人工智能和机器学习正在改变企业的运营方式。 企业正在积累大量数据，这些数据被用于人工智能和机器学习模型中，以实现业务流程的自动化和改进。 这反过来又推动了下一代数据驱动应用程序的开发，使企业能够获得新的数据驱动的见解并提高业务绩效。
人工智能和机器学习对企业的影响延伸到了软件工程组织，因为运行业务的应用程序将越来越多地嵌入人工智能和机器学习模型。 因此，软件工程团队必须了解这些技术将如何影响他们将应用程序推向市场的方式。
人工智能和机器学习工具将从根本上改变应用程序的构建方式——从设计到代码的平台和工具，到自动生成代码的机器学习模型，再到自动化应用程序测试元素的模型。
许多软件工程师可能认为在应用程序开发中使用机器学习模型才刚刚开始出现，但事实并非如此。 在 Gartner 最近的一项调查中，近 40% 的软件工程组织表示，他们已经在应用程序开发中适度到广泛地使用 ML 模型。 然而，大多数开发团队对 ML 的理解程度还不够。
以下是机器学习影响软件工程的三种方式，以及开发人员需要了解的关于这一即将到来的演变的知识。
机器学习增强应用程序编码
面向专业开发人员的新一代编码助手不仅展示了更长、新颖的完成方式，而且还展示了使用注释生成代码的能力。 支持 ML 的代码创建工具（例如 Copilot、CodeWhisperer 和 Tabnine）可插入开发人员的集成开发环境工具中，并自动生成应用程序代码以响应注释或代码行。 这些代码创建模型是超大规模企业一直在开发的大型语言模型的衍生品，例如 OpenAI 的 GPT-3.5，它是 ChatGPT 应用程序的基础。 例如，Codex 源自 GPT-3，但它已针对创建软件代码进行了优化。 Gartner 预测，到 2027 年，50% 的开发人员将使用 ML 驱动的编码工具，而目前这一比例还不到 5%。
软件工程领导者不可避免地会提出这样的问题：这些模型是否会消除或减少对编写应用程序代码的工程师的需求。 当前旨在生成代码的机器学习模型将提高开发人员的工作效率，但它们不会在中短期内取代开发人员。 然而，未来可能会带来额外的变化。
机器学习增强应用程序设计
人工智能和机器学习对软件工程的影响不仅限于在应用程序中嵌入模型； 它延伸到设计师用来为其数字产品创造引人注目的用户体验的工具。 将设计资产和规范从用户体验设计师转移到软件工程师的工作流程越来越自动化。 设计系统的日益普及有助于促进这种转移。 这些功能预计将继续快速改进，从而加快应用程序的部署速度。
从历史上看，设计人员和开发人员的不同观点导致了创建具有引人注目的用户体验的应用程序时出现问题。 展望企业数字化产品设计的未来，数字化产品团队领导者将同时具备设计和开发技能。 “设计策略师”角色将出现，领导设计师和开发人员的融合团队更快地交付更好的数字产品，同时提高应用程序的质量。
ML 增强应用程序测试
人工智能和机器学习还可以影响关键领域的应用程序测试过程，例如规划和优先级、创建和维护、数据生成、可视化测试和缺陷分析。 软件工程领导者面临着经验丰富的测试人员的短缺，尤其是具有以编程方式创建测试所需技能的人员。 人工智能增强的软件测试工具使用算法方法来提高测试人员的工作效率。 这可以显着提高测试自动化工具的效率，使软件工程团队能够提高软件质量并缩短测试周期时间。
几家新供应商已进入人工智能增强软件测试市场，去年供应商收购盛行。 Gartner 预测，到 2027 年，80% 的企业将把 AI 增强测试工具集成到其软件工程工具链中，比 2022 年的 10% 显着增加。随着应用程序变得越来越复杂，AI 增强测试将在帮助 团队快速交付高质量的应用程序。
人工智能和机器学习对软件工程的影响是巨大的，数据科学和软件工程之间的共同努力的积极影响不容低估。 企业拥有的大量数据可以通过生成预测、评分模型、下一步最佳行动建议和其他有价值的业务增强工具的模型为业务应用程序增加显着的价值。 这种共同努力可以实现可重复的最佳实践，从而提高企业绩效，并为企业在这些技术上的支出带来强劲的投资回报率。
