AI for Low-Code for AI

要約

ローコード プログラミングにより、シチズン開発者は、通常は視覚的な (ドラッグ アンド ドロップなど) インターフェイスを介して、最小限のコーディング作業でプログラムを作成できます。
並行して、Copilot や ChatGPT などの最近の AI を利用したツールは、自然言語命令からプログラムを生成します。
私たちは、これらのモダリティは補完的であると主張します。ChatGPT のようなツールは、大規模な API を記憶する必要性を大幅に減らしますが、依然としてユーザーがプログラムを読み取る (および変更する) 必要があるのに対し、ビジュアル ツールはほとんどまたはすべてのプログラミングを抽象化しますが、大規模な API に簡単にアクセスするのに苦労します。
。
これらの交差点で、ビジュアル プログラミング インターフェイス (LowCoder_VP) と AI を利用した自然言語インターフェイス (LowCoder_NL) の両方をサポートする AI パイプライン開発用の初のローコード ツールである LowCoder を提案します。
私たちはこのツールを活用して、ユーザー調査を実施することで、これら 2 つの手法がプログラマーに役立つかどうか、またどのように役立つかについての最初の洞察を提供します。
AI のさまざまなレベルの専門知識を持つ 20 人の開発者に、LowCoder を使用して 4 つの ML パイプラインを実装するタスクを課し、タスクの半分で LowCoder_NL コンポーネントを単純なキーワード検索に置き換えます。
全体として、LowCoder は (i) 発見可能性において特に有用であることがわかりました。LowCoder_NL を使用すると、参加者はタスクの 75% で新しい演算子を発見しました。これに対し、Web 検索やキーワード検索のオプションのスクロールを使用した参加者はそれぞれ 32.5% と 27.5% にすぎませんでした。
(ii) 反復構成: タスクの 82.5% が正常に完了し、多くの初期パイプラインがさらに改善されました。
定性分析により、AI はユーザーが何をすべきかを知っている場合には構成要素の実装方法を発見するのに役立ちますが、達成したいことが明確でない場合には初心者をサポートできないことが示されています。
全体として、私たちの研究は AI の力とローコード プログラミングを組み合わせる利点を強調しています。

要約(オリジナル)

Low-code programming allows citizen developers to create programs with minimal coding effort, typically via visual (e.g. drag-and-drop) interfaces. In parallel, recent AI-powered tools such as Copilot and ChatGPT generate programs from natural language instructions. We argue that these modalities are complementary: tools like ChatGPT greatly reduce the need to memorize large APIs but still require their users to read (and modify) programs, whereas visual tools abstract away most or all programming but struggle to provide easy access to large APIs. At their intersection, we propose LowCoder, the first low-code tool for developing AI pipelines that supports both a visual programming interface (LowCoder_VP) and an AI-powered natural language interface (LowCoder_NL). We leverage this tool to provide some of the first insights into whether and how these two modalities help programmers by conducting a user study. We task 20 developers with varying levels of AI expertise with implementing four ML pipelines using LowCoder, replacing the LowCoder_NL component with a simple keyword search in half the tasks. Overall, we find that LowCoder is especially useful for (i) Discoverability: using LowCoder_NL, participants discovered new operators in 75% of the tasks, compared to just 32.5% and 27.5% using web search or scrolling through options respectively in the keyword-search condition, and (ii) Iterative Composition: 82.5% of tasks were successfully completed and many initial pipelines were further successfully improved. Qualitative analysis shows that AI helps users discover how to implement constructs when they know what to do, but still fails to support novices when they lack clarity on what they want to accomplish. Overall, our work highlights the benefits of combining the power of AI with low-code programming.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google