{"id":30700,"date":"2024-11-19T12:28:29","date_gmt":"2024-11-19T11:28:29","guid":{"rendered":"https:\/\/www.codemotion.com\/magazine\/?p=30700"},"modified":"2024-11-19T12:28:31","modified_gmt":"2024-11-19T11:28:31","slug":"de-programadores-junior-a-senior-con-chatgpt","status":"publish","type":"post","link":"https:\/\/www.codemotion.com\/magazine\/es\/inteligencia-artificial\/de-programadores-junior-a-senior-con-chatgpt\/","title":{"rendered":"De programadores junior a senior con ChatGPT"},"content":{"rendered":"\n

Qu\u00e9 es la IA y qu\u00e9 es ChatGPT lo sabemos todos. Cada uno de nosotros ha escrito montones de prompts<\/em> para obtener respuestas de ChatGPT, con resultados m\u00e1s o menos satisfactorios.<\/p>\n\n\n\n

Para entender mejor c\u00f3mo ChatGPT puede ayudarnos a convertirnos en programadores senior, primero debemos comprender qu\u00e9 es la ingenier\u00eda de prompts<\/em>, por qu\u00e9 es tan importante y en qu\u00e9 \u00e1reas un modelo de lenguaje grande (Large Language Model<\/em>, LLM) <\/strong>como ChatGPT u otros pueden ayudarnos a crecer profesionalmente.<\/p>\n\n\n\n

Experiencia en el campo<\/h3>\n\n\n\n

Lo que estoy a punto de escribir surge de mi experiencia tras meses utilizando ChatGPT, GitHub<\/a> Copilot, Claude y otros modelos de lenguaje grande (LLM), as\u00ed como de una serie de lecturas y estudios sobre el tema. Estoy seguro de que, en unos meses, esto quedar\u00e1 obsoleto con la llegada de herramientas nuevas (o ya existentes y que no uso) que ayudar\u00e1n a\u00fan m\u00e1s a los desarrolladores (y no solo) a crecer profesionalmente.<\/p>\n\n\n\n

Es probable que algunos de vosotros utilic\u00e9is herramientas distintas a las que yo empleo<\/strong>, pero enfoqu\u00e9monos en lo que podemos lograr con este tipo de herramientas, en lugar de centrarnos en cu\u00e1l es la mejor. De lo contrario, caeremos en una discusi\u00f3n interminable sobre cu\u00e1l es superior, y estoy seguro de que nadie ganar\u00e1 esa disputa.<\/p>\n\n\n\n

Comprender ChatGPT y, en un sentido m\u00e1s amplio, los LLM<\/h3>\n\n\n\n

Empecemos desde el principio: ChatGPT es un chatbot de inteligencia artificial (IA) que utiliza el procesamiento del lenguaje natural para crear un di\u00e1logo conversacional similar al humano. <\/strong>Este modelo de lenguaje puede responder preguntas y redactar diversos tipos de contenido escrito, como art\u00edculos, publicaciones en redes sociales, ensayos, c\u00f3digo y correos electr\u00f3nicos, convirti\u00e9ndose en una herramienta emocionante para devs de todos los niveles.<\/p>\n\n\n\n

Se trata, por lo tanto, de un modelo que no razona,<\/strong> pero que puede aplicar de manera muy eficaz las reglas aprendidas durante su entrenamiento. <\/strong>Esto significa que, si le proporcionamos una input incorrecta<\/strong>, obtendremos una output incorrecta;<\/strong> pero si damos una entrada precisa, obtendremos un resultado correcto.<\/p>\n\n\n\n

Del mismo modo, si utilizamos un LLM que ha sido entrenado con conjuntos de datos que contienen errores, el resultado tambi\u00e9n contendr\u00e1 errores.<\/p>\n\n\n\n

Adem\u00e1s, los modelos siempre intentan generar respuestas, lo que implica que habr\u00e1 un porcentaje, mayor o menor, de respuestas que ser\u00e1n incorrectas, inventadas o inexactas.<\/strong><\/p>\n\n\n\n

Partiendo de este punto inicial, cuyo prop\u00f3sito es centrar el tipo de herramienta que estamos intentando utilizar, veamos en qu\u00e9 \u00e1reas la tasa de error es m\u00e1s alta y en cu\u00e1les es m\u00e1s baja, <\/strong>permitiendo un uso m\u00e1s exitoso.<\/p>\n\n\n\n

Los LLM no est\u00e1n dise\u00f1ados para resolver problemas o acertijos<\/h3>\n\n\n\n

Los LLM fueron creados para responder preguntas, redactar art\u00edculos, escribir c\u00f3digo, pero no para resolver problemas o acertijos. Esto significa que, si les presentamos un problema, no sabr\u00e1n c\u00f3mo resolverlo, pero si les proporcionamos un problema ya resuelto, podr\u00e1n ofrecernos la soluci\u00f3n.<\/p>\n\n\n\n

Cada vez que veo un video donde alguien propone un acertijo a ChatGPT y luego se sorprende de que no pueda resolverlo, me resulta gracioso. Es como pedirle a un ni\u00f1o de cinco a\u00f1os que resuelva un problema de f\u00edsica cu\u00e1ntica: son pruebas que no consideran las capacidades del interlocutor ni la forma en que fue dise\u00f1ado. No aportan valor y no demuestran que el modelo sea inadecuado; m\u00e1s bien, reflejan que el “creador” no ha entendido c\u00f3mo usarlo.<\/p>\n\n\n\n

Limitaciones del conocimiento<\/h3>\n\n\n\n

Otro punto importante es que los LLM no poseen un conocimiento ilimitado,<\/strong> sino que su conocimiento est\u00e1 restringido a los datos incluidos en sus conjuntos de entrenamiento. <\/strong>Esto significa que, si les proporcionamos una entrada que no est\u00e1 en esos conjuntos, no podr\u00e1n responder.<\/p>\n\n\n\n

\u00bfCu\u00e1ndo ocurre esto con mayor frecuencia? Cuando pedimos informaci\u00f3n sobre productos que no exist\u00edan o acababan de salir cuando el modelo fue entrenado.<\/p>\n\n\n\n

Se est\u00e1n desarrollando mitigaciones para este problema, como consultas en tiempo real a la red o entrenamiento continuo, pero estas soluciones no resuelven el problema por completo.<\/strong> Aunque pueden generar algunas respuestas, muchas veces estas son inventadas o de baja calidad.<\/p>\n\n\n\n

Por lo tanto, no esperen obtener respuestas confiables de ChatGPT sobre productos, tecnolog\u00edas o eventos recientes, ya que el modelo no tendr\u00e1 la informaci\u00f3n necesaria o, si responde, ser\u00e1 con respuestas inventadas o poco precisas.<\/strong><\/p>\n\n\n\n

\u00bfD\u00f3nde podemos obtener mejores resultados?<\/h3>\n\n\n\n

Existen modelos que no solo se basan en prompts<\/em>, sino que tambi\u00e9n utilizan una serie de datos proporcionados al modelo, lo que permite obtener respuestas m\u00e1s precisas<\/strong>. Estos modelos, como GitHub Copilot, ofrecen mejores resultados porque poseen un conocimiento m\u00e1s amplio y detallado.<\/p>\n\n\n\n

Por ejemplo, GitHub Copilot <\/strong>genera sugerencias analizando el c\u00f3digo antes y despu\u00e9s de la posici\u00f3n del cursor en el editor, utilizando todos los archivos abiertos en ese momento e incluso repositorios de GitHub referenciados en el contexto. Esto hace que las sugerencias de c\u00f3digo no sean un simple copia y pega de los datos de entrenamiento, sino que est\u00e9n fuertemente contextualizadas.<\/p>\n\n\n\n

Ejemplo pr\u00e1ctico<\/h4>\n\n\n\n

Partamos de este c\u00f3digo, que podr\u00eda escribirse en cualquier lenguaje de programaci\u00f3n:<\/p>\n\n\n\n

public static final int UNO = 1; 
public static final int DOS = 2; 
public static final int TRES = 3; 
public static final int CUATRO = 4; 
public static final int CINCO = 5; 

public static void main(String[] args) { 
 \/\/ Seg\u00fan el par\u00e1metro, buscar la correspondencia con las variables est\u00e1ticas 
}
<\/code><\/pre>\n\n\n\n
El comentario es muy gen\u00e9rico y no indica claramente lo que espera el programador.<\/strong> Si us\u00e1ramos este comentario como prompt<\/em> en ChatGPT, probablemente no obtendr\u00edamos una respuesta precisa. Sin embargo, Copilot, al entender que el comentario se refiere a las variables est\u00e1ticas, podr\u00eda sugerir un c\u00f3digo como este:<\/p>\n\n\n\n
int parametro = Integer.parseInt(args[0]); 
switch (parametro) { 
 case UNO: 
     System.out.println(\"UNO\"); 
     break; 
 case DOS: 
     System.out.println(\"DOS\"); 
     break; 
 case TRES: 
     System.out.println(\"TRES\"); 
     break; 
 case CUATRO: 
     System.out.println(\"CUATRO\"); 
     break; 
 case CINCO: 
     System.out.println(\"CINCO\"); 
     break; 
 default: 
     System.out.println(\"Sin coincidencias\"); 
}
<\/code><\/pre>\n\n\n\n
Muchos pensar\u00e1n que este c\u00f3digo es demasiado sencillo o que podr\u00eda mejorarse, y tienen raz\u00f3n. Sin embargo, el objetivo aqu\u00ed es mostrar que Copilot entiende el contexto y proporciona una respuesta correcta, mientras que ChatGPT requerir\u00eda un prompt<\/em> mucho m\u00e1s detallado.<\/p>\n\n\n\n
Comprensi\u00f3n del c\u00f3digo<\/h3>\n\n\n\n
A menudo nos enfrentamos a c\u00f3digo que no hemos escrito nosotros y que debemos modificar o extender. En estos casos, los LLM pueden ser \u00fatiles, ya que analizan el c\u00f3digo y nos explican qu\u00e9 hace y c\u00f3mo funciona. Esto facilita comprender el c\u00f3digo y trabajar con \u00e9l de manera m\u00e1s eficaz.<\/p>\n\n\n\n
Un programador senior generalmente no tiene problemas para entender c\u00f3digo ajeno, pero, al salir de su zona de confort, puede encontrarse con desaf\u00edos. Aqu\u00ed es donde los LLM pueden marcar la diferencia, especialmente para programadores junior o cuando se necesita trabajar con c\u00f3digo poco familiar.<\/p>\n\n\n\n
Por ejemplo, partamos de esta funci\u00f3n tomada del repositorio Jetty Project<\/a>:<\/p>\n\n\n\n
public static boolean matchesURI(URI uri1, URI uri2) { 
    String scheme = uri1.getScheme(); 
    if (scheme.equalsIgnoreCase(uri2.getScheme())) { 
        if (uri1.getHost().equalsIgnoreCase(uri2.getHost())) { 
            int thisPort = HttpClient.normalizePort(scheme, uri1.getPort()); 
            int thatPort = HttpClient.normalizePort(scheme, uri2.getPort()); 
            if (thisPort == thatPort) { 
                return uri2.getPath().startsWith(uri1.getPath()); 
            } 
        } 
    } 
    return false; 
}
<\/code><\/pre>\n\n\n\n
Con un prompt<\/em> gen\u00e9rico, podr\u00edamos obtener una explicaci\u00f3n b\u00e1sica, pero con una mejor contextualizaci\u00f3n, el modelo puede proporcionar una descripci\u00f3n m\u00e1s precisa y \u00fatil, ayud\u00e1ndonos a modificar o extender el c\u00f3digo seg\u00fan nuestras necesidades.<\/p>\n\n\n\n
Probemos a pedirle a Claude (aunque lo mismo aplica para otros LLM) que nos explique qu\u00e9 hace esta funci\u00f3n.<\/h4>\n\n\n\n
Pregunta:<\/strong><\/p>\n\n\n\n
\u00bfMe puedes describir este c\u00f3digo?
<codigo>
<\/code><\/pre>\n\n\n\n
Respuesta:<\/strong> Este c\u00f3digo define un m\u00e9todo est\u00e1tico llamado matchesURI<\/code> que compara dos objetos URI (Uniform Resource Identifier<\/em>) para determinar si coinciden seg\u00fan criterios espec\u00edficos. Aqu\u00ed tienes una descripci\u00f3n detallada del funcionamiento:<\/p>\n\n\n\n
    \n
  1. Par\u00e1metros del m\u00e9todo:<\/strong>\n