Bir yapay zeka kodlama asistanının dakikalar içinde çalışan bir uygulama inşa ettiği bir demoyu izleyin, ilk tepki hayranlık olur. Bir açıklama yazarsınız, işlevsel bir arayüz, çalışan backend mantığı, hatta bir veritabanı şeması elde edersiniz, hepsi bir kahve demlemekten daha kısa sürede. Gerçekten etkileyici ve o demodan, kod yazmak ile ürün inşa etmek arasındaki çizginin artık fiilen kaybolduğuna inanarak ayrılmak çok kolay.

Ama kaybolmadı. Ve bu iki şey arasındaki boşluk, gerçek mühendislik işinin hâlâ yaşadığı yer.

Kod, Yazılım İnşa Etmenin Kolay Kısmı

Yazılım geliştirme kültürünün ne kadar büyük bölümünün kod yazmaya odaklandığı göz önüne alındığında bu garip bir söz gibi görünüyor. Ama deneyimli herhangi bir mühendise ciddi bir projede gerçekte zamanını neyin tükettiğini sorun, kodun kendisi nadiren darboğazdır. Zor kısımlar neredeyse her zaman başka bir yerdedir: ürünün gerçekte ne yapması gerektiğini çözmek, gerçek kullanıcılar sisteme öngörülemeyen biçimlerde çarpmaya başladığında ortaya çıkan uç durumları anlamak, sonuçları aylar boyunca görünmeyecek ödünleşimler hakkında kararlar almak ve gereksinimler altında değişirken çalışmayı sürdürmesi gereken bir şeyi bakımda tutmak.

Yapay zeka, hiçbir zaman gerçek darboğaz olmamış kısımda olağanüstü iyi. Tarif ettiğiniz şeyi yapan bir fonksiyon üretmek, bir CRUD arayüzü iskeletlemek, bir özelliğin çalışan bir prototipini yazmak, yapay zekanın hızlı ve genellikle iyi yaptığı şeyler bunlar. Ama bir ürün, izole biçimde çalışan fonksiyonlar koleksiyonu değil. Önceden kimsenin tam olarak belirtmediği koşullar altında doğru davranması gereken bir sistem ve bu tamamen farklı bir problem kategorisi.

Prototipten Ürüne Geçtiğinizde Ne Kırılır

Çalışan bir demo ile gerçek bir ürün, gerçek kullanıcılar ve gerçek veri sahneye girdiği anda sertçe ayrışır. İkisini birbirinden ayıran uzun bir liste var ve bunların neredeyse hiçbiri hızlı bir yapay zeka prototipinde görünmez:

• Eşzamanlı erişim altında veri bütünlüğü, iki kullanıcı aynı kaynağı aynı anda değiştirmeye çalıştığında ne olur ve sistem bunu zarifçe mi yönetir yoksa sessizce bir şeyi mi bozar
• Hata modları ve zarif bozulma, üçüncü taraf bir API çöktüğünde, veritabanı bağlantısı düştüğünde, bir ağ isteği bir işlemin ortasında zaman aşımına uğradığında sistem ne yapar
• Güvenlik sınırları, kullanıcıların yalnızca erişmesi gereken şeye erişebildiğinden, girdilerin düzgün biçimde temizlendiğinden, kimlik doğrulamanın onu kırmaya çalışan birine karşı gerçekten dayandığından emin olmak
• Gerçekçi ölçekte performans, on test kaydıyla sorunsuz çalışan bir şey ile yüz bin gerçek kaydı çökmeden işlemesi gereken bir şey arasındaki fark
• Geçiş ve sürümleme, şema her değiştiğinde bilgileri silinemeyen gerçek verilere sahip gerçek kullanıcılar olduğunda sistemin nasıl evrildiği

Bunların hiçbiri, bir yapay zeka modelinin inşa edilmesini istediğiniz şeye dair kısa bir açıklamadan tam olarak akıl yürütebileceği şeyler değil. Sistemin gerçekte nasıl kullanılacağına, gerçek hata toleransının ne olduğuna, farklı hata türlerinin iş sonuçlarının nasıl göründüğüne dair bağlam gerektiriyorlar. Bu bağlam, bir dil modelinin eğitim verisinde değil, ürünü inşa eden insanlarda yaşıyor.

Demo Tuzağı

Doğrudan adlandırılmaya değer belirli bir başarısızlık kalıbı var, çünkü yapay zeka kodlama araçları geliştikçe daha yaygın hale geliyor. Biri hızlıca etkileyici görünen bir prototip inşa eder, bunu paydaşlara ya da yatırımcılara gösterir, güçlü bir olumlu tepki alır ve sonra kalan işin büyük ölçüde kozmetik olduğunu varsayar. Bu çerçevede zor kısım, fikrin doğrulanması ve demonun inşa edilmesiydi. Sonrasındaki her şey rötuş gibi hissettirir.

Bu, gerçek zorluğun nerede olduğuna dair maliyetli bir yanlış okuma. Demo, fikrin tutarlı bir şekle sahip olduğunu kanıtlar. Fikrin gerçeklikle temas ettiğinde hayatta kalabileceğini kanıtlamaz. Pek çok ürün beş dakikalık bir sunumda muhteşem görünmüş ve sonra demonun sessizce inşa edildiği varsayımlar gerçek kullanımla test edilmediği için haftalar içinde dağılmıştır. Yapay zeka araçları ikna edici bir demo üretmeyi her zamankinden daha kolay hale getiriyor, bu da demoyu ürünle karıştırma cazibesinin eskisinden daha zayıf değil, daha güçlü olduğu anlamına geliyor.

Yapay Zekanın Gerçek Ürün İnşasında Asıl Yardımcı Olduğu Yer

Bunların hiçbiri ciddi ürün geliştirmede yapay zeka kullanmaya karşı bir argüman değil. Onu doğru kullanmak için bir argüman, bu da demo bağlamında değil üretim bağlamında gerçekte neyde iyi olduğunu anlamak demek.

Yapay zeka, gerçek bir ürün inşa etmenin iyi anlaşılmış ve iyi tanımlanmış kısımlarını hızlandırmakta mükemmel. Açık beklenen davranışa sahip fonksiyonlar için testler yazmak. Binlerce kez uygulanmış kalıplar için iskelet kod üretmek. Kod incelemesi sırasında belirli hata sınıflarını yakalamak. Belirli bir kütüphaneye ya da framework’e aşina olmayan bir mühendisin, sıfırdan dokümantasyon okumaktan daha hızlı yönelmesine yardımcı olmak. Bunlar gerçek ve anlamlı hızlandırıcılar ve yapay zekayı bu bağlamlarda iyi kullanan ekipler kaliteden ödün vermeden daha hızlı çıkış yapıyor.

Hata, bu aynı güveni yapay zekanın sahip olmadığı yargı gerektiren kısımlara da uzatmak. Bu belirli ürün ve bu belirli kullanıcı tabanı için hangi uç durumların gerçekten önemli olduğuna karar vermek. İşin gerçek kısıtları göz önüne alındığında hangi ödünleşimlerin kabul edilebilir olduğuna karar vermek. Üretilen bir kod parçasının doğru göründüğünü ama gerçek trafiği işlemeye başlayana kadar yüzeye çıkmayacak biçimde ince bir şekilde yanlış olduğunu bilmek. Bu kararlar hâlâ sistemi derinlemesine anlayan birini gerektiriyor ve yapay zeka bu kişinin düşüncesini destekleyebilir ama onun yerini alamaz.

Bir Şeyin Gerçek Ürün Olup Olmayacağını Belirleyen Beceriler

Yapay zeka destekli prototipleri kalıcı ürünlere dönüştürmeyi başaran ekiplere bakıldığında, tutarlı bir kalıp ortaya çıkıyor. Bu çalışmayı yönetenler mutlaka yapay zekaya en hızlı kod ürettirenler değil. Yapay zekanın çıktısının hangi kısımlarına güvenilebileceğini ve hangi kısımların gerçek gereksinimlerin daha derin bir anlayışından yeniden inşa edilmesi gerektiğini tam olarak bilenler.

Bu, yapay zeka araçlarını daha çok kullanmaktan gelmeyen bir tür mühendislik olgunluğu gerektiriyor. Daha önce gerçek sistemler inşa edip bakımını yapmaktan geliyor, erken alınan kısayolların üç ay sonra ne tür problemler yarattığını izlemekten geliyor ve bir sistemin hangi kısımlarının başından doğru yapılmaya değer olduğuna, hangi kısımların kabaca kalıp daha sonra ele alınabileceğine dair bir sezgi geliştirmekten geliyor. Yapay zeka size bu sezgiyi öğretmiyor. Deneyim öğretiyor ve yapay zeka onu inşa etmenin aldığı yılların yerini tutamaz.

Şu anda yapay zeka kodlama araçlarından en çok değeri alan ekipler, genellikle çalışmayı yönlendiren kıdemli mühendislere sahip ekipler. Mekanik katmanı yapay zekaya bırakırken, ürünün gerçek kullanıcılarla temas ettiğinde hayatta kalıp kalmayacağını gerçekten belirleyen kısımlara yargı uyguluyorlar. Odada bu yargı olmayan ekipler genellikle bir ürün gibi görünen, bir demo gibi performans gösteren ve farkı en kötü zamanda, genellikle lansmandan hemen sonra keşfeden bir şey üretiyor.

Dürüst Cevap

Yapay zeka kod üretebilir, çoğunlukla etkileyici biçimde hızlı ve iyi kapsamlanmış problemler için çoğunlukla doğru. Gerçek bir ürün inşa edip edemeyeceği tamamen onu kimin yönlendirdiğine bağlı. Yapay zekayı bir güç çoğaltıcı olarak kullanan yetenekli bir mühendis, gerçek bir ürünü onsuz inşa edebileceğinden daha hızlı inşa edebilir. Bu temel beceriye sahip olmayan, yapay zekayı anlayışın yerine bir ikame olarak kullanan biri ise genellikle bir ürüne benzeyen ama bir ürün gibi dayanmayan bir şey üretecektir.

Teknoloji, yazılımı dayanıklı kılan şeyi değiştirmedi. Dayanıklı görünen bir şeyi ne kadar hızlı üretebileceğinizi değiştirdi. Bu iki şeyi birbirinden ayırt etmek, şimdi her zamankinden daha çok, asıl iş.

Projelerimi ve çalışmalarımı incelemek isterseniz: https://hub.barisgunduz.com/