لماذا أصبحت وحدات الشيفرة والحدود الواضحة أهم من أي وقت مضى
يبدو أن لدى الجميع رأياً في كيفية تغيير الذكاء الاصطناعي لحياتنا وعملنا كمهندسي برمجيات. وهذا رأيي في موضوع محدد: النمطية (modularity) والتغليف (encapsulation) والحدود البرمجية المرسومة جيداً في عصر البرمجة بالذكاء الاصطناعي.
نحن نعيش بالتأكيد في أوقات مثيرة للاهتمام، أليس كذلك؟ يسميها بعضهم أكبر تحول شهدته الصناعة حتى الآن: عصر كتابة الذكاء الاصطناعي للشيفرة بنفسه – أو على الأقل عصر البرمجة بمساعدة الذكاء الاصطناعي. يبدو أن لدى الجميع رأياً في كيفية تغيير الذكاء الاصطناعي لحياتنا وعملنا كمهندسي برمجيات. وهذا رأيي في موضوع محدد: النمطية (modularity) والتغليف (encapsulation) والحدود البرمجية المرسومة جيداً في عصر البرمجة بالذكاء الاصطناعي.
أهمية النمطية
الحديث عن النمطية يستحضر عادةً الخدمات المصغرة – أو على الأقل المونوليث النمطي (modular monolith). لكن نمطية الشيفرة عموماً تقوم على القدرة على تجميع شيء من كتل أصغر محددة بوضوح، تشبه إلى حد ما مكعبات LEGO. وفي النهاية، فإن كونك تنشره كخدمة مصغرة أو كتطبيق مونوليثي عادي لا يهم كثيراً.
يمكن أن تسبب الخدمات المصغرة المقسّمة بشكل سيئ مشكلات أسوأ حتى من المونوليثات التي لا تعتمد أي تقسيم نمطي: أنظمة شديدة الترابط يصعب صيانتها وتوسيعها، يؤدي فيها تغيير جزء واحد إلى سلسلة من التغييرات في أماكن أخرى – ما يسمى ‘shotgun surgery’. ويحدث هذا مثلاً عندما تقسّم شيفرتك بحسب الوظائف التقنية أو هيكل الفرق بدلاً من القدرات التجارية التي تحتاج إلى دعمها.
وعلى العكس، فإن النمطية المنفذة بشكل صحيح – مع التغليف وأقل سطح ممكن لواجهة API وحدود سليمة – تجعل الأنظمة أكثر مرونة وأسهل صيانة. فالمساحة والنطاق الممكنان للتغييرات يميلان إلى أن يكونا أصغر بكثير.
الدور البشري في التطوير بمساعدة الذكاء الاصطناعي
يزعم بعضهم أن النمطية والحدود السليمة تهم فقط نحن المطورين البشر. فإذا كان الذكاء الاصطناعي سيستطيع قريباً إعادة توليد قواعد شيفرة ضخمة مع كل تغيير، فربما يمكننا التوقف عن القلق بشأن ذلك؟ ومع ذلك، سيتعين على أحدهم مراجعة تلك التغييرات، أليس كذلك؟ فأنت لا تريد نشر تغييرات ضخمة في الإنتاج والأمل في الأفضل فقط.
وحتى لو تحقق تغطية اختبارات كاملة من صحة الشيفرة التي يولّدها الذكاء الاصطناعي، فإن إبقاء مجموعة اختبارات كهذه محدّثة يتحول إلى كابوس، خاصة عندما تحدث التغييرات كثيراً وتمس التطبيق كله أو خدمات كثيرة معتمدة عليه.
من يختبر الاختبارات؟
تخيّل تحديث مئات الاختبارات في كل مرة يعيد فيها الذكاء الاصطناعي توليد جزء كبير من قاعدة شيفرتك. يحدث ذلك لأن المسؤوليات تتسرب، مما يفرض تغييرات في أماكن كثيرة، ولأن الأشياء ليست خاصة أو محجوبة خلف واجهات محددة جيداً. وهذا بالضبط ‘shotgun surgery’ الموصوف أعلاه يتجسد في قاعدة شيفرتك: تغيير واحد يستدعي تعديلات في عدة مناطق غير مترابطة. وبالطبع يمكنك أن تجعل الذكاء الاصطناعي يولّد الاختبارات، لكن كيف تتأكد من صحتها؟ من يختبر الاختبارات؟
وإذا كنا نحن، كمهندسي برمجيات، سنصبح مجرد مراجعين لشيفرة الذكاء الاصطناعي، فالأجدر بنا إبقاء نطاق التغييرات ضيقاً لخفض التعقيد. فهذا في مصلحتنا. سيسهّل حياتنا، لأن حجم الشيفرة المطلوب مراجعتها سيتقلص إلى الحد الأدنى المطلق، والأهم أنه سيكون مركزاً، مع تغييرات تُجرى في وحدة أو حزمة أو مكوّن محدد – سمّه ما شئت.
وسيكون أسهل علينا تحميل السياق في أذهاننا والاحتفاظ به أثناء المراجعة، مما يتيح مراجعة أكثر تأنياً وقراراً أفضل اطلاعاً بقبول التغييرات أو رفضها.
أن نكون حراس البوابة النهائيين
ومن جهة أخرى، ماذا لو أضاف LLM بكل سرور ‘if’ أخرى إلى الكومة الهائلة أصلاً من عبارات ‘if’ في منطقنا؟ وبصفتنا حراس البوابة النهائيين، فالأمر متروك لنا لنحكم هل بلغت شيفرة السباغيتي مداها، ولننفذ أو نكلّف بإعادة صياغة الحل بأكمله، وهي إعادة صياغة قد تكون أعقد قليلاً من التغيير الأصلي وحده، لكنها تُنفَّذ بهدف مختلف – قابلية القراءة لأنفسنا في المستقبل.
ولن أخوض حتى في مراجعة الشيفرة التي يولّدها LLM والتأكد من أنها آمنة. إنها مسألة وقت فقط قبل أن نرى هجمات واسعة النطاق يقترح فيها LLM شيفرة خبيثة ويحقنها، أو تُحاول هجمات على سلسلة التوريد عبر تثبيت اعتماديات مقترحة، وهكذا. وهذا الموضوع يستحق بالتأكيد مقالة خاصة به.
دور LLMs كأعضاء فريق
LLMs أدوات قوية – هذا مؤكد – لكنها لا تستطيع كتابة شيفرة نمطية بعد.
لا يمكن قياس النمطية. فلا توجد طريقة للقول إن قاعدة شيفرة ما أكثر نمطية من أخرى. كل شيء يعتمد على السياق الذي تُستخدم فيه الشيفرة، والقيود ومحركات المعمارية، والغرض من الشيفرة وهكذا. وتدريب نماذج الذكاء الاصطناعي على صفات غامضة كهذه وتوقع أن تصيب أمر صعب. ومرة أخرى، قد يجادل بعضهم بأن LLMs لا تحتاج إلى النمطية، لأن قابلية قراءة الشيفرة لا تعني لها شيئاً – فكل شيء آلة في النهاية.
الإنسان في الحلقة
كما أنها لا تهتم بمحركات معماريتنا أو بما نحسّن مسار شيفرة معيناً من أجله. ويمكن التقاط بعض هذه المحركات في اختبارات، لكن على أحدهم صيانة تلك الاختبارات مع الوقت، وهذا يعيدنا إلى النقطة السابقة – الإنسان لا يزال في الحلقة.
وكون LLMs لا تستطيع كتابة شيفرة نمطية متقنة الصنع لا ينبغي أن يبيح لنا التوقف عن الاهتمام بها. فإلى جانب أننا ما زلنا نقرأ الشيفرة، هناك سبب آخر: كلما ضاقت منطقة التغيير، كانت النتائج التي تنتجها LLMs أفضل – تماماً كما تؤدي المطالبات المحددة إلى نتائج أفضل عندما نحادث مثلاً ChatGPT.
نماذج LLM الحديثة
فمثلاً، إذا طلبت من LLM تنفيذ ميزة أو إجراء إعادة هيكلة تعلم أن أثرها سيبقى ضمن حزمة أو وحدة أو مكوّن، فمن المرجح أن تحصل على نتائج أفضل مما لو انتشر التغيير في التطبيق كله أو في عدة مستودعات لخدمات مصغرة.
قد تعترض بأن نماذج LLM ‘الحديثة’ تتعامل جيداً مع السياقات الكبيرة ويمكنها الاحتفاظ بقواعد شيفرة كاملة فيها أثناء مساعدتنا. صحيح، تستطيع، لكن هذا أشبه بتسليم النموذج مطالبة مكتوبة بعناية ودقيقة بحدود محددة بوضوح، مقابل رميه بسؤال غامض والأمل في نتائج رائعة. فنماذج LLM تُدرَّب على مجموعات بيانات ومسائل أنتجها البشر، وهي محدودة النطاق بطبيعتها كي يتمكن الناس من العمل عليها بفعالية. وانضباط هندسة المطالبات (prompt engineering) بأكمله لم ينشأ صدفة.
وضع حواجز حماية للشيفرة المولّدة بالذكاء الاصطناعي
بصفتنا مهندسين، فمن واجبنا وضع حواجز حماية حول الشيفرة المولّدة بالذكاء الاصطناعي وتكييف ما يقترحه الذكاء الاصطناعي وفقاً لذلك. فنماذج LLM لا تأخذ سياق عمل مشروعنا في الحسبان ما لم يُعطَ لها صراحةً (هل من الممكن أصلاً إعطاء LLM السياق بأكمله؟ وهل ذلك عملي؟) إنها تولّد الشيفرة فقط من الأنماط والمطالبات.
وهذا يعني أن الأمر متروك لنا لنتأكد من أن الشيفرة التي تنتجها تطابق أهدافنا المعمارية ومتطلبات الجودة وقابلية الصيانة لدينا. والحفاظ على قاعدة شيفرتنا بحالة جيدة يتطلب مراجعة الشيفرة واقتراح التغييرات وتكرار تحسين الحل المقترح وهكذا. والقدرة على إجراء تلك التغييرات ضمن نطاق ضيق نسبياً – حيث تبقى معظم التغييرات داخل مناطق ‘خاصة’ وتكون تفاصيل تنفيذ – تمنحنا راحة إضافية ومشكلات توافق أقل، وتتيح لنا فهم التغييرات وقبولها حقاً.
أسس هندسة البرمجيات لا تتغير
لا أعتقد أن مهندسي البرمجيات الجيدين محكوم عليهم بالزوال في عصر الذكاء الاصطناعي. فسيتغير عملنا اليومي كثيراً، لكن أسس معمارية البرمجيات وهندستها ستبقى أساسية.
بل في الواقع، كلما زاد اعتمادنا على الذكاء الاصطناعي في سير عمل التطوير لدينا، زادت أهمية هذه المبادئ. فبالتركيز الحقيقي على النمطية والتغليف والحدود السليمة، نرفع احتمال أن تكون الشيفرة المولّدة بالذكاء الاصطناعي صحيحة في مكان ما ولا تغيّر أجزاء أخرى من النظام بشكل غير متوقع، لأننا قادرون على فهم التغييرات والتحقق منها بالكامل.
الذكاء الاصطناعي يحوّل طريقة بنائنا للبرمجيات – هذا لا شك فيه. لكن في رأيي، لن يزيل الحاجة إلى التصميم الجيد والمعمارية، ولن يجعل كل أسس وممارسات الحرفية الجيدة في البرمجيات بالية. بل على العكس، سيجعل هذه المبادئ أكثر أهمية.