전국 클라우드 데이터베이스의 날

AI가 클라우드 데이터베이스에 대한 개발자의 경험에 어떤 영향을 미쳤나요?

AI의 대중화로 인해 개발자가 애플리케이션 내에서 AI 기술을 사용할 수 있는 진입 장벽이 낮아졌습니다. 개발자는 클라우드의 LLM 및 대규모 멀티모달 마켓플레이스와 오픈 소스 데이터세트에 액세스하여 자체 모델을 학습할 수 있습니다. 벡터 검색 기능을 갖춘 확장 가능한 분산형 클라우드 데이터베이스는 GenAI 애플리케이션의 개발과 성공적인 배포에 필수적인 요소입니다.

개발자들은 기존 애플리케이션에 AI 기능을 보강하고자 합니다. AI 모델의 주요 과제는 환각입니다. 검색 증강 생성(RAG)으로 구동되는 AI 애플리케이션은 벡터 데이터베이스에서 관련 문맥 데이터를 쿼리하고 그 결과를 LLM으로 전송하여 응답의 정확성을 향상시킬 수 있습니다. 개발자는 벡터 검색 기능을 지원할 뿐만 아니라 전체 텍스트 검색, 일반 쿼리, 벡터 검색과 함께 사용할 수 있는 데이터 분석이 가능한 통합 데이터 플랫폼을 기대합니다.

개발자가 앱의 사용자 경험이나 기능을 향상하기 위해 GenAI를 사용할 수 있는 흥미롭거나 혁신적인 방법을 공유해 주시겠어요?

개발자는 사용자가 자연어를 사용하여 애플리케이션과 상호 작용하고 직관적인 자연어 형식으로 질문에 대한 정확한 답변을 얻을 수 있는 AI 기반 챗봇과 같은 기능을 통합하여 애플리케이션의 경험을 쉽게 강화할 수 있습니다. 개발자는 사용자를 대신하여 복잡한 사용자 워크플로와 반복적인 작업을 간소화하는 스마트한 적응형 가이드를 구축할 수 있습니다. 다양한 데이터 유형에서 고급 검색 기능을 활성화하고 이를 일반 검색 필터와 결합하여 결과 집합을 더욱 맞춤화할 수 있습니다.

클라우드의 맥락에서 GenAI 애플리케이션을 논의하지만, 엣지 AI 애플리케이션을 통한 AI의 탈중앙화는 AI 애플리케이션의 확장성과 데이터 프라이버시 문제를 완화하는 데 매우 중요합니다. 엣지에서 생성되고 분석된 데이터를 통해 개발자는 반응성이 높고 반응성이 뛰어난 애플리케이션을 구축할 수 있습니다. 또한 개발자는 디바이스에서 로컬로 생성 및 저장된 데이터를 활용하여 개인화된 경험을 구축할 수 있습니다.

LLM 및 코드 생성 도구와 같은 GenAI 기술의 등장은 소프트웨어 개발에 대한 개발자의 접근 방식에 어떤 영향을 미쳤나요?

2023년, 개발자 생산성은 ChatGPT, GitHub Copilot 등과 같은 GenAI 기반 도구 및 애플리케이션을 통해 향상되었습니다. 최근 GitHub에서 실시한 설문조사에 따르면 GitHub Copilot을 사용한 개발자는 그렇지 않은 개발자보다 55% 더 빨리 할당된 작업을 완료한 것으로 나타났습니다. 이러한 도구는 단위 테스트를 위한 상용구 코드 작성, 새로운 언어 학습(예: "Java 메서드 푸바를 Kotlin으로 번역"), 새로운 플랫폼 또는 기술 온보딩(예: "플랫폼 X에 데이터를 읽고 쓰는 C 코드 스니펫 표시" 또는 "이 인터페이스 정의의 구현 제공")과 같은 일상적이고 반복적인 작업을 완화해 줍니다. API 문서 초안 생성, 코드 문서화 등에 사용할 수 있습니다. AI 코딩 어시스턴트는 개발자의 작업을 완전히 대신하는 것이 아니라 한 쌍의 프로그래머로 사용되므로 개발자와 AI 어시스턴트가 함께 작업하여 더 빠른 속도로 더 높은 품질의 코드를 생성할 수 있습니다.

GenAI가 향후 개발자의 역할에 어떤 영향을 미칠 것이라고 생각하시며, 개발자가 기술을 향상하거나 적응하기 위해 어떤 조치를 취해야 한다고 생각하시나요?

개발자가 이러한 도구에 지나치게 의존하여 모든 작업 또는 대부분의 작업을 해당 도구에 맡기는 것을 경계하고 싶습니다. 이는 혁신, 창의성, 비판적 사고를 저해할 수 있습니다. 종종 GenAI 도구의 결과가 가장 효율적이거나 정확하지 않거나 최신 정보가 아닌 경우가 많습니다. 때로는 결과에 저작권이 적용되는 등 추가적인 보안 및 규정 준수 위험이 존재하기도 합니다. 개발자가 이러한 도구의 한계를 이해하고 이를 효율적인 보조 도구로 사용하는 방법을 현명하게 판단하는 한 AI는 개발자의 생산성에 중요한 역할을 계속할 것입니다.