Resumo

Neste artigo, abordaremos a geração automática de código por meio de inteligência artificial (IA) e o impacto dessas tecnologias no campo da programação. Com o avanço das IAs e sua integração em ambientes de desenvolvimento, programadores são desafiados a se adaptar e utilizar estas ferramentas.

Assim, podemos ter a ascensão dos engenheiros de prompts que estão mudando o código do futuro com IA, pois são capacitados a realizarem comandos/perguntas da melhor forma para os agentes. Promovendo códigos produzidos automaticamente pelas Ias e mais precisos com poucas necessidades de modificações.

Palavras-chave: IA, geração automática de código, programação, produtividade, ferramentas de IA.

Introdução

As inteligências artificiais têm o poder de fazer tarefas complexas que antes eram realizadas por programadores. Entretanto, ao invés de substituir esses profissionais, as ias têm o papel de complementá-los, melhorando o processo de desenvolvimento de softwares.

Assim, saber como utilizar essas ferramentas é fundamental para se destacar no mercado de trabalho e ter projetos eficientes. Além de permitir que os projetos sejam entregues em menos tempo do que se tivesse sido realizado por um programador ou desenvolvedor.

A questão levantada é: quais mudanças isso implica? Como podemos nos destacar?

Apesar do receio de muitos profissionais em serem substituídos pelas IAs, este cenário não é possível se mantermos nosso conhecimento atualizado. As IAs vieram para melhorar o nosso trabalho, produtividade, analisar volumes de dados, e na geração de códigos através de ferramentas como Copilot, Gemini, DeepSeek e outras.

Atualmente, já existem ambientes de desenvolvimento integrados com as IAs, em que, objetivo é auxiliar na produção de código. Este processo envolve a "Engenharia de Prompts", a arte de formular perguntas eficazes para esses agentes.

Ao ter uma ideia inicial, efetuamos as perguntas da melhor forma possível e ajustamos o código conforme necessário, permitindo à IA automatizar a codificação baseada nos exemplos fornecidos em sua base de dados dada no seu treinamento.

Por isso, conhecimento em codificação é uma vantagem, dado que nem sempre as IAs fornecem dados precisos e confiáveis. É importante realizar uma pesquisa prévia sobre o objetivo do desenvolvimento do seu código.

Exemplo de prompt para desenvolver um código voltado para eficiência energética

Ferramentas de Geração Automática de Código

Copilot: Em parceria com a OpenAI, desenvolvido pela GitHub, ele utiliza o modelo GPT-3 para indicar melhorias nas linhas de código conforme o usuário escreve.

Gemini: Analisa os erros e oferece soluções especificas integrando a IA para gerar o código.

DeepSeek: Realiza a análise de grandes volumes de dados, esta ferramenta usa a IA para gerar queries SQL e realizar análises automatizadas.

ChatGPT: Pode ser utilizado para gerar blocos de código, resolver problemas de programação e explicar conceitos complexos.

A geração automática de código por IA é uma revolução no desenvolvimento de software, trazendo novas soluções e desafios. Pois, saber como utilizar essas ferramentas de forma eficaz pode tornar nosso trabalho mais produtivo e criativo, garantindo nossa relevância na tecnologia e em outras áreas.

Exemplos de Códigos Automatizados

Exemplo 1: Copilot

Utilizando o Copilot, podemos gerar um script Python simples para calcular a média de uma lista de números:

def calcular_media(lista):

return sum(lista) / len(lista)

numeros = [2, 4, 6, 8, 10]

media = calcular_media(numeros)

print("A média é:", media)

Exemplo 2: ChatGPT

Produzindo o código com o ChatGPT, podemos solicitar a geração de uma função JavaScript para verificar se um número é primo:

function isPrime(num) {

if (num <= 1) return false;

if (num <= 3) return true;

if (num % 2 == 0 || num % 3 == 0) return false;

for (let i = 5; i * i <= num; i += 6) {

if (num % i == 0 || num % (i + 2) == 0) return false;

}

return true;

}

console.log(isPrime(11)); // true

console.log(isPrime(14)); // false

Exemplo 3: Gemini

Usando o Gemini, podemos criar um código que analisa dados de eficiência energética com Python:

Instalar as blibiotecas para funcionamento código

Código em Python

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

# Carregar os dados

try:

dados = pd.read_csv('dados_energia.csv')

except FileNotFoundError:

print("Arquivo 'dados_energia.csv' não encontrado.")

# Dados de exemplo fictício

dados = pd.DataFrame({

'id_residencia': range(1, 11),

'consumo_energia': [150, 200, 120, 250, 180, 160, 220, 140, 280, 190],

'area_construida': [80, 120, 60, 150, 90, 70, 130, 75, 160, 100],

'num_moradores': [2, 3, 1, 4, 2, 2, 3, 1, 5, 2],

'tipo_isolamento': ['bom', 'medio', 'ruim', 'bom', 'medio', 'bom', 'medio', 'ruim', 'bom', 'medio'],

'temperatura_media_mes': [25, 28, 22, 30, 26, 24, 29, 23, 31, 27]

})

# Inspeções iniciais

print(dados.head())

print(dados.info())

print(dados.describe())

# Análise exploratória

sns.histplot(dados['consumo_energia'], kde=True)

plt.show()

sns.scatterplot(x='area_construida', y='consumo_energia', data=dados)

plt.show()

if 'tipo_isolamento' in dados.columns:

sns.boxplot(x='tipo_isolamento', y='consumo_energia', data=dados)

plt.show()

correlacao = dados.corr(numeric_only=True)

sns.heatmap(correlacao, annot=True)

plt.show()

Orientação do Gemini para utilizar o código

Explicação do Gemini sobre o projeto

Possívei adaptações dadas pela IA (Gemini)

Conclusão

Em resumo, a geração automática de código por IA é uma inovação importante para a programação. Embora haja preocupações sobre a substituição dos programadores, essas tecnologias complementam e aperfeiçoam nosso trabalho.

Utilizando-as corretamente, podemos aumentar nossa produtividade, eficiência e criatividade, nos tornando indispensáveis para o mercado de trabalho no setor de tecnologia e quem sabe em outras atividades.

Referências

Russell, S.; Norvig, P. Artificial Intelligence: A Modern Approach. 4. ed. Pearson, 2020.

Goodfellow, I.; Bengio, Y.; Courville, A. Deep Learning. MIT Press, 2016.

Géron, A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. 2. ed. O'Reilly Media, 2019.

GitHub Copilot.

DeepSeek.