چرا عوامل برنامه نویسی دستاوردهای وعده داده شده را برای مهندسی ارائه نمی کنند - هنوز

عوامل کدگذاری Vibe مهندسان را قادر می سازند تا در کسری از زمان کد ایجاد کنند. این امر گلوگاه را به مراحل بعدی توسعه منتقل کرده است: زمانی که مهندسان باید بفهمند آن کد چه کاری انجام می دهد، اشکالات را ردیابی کنند و حوادث را بررسی کنند.

همانطور که عامل ها حجم بیشتری از کد تولید می کنند، درک خروجی آنها برای مهندسان دشوارتر می شود.

کار کردن کد آنها و نحوه تعامل آن با سیستم های اطراف آن زمان می برد.

برای درک دستاوردهای بهره وری، هوش مصنوعی باید در مراحل بعدی چرخه اعمال شود، نه صرفا تولید کد. وقتی صحبت از پایگاه های کد پیچیده در مقیاس بزرگ می شود، عوامل با مشکل مواجه می شوند.

موضوعی حیاتی در صنایع حیاتی

درد درک کد و اشکال زدایی در هیچ کجا به اندازه سازمان هایی که اقتصاد دیجیتال را تقویت می کنند - از خدمات مالی و طراحی نیمه هادی گرفته تا شبکه ها و پایگاه های داده ای که همه چیز را متصل نگه می دارند، شدیدتر نیست.

در این بخش‌ها، یک نقص فراری می‌تواند عواقب جدی داشته باشد - سیستم معاملاتی که مقدار بدی را برمی‌گرداند، پایگاه‌داده ردیف اشتباه را برمی‌گرداند، یا خرابی شبکه که منجر به خاموشی سرویس می‌شود. کنترلر ملی ترافیک هوایی بریتانیا وقتی فاش کرد که قطع خدمات اخیرش که باعث لغو 2000 پرواز و چند روز اختلال شد، به دلیل نقص نرم‌افزاری قدیمی رخ داده است، مورد تاسف باری قرار گرفت.

از آنجایی که هوش مصنوعی به افزایش حجم کدهایی که مهندسان می توانند تولید کنند ادامه می دهد، چالش دیگر در مورد افزایش سرعت کار آنها نیست. درعوض، رهبران مهندسی باید اطمینان حاصل کنند که تیم‌هایشان همچنان می‌توانند وقتی مشکلی پیش می‌آید یا رفتار غیرمنتظره‌ای انجام می‌دهد، بفهمند چه چیزی ساخته‌اند - و قبل از اینکه یک مشکل بزرگ‌تر شود، اقدام کنند.

شکاف درک کد

هوش مصنوعی می تواند در چند دقیقه کد تولید کند. با این حال، این سرعت هزینه دارد. همانطور که کد تولید شده توسط هوش مصنوعی انباشته می شود، منطق تکراری و لایه های تغییر بر روی یکدیگر ساخته می شوند و نوعی اسپاگت سازی پایگاه کد ایجاد می کنند. سپس درک عملکرد کدشان برای مهندسان سخت‌تر می‌شود، چه رسد به اینکه بدانند وقتی مشکلی پیش می‌آید از کجا شروع به باز کردن آن کنند.

با پیچیده تر شدن پایگاه های کد، مشکل بدتر می شود. نه نفر از ده رهبر مهندسی می گویند که درک کد و اشکال زدایی در محیط های پیچیده مانند پایگاه های کد C/C++ زمان بیشتری می برد. مهندسان از قبل در تلاش بودند تا هر خط را خودشان بنویسند.

اکنون، با توجه به اینکه هوش مصنوعی در اشکال‌زدایی کدهای پیچیده بسیار کمتر از ایجاد آن است، مهندسان خود را در انبوهی از بررسی‌ها مدفون می‌کنند که فراتر از توانایی انسان است. در نتیجه، نقص ها می توانند به راحتی به تولید فرار کنند، بدون اینکه مسیر روشنی به علت اصلی خود بازگردند.

دستاوردهای بهره وری در حال جمع شدن نیستند. علیرغم اینکه قادر به نوشتن کد آسان تر هستند، 79٪ از مدیران مهندسی می گویند که چرخه انتشار آنها سریعتر نیست. این یک چرخه معیوب است. هرچه هوش مصنوعی کد را سریع‌تر تولید کند، مهندسان بیشتری باید بررسی و درک کنند - و با افزایش پیچیدگی، این کار سخت‌تر می‌شود. بدون حل مشکل درک مطلب، افزایش سرعت تولید کد به سادگی باعث می‌شود که گلوگاه به سمت پایین‌تر حرکت کند.

محدودیت های هوش مصنوعی برای اشکال زدایی

پاسخ واضح اگر انسان ها برای درک و اشکال زدایی کد مشکل دارند، این است که عوامل کدگذاری کنترل را به دست بگیرند. با این حال، بدون ورودی های مناسب، حتی پیشرفته ترین ابزارهای هوش مصنوعی نیز برای ارائه پاسخ های دقیق تلاش می کنند.

عوامل کد نویسی که پایگاه های کد پیچیده را اشکال زدایی می کنند اغلب از زمینه ایستا مانند کد منبع، گزارش ها و مستندات کار می کنند. این به آنها می گوید که کد قرار است چه کاری انجام دهد، اما نه لزوما در زمان اجرا چه کاری انجام داده است. ماموران باید شکاف ها را پر کنند و حدس بزنند که چه اتفاقی افتاده و چرا.

وقتی موضوع در پیچیدگی یک سیستم زنده مدفون شود، این فقدان زمینه مشکل خاصی ایجاد می کند. عوامل هوش مصنوعی می توانند پاسخی را ارائه دهند که به نظر قابل قبول باشد، اما بدون شواهدی که آن را تایید کند، هیچ تضمینی وجود ندارد که تشخیص درست باشد. در واقع، 93 درصد از سازمان های مهندسی علت اصلی یک مشکل را به دلیل توهم هوش مصنوعی تشخیص داده اند. در نتیجه، یک سوم (37٪) از تیم ها فقط از عوامل هوش مصنوعی برای درک و اشکال زدایی پایگاه های کد ساده استفاده می کنند.

پیامدها فراتر از عدم حل مشکل است. وقتی یک عامل نتواند علت اصلی را شناسایی کند، می‌تواند به آزمون و خطا متوسل شود - اضافه کردن گزارش‌های بیشتر، اجرای مجدد کد و امتحان روش دیگری. نمایندگان در نهایت در یک حلقه گیر می کنند و توکن های هوش مصنوعی بودجه بندی شده را مصرف می کنند بدون اینکه به پاسخی نزدیک شوند.

شواهد بهتر، نه مدل های بزرگتر

این سؤال گسترده‌تری را برای رهبران مهندسی ایجاد می‌کند: چگونه می‌توانید هوش مصنوعی را برای بخش‌های دشوار مهندسی نرم‌افزار به‌جای استفاده از آن برای تولید کد بیشتر، واقعا مفید کنید؟

راه برای به دست آوردن نتایج بهتر از عوامل هوش مصنوعی لزوما استفاده از مدل قدرتمندتر نیست، بلکه ارائه شواهد بهتر به آنها است. ارائه رکوردی از اتفاقات واقعی هنگام اجرای کد به یک عامل کمک می‌کند تا بفهمد یک مشکل چگونه رخ داده است، و آن را مجهزتر می‌کند تا مشکلات را ریشه‌یابی کند و از مهندسین در اشکال‌زدایی پشتیبانی کند.

در نهایت، هوش مصنوعی می تواند به اندازه اطلاعاتی که باید با آن کار کند مفید باشد. به ماموران تصویر واضحی از نحوه عملکرد نرم افزار بدهید و آنها می توانند کارهای دشواری را که امروزه هنوز در اختیار مهندسان انسانی قرار دارد، بر عهده بگیرند. این بدان معناست که پاسخ‌های سریع‌تر، بن‌بست‌های کمتر و مهم‌تر از همه، درک بیشتر تیم‌های نرم‌افزاری مسئول هستند.

تبدیل سرعت هوش مصنوعی به ارزش مهندسی

آینده توسعه مبتنی بر هوش مصنوعی فقط تولید کد بیشتر نیست، بلکه درک آنچه در واقع انجام می دهد است. به عوامل دسترسی به اطلاعات درست، با زمینه با کیفیت بالا بدهید و آنها می توانند از پاسخ های قابل قبول به تجزیه و تحلیل علت اصلی خودکار و دقیق حرکت کنند.

این به مهندسان چیزی بسیار ارزشمندتر از سرعت به تنهایی می دهد – این اعتماد به نفس را می دهد که به هوش مصنوعی اجازه دهند سخت ترین مشکلات را بدون از دست دادن کنترل نرم افزاری که می سازند، حل کند.

ما بهترین لپ‌تاپ‌ها را برای برنامه‌نویسی بررسی و رتبه‌بندی کرده‌ایم: برترین‌ها برای برنامه‌نویسان حرفه‌ای، برنامه‌نویسان، مهندسان نرم‌افزار و توسعه‌دهندگان.

این مقاله به عنوان بخشی از TechRadar Pro Perspectives، کانال ما برای معرفی بهترین و باهوش ترین ذهن ها در صنعت فناوری امروز تهیه شده است.

نظرات بیان شده در اینجا نظرات نویسنده است و لزوما نظرات TechRadarPro یا Future plc نیست. اگر مایل به مشارکت هستید، اطلاعات بیشتری را در اینجا بیابید: https://www.techradar.com/pro/perspectives-how-to-submit