Heute werden \u00fcberall neuronale Netze verwendet. Programmierer verwenden sie, um Code zu generieren, andere L\u00f6sungen zu erl\u00e4utern, Routineaufgaben zu automatisieren und sogar ganze Anwendungen von Grund auf neu zu erstellen. Es scheint, dass dies zu einer Erh\u00f6hung der Effizienz, der Verringerung der Fehler und der Beschleunigung der Entwicklung f\u00fchren sollte. Aber die Realit\u00e4t ist viel prosaischer: Viele gelingt es immer noch nicht. Die neuronalen Netze l\u00f6sen keine wichtigen Probleme – sie beleuchten nur die Tiefe der Unwissenheit.<\/p>\n
Der Hauptgrund ist, dass sich viele Entwickler vollst\u00e4ndig auf LLM verlassen und die Notwendigkeit eines tiefen Verst\u00e4ndnisses der Werkzeuge ignorieren, mit denen sie arbeiten. Anstatt Dokumentation zu studieren – eine Chat -Anfrage. Anstatt die Gr\u00fcnde f\u00fcr den Fehler zu analysieren – kopieren Sie die Entscheidung. Anstelle von architektonischen L\u00f6sungen – die Erzeugung von Komponenten gem\u00e4\u00df der Beschreibung. All dies kann auf oberfl\u00e4chlicher Ebene funktionieren, aber sobald eine nicht standardm\u00e4\u00dfige Aufgabe entsteht, ist die Integration in ein echtes Projekt oder die Notwendigkeit einer Feinabstimmung erforderlich, alles br\u00f6ckelt.<\/p>\n
Die neuronalen Netzwerke generieren den Code verallgemeinert. Sie ber\u00fccksichtigen die Einzelheiten Ihrer Plattform, der Version von Bibliotheken, Umgebungsbeschr\u00e4nkungen oder architektonischen L\u00f6sungen des Projekts nicht. Was generiert wird, sieht oft plausibel aus, hat aber nichts mit dem realen, unterst\u00fctzten Code zu tun. Selbst einfache Empfehlungen funktionieren m\u00f6glicherweise nicht, wenn sie zur veralteten Version des Frameworks oder zur Verwendung von Ans\u00e4tzen angeh\u00f6ren, die seit langem als unwirksam oder unsicher anerkannt werden. Modelle verstehen den Kontext nicht – sie st\u00fctzen sich auf Statistiken. Dies bedeutet, dass Fehler und Antipatttern, die im offenen Code beliebt sind, immer wieder reproduziert werden.<\/p>\n
Der generierte KI ist oft \u00fcberfl\u00fcssig. Es enth\u00e4lt unn\u00f6tige Abh\u00e4ngigkeiten, doppelte Logik, f\u00fcgt unn\u00f6tig Abstraktionen hinzu. Es stellt sich eine ineffektive, schwere Struktur heraus, die schwer zu unterst\u00fctzen ist. Dies ist besonders akut in der mobilen Entwicklung, wo die Gr\u00f6\u00dfe der Bande, die Reaktionszeit und der Energieverbrauch von entscheidender Bedeutung sind.<\/p>\n
Das neuronale Netzwerk f\u00fchrt keine Profilerstellung durch, ber\u00fccksichtigt nicht die Einschr\u00e4nkungen der CPU und der GPU und k\u00fcmmert sich nicht um die Speicherlecks. Es wird nicht analysiert, wie effektiv der Code in der Praxis ist. Die Optimierung ist immer noch handgefertigt und erfordert eine Analyse und Untersuchung. Ohne sie wird die Anwendung langsam, instabil und ressourcenintensiv, auch wenn sie aus Sicht der Struktur \u201erechts\u201c aussehen.<\/p>\n
Vergessen Sie die Sicherheit nicht. Es sind bereits F\u00e4lle bekannt, in denen Projekte, die teilweise oder vollst\u00e4ndig mit LLM erstellt wurden, erfolgreich gehackt wurden. Die Gr\u00fcnde sind typisch: Die Verwendung unsicherer Funktionen, mangelnde \u00dcberpr\u00fcfung der Eingabedaten, Fehler in der Logik der Autorisierung, Lecks durch externe Abh\u00e4ngigkeiten. Das neuronale Netzwerk kann einen gef\u00e4hrdeten Code generieren, nur weil es in offenen Repositorys gefunden wurde. Ohne die Teilnahme von Sicherheitsspezialisten und eine vollst\u00e4ndige \u00dcberarbeitung werden solche Fehler leicht zu Eingabepunkten f\u00fcr Angriffe.<\/p>\n
Das Pareto -Gesetz arbeitet eindeutig mit neuronalen Netzwerken zusammen: 80% des Ergebnisses werden aufgrund von 20% der Anstrengungen erzielt. Das Modell kann eine gro\u00dfe Menge Code generieren, die Grundlage des Projekts erstellen, die Struktur verbreiten, Typen anordnen, Module verbinden. All dies kann jedoch veraltet sein, mit aktuellen Versionen von Bibliotheken oder Frameworks nicht kompatibel sein und eine erhebliche manuelle \u00dcberarbeitung erfordern. Die Automatisierung funktioniert hier eher als Entwurf, der \u00fcberpr\u00fcft, verarbeitet und an bestimmte Realit\u00e4ten des Projekts angepasst werden muss.<\/p>\n
Trotzdem sieht die Zukunft ermutigend aus. Konstante Aktualisierung von Trainingsdatens\u00e4tzen, Integration in die aktuelle Dokumentation, automatisierte Architekturpr\u00fcfungen, Einhaltung von Design- und Sicherheitsmustern – all dies kann die Spielregeln radikal \u00e4ndern. Vielleicht k\u00f6nnen wir in ein paar Jahren den Code wirklich schneller, sicherer und effizienter schreiben und sich als echter technischer Co -Autor auf LLM verlassen. Aber vorerst – leider – muss viel manuell \u00fcberpr\u00fcft, umgeschrieben und modifiziert werden.<\/p>\n
Neuronale Netze sind ein leistungsstarkes Werkzeug. Aber damit er f\u00fcr Sie und nicht gegen Sie arbeitet, ben\u00f6tigen Sie eine Basis, ein kritisches Denken und eine Bereitschaft, die Kontrolle jederzeit zu \u00fcbernehmen.<\/p>\n","protected":false},"excerpt":{"rendered":"
Heute werden \u00fcberall neuronale Netze verwendet. Programmierer verwenden sie, um Code zu generieren, andere L\u00f6sungen zu erl\u00e4utern, Routineaufgaben zu automatisieren und sogar ganze Anwendungen von Grund auf neu zu erstellen. Es scheint, dass dies zu einer Erh\u00f6hung der Effizienz, der Verringerung der Fehler und der Beschleunigung der Entwicklung f\u00fchren sollte. Aber die Realit\u00e4t ist vielContinue reading “Warum tun Programmierer auch mit neuronalen Netzwerken nichts?”<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[61],"tags":[],"class_list":["post-4193","post","type-post","status-publish","format-standard","hentry","category-techie","entry"],"translation":{"provider":"WPGlobus","version":"3.0.2","language":"de","enabled_languages":["en","ru","zh","de","fr","ja","pt","hi"],"languages":{"en":{"title":true,"content":true,"excerpt":false},"ru":{"title":true,"content":true,"excerpt":false},"zh":{"title":true,"content":true,"excerpt":false},"de":{"title":true,"content":true,"excerpt":false},"fr":{"title":true,"content":true,"excerpt":false},"ja":{"title":true,"content":true,"excerpt":false},"pt":{"title":true,"content":true,"excerpt":false},"hi":{"title":false,"content":false,"excerpt":false}}},"jetpack_featured_media_url":"","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/demensdeum.com\/blog\/de\/wp-json\/wp\/v2\/posts\/4193","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/demensdeum.com\/blog\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/demensdeum.com\/blog\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/demensdeum.com\/blog\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/demensdeum.com\/blog\/de\/wp-json\/wp\/v2\/comments?post=4193"}],"version-history":[{"count":1,"href":"https:\/\/demensdeum.com\/blog\/de\/wp-json\/wp\/v2\/posts\/4193\/revisions"}],"predecessor-version":[{"id":4194,"href":"https:\/\/demensdeum.com\/blog\/de\/wp-json\/wp\/v2\/posts\/4193\/revisions\/4194"}],"wp:attachment":[{"href":"https:\/\/demensdeum.com\/blog\/de\/wp-json\/wp\/v2\/media?parent=4193"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/demensdeum.com\/blog\/de\/wp-json\/wp\/v2\/categories?post=4193"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/demensdeum.com\/blog\/de\/wp-json\/wp\/v2\/tags?post=4193"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}