Как искусственный интеллект определяет будущее разработки?

Microsoft прогнозировало к 2020му году создание 100 миллионов новых приложений в год. Это означало, что за пять лет мы разработаем больше приложений, чем за последние 40 лет. Это предсказание было основано на возможностях низкокодового и бескодового программного обеспечения. С тех пор LLM значительно улучшились, и количество ежегодно создаваемых продолжает расти.

Именно поэтому компаниям необходима надежная стратегия для объединения этих приложений, и API является наиболее подходящим инструментом. Традиционно разработка, документирование и внедрение API занимали много времени и были технически сложными. Однако, на данный момент считается, что LLM могут упростить разработку API. В этой статье мы расскажем о практических советах, которые могут упростить такие задачи, как извлечение данных, создание документации и построение кода с помощью LLM.

Начало проектирования API

Прежде чем внедрять API, необходимо проанализировать сложные бизнес-требования: какие действия должны выполняться, какие данные должны быть открыты и какие критерии управления данными должны быть приняты во внимание. LLM могут помочь проанализировать спецификации требований и определить сценарии использования и шаблоны рабочих процессов, создав проект первого начального дизайна API.

Специалисты-практики могут вводить в модель технические спецификации и бизнес-требования, чтобы связанный LLM мог создать высокоуровневое предложение вашего API на основе выявленных общих шаблонов. Чем больше информации вы добавите в LLM со временем, тем лучше будут результаты. Это не отменяет необходимости понимать технические требования. Тем не менее, это поможет запустить проектирование API, предоставив вам и вашей команде основу для обсуждения и согласования технических спецификаций.

Создание шаблонов кода и генерация API

Концепция создания шаблонов кода не нова. Например, если искусственный интеллект может автоматически генерировать конечные точки API на основе модели данных в различных языках, то LLM делают еще один шаг вперед. Анализируя спецификации API, созданные на основе одной и той же модели, эти проекты могут быть перенесены обратно в LLM для создания скелетных приложений, включающих определенные маршруты и подключающихся к базовым источникам данных. Вместо того чтобы вручную реализовывать логику проверки входных данных, подключения к подсистемам, обработки ошибок, аутентификации и авторизации, эти инструменты помогают избежать повторяющихся задач и оптимизировать разработку. Эта фундаментальная работа позволяет разработчикам сосредоточиться на доработке бизнес-логики, обработке связанных с бизнесом исключений и крайних случаев или повышении эффективности кода для целей масштабирования.

Автоматизация отображения данных с помощью искусственного интеллекта

Сопоставление данных - трудоемкая задача, чреватая ошибками. Например, разработчики обычно сталкиваются со сложными структурами JSON или собственными XML со вложенными массивами - структурами данных, насчитывающими сотни узлов, - когда создают API для предоставления данных медицинских карт, сложной банковской информации, как в FinTech или других высокорегулируемых отраслях.

Разработчики могут использовать инструменты на базе LLM, чтобы упростить эту задачу за счет автоматического предварительного сопоставления данных. Анализируя технические спецификации всех задействованных систем, можно избежать повторяющихся задач по сопоставлению полей данных. Такая автоматизация ускоряет процесс и обеспечивает безошибочное сопоставление данных.

Упрощение сложных форматов данных

Со временем LLM изучают и становятся экспертами в специфических для отрасли сложных форматах данных, таких как устаревший электронный обмен данными (EDI) для интеграции цепочек поставок, HL7, широко используемый в здравоохранении, SWIFT в банковской сфере или любые другие непубличные специфические требования отраслевых сегментов.

Способность LLM обрабатывать различные форматы данных, используемые внутри организации, также позволяет ему внести свой вклад в создание канонического формата данных - требование, часто желаемое бизнесом, но никогда не выполняемое ИТ-отделом из-за сложности различных элементов данных, нюансов и взаимосвязей. LLM может легко проанализировать множество форматов и предложить общий язык данных для использования в масштабах всей организации. Компании могут использовать ИИ для быстрой декомпозиции документов и преобразования их в более современный или широко распространенный формат, что помогает в управлении данными и обеспечении их целостности.

От моделей данных к документации API

Важнейшим этапом жизненного цикла API, который часто упускается из виду, является документирование. Инструменты искусственного интеллекта могут автоматически генерировать и составлять первоначальные спецификации API на основе открытых стандартов, таких как OpenAPI, используя существующие модели данных.

Из-за нехватки времени разработчики часто пренебрегают документацией, которая становится несовместимой с кодом и реальностью, делая первоначальные усилия бесполезными. ИИ, наряду с LLM, может автоматически пересматривать и обновлять документацию и указывать на несоответствия. Хорошая документация делает конечные точки API более доступными для потребителей и облегчает разработчикам обновление и поддержку.

Обучите свою команду и модель

LLM - очень мощный инструмент, но, как и любой другой инструмент, он требует обучения, чтобы использовать его по максимуму. Компании должны обеспечить обучение и документацию, чтобы их команды знали лучшие практики для достижения оптимальных результатов. А поскольку LLM можно обучать на основе вашего набора данных, компании могут специально обучать свои модели на основе данных, кода, документации и рекомендаций компании, обеспечивая лучшее соответствие результатов стандартам компании.

Ограничения

Хотя LLM обладают значительным потенциалом для проектирования и разработки API, они также имеют ряд ограничений. Подходы, основанные на искусственном интеллекте, в значительной степени зависят от качества и разнообразия обучающих данных, которые не всегда могут отражать весь спектр реальных сценариев использования или граничных ситуаций. Это может привести к ошибкам в предложениях по разработке API, генерируемых отображениях или их реализации. Как правило, искусственному интеллекту требуется помощь в понимании сложных бизнес-требований и создании точного кода, что может привести к разработке и внедрению API, не полностью отвечающих потребностям конечных пользователей.

Заключение

По мере расширения спектра приложений компании должны все более уверенно создавать и использовать API. LLM могут сыграть ключевую роль в решении проблемы масштаба для инженерной команды, предлагая инструменты, ускоряющие процесс разработки и повышающие доступность и точность. Компании используют в среднем 230 приложений, а для очень крупных организаций этот показатель возрастает до тысяч. С помощью ИИ компании могут идти в ногу с ростом числа используемых приложений.