Eine kürzlich veröffentlichte Forschungsstudie von Google-Forschern hat die Entwicklung eines auf Softwaretechnik spezialisierten KI-Modells namens Gemini for Google (GfG) enthüllt. Dieses Modell zielt darauf ab, die Lücke zu schließen, unter der allgemeine große Sprachmodelle beim Umgang mit großen und unternehmenseigenen Programmiersystemen leiden.
Herausforderungen allgemeiner Modelle in Programmierumgebungen
Obwohl über 75 % des Codes bei Google durch künstliche Intelligenz generiert oder entworfen werden, fehlt es allgemeinen Modellen an tiefem Wissen über unternehmenseigene Bibliotheken, einzigartige Designmuster und interne Programmiersprachen, auf die das Unternehmen angewiesen ist. Um dieses Problem zu lösen, trainierte das Forschungsteam das Gemini-Modell mit massiven internen Daten in Höhe von 1 Billion Token.
Trainingsmechanismus und praktische Ergebnisse
Das Team stützte sich beim Training von GfG auf den gesamten Lebenszyklus der Entwicklung, einschließlich Code-Reviews, Fehlerprotokollen, interner Dokumentation und Prozessprotokollen. Um sicherzustellen, dass das Modell seine allgemeinen Schlussfolgerungsfähigkeiten nicht verliert (bekannt als "katastrophales Vergessen"), nutzten die Forscher Techniken wie "Zwischenlernintervention" und "Datendate-Wiederholung", um spezifisches Wissen zu integrieren und gleichzeitig die allgemeine Effizienz aufrechtzuerhalten.
Tests mit 29.000 Entwicklern zeigten konkrete Ergebnisse: Die Anzahl der Interaktionen mit der KI, die zur Erledigung von Aufgaben erforderlich waren, sank um 23,1 %, und die Reaktionsgeschwindigkeit verbesserte sich um 8,9 %. Darüber hinaus stieg der Anteil des von der KI generierten Codes, der 14 Tage lang ohne Änderung nutzbar blieb, um 16,8 %.
Warum diese Nachricht wichtig ist
Diese Entwicklung stellt einen Wandel in der Art und Weise dar, wie große Unternehmen künstliche Intelligenz nutzen; das Ziel ist nicht länger nur die Verwendung allgemeiner Hilfswerkzeuge, sondern der Aufbau "unternehmensinterner" Modelle, die den spezifischen technischen Kontext des Unternehmens verstehen. Das Modell hat sich bei komplexen Aufgaben wie groß angelegten Systemaktualisierungen als wirksam erwiesen, da es dazu beigetragen hat, den Zeitaufwand im Vergleich zur manuellen Arbeit um 50 % zu reduzieren, zusätzlich zur Verbesserung des Verbrauchs von Rechenressourcen durch automatische Code-Optimierungssysteme.