Fitur Full Line Code Completion dari JetBrains , yang menggunakan model AI lokal untuk membantu developer menulis kode logging, telah memicu diskusi yang hangat tentang peran kecerdasan buatan dalam programming dan apakah tools semacam ini meningkatkan atau menurunkan kemampuan developer.
Fitur ini berjalan sepenuhnya di mesin lokal developer, menggunakan model kompak berukuran 100MB yang dapat memprediksi dan melengkapi pernyataan logging berdasarkan konteks kode di sekitarnya. Berbeda dengan asisten AI berbasis cloud, pendekatan ini mengutamakan privasi dan kecepatan dengan menjaga semua pemrosesan tetap offline.
Spesifikasi Model AI JetBrains:
- Ukuran model: 100MB (dikompresi dari 400MB menggunakan kuantisasi INT8)
- Parameter: 100 juta (gaya GPT-2, kemudian beralih ke arsitektur Llama2)
- Jendela konteks: 384 karakter
- Data pelatihan: Subset 45GB dari dataset The Stack
- Kosakata tokenizer: 16.384 token
- Persyaratan perangkat keras: Berjalan secara lokal di CPU tanpa dependensi CUDA
 |
|---|
| Integrasi AI dalam menulis log meningkatkan produktivitas developer, sebagaimana dibahas dalam posting blog tersebut |
Perpecahan Besar Filosofi Programming
Respons komunitas mengungkapkan perpecahan fundamental dalam cara developer memandang keahlian mereka. Beberapa pihak berpendapat bahwa bergantung pada AI untuk tugas-tugas dasar seperti mengingat apakah harus menggunakan logger.info atau logging.info merupakan penurunan yang mengkhawatirkan dalam fundamental programming. Mereka melihat detail-detail ini sebagai pengetahuan inti yang harus dikuasai developer yang kompeten.
Pihak lain membantah bahwa mengelola beban kognitif sangat penting untuk produktivitas, terutama ketika bekerja di berbagai codebase dengan library logging yang berbeda. Mereka memandang bantuan AI sebagai evolusi alami dari tools programming, mirip dengan bagaimana auto-completion dan syntax highlighting menjadi fitur standar.
Satu hal yang menjadi sangat jelas dari demam AI adalah betapa banyak orang yang melakukan programming untuk mencari nafkah secara aktif memusuhi aplikasi ilmu komputer baru yang menarik yang membuka kemampuan dan cara kerja yang benar-benar baru.
Implementasi Teknis dan Trade-offs
JetBrains mencapai kemampuan AI lokal ini melalui beberapa optimisasi yang cerdas. Mereka melatih model dengan 100 juta parameter khusus pada kode Python , menghapus komentar dan import dari data pelatihan untuk fokus murni pada generasi kode. Model tersebut kemudian dikompres dari 400MB menjadi 100MB menggunakan teknik kuantisasi.
Namun, beberapa developer mempertanyakan apakah ini merupakan solusi terbaik. Language server tradisional dan intelligent code completion sudah dapat menangani saran nama variabel dan completion yang sadar konteks dengan akurasi sempurna dan penggunaan resource minimal. Kritikus berpendapat bahwa menggunakan inferensi berbasis transformer untuk tugas-tugas yang dapat diselesaikan dengan sempurna oleh tools deterministik merupakan pemilihan tool yang tidak efisien.
Optimisasi Pelatihan:
- Menghapus komentar kode untuk fokus pada pembuatan kode
- Mengonversi indentasi menjadi token
<SCOPE_IN>/<SCOPE_OUT> - Mengecualikan pernyataan impor dari data pelatihan
- Menggunakan tokenizer BPE yang dioptimalkan untuk kode daripada bahasa alami
- Dilatih pada 8 GPU NVIDIA A100 selama beberapa hari
Kontroversi Best Practices Logging
Diskusi ini juga menyoroti pertimbangan teknis penting tentang praktik logging Python . Beberapa developer berpengalaman menunjukkan bahwa menggunakan f-strings dalam pernyataan logging, meskipun nyaman, dapat menyebabkan masalah performa dan mengganggu sistem agregasi log seperti Sentry . Pendekatan tradisional menggunakan format strings dengan operator % memungkinkan sistem logging mengelompokkan pesan serupa dan menghindari interpolasi string yang tidak perlu ketika level logging dinonaktifkan.
Praktik Terbaik Python Logging:
- Direkomendasikan:
logger.info("Message %s", variable) - Hindari:
logger.info(f"Message {variable}") - Alasan: F-string mencegah agregasi log, menyebabkan masalah performa pada jalur kode yang sering dieksekusi, dan dapat memunculkan exception jika variabel mengandung format specifier
 |
|---|
| Praktik terbaik dalam logging Python, termasuk penggunaan optimal f-strings, disorot dalam potongan kode ini |
Model AI Lokal vs Cloud
Sifat lokal dari implementasi JetBrains mendapat pujian luas dari developer yang peduli privasi. Menjalankan inferensi secara lokal menghilangkan kekhawatiran tentang mengirim kode proprietary ke layanan eksternal sambil memberikan performa yang konsisten terlepas dari konektivitas internet.
Pendekatan ini mewakili tren yang lebih luas menuju model AI khusus dan spesifik domain daripada layanan cloud tujuan umum. Dengan fokus hanya pada completion kode Python dalam jendela konteks 384 karakter, JetBrains menciptakan tool yang efisien dan efektif untuk kasus penggunaan spesifiknya.
Kesimpulan
Perdebatan seputar code completion bertenaga AI dari JetBrains mencerminkan pertanyaan yang lebih besar tentang masa depan pengembangan perangkat lunak. Sementara beberapa developer merangkul AI sebagai pengganda produktivitas yang membebaskan mereka untuk fokus pada masalah tingkat yang lebih tinggi, yang lain khawatir tentang menciptakan ketergantungan yang dapat melemahkan kemampuan programming fundamental.
Kesuksesan model AI lokal dan khusus seperti implementasi JetBrains menunjukkan bahwa masa depan mungkin mencakup kedua pendekatan: model tujuan umum yang kuat untuk tugas-tugas kompleks dan tools ringan yang terfokus untuk workflow spesifik. Seiring teknologi matang, developer kemungkinan perlu menemukan keseimbangan mereka sendiri antara memanfaatkan bantuan AI dan mempertahankan kompetensi inti.
Referensi: My favorite use-case for AI is writing logs