Van idee naar MVP met GenAI: zo doen wij dat bij Blenddata
Tag(s)
De tijd dat ontwikkelaars standaard naar Stack Overflow gaan met een bug of probleem is voorbij. Steeds minder mensen schrijven nog code zonder het gebruik van GenAI. In slechts enkele jaren is het gebruik van GenAI-tools van onbekend naar onmisbaar geworden, ook in onze manier van werken. Het is bijna niet voor te stellen dat deze tools bij de oprichting van Blenddata nog niet publiekelijk beschikbaar waren. Realiseer je dat we het dan hebben over 2022.
Inmiddels zijn ChatGPT, Cursor en andere tools verweven in de werkwijze van de ontwikkelaars van Blenddata. In deze blog maken wij de balans op: hoe zet je GenAI op de juiste manier in om je te helpen met het schrijven van code, zonder in te leveren op kwaliteit, overdraagbaarheid en vakmanschap?
Wat is GenAI en hoe werkt dat precies?
Generative Artificial Intelligence (GenAI)-modellen zijn in staat om op basis van een tekstuele vraag een antwoord te genereren. Deze soort ‘chatbots’ zijn getraind op miljarden stukken tekst om zo de onderliggende patronen en verbanden tussen woorden en zinnen te leren. Deze patronen kan GenAI gebruiken om, op basis van input (een vraag), nieuwe tekst te produceren (een antwoord).
Omdat een chatbot in deze rijke set aan data keer op keer het verband leert dat water nat is, zal het op de vraag “Is water nat?” met “ja” antwoorden. Niet omdat het conceptueel begrijpt dat water bij kamertemperatuur een vloeistof is, maar omdat het het verband tussen de woorden ‘water’ en ‘nat’ talloze keren is tegengekomen in de tekst waarop het is getraind.
De tekst waarop deze chatbots zijn getraind is voornamelijk afkomstig van het internet, waaronder mogelijk ook de 24 miljoen vragen en 36 miljoen antwoorden die te vinden zijn op Stack Overflow, of codefragmenten die ooit op Reddit zijn geplaatst. Hierdoor is GenAI ook in staat om code te genereren of te beoordelen: ook die patronen zijn bekend voor de chatbot.
Hoe zet Blenddata GenAI in bij het ontwikkelen van code?
- Schrijven van code: Een simpele SQL-query? Python-code nodig om een API uit te lezen? Een PowerShell-script om alle bestanden in een map te hernoemen? Als je snel werkende code nodig hebt of een concept wilt valideren, vraag je dat aan GenAI. Bij een hackathon is het schrijven van code om je idee te testen niet langer de beperkende factor. Door slim gebruik te maken van GenAI is het nog nooit zo makkelijk geweest om van een idee naar een MVP te gaan.
- Debuggen: Je code geeft een fout. Ga je dan in de documentatie van de package zoeken? Of naar Stack Overflow om te zien of iemand anders dit probleem al had? Waarschijnlijk niet. Door GenAI te voorzien van de volledige stack trace heb je vrijwel altijd binnen enkele seconden de oorzaak van je bug achterhaald.
- Code review en foutdetectie: Wij hanteren het vierogenprincipe: code moet altijd door minstens één andere ontwikkelaar bekeken worden voordat het naar productie gaat. GenAI vervangt dit principe niet, maar kan wel een extra laag van review toevoegen. Wanneer je GenAI vraagt om je code te beoordelen, ziet het vaak dingen waar jij nog niet bij stil hebt gestaan, hoe ervaren je ook bent.
- Refactoren en verbeteren van bestaande code: Na verloop van tijd kan elke codebase rommelig worden. GenAI kan helpen om code te herstructureren en te herschrijven, zodat deze weer begrijpelijk en goed opgebouwd is. Als je goede tests hebt geschreven, merk je direct of de code nog steeds correct functioneert.
- Helpen bij het begrijpen van code: Kom je een functie tegen van 100 regels zonder docstring met de naam process_data? Vraag dan een GenAI om de code uit te leggen of te voorzien van comments. Zo kun jij sneller beoordelen of de functie daadwerkelijk doet wat het binnen de business context moet doen.
De voordelen en nadelen van het gebruik van GenAI
