Máme nesprávne predstavy o umelej inteligencii?
(Tento názorový článok vedúceho tímu JetBrains v oblasti vývoja umelej inteligencie reflektuje na kľúčové závery z NeurIPS 2025, významnej konferencie venovanej výskumu umelej inteligencie. Vysvetľuje, prečo sú tieto poznatky dôležité, a zvažuje súvisiace signály vyplývajúce z iných nedávnych výskumov.)
Hromadné prepúšťanie, roboty ovládajúce planétu, post-pravdivý svet. Ktorá z týchto predstáv vám príde na um ako prvá, keď hovoríme o prevratných inováciách, ktoré prináša umelá inteligencia?
Vo svojej prednáške na konferencii NeurIPS s názvom „Máme nesprávne nočné mory o umelej inteligencii?“ Zeynep Tufekci tvrdí, že spoločnosti systematicky nesprávne interpretujú vplyv významných technologických transformácií v ich počiatočných fázach. Pripravujeme sa na riziká, ktorým už rozumieme, ako generáli organizujúci sa na predchádzajúcu vojnu, pričom prehliadame výzvy, ktoré skutočne záležia.
V výskumnej komunite sa čoraz viac objavuje téma, že inteligencia umelej inteligencie sa kategoricky líši od ľudskej inteligencie. To priamo spochybňuje mentálny model lineárneho pokroku umelej inteligencie – predpoklad, že umelá inteligencia „dospieva“ tak ako človek.
Vylepšené riadenie a analýza umelej inteligencie pre organizácie
Dnes predstavujeme konzolu JetBrains Console, ktorá poskytuje vylepšené riadenie a analýzu umelej inteligencie pre organizácie, vrátane nových funkcií na riadenie, sledovanie a kontrolu využívania umelej inteligencie a nákladov v rámci tímov.
Umelá inteligencia už pre väčšinu vývojárskych tímov nie je experimentom. Stáva sa súčasťou základného nástrojového reťazca. S rastúcim využívaním rastie aj potreba jasnosti. Vedúci pracovníci musia pochopiť, ako sa umelá inteligencia používa, ako ovplyvňuje každodennú prácu a ako ju zodpovedne spravovať v organizácii.
Ako prvý krok sú tieto nové funkcie navrhnuté tak, aby poskytovali túto prehľadnosť, s integrovanou správou a pozorovateľnou od samého začiatku. Budeme pokračovať v ďalšom vývoji funkcií správy umelej inteligencie, aby sme poskytli ešte väčšiu transparentnosť.
Predstavujeme globálnu konfiguráciu projektu: jedno miesto na správu všetkých vašich pravidiel Qodana+
Globálna konfigurácia projektu je nová funkcia, ktorá pomáha používateľom Qodana spravovať nastavenia linteru v celej organizácii alebo tíme – všetko z jedného miesta. Doposiaľ znamenalo udržiavanie konzistentných pravidiel kvality kódu aktualizáciu konfiguračných profilov v každom jednotlivom repozitári.
Či už ste schvaľovali nové licencie, upravovali prísnosť pravidiel alebo definovali vlastné vzory pre pevne zakódované heslá, zmeny sa museli ručne opakovať vo viacerých projektoch. S rastom organizácií sa však tento prístup stáva pomalým, náchylným na chyby a ťažko kontrolovateľným.
Globálna konfigurácia projektu tento problém rieši. Poskytuje zjednodušený, opakovane použiteľný mechanizmus pre definovanie a vynucovanie štandardov kvality kódu v celej organizácii – bez obmedzenia flexibility, ktorú môžu jednotlivé projekty potrebovať.
Ako to funguje
Globálna konfigurácia projektu je poháňaná špecializovaným repozitárom, v ktorom vaša organizácia ukladá konfiguračné súbory, ktoré sa používajú počas analýzy Qodana. Tento repozitár môžete štruktúrovať spôsobom, ktorý vyhovuje vášmu pracovnému toku, logicky organizovať konfigurácie a odkazovať na ostatné, aby ste podporili ich opätovné použitie.
Vytváranie agentov umelej inteligencie v Kotline – 4. časť: Delegovanie a subagenti
Predchádzajúce časti tejto série:
• Vytváranie agentov umelej inteligencie v Kotline – 1. časť: Agent s minimálnym kódom
• Vytváranie agentov umelej inteligencie v Kotline – 2. časť: Podrobnejší pohľad na nástroje
• Vytváranie agentov umelej inteligencie v Kotline – 3. časť: Pod dohľadom
V predchádzajúcej časti sme videli, ako nastaviť sledovanie, čo nás privádza k dvom novým otázkam: S čím by sme mali experimentovať na základe informácií, ktoré nám tento nástroj poskytuje? A ktoré časti nášho agenta by sme mohli vylepšiť na základe jeho pozorovaní?
Čítajte ďalej
Vytváranie agentov umelej inteligencie v Kotline – 3. časť: Pod dohľadom
Predchádzajúce časti tejto série:
1. Vytváranie agentov umelej inteligencie v Kotline – 1. časť: Agent s minimálnym kódom
2. Vytváranie agentov umelej inteligencie v Kotline – 2. časť: Hlbšie ponorenie do nástrojov
Po dvoch článkoch už náš kódovací agent dokáže pomerne veľa. Vie preskúmať projekty, čítať a písať kód, vykonávať príkazy shellu a spúšťať testy. Pridaním definície dokončenia (DoD) v našom poslednom článku sme mu poskytli potrebnú spätnú väzbu – agent teraz opakuje proces, kým neprejdú všetky testy, a nie kým sa nerozhodne, že je hotový.
Čítajte ďalej
