企业正面临两个方面的开发者人才重大挑战。一方面,IDC 报告指出,预计到 2025 年,全职开发者将短缺 400 万人;另一方面,一些知名公司已宣布暂停开发者招聘,表明他们相信 AI 能够满足大部分开发需求。在这种背景下,问题变成了——当今的开发者是否具备在 AI 优先时代所需的技能。
这些挑战不仅仅影响科技公司。软件是各行业以及所有企业的支柱。若企业缺乏熟练的开发者,便有可能放缓创新步伐,进而阻碍整体市场的增长。
为了解决开发者技能短缺的问题,目前既有短期也有长期的解决方案。在短期内,许多公司寄希望于利用 AI 快速提升开发效率,并赋能业务用户。基于 AI 的工具和平台通过提供个性化培训、实时反馈、生成文档以及自动化处理重复任务,加快了学习进程。长期而言,企业正致力于培养下一代开发者。
以上两种方案在弥合熟练开发者人才缺口方面均发挥着关键作用。
利用 AI 更高效地编写代码,赋能您的员工
AI 能使各层次的开发者都变得更加高效。借助自动化处理调试错误与生成样本数据等重复性、琐碎工作,高级开发者便能将更多时间投入到创造性和高层次的问题解决中。对于初入行业的开发者来说,AI 更是改变游戏规则的利器,因为它能在不必应对过于复杂环境压力的情况下,提供代码解释、个性化学习以及实践经验。
企业可以通过采用应用开发与自动化解决方案来实现这些 AI 功能。例如,SAP Build 在 SAP Business Technology Platform 上提供了一整套低代码、代码优先和生成式 AI 工具,使企业能够加速应用开发、优化工作流程并降低成本。一项近期的 GigaOm 研究报告显示,使用 SAP Build 的客户将开发效率提升了 3 倍,并比采用多种定制开发工具时减少了 59% 的开发工作量和资源需求。
基于 AI 的功能能够独特地理解各种开发框架,并利用专门针对其工作负载训练的大语言模型,从而使开发者可以交付精准且具备上下文关联的成果,加速以代码优先或无代码方式进行的应用开发。以 SAP Build 为例,其内嵌的自动代码生成和代码优化功能使开发团队能在不到一半的时间内完成项目。
除 AI 工具外,企业还为业务用户配置了低代码能力,使他们能迅速构建应用和扩展功能。这使得最贴近业务前线的人员能够迅速推动创新。
以 thyssenkrupp AG 为例,其公民开发者利用 SAP Build 开发并推出了一个社交媒体招聘渠道,旨在吸引、招聘和评估那些难以填补职位的应聘者。这个全新的管理驾驶舱应用让人力资源团队得以设计和部署定制调查问卷,并管理各类 HR 应用的工作流程,从而实现了候选人质量提升、招聘流程时间缩短以及更灵活地应对不断变化的招聘需求。
解决开发者技能短缺问题
最近一份世界经济论坛的报告指出,在未来五年中,44% 的员工核心技能预计将发生改变。尽管 AI 持续重塑行业并推动企业转型,但培训和提升下一代开发者的需求仍然十分迫切。各组织正在探讨如何在大规模范围内推动再培训、技能提升、数据驱动决策以及持续学习。
为此,基于 AI 的工具正在革新我们的学习和成长方式。传统的课堂式开发者培训模式已逐渐退出历史舞台,取而代之的是实践型 AI 平台,这些平台可以为开发者量身定制学习路径,根据其技能水平和进度,确保他们获得最相关、最有效的培训。借助 AI 聊天机器人、预测式幽灵文本编码建议以及针对代码的改进推荐,开发者可以在实时环境中学习最佳实践,同时避免常见错误。
在 SAP,学习者可以利用我们 Learning 网站上丰富的课程资源,通过诸如 SAP Build 等学习之旅,为开发者提供 AI 增强的应用开发工具,重点提升生产力与创新能力。
凭借面向编码的学习和 AI 工具,企业能够减轻人才短缺带来的影响,并确保各行各业持续蓬勃发展。采用 AI 驱动的解决方案不仅有助于弥合技能缺口,更为创新突破和持续增长铺就了道路。
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。