Technology Radar

Não é surpresa para ninguém que os tópicos relacionados à IA dominaram nossa conversa para esta edição do Radar. Pela primeira vez, precisamos de um guia visual para desatar os nós das diferentes categorias e capacidades (algo que ainda não havíamos utilizado, mesmo no auge do caos no ecossistema JavaScript). Como uma consultoria de software com histórico de pioneirismo em práticas de engenharia inovadoras como CI e CD, uma das categorias de interesse para nós é o uso da IA para auxiliar o desenvolvimento de software. Como parte do Tech Radar, discutimos muitas ferramentas de assistência de programação como o GitHub Copilot, Tabnine e Codeium. Também estamos animadas com o potencial das LLMs de código aberto para agitar o cenário de ferramentas, e observamos uma grande promessa na explosão de ferramentas e recursos para assistência além da assistência na escrita de histórias das pessoas usuárias (em inglês user story), pesquisa de pessoas usuárias (user story, em inglês), pesquisa de pessoas usuárias, discurso de elevador e outras tarefas baseadas em linguagem. Ao mesmo tempo, esperamos que as pessoas desenvolvedoras usem todas essas ferramentas de forma responsável e permaneçam firmes no controle de elementos como as dependências alucinadas sendo este apenas um dos riscos de segurança e qualidade que você deve se atentar.

O desenvolvimento de software pode parecer magia para as não-tecnologistas, o que leva os gerentes a se esforçarem para medir o quão produtivas as pessoas desenvolvedoras são em suas tarefas misteriosas. Nosso cientista-chefe, Martin Fowler, escreveu sobre este tópico já em 2003, mas ele não desapareceu. Discutimos muitas ferramentas e técnicas modernas para este Radar que adotam abordagens mais sutis para medir o processo criativo de construção de software, mas ainda são insuficientes. Felizmente, a indústria se afastou do uso de linhas de código como indicador de produção. No entanto, maneiras alternativas de medir o A ("Atividade") do framework SPACE, como o número de pull request ou problemas resolvidos, ainda são indicadores falhos de produtividade. Em vez disso, a indústria começou a se concentrar na engenharia efetiva: em vez de medir a produtividade, devemos medir coisas que sabemos que contribuem para ou prejudicam o fluxo. Em vez de nos concentrarmos nas atividades de um indivíduo, devemos nos concentrar nas fontes de desperdício no sistema e nas condições que podemos empiricamente mostrar que impactam na percepção de "produtividade" da pessoa desenvolvedora. Novas ferramentas como o DX DevEx 360 abordam isso focando na experiência da pessoa desenvolvedora, em vez de algum indicador incorreto de produção. No entanto, muitos líderes continuam a se referir à "produtividade" das pessoas desenvolvedoras de forma vaga e qualitativa. Suspeitamos que pelo menos parte do ressurgimento deste interesse se preocupe com o impacto do desenvolvimento de software assistido por IA, o que levanta a inevitável pergunta: está tendo um impacto positivo? Embora as medições possam estar ganhando alguma nuance, as medições reais de produtividade ainda são ilusórias.

Os modelos de linguagem de grande porte (LLMs) formam a base de muitos avanços modernos na IA. Muito da experimentação atual envolve acionar interfaces de usuárias semelhantes a bate-papo, como ChatGPT ou Bard. Fundamentalmente, os principais ecossistemas concorrentes (OpenAI's ChatGPT, Google's Bard, Meta's LLaMA, Amazon's Bedrock, entre outros) foram destaque em nossas discussões. De forma mais ampla, os LLMs são ferramentas que podem resolver uma variedade de problemas, desde a geração de conteúdo (texto, imagens e vídeos) à geração de código, resumo e tradução, para citar alguns. Com a linguagem natural servindo como uma poderosa camada de abstração, esses modelos apresentam um conjunto de ferramentas universalmente atraente e, portanto, estão sendo usados por muitas pessoas da área da informação. Nossa discussão abrange várias facetas dos LLMs, incluindo hospedagem própria, que permite personalização e maior controle do que os LLMs hospedados na nuvem. Com a crescente complexidade dos LLMs, deliberamos sobre a capacidade de quantificá-los e executá-los em pequenos formatos, especialmente em dispositivos de borda e ambientes com restrições. Mencionamos o ReAct prompting, que tem potencial para melhorar o desempenho, juntamente com agentes autônomos suportados por LLM que podem ser usados para construir aplicativos dinâmicos que vão além das interações de pergunta e resposta. Também mencionamos vários bancos de dados vetoriais (incluindo Pinecone) que estão ressurgindo graças aos LLMs. As capacidades subjacentes dos LLMs, incluindo capacidades especializadas e hospedadas nativamente, continuam a crescer de forma explosiva.

Mesmo que equipes de desenvolvimento de software remotas tenham usado a tecnologia para superar restrições geográficas por anos, o impacto da pandemia impulsionou a inovação nessa área, solidificando o trabalho totalmente remoto ou híbrido como uma tendência duradoura. Para este Radar, discutimos como as práticas e ferramentas de desenvolvimento de software remoto amadureceram, e as equipes continuam a empurrar os limites com foco na colaboração eficaz em um ambiente mais distribuído e dinâmico do que nunca. Algumas equipes continuam a criar soluções inovadoras usando novas ferramentas colaborativas. Outras continuam a adaptar e melhorar as práticas presenciais existentes para atividades como a programação em par simultânea ou programação em grupo, workshops distribuídos (por exemplo, Event Storming remoto) e comunicação assíncrona e síncrona. Embora o trabalho remoto ofereça inúmeros benefícios (incluindo um pool de talentos mais diverso), o valor das interações presenciais é inquestionável. As equipes não devem deixar que ciclos críticos de feedbacks falhem e precisam estar cientes das concessões que assumem ao migrar para ambientes remotos.