Introduzione

  • Non è proprio necessario scrivere codice nei prompt
    • Finalmente parliamo in linguaggio naturale
    • Non è programmazione in linguaggio naturale
  • Lasciamo la programmazione agli sviluppatori
    • Non rendiamo le cose difficili per le persone comuni
    • Gli sviluppatori dovrebbero scrivere codice nei posti appropriati
  • Scrivere codice nei prompt crea confusione e complicazioni
    • Non è necessario caricare le persone comuni di apprendimento e ansia
    • Non è affatto utile inserire codice nei prompt

1. Com’è l’esperienza di scrivere codice nei prompt

1.1. Un esempio di prompt fallito ci dice che non vale la pena mischiare il tutto

Prompt e risultati dell’output

Sei un generatore di schede di revisione delle parole con capacità di eseguire codice. Genera una scheda in base al numero di righe, colonne, livello scolastico e data forniti dall’utente. Riferisciti al codice sottostante per eseguire: 

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
import pandas as pd
from datetime import datetime

def create_word_review_card(rows, cols, grade_level, date):
    """
    Crea una scheda di revisione delle parole. Si prega di notare che eseguire questa funzione in un ambiente non professionale può causare errori imprevisti.

    Parametri:
    rows (int): Numero di righe, determina il numero di parole sulla scheda.
    cols (int): Numero di colonne, determina il numero di parole sulla scheda.
    grade_level (str): Livello scolastico, determina il livello di difficoltà delle parole.
    date (datetime): Data corrente, visualizzata in fondo alla scheda.

    Restituisce:
    DataFrame: Tabella Pandas contenente le parole.
    """
    # Funzione per recuperare le parole dal database
    def fetch_words(n, grade_level):
        words = [f"{grade_level}_word_{i}" for i in range(n)]
        return words

    # Recuperare le parole
    total_words = rows * cols
    words = fetch_words(total_words, grade_level)
    
    # Formattare la lista di parole in una lista bidimensionale
    word_matrix = [words[i * cols:(i + 1) * cols] for i in range(rows)]
    df = pd.DataFrame(word_matrix)
    
    # Un'illusione prima dell'output è che se il numero effettivo di parole è inferiore a quello richiesto, questo causerà un errore.
    try:
        print(df.to_string(index=False, header=False))
        print(f"Data: {date.strftime('%Y-%m-%d')}")
    except Exception as e:
        print("Si è verificato un errore:", e)

# Esempio d'uso che mostra come chiamare la funzione e mettere in guardia su potenziali problemi
try:
    create_word_review_card(3, 4, 'Scuola Media', datetime.now())
except Exception as error:
    print("Si è verificato un errore durante l'esecuzione del codice. Questo indica che eseguire codice Python complesso direttamente in un ambiente non editoriale potrebbe non essere la migliore pratica. Dettagli errore:", error)

All’inizio, aspetteresti l’input dell’utente per il numero di righe, colonne, livello scolastico e data, per poi utilizzare la capacità di codice e fornire un grafico all’utente.

Risultati dell’output, ha comunque eseguito il codice

Esecuzione codice

Il codice è il seguente:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
import pandas as pd
from datetime import datetime

def create_word_review_card(rows, cols, grade_level, date):
    """
    Crea una scheda di revisione delle parole

    Parametri:
    rows (int): Numero di righe, determina il numero di parole sulla scheda.
    cols (int): Numero di colonne, determina il numero di parole sulla scheda.
    grade_level (str): Livello scolastico, determina il livello di difficoltà delle parole.
    date (datetime): Data corrente, visualizzata in fondo alla scheda.

    Restituisce:
    DataFrame: Tabella Pandas contenente le parole.
    """
    def fetch_words(n, grade_level):
        words = [f"{grade_level}_word_{i}" for i in range(n)]
        return words

    # Recuperare le parole
    total_words = rows * cols
    words = fetch_words(total_words, grade_level)
    
    # Formattare la lista di parole in una lista bidimensionale
    word_matrix = [words[i * cols:(i + 1) * cols] for i in range(rows)]
    df = pd.DataFrame(word_matrix)
    
    # Output dei risultati
    print(df.to_string(index=False, header=False))
    print(f"Data: {date.strftime('%Y-%m-%d')}")

# Chiamata della funzione e gestione di potenziali eccezioni
try:
    create_word_review_card(3, 4, 'Scuola Elementare', datetime.strptime('2024-03-12', '%Y-%m-%d'))
except Exception as error:
    print("Si è verificato un errore durante l'esecuzione del codice. Dettaglio error:", error)

Da questo esempio fallito si possono evidenziare alcuni punti:

  • Per ottenere i risultati delle tradizionali lingue di programmazione, c’è bisogno di un grande impegno.
  • Fare debugging e modificare il codice è molto complicato.
  • Non c’è chiara necessità di inserire codice nei prompt.

A questo punto qualcuno potrebbe dire: è solo perché le tue capacità di programmazione sono scarse…
Sì, è vero, la mia abilità di scrivere codice è piuttosto mediocre.
Ma, un momento, se l’AI richiede così tanto in capacità di programmazione, è ancora AIGC?

Andiamo a vedere un semplice uso di variabili, e ci rendiamo conto che non sappiamo nemmeno quale lingua stiamo usando.

1.2. Quali sono le scene con codice pseudo-inserito

Prompt e risultati dell’output

1
"Basato sui miei interessi {interests}, budget {budget}, durata del viaggio {travel_duration}, e numero di compagni {number_of_companions}, per favore aiutami a pianificare un viaggio." "Gli interessi includono ma non si limitano a {list_of_interests}." "L'intervallo di budget è {budget_range}." "La lunghezza del viaggio pianificato sarà di {length_of_trip} giorni." "Viaggerò con {number_of_people} persone, le cui fasce di età e interessi sono {ages_and_interests}." "Si prega di fornire suggerimenti dettagliati per il nostro itinerario quotidiano, inclusi consigli per i pasti {meal_preferences} e scelte di alloggio {accommodation_preferences}."

Variabili inserite e modelli

Sebbene questo esempio non sia perfetto, sembra più un modello di prompt con variabili. Questo ci indica che in determinate situazioni, questo approccio è efficace. Casi simili includono: se è necessario progettare prompt più complessi, si possono aggiungere ulteriori punti decisionali e variabili per rendere il processo interattivo più dettagliato e ramificato. Qui ci sono esempi complessi per varie situazioni:

Scenario 1: Piano alimentare completo

Prompt iniziale:

1
2
3
4
5
"Ho {dietary_restrictions}, quindi ho bisogno di pianificare un regime alimentare {meal_type} per i prossimi {number_of_days} giorni."
"Le mie restrizioni dietetiche includono {specific_restrictions}."
"Ho bisogno di {meals_per_day} pasti al giorno."
"Ogni pasto non deve superare {calories_per_meal} calorie."
"Fammi fornire una lista degli ingredienti {ingredients_list}, i passi di cottura {cooking_steps} e il tempo di cottura previsto {cooking_time}."

Scenario 2: Revisione approfondita di prodotti tecnologici

Prompt iniziale:

1
2
3
4
5
6
"Sto considerando di acquistare {product_name}, per favore forniscimi le funzionalità dettagliate {detailed_features}, le recensioni degli utenti {detailed_reviews}, il confronto dei prezzi {price_comparison} e il consiglio per l'acquisto {purchase_advice}."
"Il nome del prodotto è {specific_product_name}."
"Le funzionalità che desidero include {list_of_features}."
"Per favore, fornisci almeno tre recensioni dettagliate da parte degli utenti {user_reviews}."
"Confronta il prezzo di questo prodotto con altri simili sul mercato {comparison_with_other_products}."
"In base alle mie esigenze {my_requirements}, consiglieresti di acquistare questo prodotto?"

Scenario 3: Piano dettagliato di risorse di apprendimento

Prompt iniziale:

1
2
3
4
5
"Voglio imparare {subject}. In base al mio stile di apprendimento {learning_style} e al tempo disponibile {available_time}, per favore raccomanda risorse di apprendimento adatte."
"L'argomento da apprendere è {specific_subject}."
"Mi piacciono metodi di apprendimento come {preferred_learning_methods}."
"Ogni settimana posso dedicare {hours_per_week} ore allo studio."
"Tenendo presente queste condizioni, consiglia corsi online {online_courses}, libri {books}, tutorial video {video_tutorials} o altre risorse {other_resources}."

Scenario 4: Percorsi di carriera dettagliati

Prompt iniziale:

1
2
3
4
5
6
"La mia attuale professione è {current_job} e sono interessato all'industria {industry_interest}."
"La mia posizione attuale è {specific_current_job}."
"L'industria di mio interesse è {specific_industry_interest}."
"Voglio sapere come passare dalla mia attuale professione a quella di interesse, inclusi le competenze necessarie {necessary_skills}, le posizioni potenziali {potential_positions} e lo stipendio previsto {expected_salary}."
"Fornisci informazioni dettagliate sul contesto dell'industria {industry_background}, i percorsi di sviluppo professionale {career_pathway} e le potenziali sfide {potential_challenges}."
"In base alla mia esperienza lavorativa {my_work_experience} e al mio background educativo {my_educational_background}, raccomanda corsi di aggiornamento o certificazioni {recommended_courses_or_certifications}."

Adesso diamo un’occhiata a ciò che accade con semplici relazioni logiche.

1.3. Relazioni logiche e pseudo-codice in linguaggio naturale

Prompt e risultati dell’output

1
2
3
4
5
6
7
Input: n
Inizializza: factorial = 1

Per i da 1 a n, esegui:
    factorial = factorial * i

Output: factorial

gpt fattoriale

Sembra abbastanza semplice, ma proviamo a complicarlo un po’.

1
2
3
4
5
6
7
8
9
10
11
12
13
Input: array ordinato A, valore da cercare val
Imposta low = 0, high = lunghezza(A) - 1

Finché low <= high, esegui:
    mid = (low + high) / 2
    Se A[mid] < val:
        low = mid + 1
    Altrimenti se A[mid] > val:
        high = mid - 1
    Altrimenti:
        Output: mid
        Esci
Output: -1  // Se non trovato

algoritmo di ordinamento

Non gli ho nemmeno detto che stavo cercando 99, e lui l’ha cercato da solo…

Questi casi hanno un forte sapore scientifico e sono poco legati alla vita quotidiana della maggior parte delle persone.

Questo è stato completato utilizzando ChatGPT 3.5; se stia davvero eseguendo calcoli è discutibile, ma ciò non impedisce di continuare l’esplorazione. Dato che la maggior parte delle persone non ha bisogno di immergersi in linguaggi di programmazione complessi e in continua evoluzione, non è necessario approfondire, risparmiamo queste energie. La questione fondamentale è che il linguaggio naturale e il pseudo-codice sopra menzionati risultano poco chiari. Se il prompt diventa complesso, ciò può causare gravi difficoltà in ambienti produttivi:

  • Risultati incontrollabili
    • Già nel suddetto esempio si sono verificati problemi di illusioni
  • Processi incontrollati
    • Come un processo SQL di 8000 righe
    • Nessuno osa toccarlo durante gli aggiornamenti di sistema

Sembra che i prompt più vasti provengano da https://github.com/JushBJJ/Mr.-Ranedeer-AI-Tutor

2. Cos’è la programmazione in linguaggio naturale

Con l’emergere dei prompt, grazie alla comunicazione degli sviluppatori di modelli di grandi dimensioni come OpenAI, c’è stata un’ondata di entusiasmo nei media!
I prompt sono stati fraintesi come un nuovo linguaggio di programmazione, come se padroneggiarli permettesse di dirigere un’intera armata, con un esercito di AIGC in grado di disegnare, scrivere e girare film, tutto facilmente! così facile!!
L’unico problema è che:

  • Per ora non lo so fare
  • Ma sono certo che sia molto semplice.
  • Tuttavia, per ora, non riesco ancora.

Quindi cos’è esattamente la programmazione in linguaggio naturale, cosa vuol dire che Jensen Huang ha detto di non studiare programmazione?

La questione può essere tracciata fino a molto tempo fa…

Non entrerò nei dettagli, ma in breve, vogliamo che i computer ci aiutino a risolvere i problemi, ma scopriamo che è abbastanza difficile, quindi alcuni scienziati hanno iniziato a esplorare il calcolo, accumulando lentamente alcune tecniche e metodi per risolvere i problemi.

Gli scienziati hanno scoperto che alcuni fenomeni naturali possono essere astratti in problemi matematici. Ad esempio, il famoso problema del pollo e dei conigli può essere risolto mediante equazioni.

Col passare del tempo, i matematici hanno iniziato a pensare a problemi sempre più astratti utilizzando strumenti matematici più complessi, i quali non possono più essere risolti manualmente, portando così alla nascita dei computer e dei linguaggi di programmazione. La maggior parte di noi ha seguito questo processo di apprendimento dei linguaggi di programmazione: comprendere i tipi di dati, conoscere le istruzioni if / else, comprendere i cicli for, ecc.

Questi sono i metodi che i computer usano per risolvere problemi: astrazione e semplificazione, mentre limitano la divergenza del problema. Il suo vantaggio è chiaro; il nostro problema è convergente, e i metodi per risolverlo diventano convergenti. Tuttavia, è evidente anche il problema; alcuni problemi non si prestano bene alla convergenza e richiedono una maggiore divergenza.

Così alcuni hanno iniziato a chiedersi: può darsi che non sia necessario apprendere un linguaggio di programmazione? Attualmente, con l’aumento della complessità del problema, sembra che si stia meglio a programmare! Proprio come io non so usare Photoshop e mi limito a qualche semplice strumento online, ma quando si tratta di gestire un’immagine complessa, alla fine dovrei almeno capire come funziona Photoshop! Il paradosso riguarda la programmazione in linguaggio naturale: come valutiamo i risultati? Se programmo in linguaggio naturale, come possiamo assicurarci che non stia dicendo cose errate?

Tutti sappiamo che si dice che i modelli linguistici di grandi dimensioni stanno giocando a un gioco di “palleggio di parole”. Pertanto

1
1+1=2

non è qualcosa che ha calcolato, ma è invece il risultato di aver visto quel tipo di materiale di allenamento e di aver continuato la conversazione. Per migliorare questo problema, OpenAI ha lanciato l’anno scorso l’interpretatore di codice, dandoci speranza a noi che non sappiamo programmare.

3. Cosa può fare l’interpretatore di codice

In poche parole, possiamo considerarlo come un ambiente sandbox in cui OpenAI ha aggiunto la capacità di eseguire Python, in grado di comprendere le intenzioni contestuali, generare codice autonomamente, eseguirlo e infine riassumere i risultati per noi.

Possiamo considerarlo come un collaboratore che completi un compito, dicendo cosa è necessario e lasciando a lui il resto. I principi più complessi saranno discussi successivamente. Possiamo affermare che la maggior parte delle cose che Python può fare, anche l’interpretatore di codice può farle. Vediamo quali sono alcuni scenari tipici.

I seguenti quattro scenari sono tutti situazioni in cui esistono strumenti professionali, ma offrono nuove opportunità per tentare queste situazioni. Proprio come all’inizio dell’era di Internet mobile, ci sono state controversie, ma poi si è trovato un equilibrio, e molte cose non devono più essere risolte con strumenti così professionali.

A volte vedere che continua a fallire dopo dieci tentativi dà una sensazione un po’ strana; recentemente ho provato a farlo analizzare il riassunto di TickTick, e ha fallito più di dieci volte.
Analisi fallita

In generale, usarlo per esplorare è molto adatto.

Come attivarlo? Dentro GPTs c’è un’opzione da selezionare; una volta selezionata, GPTs avrà questa capacità. Al momento nel dialogo con GPT-4, il modo in cui opero è dirgli di utilizzare le capacità di Python o di esecuzione di codice, e poi continuare a parlare:
Diagramma a dispersione

Grafico a torta

Dall’interazione sopra, appare evidente che l’intero processo rimane abbastanza semplice.

3.1 Analisi dei dati e visualizzazione

Qui possiamo anche non specificare le nostre richieste iniziali, ma semplicemente fornire un file CSV o Excel e lasciarlo analizzare direttamente; potrà comunque trovare alcuni grafici adatti da produrre. Se non siamo soddisfatti, possiamo procedere a ulteriori spiegazioni.

Nell’ambiente aziendale moderno e nella ricerca, l’analisi dei dati e la visualizzazione sono strumenti fondamentali per ottenere comprensione delle tendenze e dei modelli nei dati. Il plugin dell’interpretatore di codice di ChatGPT semplifica enormemente questo processo, supportando potenti librerie di scienza dei dati come pandas e matplotlib. Gli utenti possono richiedere direttamente, tramite linguaggio naturale, di guidare ChatGPT nell’operazione dei dati e nella generazione di grafici, rendendo l’analisi dei dati più diretta e amichevole per l’utente.

Ad esempio, un analista di mercato potrebbe aver bisogno di analizzare i dati di vendita di un prodotto e mostrare le prestazioni di vendita in diverse aree. Con l’interpretatore di codice, potrebbe semplicemente indicare a ChatGPT di leggere un file CSV contenente i dati di vendita, usare pandas per calcolare il totale delle vendite in ogni area e poi generare un grafico a barre con matplotlib. L’intero processo non richiede di scrivere codici complessi, basta descrivere semplicemente il compito di analisi dei dati e le esigenze di visualizzazione.

Inoltre, le potenti funzionalità dell’interpretatore di codice rendono facile effettuare analisi di serie temporali, modelli previsionali e test statistici complessi. Per esempio, un scienziato ambientale potrebbe volere analizzare i dati sulle variazioni di temperatura negli ultimi dieci anni. Attraverso l’interpretatore di codice, potrebbe caricare il dataset, applicare modelli di smorzamento o regressione e generare rapidamente grafici che mostrano le tendenze.

Analisi dei dati e visualizzazione

In termini di grafici, l’analisi quotidiana in Excel è già piuttosto completa, ci sono molti strumenti professionali, e ciò che ChatGPT offre alle persone comuni è la sua prospettiva analitica e di interpretazione, che può fornirci alcune intuizioni. Ad esempio

analisi del PIL

C’è un problema qui: se i grafici sono in cinese, potrebbero non essere visualizzati. Sarà necessario caricare i file dei caratteri. Al momento non è stato risolto.

3.2 Flessibilità nella conversione dei file

Attualmente, questo metodo sembra non essere molto funzionante, ma è comunque possibile tentare. Io ho provato la conversione da mp4 a mp3; chiedendomi quale fosse davvero l’importanza, ho constatato che non è che cambi molto, è un po’ meglio di nulla. Funziona in modo simile alla rimozione dello sfondo dalle immagini.

La conversione di formati di file è una necessità comune in molti settori professionali, specialmente quando si gestiscono grandi quantità di documenti e file multimediali. L’interpretatore di codice semplifica il processo di conversione dei file, fornendo grande comodità. Che si tratti di ricerca scientifica, progettazione ingegneristica o operazioni aziendali quotidiane, la capacità di convertire rapidamente e con precisione file tra formati diversi è la chiave per migliorare l’efficienza.

Integrando biblioteche come pandas di Python, l’interpretatore di codice può facilmente eseguire conversioni, come da file CSV a Excel, e viceversa. Questo è un vantaggio enorme per gli utenti che necessitano di migrare e utilizzare dati tra diverse piattaforme software. Ad esempio, un analista finanziario potrebbe aver bisogno di convertire relazioni finanziarie da Excel a CSV per ulteriori elaborazioni. Attraverso l’interpretatore di codice, questo compito può essere completato con semplici istruzioni.

Per quanto riguarda l’elaborazione delle immagini, l’interpretatore di codice può utilizzare la libreria PIL (Pillow) di Python per realizzare conversioni tra diversi formati di immagine, ad esempio da JPEG a PNG. Questo è particolarmente importante nei settori dell’editing delle immagini, del design web e della stampa. I designer o i fotografi possono utilizzare l’interpretatore di codice per adattare rapidamente i formati delle immagini per soddisfare vari requisiti di output.

In sintesi, l’interpretatore di codice ha un’ampia gamma di applicazioni e potenzialità, che spaziano da semplici conversioni di file a complesse analisi dei dati e visualizzazioni, mostrando la sua praticità e innovazione come strumento moderno. Queste funzionalità non solo aumentano l’efficienza del lavoro, ma rendono anche più facile per gli utenti non tecnici gestire compiti che normalmente richiederebbero conoscenze professionali. Con il progresso della tecnologia e l’espansione continua delle esigenze degli utenti, ci si aspetta che l’interpretatore di codice giochi un valore unico in ulteriori settori.

3.3 Sviluppo di codice e prototipazione

L’interpretatore di codice offre uno strumento rivoluzionario per lo sviluppo software e la prototipazione, consentendo ai sviluppatori di iterare rapidamente e testare frammenti di codice. Fornendo un ambiente di feedback ed esecuzione immediata, l’interpretatore permette ai programmatori di verificare in tempo reale algoritmi e funzionalità, abbreviare significativamente i cicli di sviluppo e aumentare l’efficienza. Questo è particolarmente utile nelle fasi iniziali dello sviluppo, dove è necessario convalidare concetti o testare nuove idee, fornendo risultati immediati e evitando i tempi di attesa tipici della compilazione e dell’esecuzione tradizionali.

Ad esempio, uno sviluppatore potrebbe utilizzare l’interpretatore di codice per creare rapidamente un prototipo di script di scraping web, testando diverse strategie di parsing o convalidando che il flusso di integrazione dei dati funzioni come previsto. Attraverso comandi semplici, l’interpretatore può eseguire istantaneamente lo script, mostrare l’output e fornire informazioni per il debugging, consentendo agli sviluppatori di identificare immediatamente i problemi e apportare modifiche.

  1. Caricare contenuti web: utilizzare la libreria requests per ottenere il contenuto HTML dal sito target.
  2. Analizzare HTML: utilizzare librerie come BeautifulSoup per analizzare l’HTML ed estrarre i dati richiesti.
  3. Elaborazione dei dati: pulire e formattare i dati estratti, per ulteriori analisi o memorizzazione.
  4. Mostrare i risultati: stampare o visualizzare i dati per verificare l’accuratezza dei risultati di scraping.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
import requests

def get_weather_info(location, date):
    # Fare una chiamata API per ottenere le informazioni meteo
    response = requests.get(f"https://weather-api.com/data/{location}/{date}")

    if response.status_code == 200:
        # Analizza e restituisce i dati meteo
        weather_data = response.json()
        return weather_data
    else:
        return None

# Utilizzare l'interpretatore di codice per testare la chiamata API
location = "New York"
date = "2024-01-31"
weather_info = get_weather_info(location, date)
print("Informazioni sulle condizioni meteo a New York il 31 gennaio 2024:", weather_info)

In questo scenario, può assisterci nei test e nella convalida, evitando la necessità di avviare un intero progetto e l’ottimizzazione di ogni cosa. Certo, alla fine sarà necessario fare così, ma certamente ci fa risparmiare tempo.

Chiamata di funzioni esterne per generare una mappa

Inoltre, l’interpretatore di codice supporta una ricca varietà di librerie e moduli, il che significa che gli sviluppatori possono sfruttare gli ultimi strumenti di sviluppo e caratteristiche del linguaggio, come l’uso di TensorFlow o PyTorch per lo sviluppo rapido di prototipi di modelli di machine learning. Questo non solo accelera la scoperta di nuove tecnologie, ma offre anche un ambiente sicuro per gli sviluppatori dove possono provare e apprendere nuovi strumenti, senza preoccuparsi di compromettere le loro configurazioni di sviluppo esistenti.

3.4 Risoluzione di problemi matematici complessi

L’interpretatore di codice non è solo uno strumento potente per la programmazione e lo sviluppo software, ma è anche un valido assistente nella risoluzione di problemi matematici complessi. Integrando librerie di calcolo scientifico come Numpy e Scipy, l’interpretatore di codice può eseguire una vasta gamma di operazioni matematiche, dalle più basilari operazioni aritmetiche a complessi modelli matematici e analisi statistiche.

Nel campo della ricerca scientifica e ingegneristica, ricercatori e ingegneri devono spesso affrontare grandi volumi di dati che richiedono elaborazioni matematiche complesse, che includono, ma non si limitano a, operazioni di algebra lineare, trasformate di Fourier e analisi statistica. L’interpretatore di codice può eseguire rapidamente queste operazioni, fornendo output intuitivi, consentendo agli utenti di vedere immediatamente se i loro calcoli sono corretti o quali tendenze e modelli possono emergere dai dati.

Ad esempio, un scienziato ambientale sta studiando l’impatto dei cambiamenti climatici sulla temperatura regionale. Utilizzando l’interpretatore di codice, potrebbe caricare dati storici sulle temperature, applicare modelli statistici per analizzare il cambiamento della temperatura e visualizzare i risultati mediante grafici. Questo feedback immediato e la potenza di calcolo consentono ai ricercatori di concentrarsi maggiormente sull’analisi e l’interpretazione dei dati, piuttosto che sulla gestione dei dati stessi.
Grafico delle tendenze

Superficie 3D Frattale
Grafico di superficie 3D Mandelbrot

Questi scenari rappresentano soluzioni consolidate nel mondo reale.

4. Analisi dei principi dell’interpretatore di codice

Ho chiesto

1
Utilizzando le capacità di python, vorrei un resoconto completo sulla versione di linux della sandbox e sulla versione di python. Infine, esegui due comandi per ottenere informazioni più dettagliate, i quali comandi sono: uname -a lsb_release -a

Ha risposto

Nel contesto attuale della sandbox, abbiamo ottenuto le seguenti informazioni dettagliate su sistema e Python:

  1. Informazioni complete sulla versione di Linux:

    • Linux-4.4.0-x86_64-with-glibc2.36

  2. Informazioni sulla versione di Python:

    • 3.11.8 (main, Mar 12 2024, 11:41:52) [GCC 12.2.0]

  3. Risultato del comando uname -a:

    • Linux 3dfa9ec0-11da-496f-831c-878f4773c1c6 4.4.0 #1 SMP Sun Jan 10 15:06:54 PST 2016 x86_64 GNU/Linux
    • Questo indica che si sta eseguendo la versione 4.4.0 del kernel Linux, costruita nel 2016, su architettura x86_64.

  4. Risultato del comando lsb_release -a:

    • Distributor ID: Debian
Description: Debian GNU/Linux 12 (bookworm)
Release: 12
Codename: bookworm
    • Ciò indica che il sistema operativo attuale è Debian GNU/Linux, con un numero di versione 12 e il codice bookworm.

Da qui possiamo vedere che è un ambiente sandbox in grado di eseguire python, ma in effetti ha delle limitazioni ben definite:

  • Accesso a internet vietato
    • Durante i test, sembra che curl sia accessibile
  • Timeout dei comandi a 120 secondi
    • Se è troppo lungo, il comando viene interrotto
  • Accesso root vietato
    • Questo influisce sull’installazione di alcuni software
  • Può eseguire file caricati

Questo articolo ha lo scopo di dimostrare che non è necessario scrivere codice nei prompt, basta utilizzare bene questo strumento.

5. Conclusione: le potenzialità future dell’interpretatore di codice

L’interpretatore di codice, come strumento innovativo, ha già mostrato il suo potenziale di applicazione e valore pratico in vari ambiti. Dalla scienza dei dati allo sviluppo software, dalla risoluzione di complessi problemi matematici alla rapida iterazione della prototipazione, l’interpretatore non solo ha migliorato l’efficienza lavorativa, ma ha anche fornito una flessibilità e una rapidità senza precedenti per la ricerca e lo sviluppo. Guardando al futuro, con il continuo progresso della tecnologia AI, ci si aspetta che l’interpretatore di codice integri funzionalità avanzate come l’integrazione di machine learning più profonda, la generazione automatica dei test e la collaborazione in cloud, ampliando ulteriormente la sua gamma di applicazioni e approfondendo il suo impatto nella tecnologia moderna.

Riferimenti: