استعراض الشفرة الإصطناعية للغة SQL: هل يمكن أن يحل محل عين مصمم قواعد البيانات المخضرم؟

يدخل الذكاء الاصطناعي بسرعة إلى كل مرحلة من مراحل دورة حياة تطوير البرمجيات. من توليد الشفرة إلى الاختبار الآلي، أصبحت أدوات الذكاء الاصطناعي متأصلة بشكل متزايد في سير عمل المطورين اليومي. تشير استطلاعات المطورين الأخيرة إلى أن 84% من المطورين يستخدمون أو يخططون لاستخدام أدوات الذكاء الاصطناعي في عملية التطوير، مع أكثر من نصفهم يعتمدون عليها بانتظام.

السؤال الذي يطرحه الآن العديد من فرق الهندسة هو بسيط: إذا كان يمكن للذكاء الاصطناعي توليد شفرة، وتحليل الأنماط، واقتراح تحسينات، فهل يمكنه أيضًا استبدال حكم مصمم قواعد البيانات المخضرم؟

الجواب المختصر هو لا. ولكن الواقع الأكثر إثارة للاهتمام هو أن الذكاء الاصطناعي يبدأ في تحويل كيفية عمل استعراض SQL. بدلاً من استبدال خبراء قواعد البيانات، يبدأ الذكاء الاصطناعي في إعادة تشكيل سير عمل التطوير حولهم.

الدور التقليدى لاستعراض شفرة قواعد البيانات

لمدة طويلة، اعتمد استعراض شفرة SQL على خبراء قواعد البيانات المخضرمين. الشيء حول SQL هو أنه لا يعمل بمفرده. كل استعلام يلمس محرك قواعد البيانات، والفهارس، والبيانات الحية. لذلك، حتى التغييرات الصغيرة في الاستعلام يمكن أن تؤثر على كيفية تشغيله.

وفي بعض الأحيان، تكون تلك التغييرات الصغيرة أكثر أهمية مما تتصور. يمكن لاستعلام سيئ أن يسبب مسح جدول كامل، واختيار الفهرس الخاطئ، وفجأة يبطئ النظام كله.

لهذا السبب ينظر خبراء قواعد البيانات إلى SQL بطريقة مختلفة. إنهم لا يقرؤون الاستعلام فقط؛ بل يفكرون في كيفية سلوك قواعد البيانات تحت حركة المرور الحقيقية. خلال الاستعراض، يتحقق خبير قواعد البيانات عادةً من أشياء مثل:

• الانضمام غير الفعال أو الاستعلامات المتداخلة العميقة.
• الفهارس المفقودة أو المخالفة.
• الاستعلامات التي تؤدي إلى مسح الجدول الكامل.
• مخاطر القفل التي قد تمنع معاملات أخرى.
• العمليات التي قد تؤثر على أعباء العمل الإنتاجية.

لكن القيمة الحقيقية لهذا الاستعراض ليست فقط معرفة بنية SQL. إنها معرفة النظام وراء الاستعلام.

يتميل خبراء قواعد البيانات المخضرمون إلى معرفة كيف تطور مخطط قواعد البيانات مع مرور الوقت، وكيف تسلك حركة المرور خلال ساعات الذروة، وكيف يمكن أن تؤثر التغييرات الصغيرة في الفهرس على خطط التنفيذ. يمكن لاستعلام يبدو مثاليًا على الورق أن يتصرف بشكل مختلف تمامًا عند تشغيله ضد بيانات الإنتاج الحقيقية.

يتحدث المهندسون الذين يعملون على أنظمة كبيرة عن هذه المشكلة غالبًا. كما لاحظ مهندس جوجل جيف دين، لا تسلك الأنظمة السلوك المتوقع عندما تعمل في نطاق كبير.

وكما أشار جون جال إلى أن “النظام المعقد يمكن أن يفشل بطرق لا حصر لها”.

معًا، تظهر هذه الأفكار لماذا تحتاج الأنظمة الكبيرة إلى إشراف بشري دقيق. حتى مع دخول الذكاء الاصطناعي، يبقى خبراء قواعد البيانات المخضرمون حاسمين. إنهم لا يقرؤون فقط الاستعلامات، بل يتوقعون أيضًا كيف سيتعامل نظام قواعد البيانات كله.

ولكن مع كل هذه الخبرة المطلوبة، قد تتساءل، “هل يمكن للذكاء الاصطناعي فعلاً المساعدة في هذه الاستعراضات، أو حتى تغيير كيفية إجرائها؟”

صعود الذكاء الاصطناعي في تطوير البرمجيات

على مدار السنوات القليلة الماضية، بدأ الذكاء الاصطناعي في تغيير كيفية كتابة المطورين للبرمجيات. ما كان يبدو تجريبيًا أصبح الآن جزءًا من العمل اليومي.

يمكن للنماذج اللغوية الكبيرة المدربة على قواعد بيانات كبيرة أن تعمل مثل مطور ثانٍ في المحرر. إنها تقترح دوال، وتساعد في كتابة الوثائق، وأحيانًا تشير إلى الأخطاء أثناء كتابة الشفرة. أدوات مثل GitHub Copilot وجدت طريقها بسرعة إلى العديد من سير عمل التطوير.

وتبدو التحولات التي تظهر بالفعل تأثيرًا قابلًا للقياس. وجدت بعض الدراسات أن المطورين الذين يعملون مع مساعدي الذكاء الاصطناعي يمكنهم إكمال مهام البرمجة بسرعة تصل إلى 55% في بيئات خاضعة للرقابة. مع تبني الفرق لهذه الأدوات، يبدأ الذكاء الاصطناعي في التأثير على مقدار الشفرة المكتوبة في المقام الأول. تشير بعض التقديرات إلى أن حوالي 40% من الشفرة في سير العمل الحديثة تتضمن بعض مستويات المساعدة بالذكاء الاصطناعي.

تلاحظ الشركات التقنية الكبيرة نفس النمط. قال مؤخرًا الرئيس التنفيذي لشركة مايكروسوفت ساتيا ناديلا إن حوالي 30% من شفرة مايكروسوفت مكتوبة الآن بمساعدة أدوات الذكاء الاصطناعي، ويتزايد هذا الرقم.

然而، توليد الشفرة هو جزء فقط من اللغز. مع مساعدة الذكاء الاصطناعي في إنتاج المزيد من الشفرة، يصبح سؤال كيفية استعراض هذه الشفرة أكثر أهمية.

حيث يمكن للذكاء الاصطناعي تحسين استعراض شفرة SQL

هنا يبدو الذكاء الاصطناعي قيمته الحقيقية. يمتلك SQL شيئًا يعمل لصالح الذكاء الاصطناعي: الأنماط. تتبع معظم الاستعلامات هياكل معترف بها، وتظهر العديد من مشاكل الأداء في طرق متوقعة. بسبب ذلك، يمكن لأنظمة الذكاء الاصطناعي المدربة على مجموعات كبيرة من استعلامات SQL فحص الاستعلام بسرعة واكتشاف المشاكل التي يغفل عنها المطورون أحيانًا خلال التطوير المبكر.

على سبيل المثال، قد يشير مساعد الذكاء الاصطناعي إلى أشياء مثل:

• أنماط الانضمام غير الفعال.
• الفهارس المفقودة أو المخالفة.
• الاستعلامات التي قد تؤدي إلى مسح الجدول الكامل.
• مخاطر العطلات التي قد تمنع معاملات أخرى.
• العمليات التي قد تكون غير آمنة للتشغيل في الإنتاج.

لا تحل هذه الفحوصات محل الاستعراض الكامل. لكنها يمكن أن تكتشف عددًا مذهلًا من المشاكل في وقت مبكر. وهذا يغير كيفية حدوث تطوير SQL. بدلاً من كتابة استعلام وانتظار استعراض لاحق، يمكن للمطورين الحصول على ملاحظات أثناء كتابة الاستعلام. يمكن أن يوفر هذا التغذية الراجعة المبكرة الكثير من الوقت. وجدت بعض الدراسات حول التطوير بمساعدة الذكاء الاصطناعي أن دورات الاستعراض يمكن أن تنخفض بشكل كبير بمجرد إدخال التحليل الآلي. أفادت دراسة مؤسسية عن انخفاض بنسبة 31.8% في وقت استعراض الطلبات السحابية.

في الممارسة، هذا يعني أن العديد من مشاكل SQL يتم اكتشافها في وقت مبكر من العملية، قبل أن تصل إلى أنظمة الإنتاج. هذا هو أيضًا حيث تطور أدوات تطوير SQL الحديثة. تتضمن أدوات داخل نظام dbForge، على سبيل المثال، تحليل استعلام مدعوم بالذكاء الاصطناعي يمكن أن يقترح انضمامات أفضل، واكتشاف فهارس غير ضرورية، ويعطي نصائح حول هيكل الاستعلام، كل ذلك أثناء كتابة الاستعلام. يساعد في اكتشاف المشاكل في وقت مبكر.

ولكن إذا انتقلنا إلى الصورة الأكبر، فإن الذكاء الاصطناعي لا يزال لديه حدود.

حدود الذكاء الاصطناعي في هندسة قواعد البيانات

على الرغم من التقدم المذهل، لا يزال الذكاء الاصطناعي يصارع أحد أصعب أجزاء هندسة قواعد البيانات: السياق. نادرًا ما تعمل استعلامات SQL في عزل. يعتمد أداؤها على العديد من العوامل داخل النظام، بما في ذلك:

• توزيع البيانات
• أحجام الجداول
• الفهارس الحالية
• أعباء العمل المتزامنة
• قيود الأجهزة
• منطق الأعمال الخاص

غالبًا ما تفتقر نماذج الذكاء الاصطناعي المدربة على مجموعات بيانات عامة إلى رؤية هذه الحقائق. وأكثر من ذلك، يمكن لشفرة الذكاء الاصطناعي أن تroduce أخطاء دقيقة. وجدت تحليلات حديثة أن ما يصل إلى 45% من عينات الشفرة التي تم توليدها بواسطة الذكاء الاصطناعي تحتوي على ثغرات أمنية، مما يبرز المخاطر التي تترتب على الاعتماد على الاقتراحات الآلية دون استعراض بشري.

الأمان هو تحدي آخر. في حين أن معدل التحويل يزداد بسرعة، تكشف الاستطلاعات عن أن 46% من المطورين لا يثقون بعد بالخروج الآلي، مما يخلق توترًا طبيعيًا بين التutomatisation والرقابة. في هندسة قواعد البيانات، هذا الشك مبرر. يمكن لاستعلام يعمل بشكل مثالي في بيئة التطوير أن يتصرف بشكل مختلف تمامًا تحت أعباء الإنتاج. هنا يبقى خبراء قواعد البيانات المخضرمون لا غنى عنهم.

نموذج الهجين: الذكاء الاصطناعي + الخبرة البشرية

الفرق التطويرية الأكثر فعالية لا تسأل عما إذا كان الذكاء الاصطناعي سوف يreplace خبراء قواعد البيانات. بدلاً من ذلك، يسألون كيف يمكن الجمع بين تautomatisation الذكاء الاصطناعي والخبرة البشرية. في هذا النموذج، تتولى أدوات الذكاء الاصطناعي المهام المتكررة التي تعيق عادة التطوير، بينما يركز المهندسون المخضرمون على أجزاء عمل قواعد البيانات التي تتطلب حكمًا أعمق. على سبيل المثال، يمكن لأنظمة الذكاء الاصطناعي أن تتولى مهام مثل:

• اكتشاف أخطاء الصياغة
• اقتراح تحسينات الاستعلام
• تحديد أنماط الاستعلام غير الفعال
• تشغيل فحوصات التحليل الآلية

يمكن أن تحدث هذه الفحوصات في لحظة أثناء كتابة المطورين للاستعلامات، مما يساعد على اكتشاف العديد من المشاكل في وقت مبكر. بينما يتولى الذكاء الاصطناعي هذه الفحوصات الروتينية، يركز خبراء قواعد البيانات على العمل الذي يتطلب فهمًا أعمق للنظام: تصميم المخطط، واستراتيجية الفهرس، وضبط الأداء، وتخطيط السعة، وحماية استقرار الإنتاج.

بمعنى آخر، يركز الذكاء الاصطناعي على تسريع الأجزاء الروتينية من تطوير SQL، بينما يركز خبراء قواعد البيانات على القرارات التي تشكل كيفية سلوك نظام قواعد البيانات الفعلي.

الكلمة النهائية

يغير الذكاء الاصطناعي بالفعل كيفية عمل تطوير SQL. يمكن للأدوات تحليل الاستعلامات في لحظة، واكتشاف الأخطاء الشائعة، وتحديد مشاكل الأداء المحتملة أثناء كتابة المطورين للاستعلامات. لكن أنظمة قواعد البيانات تتأثر بأكثر من بنية الاستعلام. تصميم المخطط، واستراتيجية الفهرس، وسلوك أعباء العمل لا يزال يتطلب حكمًا بشريًا. بسبب ذلك، الفرق الأكثر فعالية ت开始 معاملة الذكاء الاصطناعي كمساعد وليس بديلًا.

يمكن للذكاء الاصطناعي أن يلحظ المشاكل في وقت مبكر ويسرع التطوير، ولكن المطورون يمكنهم التكرار بشكل أسرع، وخبراء قواعد البيانات يمكنهم التركيز على القرارات التي تشكل كيفية سلوك نظام قواعد البيانات الفعلي. هذا التوازن هو حيث يظهر القيمة الحقيقية. يضيف الذكاء الاصطناعي السرعة والتعرف على الأنماط. يضيف خبراء قواعد البيانات السياق والحكم. وفي هندسة قواعد البيانات، هذا الجمع هو ما يحافظ على الأنظمة سريعة، وموثوقة، ومستقرة.