Supporting Product Development based on Low-Code Development Platforms and Large Language Models
Abstract
Denne oppgaven utforsker hvordan plattformer for lavkodeutvikling (LCDP-er) og store språkmodeller (LLM-er) kan kombineres for å forbedre produktutviklingsapplikasjoner. LCDP-er gjør det mulig for brukere med begrenset erfaring innen programmering å skape funksjonelle applikasjoner gjennom visuelle grensesnitt, og dermed gjør programvareutviklingen mer tilgjengelig for flere. Samtidig tillater LLM-er brukere å generere svar og utføre oppgaver ved hjelp av språkbehandling. Målet med denne oppgaven er å utforske potensialet som ligger i å kombinere LCDP-er og LLM-er for å utvikle en applikasjon med dynamisk logikk, med formål om å generere spesifikke filer innen produktutvikling, basert på svarene fra LLM-er.
Metoden innebærer å finjustere ledetekster for å optimalisere svarene fra LLM-er, iterativt utvikle en applikasjon med en LCDP og utføre en brukervennlighetstest for å validere applikasjonen. Resultatene viser at finjusteringen av ledetekster forbedrer LLM-svarene betraktelig, selv om det fortsatt er utfordringer med inkonsekvente svar og feilhåndteringen av disse. Likevel, integrasjonen av LCDP-er med LLM-er forbedrer funksjonaliteten og brukergrensesnittet til applikasjonen, samtidig som den viser betydelig potensial for dynamisk generering av spesifikke filer innen produktutvikling. This thesis explores how Low-Code Development Platforms (LCDPs) and Large Language Models (LLMs) can be integrated to improve product design applications. LCDPs democratise software development by enabling users with minimal coding experience to create functional applications through visual programming interfaces. Meanwhile, LLMs allow users to generate responses and perform tasks through natural language communication. The motivation behind this research is to investigate the combined potential of LCDPs and LLMs in creating an application with dynamically adjustable logic for generating Computer-Aided Design (CAD)-specific files based on LLM responses.
The methodology includes extensive prompt engineering to optimize LLM output, iterative development of the application using a low-code platform, and a validation test, to test the usability of the application. The results indicate that prompt engineering significantly enhances LLM output quality, though challenges in output consistency and error handling persist. Despite these hurdles, the integration of LCDPs with LLMs substantially improves the application’s functionality and user interaction, demonstrating considerable potential in dynamically generating CAD-specific files.