GitHub Copilot: differenze tra le versioni

Versione delle 21:03, 24 giu 2024

Versione attuale delle 05:26, 17 mar 2025

(Una versione intermedia di un altro utente non mostrate)

Riga 14:

==Caratteristiche==

Codex è in grado di generare codice risolutivo di problemi di programmazione viene formulati in [[linguaggio naturale]].<ref name=":1">{{Cita pubblicazione|cognome1=Finnie-Ansley |nome1=James |cognome2=Denny |nome2=Paul |cognome3=Becker |nome3=Brett A. |cognome4=Luxton-Reilly |nome4=Andrew |cognome5=Prather |nome5=James |data=14 febbraio 2022 |titolo=The Robots Are Coming: Exploring the Implications of OpenAI Codex on Introductory Programming |rivista=Australasian Computing Education Conference |serie=ACE '22 |città=New York, NY, USA |editore=Association for Computing Machinery |pp=10–1910-19 |doi=10.1145/3511861.3511863 |isbn=978-1-4503-9643-1}}</ref> È anche in grado di documentare il codice sorgente in inglese e di tradurlo in [[linguaggio di programmazione|linguaggi di programmazione]] differenti.<ref name=":1" />

Secondo il [[sito web]], GitHub Copilot include funzionalità di supporto per i programmatori, come la possibilità di convertire i commenti del codice in [[codice eseguibile]] e il completamento automatico per [[Codice a blocchi|blocchi di codice]], sezioni ripetitive di codice e interi [[Metodo (programmazione)|metodi]] e/o [[Funzione (informatica)|funzioni]].<ref name=":2" /><ref>{{Cita pubblicazione|cognome1=Sobania |nome1=Dominik |cognome2=Schweim |nome2=Dirk |cognome3=Rothlauf |nome3=Franz |data=2022 |titolo=A Comprehensive Survey on Program Synthesis with Evolutionary Algorithms |url=https://ieeexplore.ieee.org/abstract/document/9743417?casa_token=2vffB_1z0UsAAAAA:7YGw6NRDYQE9UBDPUdv7Ij7EwySLOMENhzzRmIYo5erRHv0qtESQn-lCkMAh35cWn-DVrcP69Q |rivista=IEEE Transactions on Evolutionary Computation |volume=27 |pp=82–9782-97 |doi=10.1109/TEVC.2022.3162324 |issn=1941-0026}}</ref> GitHub riferisce che la funzione di completamento automatico di Copilot è accurata al 50%; ad esempio, con un codice di intestazione di una funzione in Python, Copilot ha completato correttamente in automatico il resto del codice del corpo della funzione il 43% delle volte al primo tentativo e il 57% delle volte dopo dieci tentativi.<ref name=":2" />

GitHub afferma che le funzionalità di Copilot consentono ai programmatori di navigare al'interno di [[framework]] e [[Linguaggio macchina|linguaggi di codifica]] sconosciuti, riducendo la quantità di tempo dedicata alla lettura della documentazione.<ref name=":2" />

Riga 32:

Nel giugno 2021 l'[[amministratore delegato]] di GitHub Nat Friedman affermò che "addestrare i sistemi [[machine learning|ML]] sui dati pubblici rientra nel [[fair use]]".<ref>{{Cita tweet|utente=natfriedman|numero=1409914420579344385|autore=Nat Friedman|titolo=In general: (1) training ML systems on public data is fair use|lingua=en|urlarchivio=https://web.archive.org/web/20210630043243/https://twitter.com/natfriedman/status/1409914420579344385}}</ref> Una [[class action|causa legale collettiva]] intentata nel novembre 2022 replicò che si trattava di "pura speculazione", asserendo che "nessun tribunale ha considerato la questione del fatto che "addestrare i sistemi di ML sui dati pubblici sia una forma di fair use".<ref name="class action suit">{{cita web|cognome1=Butterick |nome1=Matthew |titolo=GitHub Copilot litigation |url=https://githubcopilotlitigation.com/ |sito=githubcopilotlitigation.com |data=3 novembre 2022|urlarchivio=https://web.archive.org/web/20221103204107/https://githubcopilotlitigation.com/pdf/1-0-github_complaint.pdf}}</ref> La causa intentata dallo studio legale Joseph Saveri contesta diversi aspetti legali, che vanno dalla violazione del contratto con gli utenti di GitHub alla violazione della [[privacy]] ai sensi del [[California]] Consumer Privacy Act per quanto atiene alla condivisione dei [[dati personali]].<ref name="class action suit"/><ref name="Verge class action">{{Cita web|cognome=Vincent |nome=James |data=8 novembre 2022 |titolo=The lawsuit that could rewrite the rules of AI copyright |url=https://www.theverge.com/2022/11/8/23446821/microsoft-openai-github-copilot-class-action-lawsuit-ai-copyright-violation-training-data|lingua=en}}</ref>

GitHub ha confessato che una piccola parte dell'output può risultare letteralmente copiata, cosa che ha fatto temere che il codice di output non sia sufficientemente trasformativo per essere classificato come fair use e possa violare il [[copyright]] del proprietario originale.<ref name="Verge legal" >{{cita news|url=https://www.theverge.com/2021/7/7/22561180/github-copilot-legal-copyright-fair-use-public-code|titolo=GitHub's automatic coding tool rests on untested legal ground|data=7 luglio 2021|opera=[[The Verge (sito web)|The Verge]]}}</ref> Nel giugno 2022, la [[Software Freedom Conservancy]] notificò il divieto di usare GitHub all'interno dei propri progetti<ref>{{Cita web|titolo=Give Up GitHub: The Time Has Come! |url=https://sfconservancy.org/blog/2022/jun/30/give-up-github-launch/|lingua=en}}</ref>, accusando Copilot di ignorare le licenze di rilascio del codice presenti nei dati di addestramento.<ref>{{Cita web|titolo=If Software is My Copilot, Who Programmed My Software? |url=https://sfconservancy.org/blog/2022/feb/03/github-copilot-copyleft-gpl/ |lingua=en}}</ref> In un messaggio di assistenza clienti, GitHub sostenne che "l'addestramento di modelli di machine learning su dati pubblicamente disponibili è considerato fair use da parte della comunità del machine learning. L'azione legale collettiva definì ciò "falso", osservando altresì che "indipendentemente dal livello di accettazione di questo concetto nella 'comunità del machine learning', secondo la legge federale, è illegale".<ref name="class action suit" />

===Libri bianchi della FSF===

Riga 41:

===Problemi di sicurezza===

Un documento accettato per la pubblicazione nell'[[IEEE]] Symposium on Security and Privacy nel 2022 ha valutato la sicurezza del codice generato da Copilot per i 25 principali di punti di debolezza del codice enumerati dal protocollo MITRE (ad es. il cross-site scripting, [[Directory traversal attack|path traversal]]), nell'ambito di 89 diversi [[Scenario di test|scenari]] e 1.689 programmi.<ref name=":4" /> Ciò fu fatto lungo gli [[asse cartesiano|assi]] della diversità dei punti deboli (la sua capacità di risposta a scenari che possono introdurre vari punti deboli nel codice), diversità dei [[prompt]] (la sua capacità di rispondere ad una stessa debolezza del codice con variazioni minime, [[analisi di sensitività]]) e diversità di [[Dominio (informatica)|domini]] (la sua capacità di generare specifiche [[hardware]] a livello di trasferimento del [[Security log|registro]] in [[Verilog]]).<ref name=":4" /> Lo studio rilevò che attraverso questi assi in molteplici lingue, il 39,33% dei migliori suggerimenti e il 40,73% dei suggerimenti totali avevano condotto a [[Vulnerabilità informatica|vulnerabilità]] del codice. Inoltre, rivelarono che anche piccole modifiche non semantiche (ovvero commenti) apportate al codice riuscivano a incidere sulla sicurezza di quest'ultimo.<ref name=":4" />

===Problemi relativi al mondo della scuola===

Riga 51:

In VS Code e Visual Studio il programma integra una [[chat]] simile a [[ChatGPT]], oltre al supporto vocale per la dettatura diretta del codice.<ref>{{cita web|url=https://www.punto-informatico.it/github-copilot-x/|titolo=GitHub Copilot X: GPT-4 per gli sviluppatori}}</ref>

== Replit Ghostwriter ==

[[Replit Ghostwriter]] il concorrente diretto di Google che offre funzionalità di testing, software collaborativo e distribuzione delle app.<ref>{{cita web|url=https://www.punto-informatico.it/google-replit-sfida-github-copilot/|titolo=Google si allea con Replit per sfidare GitHub Copilot}}</ref>