Catégories
Intelligence artificielle

Naviguer dans le futur avec l’IA générative, partie 2 : Le prompt plutôt que le code, le nouveau visage de la programmation

Dans ce volet de la série sur l’IA générative, nous explorons le concept de « prompt comme nouveau code source ». La révolution en cours permet de multiplier jusqu’à 30 fois la productivité sur certaines tâches, selon leur nature. Je peux ainsi transformer ma conception en code, presque sans avoir à coder manuellement. Taper, corriger les fautes de frappe, optimiser les algorithmes, chercher sur Stack Overflow l’explication d’une erreur déroutante, structurer la hiérarchie du code, contourner la dépréciation d’une classe : toutes ces tâches se trouvent condensées en une seule. Cette réduction de l’effort me donne régulièrement un regain de motivation. Je réalise beaucoup plus, en moins de temps et plus souvent : ce sont des périodes de micro-productivité. Concrètement, je peux y réfléchir pendant la journée, puis avoir une série de conversations avec mon assistant pendant mes trajets. Il est toujours disponible. Et je gagne du temps de concentration.

Je n’ai pas besoin d’attendre une équipe pour valider mon concept. Dans mon rôle de fondateur, j’ai aussi moins souvent à rédiger de volumineux cahiers des charges que lorsque je sous-traite des développements pour travailler en parallèle. Il me suffit de définir les consignes une fois : l’IA s’occupe du reste. Utiliser la méthodologie AMASE pour ajuster mon assistant IA illustre le retour sur investissement de mon expertise. De même, votre expertise associée à l’IA devient un actif puissant, qui amplifie exponentiellement le rendement de vos efforts.

L’ingénierie informatique fait aujourd’hui un saut quantique. Nous allons voir comment le code structuré cède la place au langage naturel. Nous appelons cela le prompting : des « pensées bien architecturées et élaborées ». Le prompt cristallise une intention, en cherchant à minimiser la perte d’information et à écarter l’interprétation. « Ce que vous lisez est ce que vous avez pensé » devient alors une réalité tangible.

L’expérience inhabituelle du code avec l’IA

Le cycle de développement commence habituellement par la conception. Nous ne traiterons pas cette phase ici : nous nous concentrerons sur le code.

Le cycle de développement avec l’IA est un peu différent. Il ressemble à la programmation en binôme. On alterne écriture et revue du code, que l’on améliore progressivement à chaque itération. Un modèle d’IA devient votre partenaire de programmation, capable de coder 95 % de vos idées.

L’IA agit à la fois comme coach et comme machine à écrire : un programmeur expert, doté de connaissances d’ingénierie adaptées à la production. La question peut alors se poser : « Pourrait-elle me remplacer complètement ? Quelle est ma valeur ajoutée en tant qu’humain ? »

Former des NanoTeams : votre équipe d’IA vous attend

Mon expérience me conduit à voir le travail avec l’IA comme l’intégration d’un nouveau coéquipier. Il suivra précisément vos instructions : la clarté est donc essentielle. Si vous souhaitez des retours ou des améliorations sur la sécurité interne ou les design patterns, il faut le dire, voire lui apprendre comment procéder.

Vous devrez apprendre à commander votre coéquipier numérique.

Chaque modèle d’IA exécute les instructions d’une manière distincte, même si des points communs existent. Pour exploiter pleinement ChatGPT, vous pouvez lui attribuer des rôles, utiliser des instructions personnalisées et des plugins. Midjourney, de son côté, donne d’excellents résultats avec une description modérément détaillée et une bonne maîtrise de ses paramètres.

Une nouvelle couche d’abstraction au-dessus du code

Qu’est-ce que coder, exactement ? C’est donner à une machine des instructions pour qu’elle exécute des tâches précisément comme demandé. Nous avons construit les langages de programmation pour qu’ils soient idempotents, reproductibles, fiables et prévisibles. Le code est finalement traduit en langage machine, à partir d’une forme proche du langage humain. C’est visible dans des langages modernes comme TypeScript, C#, Python et Kotlin : les instructions et structures de contrôle emploient de l’anglais courant, comme « for each », « while » ou « switch ».

Avec l’IA, nous pouvons simplifier la traduction de nos exigences en algorithmes, puis en code, y compris la structuration de ce qui sera compilé pour exécuter le programme. Traditionnellement, nous organisons les fichiers pour que le code reste maintenable par un humain. Mais si les humains n’avaient plus à interagir avec lui ? Si l’IA le mettait à jour à chaque itération ? Faudrait-il encore imposer une organisation, comme la table des matières d’un livre, pour le maintenir ? Ou suffirait-il d’une documentation correcte, permettant aux ingénieurs de le comprendre et de le modifier sans provoquer de perturbation ? L’IA peut aussi renforcer le code et le certifier automatiquement par des tests, pour vérifier l’absence de régressions et le respect des exigences et résultats attendus.

Elle peut générer des tests unitaires, fonctionnels ou de performance, mais aussi la documentation, les éléments de conception du système et de l’infrastructure. Puisque le tout repose sur un grand modèle de langage, nous pouvons coder l’infrastructure, produire de l’Infrastructure as Code et aller jusqu’au déploiement automatisé dans les pipelines CI/CD.

Comme je l’expliquais dans le premier article de cette série, le traitement du langage naturel devient le nouveau langage de programmation, exprimé sous forme de prompts. Le modèle d’IA générative fondé sur un LLM est la pièce logicielle essentielle pour élaborer, structurer et compléter le texte d’entrée en code compréhensible par les ingénieurs humains comme par les ingénieurs numériques.

Le nouveau paradigme du code

Ce changement fait émerger une nouvelle forme de programmation : le code augmenté. Il réduit le besoin d’écrire dans des langages de troisième et quatrième générations, en condensant deux activités en une.

L’ingénieur intervient alors rarement directement dans le code. Il arrive que l’IA produise un code obsolète ou défectueux, mais ces erreurs peuvent souvent être corrigées rapidement à l’itération suivante.

Aujourd’hui, nous travaillons dans un environnement de programmation explicite : le code en entrée produit un résultat visible en sortie. C’est la programmation entrée/sortie.

Le changement de perspective, c’est que la sortie définit désormais le code d’entrée. Nous exprimons d’abord le comportement attendu, la structure du système et les règles à respecter. L’IA a propulsé les ingénieurs de l’autre côté d’un fossé d’innovation, vers la programmation sortie/entrée.

Adopter le code augmenté : une nouvelle dynamique d’ingénierie

Le code augmenté apporte un nouveau flux de travail, qui renforce la synergie entre ingénieurs et IA. En voici les éléments essentiels :

  1. Expression de l’idée : l’ingénieur augmenté formule les idées et les objectifs à atteindre.
  2. Liste des exigences : l’ingénieur les énumère.
  3. Clarification : il précise les exigences avec l’IA.
  4. Décisions d’architecture : il exprime ses décisions, technologies, sécurité, risques informationnels, normes techniques réglementaires, et utilise l’IA pour en sélectionner de nouvelles.
  5. Règles de programmation : il définit les consignes, en consultant parfois l’IA.
  6. Logique métier : il la formalise sous forme d’algorithmes à coder.
  7. Validation : il exécute le code pour vérifier le comportement attendu. Ce sont les premiers tests d’acceptation.
  8. Revue : il vérifie le respect des règles d’ingénierie de l’entreprise.
  9. Données synthétiques : il utilise l’IA pour produire des jeux de données fonctionnellement pertinents pour un scénario et un persona.
  10. Maquettes d’API : il lui fait générer des ébauches d’API presque complètes fonctionnellement, avant leur implémentation définitive.
  11. Scénarios de test : il les conçoit, puis consulte les parties prenantes pour obtenir leurs retours et en vérifier la couverture.
  12. Cas de test : il fait générer leur code par l’IA. La même technique s’applique aux tests de sécurité et de performance.

L’IA peut même fonctionner de manière autonome pour réaliser une partie des tests d’acceptation. Mais l’intervention humaine reste obligatoire à certains moments. Il faut relier les résultats aux attentes.

Quand des incertitudes apparaissent, mieux vaut donc renforcer les tests. C’est aussi prendre la responsabilité de la recette, pour s’assurer que le travail livré respecte le niveau de conformité attendu par rapport aux exigences.

Les attentes non négociables

Les règles métier critiques et les exigences non fonctionnelles, sécurité, disponibilité, accessibilité et conformité dès la conception, sont souvent traitées comme des fonctionnalités de second rang. Maintenant que l’IA facilite leur prise en compte dans le code, vous pouvez les activer en les inscrivant dans vos prompts, et consacrer le temps libéré à tester rigoureusement leur efficacité.

Certaines exigences relèvent de règles et de normes sectorielles indispensables à la sécurité individuelle ou collective : santé, aéronautique, automobile ou banque. L’objectif ne consiste pas seulement à tester, mais à démontrer une performance constante. D’où la nécessité de nouvelles capacités : une IA explicable et une IA vérifiable. La reproductibilité et la constance sont impératives. Dans un système qui évolue, elles peuvent cependant être difficiles à obtenir. En programmation traditionnelle comme en a-coding, il faut donc établir un cadre de contrôle de conformité pour valider le fonctionnement du système face aux références attendues.

Pour faciliter le travail de vos équipes, découpez-le en éléments plus petits et maîtrisables, afin d’accélérer la livraison. Comme on découpe un gâteau en parts faciles à manger pour éviter l’indigestion. Le rôle de l’architecte reste ici essentiel.

Je me demande pourtant combien de temps il faudra avant que l’IA prenne en charge une part importante des tâches habituellement confiées à l’architecte.

Au bout du compte, c’est à vous de vérifier que tout est en ordre. L’IA est un coéquipier avec lequel collaborer, pas un remplaçant.

Le code avec l’IA est-il l’avenir de la programmation ?

La maxime « Et est supérieur à ou » prend tout son sens face à la croissance exponentielle des modèles d’IA générative, au nombre grandissant de publications scientifiques et aux gains de productivité observés. Je vois le code augmenté devenir une composante dominante de l’ingénierie informatique.

Les grands modèles de langage, ou LLM, annoncent déjà une nouvelle manière de programmer. Leur intégration dans Android Studio ou GitHub Copilot l’illustre. Le code passe au turbo, comme lorsqu’on quitte un vélo classique pour un vélo électrique.

L’IA générative a toutefois une limite lorsqu’il s’agit d’invention pure. Je n’entends pas par là les idées issues de combinaisons inédites de concepts existants, mais la naissance de notions qui n’existent véritablement pas encore. C’est dans cet espace que les ingénieurs devraient apporter du code nouveau : pilotes pour de nouveaux matériels, ou nouveaux langages de programmation, probablement spécialisés dans un domaine.

La qualité du code généré dépend aussi souvent de la richesse des données d’entraînement. Coder en SwiftUI ou en Rust peut ainsi poser problème, du fait de la rareté des contenus sur Stack Overflow et de la jeunesse de ces langages. L’évolution du code, comme l’introduction de nouveaux mots-clés, peut également mettre les LLM en difficulté.

Mais ce qui peut être écrit peut être enseigné, et donc généré. Une solution consiste à fournir les dernières évolutions dans un prompt ou un fichier, comme le permettent claude.ai et GPT Code Interpreter. Voilà : vous venez de mettre à niveau votre assistant de programmation.

Enfin, le plaisir de coder, cette forme d’expression créative, reste important pour beaucoup. L’attrait de la programmation compétitive laisse lui aussi entrevoir une dimension passionnante du futur.

La transition à court terme : l’équilibre de l’a-coding hybride

La première étape consiste à explorer, puis à adopter l’IA générative intégrée à votre environnement de développement, ou IDE. Ces outils sont des accélérateurs immédiats et évidents, au-delà de fonctions comme IntelliSense. S’habituer à la génération proactive pendant la frappe, implémentation d’une fonction, boucles ou SQL, peut accélérer aussi bien la saisie que la formulation de la logique.

Avant ChatGPT et GPT-4, j’utilisais Tabnine, dont la version gratuite était étonnamment efficace au quotidien. Nous disposons maintenant de GitHub Copilot ou de StableCode. Google a fait un choix judicieux en intégrant directement son modèle dans l’éditeur Android Studio. Je vous invite à découvrir Studio Bot pour en savoir plus.

Les points de vigilance pendant cette transition

Les limites de tokens

Coder avec l’IA reste actuellement limité par le nombre de tokens en entrée et en sortie. Un token est un morceau de texte, mot entier ou fragment, que le modèle peut comprendre et analyser. Ce processus, la tokenisation, varie selon les modèles.

Je considère cette limite comme temporaire. Des publications portent la capacité à un million de tokens : voir Scaling Transformer to 1M tokens and beyond with RMT. Claude.ai, d’Anthropic, peut par exemple en traiter 100 000. Envie de générer toute la documentation d’une application en une seule fois ?

L’obsolescence des modèles

L’ancienneté des données d’entraînement pose un autre problème. Les modèles d’OpenAI utilisent par exemple des données allant jusqu’à 2022 : ils ignorent donc les développements ultérieurs. Vous pouvez atténuer cette limite en donnant un contexte récent ou en étendant le modèle par fine-tuning.

La structure du code source

Les modèles d’IA générative ne prennent pas directement en compte l’arborescence des dossiers, pourtant fondamentale dans tout projet de développement.

Imaginez un ingénieur qui échange avec un chatbot dédié au code, capable de faire référence à n’importe quel fichier du projet en langage naturel. Vous codez depuis une perspective d’ensemble, tandis que l’IA exécute les commandes Git, gère le fichier gitignore, et plus encore.

Aider illustre ce type d’application : une couche ergonomique au-dessus de votre environnement de développement. Au lieu d’écrire JavaScript, HTML et CSS, des composants React servis par une API Python avec WebSocket, vous lui demandez simplement de créer ou de modifier les sources à partir d’instructions fonctionnelles en langage naturel. Il gère le reste, en tenant compte des structures et de l’environnement Git. Cette expérience est profondément familière aux ingénieurs. L’interface en ligne de commande, ou CLI, décuple vos capacités.

La propriété intellectuelle

Enfin, la perte de propriété intellectuelle et la fuite de code constituent un risque, notamment lorsque votre code est partagé avec un « modèle d’IA en tant que service », surtout si le système emploie l’apprentissage par renforcement à partir de retours humains, ou RLHF. Des entreprises comme OpenAI expliquent l’utilisation des données pour améliorer les modèles ou en créer de personnalisés, comme InstructGPT. Les modèles de programmation doivent donc eux aussi faire l’objet d’une évaluation des risques.

La prochaine frontière : le code sans code et les agents autonomes

GPT Engineer, AutoGPT, BabyAGI et MetaGPT annoncent une nouvelle branche du code augmenté : l’ère de l’auto-coding.

Ces agents n’exigent qu’un minimum d’exigences. Ils élaborent ensuite de manière autonome un plan et une stratégie de programmation pour atteindre votre objectif. Ils reproduisent l’intelligence humaine : soit ils possèdent le savoir-faire, soit ils recherchent en ligne l’information nécessaire dans des sources officielles, les bibliothèques à importer, les méthodes, etc.

À moins que la tâche soit relativement simple, ils butent encore souvent sur les projets complexes. Leur potentiel est pourtant déjà considérable.

Ils dessinent un futur où, pour une grande partie de nos activités actuelles, coder pourrait ne plus être nécessaire.

Le prompt devient donc le nouveau code

Si le code peut être généré à partir de spécifications précises et claires, l’étape logique suivante est de considérer votre prompt comme votre nouveau code source.

Vous pouvez commencer à conserver vos spécifications sous forme de prompts, puis à versionner ces prompts dans Git.

Développement continu et certification continue avec un agent IA contradicteur

Développement continu / certification continue, ou CD/CC, avec un agent IA contradicteur.

L’intégration continue et la livraison continue, CI/CD, deviennent alors développement continu et certification continue, CD/CC. Le prompt permet de développer des composants logiciels fonctionnels, certifiés en continu par un agent de test qui travaille en mode contradictoire : vous prouvez constamment qu’ils fonctionnent comme prévu.

Les bénéfices s’additionnent : l’humain spécifie, l’IA code et déploie, l’IA certifie, puis l’humain utilise le résultat de la matérialisation de sa pensée. Enfin, l’IA apprend de l’usage humain. La boucle est bouclée.

Intégrer une technologie nouvelle dans des modèles opérationnels traditionnels

L’IA apporte une augmentation fluide, par la forme de communication la plus naturelle : le langage naturel, dans les langues les plus répandues sur Terre. C’est une première brique logicielle métamorphique en son genre.

Pourtant, le modèle opérationnel n’est pas nouveau. Un modèle génératif agit comme un assistant, semblable à une nouvelle recrue, et s’intègre à l’équipe existante. Une partie prenante fournit les besoins métier. Vous, ingénieur responsable, guidez l’assistant ingénieur, votre modèle d’IA, pour exécuter le développement à grande vitesse.

Autre possibilité : une série d’interactions où l’IA tient différents rôles, développeur, ingénieur ops, analyste fonctionnel, peut former votre équipe. Ce modèle externalise le service de développement hors de l’organisation informatique. Les parties prenantes continuent à passer par vous, ingénieur principal ou architecte, mais vous affinez les spécifications jusqu’au niveau d’un projet au forfait. Le développement est ensuite entièrement confié à un agent autonome. Il s’agit d’internalisation si le modèle est hébergé dans l’entreprise, ou d’externalisation si le modèle est fourni comme service : l’API GPT-4 devient alors un service de développement proposé par un tiers comme OpenAI.

L’IA innove dans un modèle traditionnel, avec une efficacité économique remarquable. Actuellement, les tarifs de GPT-4 chez OpenAI sont de 0,06 dollar pour 1 000 tokens d’entrée et de 0,12 dollar pour 1 000 tokens de sortie. Pour la génération de code seule, sans les reports de délais, le recrutement, les communications, la rédaction, etc., le calcul pour 100 000 lignes de code, à raison de 100 tokens par ligne, ce qui est beaucoup pour du code standard, est simple :

100 000 × 100 = 10 000 000 tokens ; (10 000 000 × 0,12 dollar) ÷ 1 000 = 1 200 dollars. Soit à peine deux jours de développement aux tarifs habituels.

Pour donner un ordre de grandeur, Minecraft comprend environ 600 000 lignes de Java. Théoriquement, un projet similaire pourrait être généré pour moins de 10 000 dollars, tokens d’entrée compris.

Ce raisonnement reste cependant simpliste. En pratique, les agents autonomes passent par plusieurs itérations et corrections pour établir un plan et résoudre de nombreuses erreurs. La qualité des exigences influe directement sur la précision du code. Maîtriser une rédaction descriptive précise et sans ambiguïté devient donc indispensable.

Pour terminer

Vous êtes au seuil d’un nouveau paradigme : la conception, les algorithmes et les prompts deviennent vos outils de création, pour façonner un futur encore difficile à saisir pleinement…

Cette transformation soulève des questions profondes. Comment l’IA générative et les agents autonomes vont-ils remodeler le marché du travail ? L’enseignement s’adaptera-t-il à cette ère du code augmenté ? Risquons-nous de perdre la profondeur de l’expertise d’ingénierie sur laquelle nous nous appuyions ?

Et, à mesure que nous avançons, une autre question apparaît : quand l’informatique quantique ouvrira-t-elle une ère de production instantanée, dans laquelle les mots auront le pouvoir de changer le monde en temps réel ?

🖖

Laisser un commentaire