Ինչու են կոդի մոդուլյարությունն ու հստակ սահմանները այսօր ավելի կարևոր, քան երբևէ
Թվում է, թե բոլորն ունեն կարծիք այն մասին, թե ինչպես AI-ը կփոխի մեր կյանքն ու մեր աշխատանքը որպես ծրագրային ինժեներներ։ Ահա իմ տեսակետը մեկ կոնկրետ թեմայի վերաբերյալ՝ մոդուլյարություն, ինկապսուլյացիա և լավ գծված ծրագրային սահմաններ AI կոդավորման դարաշրջանում։
Մենք անկասկած հետաքրքիր ժամանակներում ենք ապրում, այնպես չէ՞։ Ոմանք դա անվանում են ամենամեծ տեղաշարժը, որ ոլորտը տեսել է մինչ այժմ՝ AI-ի՝ ինքնուրույն կոդ գրելու դարաշրջանը – կամ, առնվազն, AI-ի աջակցությամբ կոդավորման դարաշրջանը։ Թվում է, թե բոլորն ունեն կարծիք այն մասին, թե ինչպես AI-ը կփոխի մեր կյանքն ու մեր աշխատանքը որպես ծրագրային ինժեներներ։ Ահա իմ տեսակետը մեկ կոնկրետ թեմայի վերաբերյալ՝ մոդուլյարություն, ինկապսուլյացիա և լավ գծված ծրագրային սահմաններ AI կոդավորման դարաշրջանում։
Մոդուլյարության կարևորությունը
Մոդուլյարության մասին խոսակցությունը սովորաբար միկրոսերվիսներ է հիշեցնում – կամ առնվազն մոդուլյար մոնոլիտ։ Սակայն կոդի մոդուլյարությունը ընդհանուր առմամբ հենվում է ավելի փոքր, հստակ սահմանված բլոկներից ինչ-որ բան հավաքելու կարողության վրա, մի քիչ LEGO աղյուսների նման։ Ի վերջո, դա որպես միկրոսերվիս տեղակայում եք, թե սովորական մոնոլիտ հավելված, գրեթե կարևոր չէ։
Վատ բաժանված միկրոսերվիսները կարող են խնդիրներ առաջացնել, նույնիսկ ավելի վատ, քան առանց որևէ մոդուլյարացման մոնոլիտները. սերտորեն կապված համակարգեր, որոնք դժվար է սպասարկել և մասշտաբավորել, և որոնցում մի մասը փոխելը փոփոխությունների շղթա է առաջացնում այլուր – այսպես կոչված «shotgun surgery»։ Դա պատահում է, օրինակ, երբ ձեր կոդը բաժանում եք ըստ տեխնիկական գործառույթների կամ թիմի կառուցվածքի՝ փոխանակ այն բիզնես կարողությունների, որոնք պետք է աջակցեք։
Ի տարբերություն դրա, ճիշտ արված մոդուլյարությունը՝ ինկապսուլյացիայով, API-ի նվազագույն մակերեսով և պատշաճ սահմաններով, համակարգերը դարձնում է ավելի ճկուն և սպասարկելու համար ավելի հեշտ։ Փոփոխությունների հնարավոր տարածքն ու ծավալը հակված են լինել շատ ավելի փոքր։
Մարդու դերը AI-ի աջակցությամբ մշակման մեջ
Ոմանք պնդում են, որ մոդուլյարությունն ու պատշաճ սահմանները կարևոր են միայն մեզ՝ հասարակ մարդ ծրագրավորողների համար։ Եթե AI-ը շուտով կկարողանա վերագեներացնել նույնիսկ հսկայական կոդային բազաներ ամեն փոփոխության հետ, գուցե կարող ենք դադարել դրա մասին անհանգստանալ։ Սակայն ինչ-որ մեկը պետք է վերանայի այդ փոփոխությունները, չէ՞։ Դուք չեք ուզում հսկայական փոփոխություններ արտադրություն տեղակայել և պարզապես հույս ունենալ լավագույնի վրա։
Նույնիսկ եթե թեստերի լիարժեք ծածկույթը ստուգի, որ AI-ի գեներացրած կոդը ճիշտ է, նման թեստային հավաքածուն արդիական պահելը դառնում է մղձավանջ, հատկապես երբ փոփոխությունները հաճախ են պատահում և ազդում են ամբողջ հավելվածի կամ շատ կախյալ սերվիսների վրա։
Ո՞վ է թեստավորում թեստերը։
Պատկերացրեք՝ ամեն անգամ, երբ AI-ը վերագեներացնում է ձեր կոդային բազայի մեծ մասը, հարյուրավոր թեստեր եք թարմացնում։ Դա պատահում է, քանի որ պատասխանատվությունները արտահոսում են՝ պարտադրելով փոփոխություններ շատ տեղերում, և քանի որ բաները մասնավոր չեն կամ թաքնված չեն լավ սահմանված ինտերֆեյսների հետևում։ Դա հենց վերը նկարագրված «shotgun surgery»-ն է, որ իրականանում է ձեր կոդային բազայում. մեկ փոփոխությունը պահանջում է խմբագրումներ մի քանի անկապ տարածքներում։ Իհարկե, կարող եք թեստերը AI-ով գեներացնել, բայց ինչպե՞ս կարող եք վստահ լինել, որ դրանք ճիշտ են։ Ո՞վ է թեստավորում թեստերը։
Եթե մենք՝ որպես ծրագրային ինժեներներ, պատրաստվում ենք դառնալ ոչ այլ ինչ, քան AI կոդի վերանայողներ, ավելի լավ է փոփոխությունների շրջանակը նեղ պահենք՝ բարդությունը նվազեցնելու համար։ Դա մեր սեփական շահերից է բխում։ Դա կհեշտացնի մեր կյանքը, քանի որ վերանայվող կոդի ծավալը կկրճատվի մինչև բացարձակ նվազագույն, և, ավելի կարևորը, այն կլինի կենտրոնացած՝ փոփոխություններով, որոնք արված են մեկ կոնկրետ մոդուլում, փաթեթում կամ բաղադրիչում – անվանեք ինչպես ուզում եք։
Մեզ համար ավելի հեշտ կլինի կոնտեքստը գլխներում բեռնել և վերանայման ընթացքում այնտեղ պահել, ինչը թույլ է տալիս ավելի մտածված վերանայում և ավելի տեղեկացված որոշում փոփոխությունները ընդունելու կամ մերժելու մասին։
Լինել վերջնական դարպասապահներ
Բայց ի՞նչ, եթե LLM-ը ուրախությամբ ավելացնի ևս մեկ «if» մեր տրամաբանության արդեն հսկայական «if»-երի կույտին։ Որպես վերջնական դարպասապահներ՝ մեզնից է կախված դատել՝ արդյոք սպագետտի կոդը բավականաչափ հեռու է գնացել, և իրականացնել կամ պատվիրել ամբողջ լուծման վերամշակում, որը գուցե մի փոքր ավելի բարդ լինի, քան բուն սկզբնական փոփոխությունը, բայց արված լինի այլ նպատակով՝ ընթեռնելիություն մեր ապագա ես-երի համար։
Եվ ես նույնիսկ չեմ խոսում LLM-ի գեներացրած կոդը վերանայելու և դրա անվտանգությունն ապահովելու մասին։ Ժամանակի հարց է միայն, մինչև տեսնենք լայնածավալ հարձակումներ, որոնցում LLM-ը առաջարկում և ներարկում է վնասակար կոդ, կամ մատակարարման շղթայի հարձակումների փորձեր՝ առաջարկված կախվածությունների տեղադրման միջոցով, և այլն։ Այդ թեման անկասկած արժանի է առանձին բլոգ գրառման։
LLM-ների դերը որպես թիմակիցների
LLM-ները հզոր գործիքներ են – դա հաստատ է – բայց դրանք դեռ չեն կարողանում մոդուլյար կոդ գրել։
Մոդուլյարությունը չի կարելի չափել։ Ոչ մի կերպ չի կարելի ասել՝ մի կոդային բազան ավելի մոդուլյար է, քան մյուսը։ Ամեն ինչ կախված է այն կոնտեքստից, որում օգտագործվում է կոդը, սահմանափակումներից և ճարտարապետական որոշիչներից, կոդի նպատակից և այլն։ AI մոդելներին նման անորոշ հատկությունների վրա վարժեցնելը և ակնկալելը, որ նրանք ճիշտ կհասկանան, դժվար է։ Կրկին, ոմանք կարող են պնդել, որ LLM-ները մոդուլյարության կարիք չունեն, քանի որ կոդի ընթեռնելիությունը նրանց համար ոչինչ չի նշանակում – ի վերջո, ամեն ինչ մեքենա է։
Human in the loop
Նրանց նաև չեն հետաքրքրում մեր ճարտարապետական որոշիչները կամ այն, թե ինչի համար ենք օպտիմալացնում կոդի որոշակի ճանապարհը։ Այդ որոշիչներից մի քանիսը կարելի է գրավել թեստերում, բայց ինչ-որ մեկը պետք է դրանք սպասարկի ժամանակի ընթացքում, ինչը մեզ վերադարձնում է նախորդ կետին – մարդը դեռ ցիկլում է։
Այն, որ LLM-ները չեն կարողանում պատշաճ մշակված, մոդուլյար կոդ գրել, մեզ չպետք է իրավունք տա դադարել դրա մասին հոգ տանել։ Բացի նրանից, որ մենք դեռ կարդում ենք կոդը, կա մեկ այլ պատճառ. փոփոխության տարածքը որքան նեղ է, այնքան լավ արդյունքներ են տալիս LLM-ները – ինչպես կոնկրետ prompt-երը ավելի լավ արդյունքների են հանգեցնում, երբ զրուցում ենք, ասենք, ChatGPT-ի հետ։
Ժամանակակից LLM մոդելներ
Օրինակ՝ եթե LLM-ին խնդրեք իրականացնել հնարավորություն կամ կատարել refactoring, որտեղ գիտեք, որ ազդեցությունը կմնա փաթեթի, մոդուլի կամ բաղադրիչի ներսում, հավանաբար ավելի լավ արդյունքներ կստանաք, քան երբ փոփոխությունը տարածվում է ամբողջ հավելվածի կամ մի քանի միկրոսերվիսների պահոցների վրա։
Կարող եք առարկել, որ «ժամանակակից» LLM մոդելները լավ են հաղթահարում մեծ կոնտեքստները և կարող են ամբողջ կոդային բազաները պահել իրենց մեջ՝ մեզ օգնելիս։ Ճիշտ է, կարող են, բայց դա նման է մոդելին զգուշորեն գրված, ճշգրիտ prompt տալուն՝ հստակ նշված սահմաններով, ընդդեմ անորոշ հարց նետելուն և հիանալի արդյունքներ հուսալուն։ LLM-ները վարժեցվում են մարդկանց ստեղծած տվյալների հավաքածուների և խնդիրների վրա, որոնք բնականաբար սահմանափակ են շրջանակով, որպեսզի մարդիկ կարողանան արդյունավետ աշխատել դրանց վրա։ Prompt engineering-ի ամբողջ կարգապահությունը պատահաբար չի առաջացել։
AI-ի գեներացրած կոդի համար պաշտպանական սահմանների սահմանում
Որպես ինժեներներ՝ մեր գործն է guardrail-ներ դնել AI-ի գեներացրած կոդի շուրջ և համապատասխանաբար հարմարեցնել այն, ինչ AI-ը առաջարկում է։ LLM-ները հաշվի չեն առնում մեր նախագծի բիզնես կոնտեքստը, եթե այն նրանց բացահայտորեն չի տրվում (արդյո՞ք հնարավոր է LLM-ին ամբողջ կոնտեքստը տալ։ Իրագործելի՞ է դա։) Նրանք պարզապես գեներացնում են կոդ պատերնների և prompt-երի հիման վրա։
Սա նշանակում է, որ մեզնից է կախված համոզվել, որ նրանց արտադրած կոդը համապատասխանում է մեր ճարտարապետական նպատակներին և մեր որակի ու սպասարկելիության պահանջներին։ Մեր կոդային բազան լավ վիճակում պահելը պահանջում է վերանայել կոդը, առաջարկել փոփոխություններ, իտերացիա անել առաջարկված լուծման վրա և այլն։ Այդ փոփոխությունները բավական նեղ շրջանակում կատարելու կարողությունը՝ որտեղ փոփոխությունների մեծ մասը մնում է «մասնավոր» տարածքներում և իրականացման մանրամասներ են, մեզ տալիս է լրացուցիչ հարմարավետություն և ավելի քիչ համատեղելիության խնդիրներ, և թույլ է տալիս իսկապես հասկանալ և ընդունել փոփոխությունները։
Ծրագրային ճարտարագիտության հիմքերը չեն փոխվում
Կարծում եմ՝ լավ ծրագրային ինժեներները AI-ի դարաշրջանում դատապարտված չեն։ Մեր առօրյա աշխատանքը շատ կփոխվի, բայց ծրագրային ճարտարապետության և ճարտարագիտության հիմքերը կմնան էական։
Իրականում, քանի որ մենք ավելի ու ավելի ենք հենվում AI-ի վրա մեր մշակման աշխատանքային հոսքերում, այս սկզբունքները էլ ավելի կարևոր կդառնան։ Իսկապես կենտրոնանալով մոդուլյարության, ինկապսուլյացիայի և պատշաճ սահմանների վրա՝ մենք մեծացնում ենք հավանականությունը, որ AI-ի գեներացրած կոդը մի տեղում ճիշտ է և անսպասելիորեն չի փոխում համակարգի այլ մասերը, քանի որ մենք կարողանում ենք լիովին հասկանալ և վավերացնել փոփոխությունները։
AI-ը փոխակերպում է այն, թե ինչպես ենք մենք ծրագրակազմ կառուցում – դա կասկածից վեր է։ Սակայն, իմ կարծիքով, այն չի վերացնի լավ դիզայնի և ճարտարապետության կարիքը, ոչ էլ հնացած կդարձնի լավ ծրագրային վարպետության բոլոր հիմքերն ու պրակտիկաները։ Ընդհակառակը, այն այս սկզբունքները կդարձնի էլ ավելի կարևոր։