันคิดว่าถ้าทำถูกต้องแล้ว มันไม่ใช่ AI ที่จะมาแทนที่ทนายความ แต่จะเป็นทนายความที่ทำงานกับ AI แทนที่ทนายความที่ไม่ได้ทำงานกับ AI” ส่วนคืนนี้.
สิ่งเดียวกันนี้จะถือเป็นจริงสำหรับฝ่ายปฏิบัติการด้านไอที Thurai กล่าว
“มันเทียบเท่ากับการใช้สเตียรอยด์ในฐานะผู้เล่นในลีกกีฬา” เขากล่าว “คุณมีข้อได้เปรียบที่ชัดเจน”