مساعدي الترميز يحب”https://github.com/features/copilot” الهدف=”_blank”> Github Copilot و”https://codeium.com/” rel=”noopener noreferrer” الهدف=”_blank”> codeium بالفعل”https://spectrum.ieee.org/ai-code-generation-language-models” الهدف=”_self”> تغيير هندسة البرمجيات. استنادًا إلى التعليمات البرمجية الحالية ومطالبات المهندس ، يمكن لهؤلاء المساعدين اقتراح خطوط جديدة أو أجزاء كاملة من التعليمات البرمجية ، بمثابة نوع من المتقدمين”https://spectrum.ieee.org/tag/autocomplete”> الإكمال التلقائي.
للوهلة الأولى ، النتائج رائعة. مساعدي الترميز يغيرون بالفعل”https://spectrum.ieee.org/ai-programming” الهدف=”_self”> العمل من البعض”https://spectrum.ieee.org/tag/programmers”> المبرمجين وتحويل كيفية الترميز”https://spectrum.ieee.org/ai-coding” الهدف=”_self”> تدرس. ومع ذلك ، هذا هو السؤال الذي نحتاج إلى الإجابة عليه: هل هذا النوع من”https://spectrum.ieee.org/tag/generative-ai”> AI التوليدي مجرد أداة مساعدة تمجيد ، أو هل يمكن أن تجلب بالفعل تغييرًا كبيرًا في سير عمل المطور؟
في”https://www.amd.com/en.html” rel=”noopener noreferrer” الهدف=”_blank”> الأجهزة الدقيقة المتقدمة ((“https://spectrum.ieee.org/tag/amd”> AMD) ، نقوم بتصميم وتطوير وحدات المعالجة المركزية ،”https://spectrum.ieee.org/tag/gpus”> وحدات معالجة الرسومات، والرقائق الحوسبة الأخرى. لكن الكثير مما نقوم به هو تطوير البرامج لإنشاء البرامج ذات المستوى المنخفض الذي يدمج”https://spectrum.ieee.org/tag/operating-systems”> أنظمة التشغيل وبرامج العملاء الأخرى بسلاسة مع أجهزتنا الخاصة. في الواقع ، حوالي نصف مهندسي AMD هم”https://spectrum.ieee.org/tag/software-engineers”> مهندسو البرمجيات، وهو ليس من غير المألوف لشركة مثل شركتنا. بطبيعة الحال ، لدينا اهتمام شديد بفهم إمكانات الذكاء الاصطناعي لعملية تطوير البرامج الخاصة بنا.
لفهم أين وكيف يمكن أن يكون الذكاء الاصطناعى أكثر فائدة ، أجرينا مؤخرًا العديد من الغطس العميق في كيفية تطوير البرامج. ما وجدناه كان مفاجئًا: إن أنواع المساعدين في ترميز المهام جيدة في – أي خرق خطوط الكود – هي في الواقع جزء صغير جدًا من وظيفة مهندس البرمجيات. يقضي مطورونا معظم جهودهم في مجموعة من المهام التي تتضمن تعلم أدوات وتقنيات جديدة ، ومشاكل ثلاثية ، وتصحيح هذه المشكلات ، واختبار البرنامج.
نأمل أن نتجاوز المساعدين الفرديين لكل مرحلة وسلسلةهم معًا في آلة تطوير البرمجيات المستقلة-مع إنسان في الحلقة ، بالطبع.
حتى بالنسبة لمهمة الخبز والزبدة من COPILOTs للترميز ، فقد وجدنا أن المساعدين عرضوا عوائد متناقصة: لقد كانوا مفيدين للغاية لمطوري المبتدئين الذين يعملون في المهام الأساسية ، ولكن ليس ذلك مفيدًا لمزيد من المطورين الكبار الذين عملوا في مهام متخصصة.
للاستخدام”https://spectrum.ieee.org/topic/artificial-intelligence/”> الذكاء الاصطناعي بطريقة تحويلية حقيقية ، خلصنا ، لم نتمكن من قصر أنفسنا على التوفيق فقط. كنا بحاجة إلى التفكير بشكل أكثر فعالية في دورة حياة تطوير البرمجيات بأكملها وتكييف أي أدوات مفيدة في كل مرحلة. نعم ، نحن نعمل على صياغة Copilots الترميز المتاحة لقاعدة التعليمات البرمجية الخاصة بنا ، بحيث يجدها حتى كبار المطورين أكثر فائدة. لكننا نتكيف أيضًا”https://spectrum.ieee.org/tag/large-language-models”> نماذج لغة كبيرة لأداء أجزاء أخرى من”https://spectrum.ieee.org/tag/software-development”> تطوير البرمجيات، مثل مراجعة التعليمات البرمجية وتحسينها وتوليد تقارير الأخطاء. ونحن نوسع نطاقنا إلى ما وراء LLMs و AI التوليدي. لقد وجدنا ذلك باستخدام”https://www.plainconcepts.com/discriminative-ai-vs-generative-ai/” rel=”noopener noreferrer” الهدف=”_blank”> التمييز الذكاء الاصطناعي- يمكن أن يكون المحتوى الذي يصنف المحتوى بدلاً من توليده – نعمة في الاختبار ، خاصة في التحقق من مدى جودة”https://spectrum.ieee.org/tag/video-games”> ألعاب الفيديو تشغيل على برنامجنا والأجهزة.
“Add Photo Caption…”> قام المؤلف وزملاؤه بتدريب مزيج من الذكاء الاصطناعي التمييزي والتوليد لتشغيل ألعاب الفيديو والبحث عن القطع الأثرية بالطريقة التي يتم بها تقديم الصور على أجهزة AMD ، مما يساعد الشركة في العثور على الأخطاء فيها”https://spectrum.ieee.org/tag/firmware”> البرامج الثابتة شفرة. اختبار الصور: AMD ؛ الصور الأصلية من قبل ناشري اللعبة.
على المدى القصير ، نهدف إلى تنفيذ الذكاء الاصطناعي في كل مرحلة من مراحل دورة حياة تطوير البرامج. نتوقع أن يمنحنا هذا زيادة إنتاجية بنسبة 25 في المائة خلال السنوات القليلة المقبلة. على المدى الطويل ، نأمل أن نتجاوز المساعدين الفرديين لكل مرحلة وسلسلةهم معًا في آلة تطوير البرمجيات ذاتية الحكم-مع إنسان في الحلقة ، بالطبع.
حتى عندما نسير في هذا المسار الذي لا هوادة فيه لتنفيذ الذكاء الاصطناعي ، فإننا ندرك أننا بحاجة إلى مراجعة التهديدات والمخاطر المحتملة بعناية التي قد يقدمها منظمة العفو الدولية. مزود بهذه الأفكار ، سنكون قادرين على استخدام الذكاء الاصطناعي لكامل إمكاناته. هذا ما تعلمناه حتى الآن.
إمكانات ومساعدي الترميز
github البحث يشير إلى أنه يمكن للمطورين مضاعفة إنتاجيتهم باستخدام GitHub Copilot. تم إغراءه من هذا الوعد ، مما جعل Copilot متاحًا لمطورينا في AMD في سبتمبر 2023. بعد نصف عام ، قمنا بمسح هؤلاء المهندسين لتحديد فعالية المساعد.
قمنا أيضًا بمراقبة استخدام المهندسين لـ GitHub Copilot والمستخدمين المجمعة في واحدة من فئتين: المستخدمين النشطين (الذين استخدموا Copilot Daily) والمستخدمين العرضي (الذين استخدموا Copilot عدة مرات في الأسبوع). كنا نتوقع أن يكون معظم المطورين مستخدمين نشطين. ومع ذلك ، وجدنا أن عدد المستخدمين النشطين كان أقل بقليل من 50 في المائة. ملكنا”https://spectrum.ieee.org/tag/software-review”> مراجعة البرمجيات وجدت أن الذكاء الاصطناعى وفرت زيادة قابلة للقياس في الإنتاجية للمطورين الصغار الأداء الأكثر بساطة”https://spectrum.ieee.org/tag/programming”> البرمجة المهام. لاحظنا زيادة بكثير الإنتاجية مع كبار المهندسين الذين يعملون على هياكل التعليمات البرمجية المعقدة. هذا يتماشى مع”https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/unleashing-developer-productivity-with-generative-ai#/” rel=”noopener noreferrer” الهدف=”_blank”> البحث من قبل شركة الاستشارات الإدارية”https://spectrum.ieee.org/tag/mckinsey”> ماكينزي & Co.
عندما سألنا المهندسين عن استخدام Copilot المنخفض نسبيًا ، قال 75 في المائة منهم إنهم سيستخدمون Copilot أكثر من ذلك بكثير إذا كانت الاقتراحات أكثر صلة باحتياجات الترميز الخاصة بهم. لا يتناقض هذا بالضرورة إلى نتائج Github: برنامج AMD متخصص تمامًا ، ولذا فمن المفهوم أن تطبيق أداة AI القياسية مثل Github Copilot ، التي يتم تدريبها باستخدام البيانات المتاحة للجمهور ، لن يكون مفيدًا.
على سبيل المثال ، يقوم فريق برامج الرسومات في AMD بتطوير البرامج الثابتة منخفضة المستوى لدمج وحدات معالجة الرسومات لدينا في أنظمة الكمبيوتر ، والبرامج ذات المستوى المنخفض لدمج وحدات معالجة الرسومات في أنظمة التشغيل ، والبرامج لتسريعها”https://spectrum.ieee.org/tag/graphics”> الرسومات و”https://spectrum.ieee.org/tag/machine-learning”> التعلم الآلي العمليات على وحدات معالجة الرسومات. كل هذا الرمز يوفر قاعدة للتطبيقات ، مثل الألعاب ،”https://spectrum.ieee.org/tag/video-conferencing”> مؤتمرات الفيديووالمتصفحات ، لاستخدام وحدات معالجة الرسومات. يعد برنامج AMD فريدًا لشركتنا ومنتجاتنا ، ولم يتم تحسين Copilots القياسية للعمل على بياناتنا الملكية.
للتغلب على هذه المشكلة ، سنحتاج إلى تدريب الأدوات باستخدام مجموعات البيانات الداخلية وتطوير أدوات متخصصة تركز على حالات استخدام AMD. نحن الآن نقوم بتدريب مساعد ترميز داخليًا باستخدام حالات استخدام AMD ونأمل أن يحسن كل من التبني بين المطورين والإنتاجية الناتجة. لكن نتائج الاستطلاع جعلتنا نتساءل: كم من وظيفة المطور تكتب خطوطًا جديدة من التعليمات البرمجية؟ للإجابة على هذا السؤال ، ألقينا نظرة فاحصة على دورة حياة تطوير البرامج الخاصة بنا.
داخل دورة حياة تطوير البرامج
تتكون دورة حياة تطوير البرمجيات AMD من خمس مراحل.
نبدأ بـ تعريف من متطلبات المنتج الجديد ، أو إصدار جديد من منتج موجود. ثم ، مهندسي البرمجيات تصميم الوحدات النمطية والواجهات والميزات لتلبية المتطلبات المحددة. بعد ذلك ، يعمل مهندسو البرمجيات على تطوير، تنفيذ رمز البرنامج لتلبية متطلبات المنتج وفقًا للتصميم المعماري. هذه هي المرحلة التي يكتب فيها المطورون خطوطًا جديدة من التعليمات البرمجية ، ولكن هذا ليس كل ما يفعلونه: يجوز لهم أيضًا إعادة تشفير التعليمات البرمجية الحالية ، واختبار ما كتبوه ، ويخضعونه لمراجعة التعليمات البرمجية.
بعد ذلك ، امتحان تبدأ المرحلة بجدية. بعد كتابة التعليمات البرمجية لأداء وظيفة معينة ، يكتب مطور اختبار وحدة أو وحدة – برنامج للتحقق من أن الرمز الجديد يعمل كما هو مطلوب. في فرق التطوير الكبيرة ، يتم تطوير العديد من الوحدات النمطية أو تعديلها بالتوازي. من الضروري التأكيد على أن أي رمز جديد لا يخلق مشكلة عند دمجها في النظام الأكبر. يتم التحقق من ذلك من خلال اختبار التكامل ، وعادة ما يتم تشغيله ليلا. بعد ذلك ، يتم تشغيل النظام الكامل من خلال اختبار الانحدار للتأكد من أنه يعمل كما فعل قبل تضمين الوظائف الجديدة ، واختبار وظيفي لتأكيد الوظائف القديمة والجديدة ، و”https://spectrum.ieee.org/tag/stress-test”> اختبار الإجهاد لتأكيد موثوقية ومتانة النظام بأكمله.
أخيرًا ، بعد الانتهاء بنجاح من جميع الاختبارات ، يتم إصدار المنتج ويدخل في يدعم مرحلة.
حتى في مراحل التطوير والاختبار ، فإن تطوير واختبار التعليمات البرمجية الجديدة ، لا يشغل بشكل جماعي سوى حوالي 40 في المائة من أعمال المطور.
الإصدار القياسي من جديد”https://www.amd.com/en/products/software/adrenalin.html” rel=”noopener noreferrer” الهدف=”_blank”> AMD الأدرينالين تستغرق حزمة برامج الرسومات التي تتوافق معها ستة أشهر ، تليها مرحلة دعم أقل كثافة من ثلاثة إلى ستة أشهر أخرى. لقد تتبعنا أحد هذه الإصدار لتحديد عدد المهندسين الذين شاركوا في كل مرحلة. كانت مراحل التطوير والاختبار هي الأكثر كثافة في الموارد ، مع 60 مهندسًا متورطين في كل منهم. شارك 20 مهندسًا في مرحلة الدعم ، و 10 في التصميم ، وخمسة في التعريف.
نظرًا لأن التطوير والاختبار يتطلب المزيد من الأيدي أكثر من أي من المراحل الأخرى ، فقد قررنا مسح فرق التطوير والاختبار لفهم ما يقضونه من يوم لآخر. لقد وجدنا شيئًا مفاجئًا مرة أخرى: حتى في مراحل التطوير والاختبار ، فإن تطوير واختبار رمز جديد يستغرق مجتمعة حوالي 40 في المائة فقط من أعمال المطور.
60 في المائة الأخرى من يوم مهندس البرمجيات هو مزيج من الأشياء: يتم قضاء حوالي 10 في المائة من الوقت في تعلم تقنيات جديدة ، و 20 في المائة على مشكلات ثلاثية وتصحيح الأخطاء ، وحوالي 20 في المائة من مراجعة وتحسين الكود الذي كتبوه ، وحوالي 10 في المائة على توثيق التعليمات البرمجية.
تتطلب العديد من هذه المهام معرفة أنظمة أجهزة وأنظمة تشغيل متخصصة للغاية ، والتي لا يتمتع بها مساعدو الترميز الجاهدين. كان هذا الاستعراض تذكيرًا آخر بأنه سنحتاج إلى توسيع نطاقنا إلى ما وراء الإكمال التلقائي للشفرة الأساسية لتعزيز دورة حياة تطوير البرامج بشكل كبير مع الذكاء الاصطناعي.
منظمة العفو الدولية لتشغيل ألعاب الفيديو والمزيد
AI التوليدي ، مثل”https://spectrum.ieee.org/tag/large-language-models” الهدف=”_self”> نماذج لغة كبيرة و”https://spectrum.ieee.org/these-ai-tools-generate-breathtaking-art-and-controversy” الهدف=”_self”> مولدات الصور، يحصلون على الكثير من الوقت في هذه الأيام. ومع ذلك ، وجدنا أن أسلوبًا أقدم من الذكاء الاصطناعى ، يُعرف باسم”https://www.plainconcepts.com/discriminative-ai-vs-generative-ai/” rel=”noopener noreferrer” الهدف=”_blank”> التمييز الذكاء الاصطناعي، يمكن أن توفر مكاسب إنتاجية كبيرة. بينما تهدف AI التوليدي إلى إنشاء محتوى جديد ، فإن AI التمييزي يصنف المحتوى الحالي ، مثل تحديد ما إذا كانت الصورة هي قطة أو كلب ، أو تحديد كاتب مشهور يعتمد على الأسلوب.
نستخدم الذكاء الاصطناعي التمييزي على نطاق واسع في مرحلة الاختبار ، وخاصة في اختبار الوظائف ، حيث يتم اختبار سلوك البرنامج في ظل مجموعة من الظروف العملية. في AMD ، نختبر برنامج الرسومات الخاص بنا عبر العديد من المنتجات وأنظمة التشغيل والتطبيقات والألعاب.
“Add Photo Credit…”> نيك ليتل
على سبيل المثال ، قمنا بتدريب مجموعة من العمق”https://spectrum.ieee.org/tag/convolutional-neural-networks”> الشبكات العصبية التلافيفية (CNNs) على مجموعة بيانات تم جمعها AMD تضم أكثر من 20،000 صورة “ذهبية”-وهي تصورات لا تحتوي على عيوب وستجري الاختبار-و 2000 صورة مشوهة. تعلمت CNNs التعرف على القطع الأثرية البصرية في الصور وتقديم تقارير الأخطاء تلقائيًا للمطورين.
قمنا أيضًا بتعزيز الإنتاجية الاختبار من خلال الجمع بين الذكاء الاصطناعي التمييزي و AI التوليدي لتشغيل ألعاب الفيديو تلقائيًا. هناك العديد من العناصر للعب لعبة ، بما في ذلك فهم قوائم الشاشة والتنقل فيها ، والتنقل في عالم الألعاب ونقل الشخصيات ، وفهم أهداف اللعبة والإجراءات للتقدم في اللعبة.
على الرغم من عدم وجود لعبة هي نفسها ، فإن هذا هو في الأساس كيفية عملها للألعاب الموجهة نحو العمل: عادة ما تبدأ اللعبة بشاشة نصية لاختيار الخيارات. نحن نستخدم نماذج الرؤية الكبيرة من الذكاء الاصطناعي لفهم النص على الشاشة ، والتنقل في القوائم لتكوينها ، وبدء اللعبة. بمجرد دخول الشخصية القابلة للعب إلى اللعبة ، نستخدم الذكاء الاصطناعي التمييزي للتعرف على الكائنات ذات الصلة على الشاشة ، وفهم أين قد تكون الشخصيات الودية أو غير القابلة للعب ، وتوجيه كل حرف في الاتجاه الصحيح أو إجراء إجراءات محددة.
للتنقل في اللعبة ، نستخدم العديد من التقنيات-على سبيل المثال ، AI التوليدي لقراءة وفهم الأهداف داخل اللعبة ، و AI التمييزي لتحديد الخرائط المصغرة وميزات التضاريس. يمكن أيضًا استخدام AI التوليدي للتنبؤ بأفضل استراتيجية بناءً على جميع المعلومات التي تم جمعها.
بشكل عام ، أدى استخدام الذكاء الاصطناعي في مرحلة الاختبار الوظيفية إلى تقليل جهود الاختبار اليدوي بنسبة 15 في المائة وزيادة عدد السيناريوهات التي يمكننا اختبارها بنسبة 20 في المائة. لكننا نعتقد أن هذه مجرد بداية. نقوم أيضًا بتطوير أدوات الذكاء الاصطناعى للمساعدة في مراجعة التعليمات البرمجية والتحسين ، وفرز المشكلات وتصحيح الأخطاء ، والمزيد من جوانب اختبار الكود.
بمجرد وصولنا إلى التبني الكامل ، تعمل الأدوات معًا ودمجها بسلاسة في بيئة المطور ، نتوقع أن ترتفع إنتاجية الفريق بشكل عام بأكثر من 25 في المائة.
للمراجعة والتحسين ، نقوم بإنشاء أدوات متخصصة لمهندسي البرمجيات لدينا من خلال صياغة توليد موجود”https://spectrum.ieee.org/tag/ai-models”> نماذج الذكاء الاصطناعي مع قاعدة الكود الخاصة بنا والوثائق. لقد بدأنا في استخدام هذه النماذج التي تم ضبطها بشكل تلقائي لمراجعة التعليمات البرمجية الحالية للتعقيد ومعايير الترميز وأفضل الممارسات ، بهدف توفير مراجعة الكود البشري وإبلاغ المجالات الفرصية.
وبالمثل ، بالنسبة للفرز والتصحيح ، قمنا بتحليل أنواع المعلومات التي يحتاجها مطورو المعلومات لفهم القضايا وحلها. ثم قمنا بتطوير أداة جديدة للمساعدة في هذه الخطوة. قمنا بتآكل استرجاع ومعالجة معلومات الفرز والتصحيح. بتغذية سلسلة من المطالبات مع السياق ذي الصلة في نموذج لغة كبير ، قمنا بتحليل تلك المعلومات لاقتراح الخطوة التالية في سير العمل التي ستجد السبب الجذري المحتمل للمشكلة. نخطط أيضًا لاستخدام الذكاء الاصطناعى التوليدي لإنشاء اختبارات الوحدة والوحدة لوظيفة محددة بطريقة مدمجة في سير عمل المطور.
يتم تطوير هذه الأدوات حاليًا وتجريبها في فرق مختارة. بمجرد وصولنا إلى التبني الكامل ، تعمل الأدوات معًا ودمجها بسلاسة في بيئة المطور ، نتوقع أن ترتفع إنتاجية الفريق بشكل عام بأكثر من 25 في المائة.
بحذر تجاه مستقبل AI-Agent متكامل
وعد المدخرات 25 في المئة لا يأتي بدون مخاطر. نحن نولي اهتمامًا خاصًا للعديد من المخاوف الأخلاقية والقانونية حول استخدام الذكاء الاصطناعي.
أولاً ، نحن حذرون بشأن انتهاك شخص آخر”https://spectrum.ieee.org/tag/intellectual-property”> الملكية الفكرية باستخدام اقتراحات الذكاء الاصطناعي. أي أداة تنمية برامج الذكاء الاصطناعي مبنية بالضرورة على مجموعة من البيانات ، عادة”https://spectrum.ieee.org/tag/source-code”> رمز المصدروعموما”https://spectrum.ieee.org/tag/open-source”> المصدر المفتوح. يجب على أي أداة AI التي نستخدمها احترامها واستخدامها بشكل صحيح أي ملكية فكرية تابعة لجهة خارجية ، ويجب ألا تقوم الأداة بإخراج المحتوى الذي ينتهك هذه الملكية الفكرية. هناك حاجة إلى المرشحات والحماية لضمان الامتثال لهذا الخطر.
ثانياً ، نحن نشعر بالقلق إزاء الإفصاح غير المقصود عن ملكيتنا الفكرية عندما نستخدم أدوات الذكاء الاصطناعي المتاحة للجمهور. على سبيل المثال ، قد تأخذ بعض أدوات الذكاء الاصطناعى التوليدي إدخال رمز المصدر الخاص بك ودمجها في مجموعة بيانات التدريب الأكبر. إذا كانت هذه أداة متوفرة للجمهور ، فقد تعرض رمز المصدر الخاص بك أو ملكية فكرية أخرى للآخرين الذين يستخدمون الأداة.
ثالثًا ، من المهم أن ندرك أن الذكاء الاصطناعى يرتكب أخطاء. على وجه الخصوص ، LLMs عرضة ل”https://spectrum.ieee.org/ai-hallucination” الهدف=”_self”> الهلوسةأو تقديم معلومات خاطئة. حتى عندما نقوم بتحميل المزيد من المهام”https://spectrum.ieee.org/tag/ai-agents”> وكلاء الذكاء الاصطناعي، سنحتاج إلى إبقاء الإنسان في الحلقة في المستقبل المنظور.
أخيرًا ، نحن مهتمون بالتحيزات المحتملة التي قد تقدمها الذكاء الاصطناعي. في تطبيقات تطوير البرمجيات ، يجب أن نضمن أن اقتراحات الذكاء الاصطناعى لا تخلق ظلمًا ، فإن هذا الكود الذي تم إنشاؤه هو ضمن حدود المبادئ الأخلاقية البشرية ولا تميز بأي شكل من الأشكال. هذا سبب آخر إن الإنسان في الحلقة أمر ضروري ل AI المسؤولة.
الحفاظ على كل هذه المخاوف أمام العقل ، نخطط لمواصلة تطوير قدرات الذكاء الاصطناعي خلال دورة حياة تطوير البرامج. في الوقت الحالي ، نقوم ببناء أدوات فردية يمكنها مساعدة المطورين في النطاق الكامل من مهامهم اليومية – التعلم ، وتوليد الكود ، ومراجعة التعليمات البرمجية ، وتوليد الاختبار ، والفرز ، والتصحيح. نبدأ بسيناريوهات بسيطة ونطور هذه الأدوات ببطء لتكون قادرة على التعامل مع سيناريوهات أكثر معقدة. بمجرد أن تنضج هذه الأدوات ، ستكون الخطوة التالية هي ربط وكلاء الذكاء الاصطناعي معًا في سير عمل كامل.
يبدو أن المستقبل الذي نتصوره هذا: عندما يأتي متطلبات برامج جديدة ، أو يتم تقديم تقرير للمشكلة ، سيجد وكلاء الذكاء الاصطناعى تلقائيًا المعلومات ذات الصلة ، وفهم المهمة المطروحة ، وإنشاء التعليمات البرمجية ذات الصلة ، واختبار ، ومراجعة ، وتقييم الرمز ، وركوب الدراجات على هذه الخطوات حتى يجد النظام حلًا جيدًا ، والذي يتم اقتراحه بعد ذلك إلى مطور إنسان.
حتى في هذا السيناريو ، سنحتاج إلى مهندسي البرمجيات لمراجعة أعمال الذكاء الاصطناعى والإشراف عليها. ولكن سيتم تحويل دور مطور البرامج. بدلاً من برمجة رمز البرنامج ، سنقوم ببرمجة الوكلاء والواجهات بين الوكلاء. وبروح منظمة العفو الدولية المسؤولة ، نحن – البشر – سنقدم الرقابة.