Jellyfish, поставщик платформ для разработки программного обеспечения, сегодня расширил свои интеграции для поддержки дополнительных инструментов кодирования искусственного интеллекта, поскольку инженерные команды работают несколькими помощниками по кодированию искусственного интеллекта в своих наборах инструментов разработки.
Платформа Jellyfish позволяет лидерам согласовать инженерную работу со стратегическими бизнес -целями. Анализируя инженерные сигналы и контекстуальные бизнес -данные, Jellyfish обеспечивает полную видимость инженерных организаций, их работы и того, как они работают, сообщила компания.
Бостонская компания объявила во вторник, что она добавила поддержку Cursor, Google Gemini Code Assist и Sourcegraph к своей платформе IMP-IMP, присоединившись к существующей интеграции GitHub Copilot. Этот шаг отражает растущую тенденцию среди программных организаций, которые больше не делают ставки на единый инструмент кодирования ИИ.
«Половина наших клиентов уже используют несколько инструментов для искусственного интеллекта только в своей IDE», — заявил The New Stack Кришна Каннан, которая возглавляет организацию по продукту Jellyfish. «Это был действительно наш сигнал, который нам нужен для диверсификации за пределами Copilot и посмотреть, что еще используется».
Основанная в 2017 году, Jellyfish работает в том, что она называет категорией «Инженерное управление», помогая компаниям, занимающимся средним рынком и предприятием, отслеживать производительность и эффективность в своих командах разработчиков. По словам Каннан, компания обслуживает организации от 25 инженеров до более чем 10 000 человек.
Измерение многопрофильного воздействия
Новая интеграция позволяет инженерным лидерам понять, какие инструменты искусственного интеллекта на самом деле обеспечивают ценность и где. По словам Каннана, в то время как отдельные поставщики искусственного интеллекта предоставляют данные об использовании через свои API, медуза обогащает эту информацию с бизнес -контекстом из систем управления проектами, таких как JIRA, данные управления источником и организационные графики.
«Многие люди могут понять принятие влияния ИИ с помощью инструментов поставщиков», — пояснил он. «Но если вы хотите понять производительность, вам нужно обогатить ее своими данными GIT и JIRA».
Основываясь на измерениях для более чем 300 компаний и 20 000 инженеров, медуза показала, что инструменты кодирования ИИ обеспечивают значительный рост производительности, в том числе:
- На 25% быстрее кодирование
- На 12% увеличение пропускной способности запроса на вытяжение
- На 17% увеличение работ на дорожной карте по сравнению с задачами обслуживания
Тем не менее, результаты варьируются в зависимости от компании и типа работы, при этом развитие инфраструктуры демонстрирует меньшее улучшение, чем другие задачи кодирования, сказал Каннан.
Многотуальное будущее
Расширение Jellyfish отражает более широкий сдвиг в том, как организации приближаются к помощи по кодированию ИИ. По словам Каннана, вместо того, чтобы стандартизировать один инструмент, многие компании позволяют — или даже поощрять — разработчики использовать различные инструменты для разных целей.
«Мы предполагаем, что будущее будет многотурный, и что разные инструменты будут иметь разные специальности в разных областях», — сказал Канан. «Это не всегда будет использовать курсор, всегда использовать копилот, но разные типы потребностей принесут разные результаты».
Этот подход создает новые проблемы управления. Инженерные лидеры должны понимать не только, используют ли их команды инструменты искусственного интеллекта, но и какие инструменты лучше всего подходят для конкретных задач и членов команды.
Hootsuite, платформа управления социальными сетями, иллюстрирует эту проблему. «Когда мы развернули курсор по всей нашей инженерной организации, мы были ограничены их данными об использовании и не смогли эффективно отслеживать принятие или выявление повышения производительности», — говорится в заявлении Ciaran Mcauliffe, SVP разработки программного обеспечения в Hootsuite.
Благодаря интеграции курсора Jellyfish, компания теперь имеет «данные о внедрении гранулированных и способность сравнивать против пользователей, не являющихся руководителями»,-добавил Макалифф. «С четкими сигналами о том, где происходит повышение производительности, мы можем получить уроки от высших команд и поделиться ими по всей организации».
Растущая конкуренция
MRELLESH сталкивается с конкуренцией со стороны других поставщиков разработки программного обеспечения, в том числе Swarmia, Linearb и Getdx, хотя Каннан отметил, что доморощенные решения остаются их самой большой конкурентной задачей. Многие организации пытаются создать свои собственные системы измерения, поступив непосредственно на API -поставщики.
Тем не менее, компания различает себя, сосредотачиваясь на проблемах практического инженера и предоставляя действенную информацию, а не просто демонстрируя метрики. «Мы действительно основываемся на том, что показывают нам данные? Как я могу сделать их действенными и дать представление на основе этих данных?» Каннан сказал.
Поскольку инструменты кодирования ИИ продолжают размножаться и развиваться, такие компании, как медуза, позиционируют себя как важную инфраструктуру для управления переходом. Задача больше не в том, следует ли использовать помощь в кодировании ИИ, а как сделать это эффективно в разных командах и вариантах использования.
2024 Отчет
Между тем, в своем исследовании для отчета о состоянии управления инженерным инженерным управлением 2024 года медуза обнаружила, что 9 из 10 инженерных организаций используют Genai. Тем не менее, существует разрыв между лидерством и их командами: 76% руководителей считают, что их команда приняла ИИ, в то время как только 52% инженеров говорят то же самое.
В то время как некоторые команды могут опросить инженеров, чтобы узнать, как они используют ИИ, одного настроения недостаточно. Ключом к эффективному включению ИИ в ваши процессы и обеспечение необходимых инвестиций является объективное измерение его фактического воздействия, сообщила компания.
Правильные метрики гарантируют, что инженерам выполняются эффективные задачи и видят ценность в своей работе. Компании должны быть в состоянии эффективно измерять их команду в области ИИ и — что более важно — влияние технологии на создание лучших продуктов и их быстрее.
«Мы все пытаемся понять истинное влияние инструментов кодирования Genai. Лидерство и совет пытаются понять, насколько ценность AI дает. Наши команды хотят знать, как это повлияет на их карьеру», — сказал Каннан в заявлении, опубликованном в прошлом году. «Вот почему мы построили нашу панель панели Copilot, которая точно измеряет влияние инструментов Genai».
Trending Stories youtube.com/thenewstack Tech движется быстро, не пропустите эпизод. Подпишитесь на наш канал YouTube, чтобы транслировать все наши подкасты, интервью, демонстрации и многое другое. Группа подпишитесь с эскизом. Дэррил К. Тафт охватывает DevOps, инструменты разработки программного обеспечения и проблемы, связанные с разработчиком из своего офиса в районе Балтимора. Он имеет более чем 25 -летний опыт работы в бизнесе и всегда ищет следующий совок. Он работал … читайте больше от Дэррила К. Тафта
