Tutustu siihen, miten ABAP-kehittäjät voivat parantaa RAP-taitojaan käyttämällä NotebookLM:ää, Googlen tekoälyavusteista tutkimusavustajaa.
Tämä artikkeli on toinen osa LeverX:n tutkimuksesta, jossa selvitetään, miten NotebookLM ja sen integroitu Large Language Model (LLM) voivat nopeuttaa Restful ABAP -ohjelmointimallin (RAP) oppimisprosessia. Löydät tutkimuksemme ensimmäisen osan täältä.
Jos NotebookLM ei ole vielä tuttu, suosittelemme lämpimästi lukemaan alkuperäisen artikkelin, jotta voit tutustua sen ominaisuuksiin ja mahdollisuuksiin.
Tässä osassa LeverX esittelee uuden kokoelman edistyneempiä oppimisskenaarioita, jotka on kehitetty syventämään RAP-ymmärrystä entisestään.
Lyhyt vastuuvapauslauseke
Tämä artikkeli kuvastaa LeverX:n henkilökohtaista kokeilua ja arviointia siitä, kannattaako NotebookLM:n integroiminen henkilökohtaiseen oppimistyönkulkuun. Lyhyt vastaus: kyllä, on - mutta tietyin varauksin. Ainakin kannattaa kokeilla.
Skenaario 1: Arvoitukset - Kognitiivisen päättelyn sitouttaminen
Tämä skenaario on pohjimmiltaan käänteinen versio osassa 1 käsitellystä "termien määrittelypelistä".
Tässä harjoituksessa käytetään erilaista kognitiivista päättelytapaa. Sen sijaan, että olisimme esittäneet termin määriteltäväksi, kehotimme LLM:ää luomaan kuvaavan arvoituksen RAP-liiketoimintakohteen (BO) tietystä näkökohdasta. Tehtävämme oli päätellä ja tunnistaa vastauksen taustalla oleva RAP-käsite.
Havainnollistamiseksi asiantuntijamme pyysivät LLM:ää luomaan kolme arvoitusta, jotka me sitten yritimme ratkaista. Annoimme kriittisen ohjeen välttää sisällyttämästä arvoitustekstiin mitään eksplisiittisiä vihjeitä, jotka saattaisivat paljastaa vastauksen liian helposti, koska malli esittelee toisinaan vihjeitä, jotka tekevät ratkaisusta liian ilmeisen.
Kehotuksemme: luo arvoituksia
NotebookLM vastasi arvoituksiin, jotka liittyivät validointiin, ETagiin ja toimintaan.
NotebookLM:n vastaus: Luonut arvoituksia
Kehotuksemme: vastaa arvoituksiin
Vaikka suurin osa vastauksistamme oli oikeita, kolmannen vastauksen kohdalla epäröimme hetken, koska emme olleet varmoja, oliko käsite Action vai Function. Aluksi jäi huomaamatta lause "manipuloida tietoja", mikä osoittautui keskeiseksi erottajaksi.
NotebookLM:n vastaus: arvoitus, osittain oikea vastaus.
LLM:n vastaus ei tunnistanut ainoastaan täysin väärää vastausta, vaan myös osittain oikean vastauksen. Selityksessä se hahmotteli sekä toiminnan ja toiminnon yhtäläisyyksiä että eroja. Lisäksi se antoi ohjeita arvoituksen tehokkaampaan tulkintaan ja korosti ilmaisua "manipuloida tietoja" kriittisenä indikaattorina. Tämä ilmaus viittaa tietojen muokkaamiseen, joka on RAP:n toimintojen ominaispiirre ja auttaa erottamaan ne toiminnoista.
Skenaario 2: Dokumentoinnin syntaksin selitys - muodollisen kielen purkaminen.
RAP:n ABAP-avainsanadokumentaation lukeminen voi joskus olla ylivoimaista, erityisesti erittäin formalisoidun syntaksin vuoksi. Esimerkiksi RAP-liiketoimintakohteiden vakio-operaatioiden, kuten create (luo), update (päivitä) ja delete (poista), virallisissa määritelmissä on usein lukuisia modifikaatioita ja valinnaisia lausekkeita. Kaikkien näiden muunnelmien selaaminen voi olla haastavaa, varsinkin kun yritetään saada selville olennainen merkitys.
Esimerkki: RAP BO:n vakiotoiminnot
Tämän testaamiseksi syötteenä käytettiin virallisen dokumentaation katkelmaa, jonka LLM jäsensi ja selitti sitten rivi riviltä. Vastaus oli aluksi liian laajahko, joten kehotimme sitä useaan kertaan tuottamaan tiiviimmän tulosteen. Lopputuloksena oli paljon virtaviivaisempi selitys.
Kehotuksemme: selitä dokumentaation syntaksi
Tässä skenaariossa syötteenä käytettiin RAP Non-Factory Actionin muodollista määritelmää.
Tulos oli seuraava:
NotebookLM Response: Dokumentoinnin syntaksi, toiminto osa 1
LLM selitti vastauksessaan kiitettävästi RAP-kohtaisten avainsanojen - kuten toimintoihin liittyvien sisäisten tai staattisten lisäysten - lisäksi myös ABAP-dokumentaation syntaksin elementtejä, kuten sulkeisten sulkujen (...) käyttöä. Siinä ei kuitenkaan käsitelty täysin kaikkia muodollisen syntaksin näkökohtia. Konstruktiot, kuten sulkeet [], hakasulkeet {}, {I} ja muut yhdistetyt merkinnät, jätettiin pois.
Kääntäen voit tehdä päinvastoin ja kysyä LLM:ltä ABAP-avainsanojen dokumentaation muodollisesta syntaksista, jotta kaikki olisi sinulle selvää.
NotebookLM:n vastaus: dokumentaation syntaksi, toiminta osa 2
Pohjimmiltaan LLM käy läpi annetun syntaksin ja tarjoaa sanasta sanaan selityksen. On kuitenkin ratkaisevan tärkeää, että tarkastelet tulostetta huolellisesti. Kokeilun aikana havaittiin useita tapauksia, joissa muotoilu oli epätarkkaa ja vaati tarkennusta. On suositeltavaa tallentaa vastaus muistiinpanona, muokata sitä epäselvyyksien tai epäjohdonmukaisuuksien korjaamiseksi ja käyttää hiottua versiota resurssina, jolla vahvistat ymmärrystäsi RAP:sta.
Skenaario 3: Koodin selittäminen - logiikan ymmärtäminen vaihe vaiheelta.
Tavoitteena on antaa NotebookLM:lle koodinpätkä ja saada yksityiskohtainen, vaiheittainen selitys sekä RAP-käsitteiden erittely. Jokaista niistä voidaan tarkastella tarkemmin erikseen.
Kehotuksemme: selitä koodi
Esimerkkikoodi on peräisin /DMO/I_TRAVEL_M:n käyttäytymistoteutuksesta. Lopulta LLM palautti logiikan jäsennellyn läpikäynnin seuraavasti:
NotebookLM:n vastaus: Validate_agency: koodin selitys, validate_agency
LLM:n antama selitys on yleisesti ottaen hyvä ja seuraa koodin logiikkaa kohtuullisen yksityiskohtaisesti. Yksi ilmaisu erottui kuitenkin epätarkkana, nimittäin väite: "agency_id ei ole olemassa toisessa taulukossa tai tietokannan tuloksessa nimeltä agencies_db". Tämä sanamuoto tuntuu hieman keinotekoiselta.
Todennäköinen syy on se, että LLM yritti tulkita itsenäisesti NOT line_exists(...) -lauseketta sekä erityistä lauseketta NOT line_exists( agencies_db[ agency_id = travel-agency_id] ) ja yhdisti sitten nämä kaksi tulkintaa. Tuloksena on hybridi selitys, josta puuttuu selkeys ja tarkkuus.
Tämä esimerkki korostaa LLM:n tuottaman sisällön yleistä rajoitusta ja korostaa kaikkien tuotosten kriittisen tarkastelun tärkeyttä. Tällaiset ristiriitaisuudet voivat kuitenkin olla opettavaisia, sillä ne kannustavat syvällisempään paneutumiseen aineistoon. Itse asiassa epätarkan selityksen kohdatessasi voit haastaa mallin suoraan kysymällä, miksi se päätyi kyseiseen johtopäätökseen, ja käyttää virhettä oppimismahdollisuutena.
Skenaario 4: RAP-käsitteiden poiminta - keskeisten oppimisalueiden tunnistaminen.
Edellisestä kehotuksesta jatkaen NotebookLM:lle esitettiin pyyntö poimia ja luetella koodinäytteessä esiintyvät RAP-käsitteet.
NotebookLM:n vastaus: käsitteiden poiminta, validate_agency.
Näin saatiin jäsennelty luettelo aiheista, joita kannattaa tutkia tarkemmin. Nyt voitaisiin esittää esimerkiksi seuraavia jatkokysymyksiä:
- Mikä on transaktiopuskuri? Mikä rooli sillä on RAP:ssa?
- Kuka toteuttaa transaktiopuskurin?
- Miten se eroaa hallinnoitujen ja ei-hallittujen toteutusten välillä?
Tämä tekniikka auttaa tunnistamaan tutkimuksen painopisteet ja kohdentamaan SAP:n virallisen dokumentaation lukemisen.
Bonusskenaario: Integrointi muiden LLM:ien kanssa - tekoälytyökalupaketin laajentaminen.
NotebookLM voi toimia myös kehotteiden luojana muille LLM:ille, kuten ChatGPT:lle, Perplexitylle, Geminille tai Claudelle.
NotebookLM:n vastaus: kehotteiden luominen
Lisäksi voidaan kokeilla erilaisia kysymystyylejä. LLM:ää voidaan esimerkiksi pyytää tuottamaan sarja ketjutettuja kysymyksiä, jotka asteittain syventävät tiettyä RAP-käsitettä. Koko kehotus voidaan lähettää yhtenä kokonaisuutena, tai voidaan edetä vaiheittain ja käsitellä kutakin kysymystä erikseen. Menetelmä on erittäin mukautuva, ja sitä voidaan käyttää räätälöityjen kehotusten luomiseen mille tahansa LLM:lle, kuten Perplexitylle, Google Geminille, Claudelle ja muille.
Toinen arvokas integrointistrategia on ChatGPT:n käyttäminen faktojen tarkistamiseen. Kuten aiemmin todettiin, NotebookLM:n tarkkuus on arviolta noin 90 prosenttia (perustuu pikemminkin henkilökohtaiseen kokemukseen kuin viralliseen vertailuanalyysiin). Luotettavuuden varmistamiseksi voit verrata sen tuotoksia ChatGPT:hen ja käyttää sitä toissijaisena validointikerroksena mahdollisten epätarkkuuksien havaitsemiseksi.
ChatGPT-kehote: faktantarkistuspyyntö
Saatavilla on RAP-numerointia koskeva huijausohje. Tämän huijauslomakkeen historia löytyy edellisestä artikkelistamme.
ChatGPT-tuloste: faktantarkistuksen tulos.
Muista myös, että sinun on tarkistettava kaikki manuaalisesti.
Johtopäätös
Osassa 1 esiteltiin täydellinen luettelo hyvistä ja huonoista puolista sekä työnkulkuehdotuksista. Palaa siihen saadaksesi yksityiskohtaisen erittelyn.
Tässä yhteydessä on tärkeää toistaa keskeinen periaate:
NotebookLM on tehokas tekoälyä hyödyntävä oppimisväline, mutta sen tuotokset on tarkistettava ja todennettava kriittisesti ennen käyttöä. Tekoäly ei korvaa kehittäjien asiantuntemusta, vaan se on kerrannainen niille, jotka ovat valmiita ohjaamaan sitä.
Onko tämä lähestymistapa suositeltava? Kyllä, mutta varovaisesti. Se on ehdottomasti kokeilemisen arvoinen, varsinkin jos käytät LLM:ää oppimiskumppanina etkä luota siihen sokeasti.
