پرسش حیاتی تیمهای مهندسی: چقدر کد را بدون نگاه انسانی میفرستیم؟
عاملهای هوش مصنوعی اکنون سریعتر از هر انسانی کد تولید میکنند و راه حل سنتی سازمانها برای مقابله با این شتاب، یعنی «تسریع در بازبینی»، نهتنها جواب نمیدهد بلکه مانند ساختن اسب سریعتر بهجای اختراع خودرو است. بهزودی هر رهبر فنی باید پاسخ دهد که چقدر از کدها را میتوان بدون دخالت انسانی به محیط تولید فرستاد. تیمهایی که همچنان هر خط را از چشم انسانی رد میکنند، بهسرعت با گلوگاه مواجه شده و چابکی خود را از دست میدهند.
شاید شروع از ارسال 1 درصد از کامیتها بدون بازبینی انسانی باشد. این تغییر فرآیند، دقیقاً مانند گذار انقلابی به شیوههای CI/CD بود که زمانی پرسش اصلی این بود: مجموعه اقدامات لازم برای ارسال ایمن و فوری تغییرات به تولید پس از تأیید چیست؟
تست و اعتبارسنجی: دو دروازه کیفیت مجزا
تست تضمین میکند که قطعه کدی نوشتهشده، عملکرد درستی دارد. در مقابل، اعتبارسنجی تضمین میکند که تغییرات دقیقاً مطابق با استانداردهای سازمان ساختار یافته و مقیاسپذیر باشند. یک API جدید ممکن است تستهای خودکار برای بررسی منطق داخلی داشته باشد، اما نیاز به اعتبارسنجی خودکار نیز دارد تا اطمینان حاصل شود که از ساختارهای مصوب پیروی میکند، کدهای خطای استاندارد را بهکار میبندد و هیچ نقص پنهانی ندارد.
این دو مفهوم اگرچه به هم مرتبطاند، اما دروازههای کیفی کاملاً متفاوتی محسوب میشوند. در متدولوژیهای سنتی بازبینی کد، این دو در هم تنیده شدهاند. بازبینی جایی است که دانش فنی بین اعضای تیم منتقل میشود و نویسنده مجبور است منطق تغییرات را توضیح دهد. اما در این فرآیند، اعتبارسنجی عموماً قربانی میشود؛ چرا که غیرقطعی است، به میزان هوشیاری بازبین در ساعات پایانی روز گره خورده و تنها با افزایش زمان انسانی قابل گسترش است. این روش همیشه برای شناسایی باگها ناکارآمد بوده و تضمینهای محکمی ارائه نمیدهد.
از «در حلقه» به «بر حلقه»؛ تغییر مدل تفکر
حلقه پایه برای ابزارهای عاملی چهار مرحله دارد: فراهمسازی زمینه، واگذاری کار به عامل، ارزیابی موفقیت آن، و بهبود فرآیند در صورت عدم رضایت از خروجی. نقش انسان در این میان از انجام مستقیم کار به نظارت بر عاملها تغییر میکند و سرانجام به جایگاه «انسان بر حلقه» میرسد. «در حلقه» به معنای بازبینی و تأیید شخصمدیر هر تغییر است، اما «بر حلقه» به معنای نگهداری و بهینهسازی سیستمی است که بازبینی را انجام میدهد و تنها در صورت نقص سیستم وارد عمل میشود.
به جای اینکه هر توسعهدهنده بهطور انفرادی کد تولید کند، تیمها در حال نگهداری یک سیستم تحویل دقیق هستند. این پارادایم اغلب به مدل کارخانهای نرمافزار معروف است. مهندسان بهجای ایفای نقش صنعتگران هنرمند، معماران و نگهدارندههای یک کارخانه خودکار میشوند. به عنوان مثال، یک طراح رابط کاربری ممکن است یک سیستم طراحی و چارچوب ارجاع را نگهداری کند که عاملهای هوش مصنوعی دقیقاً بر اساس آن کدنویسی کنند. بدین ترتیب، کیفیت بصری و تجربه کاربری بدون نیاز به تایید دستی تضمین میشود. مهندسان امنیت نیز ابزارهای هوشمندی را مدیریت میکنند که امنیت کد تولیدی را میسنجند و از نشت دادههای حساس یا کلیدهای محرمانه جلوگیری میکنند.
عاملها به سیگنالهای سریع و قابلاعتماد نیاز دارند
این پارادایم چه تاثیری بر تست و اعتبارسنجی میگذارد؟ ظهور نقش «مهندس اعتبارسنجی خودکار» نشاندهنده این گذار است؛ ترکیبی استراتژیک از مهندس تجربه توسعهدهنده و متخصص تضمین کیفیت. اگر درست پیادهسازی شود، اعتبارسنجی خودکار پرثمرترین سرمایهگذاری یک تیم فنی خواهد بود.
عاملها بهندرت در اولین تلاش به نتیجه ایدهآل میرسند و به همین دلیل به خطوط محافظتی قویتری نسبت به انسانها نیاز دارند. بسیار محتمل است که این عوامل با مجموعهای از محدودیتها درگیر شوند و بر اساس بازخوردها چندین بار تکرار کنند تا به خروجی مطلوب برسند. سرعت و دقت این بازخورد، تعیین میکند که خروجی نهایی کیفیت آن چقدر بالا باشد. یک سیگنال سریع و قابلاعتماد درباره اینکه یک تغییر جدید دقیقاً کدام بخش را خراب کرده، برای یک عامل ارزشمندتر از هر سند تاریخی یا داکیومنت مستندی است که بتوانید در اختیارش بگذارید.
افزایش توانایی یک عامل کدنویسی در تشخیص خودکار شکستهای تست و اعتبارسنجی به میزان 50 درصد، میتواند سرعت عملکرد سازمان مهندسی را تا 200 درصد افزایش دهد؛ زیرا نسبت بسیار بیشتری از تغییرات کد بهطور ایمن قابل پذیرش و اجرا خواهند شد. اعتبارسنجی خودکار باعث میشود سازمان تا چندین برابر سریعتر عمل کند، زیرا حجم عظیمی از تغییرات کدنویسی شده بهطور ایمن تأیید و ادغام میشوند.
جمعبندی: ساختن کارخانه، نه تماشای صنعتگر
آینده چابکی سازمانی به مدیریت سیستمهای تولید کد گره خورده است، نه به سرعت دست انسانها در خواندن خطوط کد. تیمهایی که امروز به جای مقاومت در برابر عاملهای هوش مصنوعی، روی استقرار خطوط محافظتی هوشمند و مهندسی بازخورد سریع تمرکز میکنند، در صدر جدول رقابتی قرار خواهند گرفت. گذار از بازبینی دستی به نظارت سیستمی دیگر یک انتخاب لوکس نیست، بلکه ضرورت زندهماندن در بازار نرمافزار است.
