Sosyal medyada ivmeli bir yükseliş, popüler paketlerle oldukça kolay!
Yazılım geliştiriciler kesinlikler üzerine çalışırlar. Bir programı bir dizi girdiyle beslerseniz, her zaman aynı çıktıları alırsınız. Yazılım tarihinin büyük bölümünde, […]
Yazılım geliştiriciler kesinlikler üzerine çalışırlar. Bir programı bir dizi girdiyle beslerseniz, her zaman aynı çıktıları alırsınız. Yazılım tarihinin büyük bölümünde, yazılım tamamen deterministik mantık üzerine inşa edilmiştir. Girdiler ne çıkacağını belirler.
Bunun için bir terimimiz var: yukarıdan aşağıya programlama. Tüm algoritmalar, yine beklenen mantığa dayanan dallanmalarla bir yol izler. Kodda hata ayıklama yaparken, aynı yolu tekrar tekrar izler, davranışın beklentiden saptığı yerleri bulur ve tekrar rayına oturturuz.
Kesinlik ve deterministik mantık pek çok yazılım için işe yarar ama gerçek dünya bu şekilde çalışmaz. Buna karşılık, Yapay Zeka olasılıksaldır. Cevaplar asla kesin değildir. Bunun yerine, yapay zeka davranışı tahmin etmek için modeller kullanır ve daha sonra bu davranışı üretir.
Belki de bunu tanımlamanın en iyi yolu, geleneksel yazılımın yapay zeka ile kıyasla nasıl güncellendiğidir. Geleneksel yazılımlar güncellemeler ve yamalar alır. Yapay zeka öğrenir, kendi kendine gelişir, manuel müdahale olmadan kullanıcı geri bildirimlerini anlar ve özümser. Bu da geleneksel yazılımı daha hassas, yapay zekayı ise daha esnek hale getirir.
Yapay zekayı yazılım mühendisliğine uygulayarak her iki dünyanın da en iyisini elde ederiz: hem hassas hem de esnek bir yazılım. Bu makale, bu birleşmeyi ve bunun geliştiriciler, mühendisler ve onların yarattıklarının kullanıcıları için ne anlama geldiğini keşfedecek.
Günümüzde geliştiriciler, kodlama süreçlerinin bir parçası olarak yapay zekayı kullanma fırsatına sahiptir. Yapay zeka destekli yeni araçlar kod oluşturma, hataları bulma, test paketleri oluşturma, test etme, örnek veriler üretme konularında yardımcı oluyor. Yapay zeka bazı açılardan geliştiricinin üretkenliğini artırmaya, tekrarlayan görevler için harcanan zamanı azaltmaya, kusurları ortaya çıkarmaya ve daha az deneyimli geliştiricilerin daha fazla deneyime sahipmiş gibi kod üretmelerine yardımcı olabilir.
Bir dezavantajı var; Yapay zeka herkesin bildiği gibi güvenilmezdir. Çalışmalarını kontrol edebilmeniz gerekir. Yapay zekalar, sonuçlarının doğru olmasa bile doğru görünmesini sağlayan görünür bir güven seviyesiyle çalışma sunar. Dolayısıyla, üzerinde çalışmasını istediğiniz konu hakkında beceri, bilgi ve deneyime sahip değilseniz, ne zaman yanlış olduğunu anlayamazsınız.
Bununla birlikte, yapay zeka kod geliştirme, sürdürme ve test etme sürecine büyük ölçüde yardımcı olabilir. Her şey fayda sağlamayacak olsa da, süreçte yapay zekanın devreye girebileceği ve gereken iş miktarından saatler hatta günler alabileceği noktalar vardır.
Her şey kod üretmekle ilgili değil. Aynı zamanda üretilen kodla da ilgilidir. Yapay zeka ve yazılım mühendisliğinin birleşmesi, geliştiricilerin daha akıllı, kullanıcı merkezli uygulamalar oluşturmasına olanak tanıyacak ve yazılım kullanıcılarının deneyimi, geleneksel elle kodlanmış uygulamalarda olduğundan daha esnek ve dinamik olacaktır.
Zamanla, bazı uygulamaların gerçek zamanlı kullanıcı geri bildirimlerine dayalı olarak anında geliştiğini ve bazı yazılımların hataları ve uyumsuzlukları kullanıcı bunlarla karşılaşmadan önce önleyici olarak ele aldığını göreceğiz. Hiçbir zaman mükemmel olmayacak, ancak kesinlikle yazılımın daha iyi olmasına yardımcı olacak.
Tüm bunlar kulağa hoş geliyor, değil mi? Ama bir sonuca varalım: Yazılım mühendisliğinde yapay zeka, geliştiricilere Doctor Who izlemek, köpekle oynamak ya da – mantıksız geldiğini biliyorum – uyumak için fazladan birkaç saat kazandırabilir mi? Aklımıza gelen beş alana bakalım.
Bir geliştiricinin becerilerini gerektiren, ancak eğlenceli olmayan çok sıkıcı, sıradan bir sürü görev vardır. Buna bir örnek, tekrarlayan kod bloklarının yazılmasına yardımcı olmaktır.
Yazılımcılar uzun zamandır IDE’lerini kod bloklarını makrolarmış gibi dolduracak şekilde ayarlayabiliyorlar, ancak yapay zeka kod bloklarının modelini ve amacını öğrenebilir ve bunları programcının veya kuruluşun tarzını kullanarak ve önceden programlamaya gerek kalmadan oluşturmaya yardımcı olabilir. Şöyle bir öneride bulunabilir: “Daha önce böyle bir kod yazdığını gördüm. Bunu sizin için oluşturmamı ister misiniz?”
Bu, geliştiricilerin daha yaratıcı işlere odaklanmasına yardımcı olabilir, evet, ancak aynı zamanda geliştiricinin kodu kısıtlayıcı bir kalıba sığdırmaya çalışmasını gerektirmeden kod genelinde tutarlılık sağlayabilir.
Bu, yapay zekanın kalıplara ve eğilimlere dayalı olarak kodun davranışını tahmin edebildiği yerdir. Yapay zeka araçları sistem aşırı yüklerini tahmin etmek, kullanıcı davranışını öngörmek, muhtemelen kullanıcı deneyimini optimize etmek ve iyileştirilmesi gereken alanlarda önleyici bakım yapmak için kullanılabilir.
Bir başka büyük fayda da, üzerinde çalıştıkları platformlar değiştikçe ve güncellendikçe minimum gereksinimleri karşılamak için kodun güncellenmesi olacaktır. Programlama zamanından tasarruf etmenin ötesinde, yazılım neredeyse tamamen kendi kendine daha güvenilir ve esnek hale getirilebilir.
Kodun her zaman test edilmesi gerekir. Tipik döngü; biraz kodlama, biraz test, biraz düzeltme,.. tekrarlamayı içerir. Yapay zekalar yazılım davranışını tahmin edebildikleri için, test başlamadan önce hataları işaretleyebilirler.
Geliştirme ortamları, dil yapısı hakkında bilgi sahibi olmayı gerektiren sözdizimi ve tür dönüştürme hatalarını uzun zamandır işaretleyebilmektedir. Geliştirme ortamları mantık hatalarını işaretlemeye başlayabilirse, bu kod teslimini hızlandırmak ve belirli bir proje için gerekli düzeltme aşamalarının sayısını azaltmak için uzun bir yol kat edebilir.
Çoğu yazılım projesi tamamlandıktan sonra, keşfedilen hatalara, platformdaki değişikliklere ve performans sorunlarına ayak uydurmak için neredeyse sürekli bir bakım seviyesi gerektirir. Örneğin kâr amacı gütmeyen kuruluşların bağışlarını kolaylaştırmaya yardımcı olan bir yazılım yazarsanız, zamanınızız en az %80’ini kullanıcı taleplerine yanıt vermek ya da yeni özellikler eklemek yerine kodu ödeme ağ geçitlerinin sürekli değişen gereksinimlerine göre yeniden yazarak geçer. Eğer sıkıcı bakımı azaltabilirseniz, kullanıcılara çok daha fazla değer sağlanabilir.
Geliştirme ortamına yapay zekanın eklenmesine rağmen, tüm göstergeler programcıların – gerçek insan programcılar – öngörülebilir gelecekte çoğu yazılımı oluşturacakları yönündedir.
Zamanın ve sıkıcılığın azaltılması kesinlikle geliştiricilerin zinde kalmasına yardımcı olabilir, ancak yapay zekalar aynı zamanda genel ekip performansını izleyebilir. Yöneticilere bir ekip üyesinin aşırı kullanılması, aşırı uzatılması veya tükenmeye doğru gitmesi durumunda bildirim sağlayabilir. Ayrıca, her üyenin güçlü yönlerine göre çalışması için ekip görevlerinin yeniden tahsis edilmesine yardımcı olabilir. Planlama ve kaynak tahsisine yardımcı olabilir.
Teknolojik karmaşıklıktaki her artışta olduğu gibi, sorunlar vardır. Bu bölümde üç endişe alanından bahsedeceğim.
Yazılım mühendisliğinde yapay zeka ile ilgili en büyük endişem şu: Yapay zekayı giderek daha fazla kod için kullandıkça, tüm bunların nasıl çalıştığına dair daha az anlayışa sahip olacağız. Başka birinden bir proje devraldıysanız, özellikle de o kuruluş veya geliştirici danışmak için müsait değilse, ne demek istediğimi anlarsınız.
Yapay zeka tarafından üretilen şey, sizin ve ekibinizin kodladığından çok daha fazla kara kutu olacaktır. Risk, bir kez oluşturulduktan sonra, insanlar için bakımı çok daha zor olacaktır. Yapay zekanın kendi yazılımının bakımını yapmasını bekleme tuzağına düşmeyin. Yapay zekanın kodu bozulduğunda, neyin yanlış gittiğini bulmak ve düzeltmek tamamen sizin ve ekibinizin sorumluluğunda olacaktır.
Yapay zeka, modellerini oluşturmak için büyük miktarda veriye ihtiyaç duyar. Genel bir model kullanmıyorsanız – örneğin, şirketinizin benzersiz alan uzmanlığı olan bir şey üzerinde çalışıyorsanız – bir yapay zekayı eğitmek için mevcut toplam veri seti yeterli olmayabilir.
Ayrıca, yapay zeka sistemleri geniş veri setleri üzerinde çalışmaktadır ve bunların hepsi yapmaya çalıştığınız iş için gerekli olabilecek kalite seviyesinde değildir.
Bir yazılım mühendisliği projesine yapay zeka getirmenin bir grup yetenekli yaz öğrencisini işe almak gibi olduğunu düşünüyorum bazen. Parlak ve hızlı olabilirler ama zaman zaman önemli noktayı ıskalayacaklar ve onlar gittikten sonra düzenlemeniz gereken eksiklikler ve sorunlar olacaktır. Yapay zekanız yok olmayacak olsa da, sizi çözemediği sorunlarla baş başa bırakacaktır.
Yazılımcıların etik kaygılarla başa çıkmak için eğitilmediğini unutmayın. Yazılımcılar sağlam teknoloji uzmanları olmak üzere eğitilirler. Toplumsal etki çoğu bilgisayar bilimi müfredatının bir parçası değildir. Kendi kendini yetiştirmiş programcılar ve geliştiriciler etik eğitiminden daha da uzak olabilirler. Dolayısıyla, yetenekli teknisyenlerden oluşan bir ordunun tarihsel etik hususları görmesini ve bunların ön saflarında yer almasını beklemek gerçekçi değildir.
Yapay zeka kullanan şirketler ya teknik ekiplerinin eğitimini toplumsal etki konularına genişletmeyi beklemeli ya da insan faktörlerinin bu çok keşfedilmemiş bölgesine girerken geliştiricilere tavsiyelerde bulunmak ve rehberlik etmek için danışmanlık uzmanları getirmelidir.
Neyse ki, geliştiriciler ve kuruluşlar yapay zeka yolculuklarına tüm araçları kendileri inşa ederek başlamak zorunda değiller. Temel araştırmalara ve lisanslanıp projelere dahil edilebilecek pratik araç ve kütüphanelerin üretimine çok fazla yatırım yapıldı.
Bu kaynak rehberi bölümünde, kullanmak isteyebileceğiniz beş araç kategorisinin hızlı bir incelemesini sunuyorum ve her sektördeki kilit liderlerden birkaçına işaret ediyorum. Bu size bir sonraki projeniz için somut, uygulamalı bir başlangıç noktası sağlayacaktır.
Bu kategorideki araçlar, makine öğrenimi modellerinin tasarlanması, eğitilmesi ve dağıtılması için temel yapılar ve işlevler sağlar.
Bu platformlar, makine öğrenimi modellerini büyük ölçekte geliştirmek, eğitmek ve dağıtmak için genellikle diğer bulut hizmetleriyle entegre bulut altyapısı sunar.
Bu bölümdeki araçlar, yapay zekaya dayalı öneriler, otomatik tamamlama ve otomatik kod analizleri sunarak kodlama sürecinde geliştiricilere yardımcı olur.
Bu teklifler kafanızı karıştırmasın. GitHub Copilot, OpenAI Codex tarafından desteklenmektedir. OpenAI Codex, birçok farklı kodlama görevi için genel amaçlı bir yapay zeka aracı olarak hizmet verirken ve çeşitli platformlara entegre edilebilirken, GitHub Copilot, Visual Studio Code ortamında gerçek zamanlı kod tamamlama ve yardım için özel bir araçtır.
Snyk Code, geniş açık kaynak projelerini analiz ederek otomatik kod analizi ve güvenlik açığı tespitine odaklanır.
Bu araçlar, muazzam miktarda veri üzerinde önceden eğitilmiş modeller sunarak geliştiricilerin sıfırdan başlamadan belirli görevler için ince ayar yapmalarına olanak tanır.
Son olarak, bu kategorideki araçlar belirli bir veri kümesi veya görev için en uygun sinir ağı mimarisini bulma sürecini otomatikleştirir. (Not: Bu araç kategorisi genellikle NAS olarak kısaltılır. Bu NAS, ağa bağlı depolama anlamına gelen NAS’tan çok farklıdır).
Yazılım mühendisliğindeki yapay zeka odaklı araç ve platformlar için “geniş” demek ciddi bir eksiklik olacaktır. Üretken yapay zeka ve genel olarak yapay zeka, teknolojideki en sıcak Trend haline geldi ve hiçbir yavaşlama belirtisi göstermiyor. Geliştirme gereksinimleri arttıkça, geliştiriciler projelerini tamamlamak için en uygun araçları arıyor. Size mevcut kaynakların sadece küçük bir kesitini gösterdik.
Bunun çok değişken bir ortam olduğunu unutmayın. Bu listeyi derlerken, bir zamanlar (geçen yıl olduğu gibi) oldukça popüler kaynaklar olan fakat satın alınan, başka projelerle birleştirilen veya açık kaynaklı geliştiricilerinin daha uzun vadeli potansiyel sunan ücretli işlerle yeni fırsatlar bulması nedeniyle kapatılan bir dizi araç bulduk.
Önemli olan sadece kullandığınız araçlarla ilgili beceriler geliştirmek değildir: Şirketler ve yazılımcılar aynı zamanda sürekli değişim anlayışını beceri setlerine dahil etmeli, pazara ve baş döndürücü hızda yenilik yapan bir dizi teknolojiye uyum sağlayabilmelidir.
Yapay zekanın geleneksel yazılım mühendisliği ile yakınlaşması geçici bir trend değildir. Göz ardı edilemeyecek kadar çok “kolay değer” sağlıyor. Yeni verimlilikler sağladığı gibi, bu makalede ve Özel Özelliğin tamamında tartıştığımız birçok zorluğu da beraberinde getiriyor.
Geleceğe baktığımızda, birkaç temel eğilim ve tahmin ortaya çıkıyor:
Yapay zekanın yazılım mühendisliği için vaat ettiği etkiyi düşünmek hem heyecan verici hem de biraz endişe verici. Her teknolojik ilerlemede olduğu gibi, zorluklar ortaya çıkacaktır. Bununla birlikte, geçtiğimiz yıl herhangi bir gösterge olduysa, yapay zekanın yazılım mühendisliğine entegrasyonu, yazılımın başarabileceklerinin sınırlarını yeniden tanımlamak için ayarlanmış fırsatlarla dolu bir yolculuktur.
