AI 서비스 써보면서 개발하기

Table of Contents

ChatGPT를 시작으로 여러가지 도구들이 나오고 있다. 검색엔진에 의존하던 개발 업무 방식이 크게 변화하고 있다.

이를 계기로 나도 여러가지 도구를 실제 작업과 학습에 사용해보며, 느낀점을 정리해본다.

AI 기반 도구

ChatGPT

  • 대화형 인공지능 챗봇이다.
  • 다들 알 것 같으니 패스

Copilot

GitHub Copilot · Your AI pair programmer

  • 인공지능을 이용한 코드 자동 완성 툴
  • GPT-3를 이용해 깃허브의 레포지토리의 코드를 학습시키는 방식으로 구현
  • 주석, 함수에 담긴 의미를 파악해 코드를 자동완성
  • 비용은 월 10달러, 연 100달러 (연간 플랜 선택 시 2달 무료체험)
  • 각종 IDE에서 플러그인 형식으로 사용 가능하다
    • Intellij, vscode 등

Copilot Lab

GitHub Next | GitHub Copilot Labs

VSCode 확장 프로그램으로, 좀 더 직관적인 UI를 이용해 Copilot을 활용할 수 있다.

Copilot X

Introducing GitHub Copilot X

2023년 3월에 출시되어, 대기자 목록에 추가했고 아직 사용해보진 못했다.

  • GPT-4 기반 좀 더 향상된 서비스이다.
  • 코드 뿐만아니라, 문서까지 확장되었다.
  • 대화형 채팅과 같은 검색 인터페이스가 IDE 옆에 달려 있다.
  • 내가 작성한 코드를 기반으로, 유닛 테스트를 작성해주기도 한다.
  • Github 사용자에 한해서는 PR을 대신 해주기도 한다.

실제 개발 작업에 사용해보기

ChatGPT와 Copilot을 실제 업무에 활용해보자.

E2E 테스트

회사에서는 puppeteer를 이용한 자동화된 테스트케이스를 사용하고 있다. puppeteer는 잘 만들어진 헤드리스 브라우저 도구지만, 해당 문법과 테스트케이스를 수동으로 작업해야 하는 것은 여전한 문제였다.

테스트 도구를 이쁘게 잘 만들어 놓고, 정작 테스트케이스 채우는건 신경쓰지 못했다. 이 작업을 ChatGPT와 Copilot을 활용해봤다.

전략은 인간의 언어로 코드를 쭉 전달받아 시뮬레이션해보는 것을 반복했다.

기본 시나리오를 먼저 알려주고

페이지에서 a[href="/open/pay/prepay?siteId=${siteId}"] 클릭, 요소가 있으면 페이지 이동, 없으면 오류 처리

시나리오에 맞게 소스를 생성해준다.

ESMobule 사용하는 소스로 “바꿔줘”

유틸 함수도 필요한데, 알려줬더니, 앞으로 작성해주는 소스에 반영해준다.

전달받은 코드를 내 컴퓨터에서 돌려보면서 진행했다.

이래저래 작업을 했지만, 생각보다 많이 번거롭다. 버전 문제도 있을거고, 완벽한 시나리오대로 해주진 않는다. 그저 더 좋은 검색엔진으로서 활용 할 뿐이다.

Remote SSH

원격으로 SSH에 접속하는 클라이언트를 만들어야 했다. 메시지를 주고받으면서 터미널같은 UI를 구성해야 했다.

기본적인 코드는 ChatGPT로 만들었고, 샘플코드를 받았다.

Copilot을 이용해보았다.

  • 프론트엔드에서 주석을 기반으로 하는 자동완성 기능은 효용이 많이 떨어진다.
    • 단일 함수가 아닌, 컴포넌트라는 랜더를 위한 함수 하나에 많은 기능이 담기는데,
    • 자동완성으로는 해결하기 어렵다.
  • 콘텍스트를 기반으로 하는 자동완성은 (약간의 딜레이가 있지만), 꽤 유용하다.
  • 복잡한 컴포넌트 설계에는 ChatGPT가 더 유용했다.
  • 오히려 프롬프트를 작성하는게 더 불편한 일이 되기도 했다.
    • 프로그래밍이라는 문법을 인간의 문법으로 바꾸어 주는데, 그 반대를 기대하려면 잘 작성해야 한다.

잘 모르던 분야에서 활용해보기

아래와 같은 이미지는 종종 봤을 것이다. mnist라고 하는데, 이미지 내의 숫자를 추출하는 머신러닝 분야의 미니 프로젝트이다.

머신러닝의 개념은 기본적인 수준으로 알고있는데, 직접 코딩을 하면서 작업해본적은 없다. 과연 잘 모르는 분야에서 도움을 받을 수 있을까?

기본적인 플로우는 대략 이해를 했다.

  1. 데이터를 수집하고,
  2. 데이터 전처리 과정을 거쳐
  3. 모델을 구성한 후
  4. 학습시키고
  5. 모델의 성능을 평가한 후
  6. 모델을 적용해본다.

위에서부터 코드를 작성해보면서, Copilot을 통해 코드에 대한 자세한 설명을 인간의 언어로 전달받았다.

중간에 모르는 단어들과 개념들이 있었다. 코드로는 어째 저째 대충 넘어가더라도, 핵심 개념을 모르면 의미가 없다.

무슨 말인지 알려줘

그래도 모르겠다. 텍스트로만 개념을 이해하기엔 한계가 있었다. 다시 구글검색로 돌아갔다. convolution filter는 feature를 뽑아내는 알고리즘 중 하나였다.

이런식으로 주석을 자동으로 달아준다.

샘플 코드를 대충 이해하면서 작성해봤는데 확인할 수가 없어서 시각화가 필요했다. 주석 하나에 아래 소스를 자동완성 해주었다.

대충 이런 이미지를 받았다.

결론

GPT기반의 툴을 사용해보며 제5원소라는 오래된 영화가 떠올랐다.

이 영화를 보면, 5천 년 동안 잠들어있었던 주인공이 그간의 일을 배우기 위해 시간을 극도로 압축해서 학습하는 과정이 나온다.

인간도 이렇게 학습할 수 있을까? 기계의 도움을 받아, 지식을 확장할 수 있지 않을까.

업무 방식의 변화

AI도구를 활용했더니, 소스파일의 문맥을 읽고, 자동완성을 해주기 때문에 구글을 떠돌아다니는 검색 의존도가 상당히 줄어들 것으로 보였다. 그만큼 생산성도 늘어나지 않을까.

나는 단순한 코딩을 더 빨리 하기 위해서, 여러가지 방법을 사용했다. 단축키를 외우기도 하고, IDE 별로 자주 사용되는 소스를 스니펫으로 만들어서 사용했다.

타이핑 속도는 빨라졌지만, 결국 기계를 이기지 못한다. 내가 아무리 빨라도 기계보다 빠르게 생성할 수 있을까?

해보지 않은 언어와 개념을 잘 배울 수 있을까하는 의문으로 머신러닝 미니 프로젝트로 테스트를 해보았다. 하지만, 결국은 시간을 압축하긴 어려웠다. 핵심 개념은 내 머릿속에서 구성을 해야만 했다. 그러나 초기 진입 장벽을 낮춰주었기 때문에 당연히 도움이 되는 부분도 있었다.

디자인 업무를 할 때를 생각해보자. 참고 할 이미지와 리소스를 모으고, 무형의 감각으로 조합을 해서 또 다른 산출물을 만들어 낸다.

개발도 이와 다를까?