قادة الفكر
استعراض الشفرة باستخدام الذكاء الاصطناعي للغة SQL: هل يمكن استبدالها بعين قاعدة بيانات kıdemli؟
أضف Unite.AI إلى مصادرك المفضلة على Google
يدخل الذكاء الاصطناعي بسرعة كل مرحلة من مراحل دورة حياة تطوير البرمجيات. من توليد الشفرة إلى الاختبار التلقائي، أصبحت أدوات الذكاء الاصطناعي متأصلة بشكل متزايد في سير عمل المطورين. 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.
ال вопрос الذي يطرحه العديد من فرق الهندسة الآن هو بسيط: إذا كان الذكاء الاصطناعي يمكن أن يولد شفرة، وين析 الأنماط، ويقترح تحسينات، فهل يمكنه أيضًا استبدال حكم قاعدة بيانات kıdemli؟
الجواب القصير هو لا. لكن الواقع الأكثر إثارة للاهتمام هو أن الذكاء الاصطناعي يغير بالفعل كيفية عمل استعراض الشفرة SQL. بدلاً من استبدال خبراء قواعد البيانات، يبدأ الذكاء الاصطناعي في إعادة تشكيل سير عمل التطوير حولهم.
الدور التقليدية لاستعراض الشفرة DBA
لمدة طويلة، اعتمد استعراض الشفرة SQL على خبراء قواعد البيانات الخبراء. الشيء حول SQL هو أنه لا يعمل بمفرده. كل استفسار يلمس محرك قاعدة البيانات، والفهارس، والبيانات الحية. لذلك يمكن أن تؤثر التغييرات الصغيرة في الاستفسار على كيفية تشغيله.
وفي بعض الأحيان، تكون هذه التغييرات الصغيرة أكثر أهمية مما تتخيل. يمكن لاستفسار سيئ أن يسبب مسح جدول كامل، واختيار الفهرس الخطأ، وفجأة يبطئ النظام بأكمله.
ذلك هو السبب في أن خبراء قواعد البيانات ينظرون إلى SQL بشكل مختلف. إنهم لا يقرؤون الاستفسار فقط؛ إنهم يفكرون في كيفية سلوك قاعدة البيانات تحت حركة المرور الفعلية. خلال الاستعراض، يتحقق خبير قاعدة البيانات عادةً من أشياء مثل:
- الانضمام غير الكفء أو الاستفسارات المتداخلة العميقة.
- الفهارس المفقودة أو المسيئة.
- الاستفسارات التي تؤدي إلى مسح جدول كامل.
- مخاطر القفل التي قد تحجب المعاملات الأخرى.
- العمليات التي قد تؤثر على حمولة الإنتاج.
لكن القيمة الحقيقية لهذا الاستعراض ليست فقط معرفة بنية SQL. إنها معرفة النظام وراء الاستفسار.
يعرف خبراء قواعد البيانات الخبراء عادةً كيف تطور بنية قاعدة البيانات مع مرور الوقت، وكيف تسلوك حركة المرور خلال ساعات الذروة، وكيف يمكن أن تؤثر التغييرات الصغيرة في الفهرس على خطط التنفيذ. يمكن لاستفسار يبدو مثاليًا على الورق أن يسلك سلوكًا مختلفًا تمامًا بمجرد تشغيله ضد بيانات الإنتاج الفعلية.
يتحدث المهندسون الذين يعملون على أنظمة كبيرة عن هذه المشكلة غالبًا. كما لاحظ مهندس جوجل جيف دين، أن الأنظمة لا تسلك السلوك الذي نتوقعه عندما تعمل على نطاق كبير.
كما قال جون جال مشهورة، “يمكن أن تفشل نظام معقد بطرق لا حصر لها”.
تظهر هذه الأفكار معًا لماذا تحتاج الأنظمة الكبيرة إلى إشراف بشري دقيق. حتى مع دخول الذكاء الاصطناعي، يبقى خبراء قواعد البيانات حاسمين. إنهم لا يقرؤون فقط الاستفسارات، بل يتوقعون أيضًا كيف ستستجيب نظام قاعدة البيانات بأكمله.
لكن مع كل هذه الخبرة المطلوبة، قد تتساءل، “هل يمكن للذكاء الاصطناعي حقًا 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 اللغة الكبيرة المدربة على قواعد بيانات ضخمة أن تعمل الآن مثل مطور ثاني في المحرر. يمكنها اقتراح الوظائف، ومساعدة كتابة الوثائق، وأحيانًا إظهار العيوب أثناء كتابة الشفرة. أدوات مثل GitHub Copilot وجدت طريقها بسرعة إلى العديد من سير عمل التطوير.
وتبدو هذه التحول 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 مساعدة الذكاء الاصطناعي.
تجربة الشركات التقنية الكبيرة نفس النمط. قال.satya nadella، الرئيس التنفيذي لشركة مايكروسوفت، مؤخرًا أن حوالي 30% من شفرة مايكروسوفت يتم كتابتها بمساعدة أدوات الذكاء الاصطناعي، ويتزايد هذا الرقم.
然而، توليد الشفرة هو فقط جزء 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 الشفرة SQL
هنا يبدأ الذكاء الاصطناعي في إظهار قيمته الحقيقية. SQL له شيء يعمل لصالح الذكاء الاصطناعي: الأنماط. تتبع معظم الاستفسارات هياكل معترف بها، وتظهر مشاكل الأداء في طرق متوقعة. بسبب ذلك، يمكن لأنظمة الذكاء الاصطناعي المدربة على مجموعات كبيرة من استفسارات SQL مسح استفسار بسرعة كبيرة واكتشاف قضايا قد يغفل عنها المطورون أثناء التطوير المبكر.
على سبيل المثال، قد يشير مساعد الذكاء الاصطناعي إلى أشياء مثل:
- أنماط الانضمام غير الكفء.
- الفهارس المفقودة أو المسيئة.
- الاستفسارات التي قد تؤدي إلى مسح جدول كامل.
- مخاطر الأداء المحتملة.
- العمليات التي قد تكون غير آمنة للتشغيل في الإنتاج.
لا تستبدل هذه الفحوصات استعراضًا كاملًا. لكنها يمكن أن تكتشف عددًا惊ًا من القضايا مبكرًا. وهذا يغير كيفية حدوث تطوير SQL. بدلاً من كتابة استفسار وانتظار استعراض لاحق، يمكن للمطورين الحصول على ملاحظات أثناء كتابتهم له. يمكن أن يوفر هذا الدور المبكر للتعليقات الكثير من الوقت. وجدت بعض الدراسات حول التطوير بمساعدة الذكاء الاصطناعي أن دورات الاستعراض يمكن أن تنخفض بشكل كبير بمجرد إدخال التحليل التلقائي. وأفادت دراسة مؤسسية عن انخفاض بنسبة 31.8% في وقت استعراض طلبات السحب.
في الممارسة، هذا يعني أن العديد من مشاكل SQL يتم اكتشافها مبكرًا في العملية، قبل أن تصل إلى الأنظمة الإنتاجية. هذا هو أيضًا حيث يبدأ أدوات تطوير SQL الحديثة في التطور. أدوات داخل نظام dbForge، على سبيل المثال، تشمل الآن تحليل استفسار بمساعدة الذكاء الاصطناعي يمكن أن يقترح انضمامات أفضل، واكتشاف فهارس غير ضرورية، ويعطي نصائح حول هيكل الاستفسار، كل ذلك أثناء كتابتك.
لكن إذا انتقلنا إلى الصورة الكبيرة، يظل الذكاء الاصطناعي لديه حدود.
حدود الذكاء الاصطناعي في هندسة قواعد البيانات
على الرغم من التقدم المذهل، لا يزال الذكاء الاصطناعي يصارع مع أحد أصعب أجزاء هندسة قواعد البيانات: السياق. لا تعمل استفسارات SQL أبدًا بمعزل عنها. يعتمد أداؤها على العديد من العوامل داخل النظام، بما في ذلك:
- توزيع البيانات
- احجام الجداول
- الفهارس الحالية
- أحمال العمل المتزامنة
- قيود الأجهزة
- منطق الأعمال الخاص
النماذج المدربة على مجموعات بيانات عامة غالبًا ما تفتقر إلى رؤية هذه الحقائق. وأكثر من ذلك، يمكن أن يؤدي الشفرة المولدة بواسطة الذكاء الاصطناعي إلى إحداث أخطاء دقيقة. وجدت تحليلات最近 أن ما يصل إلى 45% من عينات الشفرة المولدة بواسطة الذكاء الاصطناعي تحتوي على عيوب أمنية، مما يبرز المخاطر المرتبطة بالاعتماد على اقتراحات تلقائية دون استعراض بشري.
الثقة هي تحدي آخر. بينما يرتفع معدل التحول بسرعة، تكشف الاستطلاعات أن 46% من المطورين لا يثقون بشكل كامل في الإخراج المولد بواسطة الذكاء الاصطناعي، مما يخلق توترًا طبيعيًا بين التلقائية والرقابة. في هندسة قواعد البيانات، هذا الشك مشروع. يمكن لاستفسار يعمل بشكل مثالي في بيئة التطوير أن يسلك سلوكًا مختلفًا تمامًا تحت أحمال الإنتاج. هذا هو المكان الذي يظل فيه خبراء قواعد البيانات لا غنى عنهم.
نموذج الهجين: الذكاء الاصطناعي + الخبرة البشرية
الفرق التطويرية الأكثر فعالية لا تسأل عما إذا كان الذكاء الاصطناعي سوف يستبدل خبراء قواعد البيانات. بدلاً من ذلك، يسألون كيف يمكنهم دمج تلقائية الذكاء الاصطناعي مع الخبرة البشرية. في هذا النموذج، تتعامل أدوات الذكاء الاصطناعي مع الفحوصات المتكررة التي تعوق عادةً التطوير، بينما يركز المهندسون الخبراء على أجزاء عمل قاعدة البيانات التي تتطلب حكمًا أعمق. على سبيل المثال، يمكن لأنظمة الذكاء الاصطناعي أن تتعامل مع مهام مثل:
- اكتشاف أخطاء البناء.
- اقتراح تحسينات الاستفسار.
- إظهار أنماط الانضمام غير الكفء.
- تشغيل فحوصات التحليل التلقائي.
يمكن أن تحدث هذه الفحوصات في لحظة أثناء كتابة المطورين للاستفسارات، مما يساعد على اكتشاف العديد من المشاكل مبكرًا. بينما يتعامل الذكاء الاصطناعي مع هذه الفحوصات الروتينية، يركز خبراء قواعد البيانات على العمل الذي يتطلب فهمًا أعمق للنظام: تصميم البنية، استراتيجية الفهرس، ضبط الأداء، تخطيط 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 قاعدة البيانات الفعلي.
الكلمة النهائية
يغير الذكاء الاصطناعي بالفعل كيفية عمل تطوير SQL. يمكن للأدوات تحليل الاستفسارات في لحظة، واكتشاف الأخطاء الشائعة، وإظهار المشاكل المحتملة للأداء أثناء كتابة المطورين للشفرة. لكن أنظمة قواعد البيانات تتأثر بأكثر من بنية الاستفسار. لا يزال تصميم البنية، و استراتيجيات الفهرس، وسلوك حمولة العمل يتطلبون حكمًا بشريًا. لذلك، الفرق الأكثر فعالية ت开始 معاملة الذكاء الاصطناعي كمساعد وليس بديلاً.
يمكن للذكاء الاصطناعي إظهار المشاكل مبكرًا وتسريع التطوير، لكن المطورين يمكنهم التكرار بشكل أسرع، ويمكن لخبراء قواعد البيانات التركيز على القرارات العميقة التي تشكل كيفية سلوك قاعدة البيانات الفعلية. هذا هو المكان الذي يظهر فيه القيمة الحقيقية. يأتي الذكاء الاصطناعي بسرعة وتعرف الأنماط. يأتي خبراء قواعد البيانات بالسياق والحكم. وفي هندسة قواعد البيانات، هذا الجمع هو ما يحافظ على أنظمة سريعة، موثوقة، ومستقرة.
