Colaboração com Assistente de Codificação Baseado em IA: Benefícios e Desafios

• Wendy Mendes Universidade Federal do Pará (UFPA)
• Samara Souza Universidade Federal do Pará (UFPA)
• Cleidson de Souza Universidade Federal do Pará (UFPA)

DOI: https://doi.org/10.5753/sbsc.2024.237964

Resumo

Este artigo em andamento tem como objetivo explorar a colaboração entre engenheiros de software e assistentes inteligentes baseados em (IA) no âmbito do desenvolvimento de software. Adotando uma metodologia de pesquisa que incluiu entrevistas com 14 profissionais da área de software, buscamos compreender as percepções e experiências desses no uso de assistentes inteligentes em seus ambientes de trabalho. Os resultados preliminares destacam tanto os benefícios quanto os desafios inerentes ao emprego dessas tecnologias. Neste contexto, a contribuição deste estudo reside na identificação dos fatores que permeiam a colaboração com assistentes inteligentes. Como resultado, os profissionais podem maximizar os benefícios dessa colaboração, desde que estejam cientes dos desafios associados.

Palavras-chave: Colaboração com IA, Assistentes de Codificação, Percepção de profissionais de Software

Referências

Amazon (2023). Ml-powered coding companion – amazon codewhisperer. Acessado em: 19 de setembro de 2023.

Barke, S., James, M. B., and Polikarpova, N. (2023). Grounded copilot: How programmers interact with code-generating models. Proceedings of the ACM on Programming Languages, 7(OOPSLA1):85–111.

Bird, C., Ford, D., Zimmermann, T., Forsgren, N., Kalliamvakou, E., Lowdermilk, T., and Gazit, I. (2022). Taking flight with copilot: Early insights and opportunities of ai-powered pair-programming tools. Queue, 20(6):35–57.

Blackbox (2023). Blackbox. Acessado em: 19 de setembro de 2023.

Brown, T., Mann, B., Ryder, N., Subbiah, M., Kaplan, J. D., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., et al. (2020). Language models are few-shot learners. Advances in neural information processing systems, 33:1877–1901.

Chang, Y., Wang, X., Wang, J., Wu, Y., Zhu, K., Chen, H., Yang, L., Yi, X., Wang, C., Wang, Y., et al. (2023). A survey on evaluation of large language models. arXiv preprint arXiv:2307.03109.

Chen, M., Tworek, J., Jun, H., Yuan, Q., Pinto, H. P. d. O., Kaplan, J., Edwards, H., Burda, Y., Joseph, N., Brockman, G., et al. (2021). Evaluating large language models trained on code. arXiv preprint arXiv:2107.03374.

Ernst, N. A. and Bavota, G. (2022). Ai-driven development is here: Should you worry? IEEE Software, 39(2):106–110.

Friedman, N. (2021). Introducing github copilot: your ai pair programmer. URL [link].

GitHub (2022). Github copilot - your ai pair programmer. Acessado em: 19 de setembro de 2023.

OpenAI (2023). Chatgpt. Acessado em: 19 de setembro de 2023.

Perry, N., Srivastava, M., Kumar, D., and Boneh, D. (2022). Do users write more insecure code with ai assistants? arXiv preprint arXiv:2211.03622.

Rajlich, V. (2014). Software evolution and maintenance. In Future of Software Engineering Proceedings, pages 133–144.

Vaithilingam, P., Zhang, T., and Glassman, E. L. (2022). Expectation vs. experience: Evaluating the usability of code generation tools powered by large language models. In Chi conference on human factors in computing systems extended abstracts, pages 1–7.

Weisz, J. D., Muller, M., Ross, S. I., Martinez, F., Houde, S., Agarwal, M., Talamadupula, K., and Richards, J. T. (2022). Better together? an evaluation of ai-supported code translation. In 27th International Conference on Intelligent User Interfaces, pages 369–391.

Ziegler, A., Kalliamvakou, E., Li, X. A., Rice, A., Rifkin, D., Simister, S., Sittampalam, G., and Aftandilian, E. (2022). Productivity assessment of neural code completion. In Proceedings of the 6th ACM SIGPLAN International Symposium on Machine Programming, pages 21–29.