Comprendre quels sont les apports de l'IA dans le process de développement, les principaux outils et savoir faire le choix adéquat selon le projet.
Connaissances de Python ou d'un autre langage de programmation structuré. Expériences en développement.
|
| Apports de l'IA |
Interventions à plusieurs stades du process de développement
Vérification de la qualité du code, détection d'erreurs, de failles de sécurité,
vérification de la syntaxe, des règles de développement,
Analyse de code pour générer de la documentation, pour la gestion de sources,
Génération de tests automatisés.
Utilisation de modèles d'apprentissage automatique.
Proposition de modules de codes, autocompletion, génération de codes complets.
Intérêts : aide aux développeurs, gains de temps, contrôle exhaustif, meilleure documentation, ..
Quelques outils phares d'analyse de code : Pylint, Checkstyle, pycodestyle, Black, CodeQL,
d'autocompletion : Tabnine, Kite,
et de production de code : Alphacode, GitHub Copilot, Codex.
|
|
| pycodestyle |
Objectif : vérification de respect des conventions d'écriture PEP8
(Python Enhancement Proposal 8),
Fonctionnement : architecture modulaire, outil léger,
Intégration aux principaux IDE (VS Code, Pycharm, JupyterNotebook, ...)
renvoi direct aux erreurs lors de l'édition du code.
Configuration en mode utilisateir ou projet.Atelier : installation de pydecodestyle,
mise en oeuvre sur un programme simple,
affichage des erreurs dans un code source,
intégration à JupyterNotebook
|
|
| Pylint |
Objectif : vérification du respect de la PEP8,
détection d'erreurs de programmation,aide au refactoring,
configuration des priorités utilisateur,
intégration continue, intégration avec les principaux éditeurs et ide.Atelier : installation de Pylint,
configuration de la détection d'erreurs,
désactivation des vérifications de règles d'écriture et du refactoring,
test sur des programmes caractéristiques.
|
|
| CodeQL |
Objectif : recherche de failles de sécurité dans du code
Fonctionnement :
génération d'une base de données à partir du code, exécution de requêtes sur cette base pour détecter les failles.
Langages traités, architecture : soit en local avec CodeQL-CLI, soit sur GitHub,
Principe d'intégration continueAtelier : mise en oeuvre de CodeQL pour Python
Ecriture de requêtes basiques pour du code Python
Uuilisation de CodeQL library for Python
|
|
| Alpĥacode |
Présentation du projet Google deepmind
Principe de fonctionnement
Résultats obtenus sur CodeForces
|
|
| Copilot |
Présentation du projet Git alimenté par OpenAI Codex.
Fonction : assistant virtuel en programmation.
Fourniture de suggestions de lignes entières de codes ou de fonction entières
Langages supportésAtelier : démonstration sur GitHub de l'utilisation de Copilot
|
|
| Codex |
Projet : OpenAI Codex, module du projet OpenAI,
production de code informatique à partir de requêtes exprimées en langage naturel
Ressources disponibles : bibliothèque de codes en ligne, hackathons, librairies Python, etc ...Atelier : démonstration avec OpenAI Codex
Génération de code Python à partir d'un cahier des charges simple
Tests et amélioration du code depuis l'interface en langage naturel.
|
|
| Les limites et risques |
Nécessité d'une nouvelle organisation des tâches de développeurs.
Définition du problème à résoudre, définition des contraintes, des jeux d'essai, etc ...
Potentiels risques de sécurité, risques juridiques : origine des solutions utilisées, propriété du code/
Erreurs de compréhension, d'analyse du problème à résoudre.
Importance des contrôles humains à mettre en place.
|
Téléchargez le programme) :
