البروفيسور إران ياهف، المؤسس المشارك والرئيس التنفيذي المشارك لشركة تابناين - سلسلة مقابلات

الأستاذ إران ياهفالمؤسس المشارك والرئيس التنفيذي المشارك لشركة تابناين هو أستاذ علوم الحاسوب في معهد التخنيون - معهد إسرائيل للتكنولوجيا، ويركز بحثه على لغات البرمجة، والتعلم الآلي، وهندسة البرمجيات، لا سيما توليف البرامج وتحليل الشفرات البرمجية واسعة النطاق. إلى جانب عمله الأكاديمي، شارك في تأسيس تابناين (التي كانت تُعرف سابقًا باسم كودوتا) لتطبيق سنوات من البحث في أدوات عملية للمطورين، مساهمًا في ريادة إكمال الشفرات البرمجية وأتمتتها باستخدام الذكاء الاصطناعي. يربط عمله بين الأوساط الأكاديمية والصناعية، مع التركيز على جعل الشفرات البرمجية المولدة بالذكاء الاصطناعي أكثر موثوقية وأمانًا وفهمًا للسياق في بيئات المؤسسات الواقعية.

تابنين Tabnine هي منصة برمجة مدعومة بالذكاء الاصطناعي، مصممة لمساعدة المطورين طوال دورة حياة تطوير البرمجيات، بدءًا من كتابة التعليمات البرمجية وتصحيحها وصولًا إلى إنشاء الاختبارات والوثائق. انطلقت المنصة في البداية كأداة لإكمال التعليمات البرمجية، ثم تطورت لتصبح منصة شاملة موجهة للمؤسسات، تجمع بين الذكاء الاصطناعي التوليدي وسير العمل القائم على الوكلاء، مما يُمكّن الفرق من أتمتة مهام التطوير المعقدة مع الحفاظ على ضوابط صارمة على الخصوصية والأمان والامتثال. بدعمها لعشرات لغات البرمجة وتكاملها مع بيئات التطوير المتكاملة الرئيسية، تهدف Tabnine إلى تحسين إنتاجية المطورين مع ضمان موثوقية التعليمات البرمجية المولدة بالذكاء الاصطناعي وتوافقها مع معايير المؤسسة.

لقد أمضيت سنوات في البحث في تحليل وتصميم البرامج في معهد التخنيون، وعملت سابقًا في قسم الأبحاث بشركة آي بي إم. ما هي المشكلة في تطوير البرمجيات التي أقنعتك بالمشاركة في تأسيس شركة تابناين، وكيف أثر بحثك الأكاديمي على الرؤية الأصلية للشركة؟

ركز عملي الأكاديمي على تحليل البرامج وتوليفها، وهو ما يعني أساسًا تعليم الآلات فهم الشفرة البرمجية وتوليدها. حصلت على درجة الدكتوراه في تحليل البرامج، وفي هذا المجال أيضًا قضيت سنواتي الأولى من البحث التطبيقي. وقد أوضح لي تناول مشكلات جودة البرمجيات من خلال تحليل البرامج أن بعض المشكلات يصعب حلها للغاية بمجرد كتابة البرنامج بشكل خاطئ. وكما يُقال، الوقاية خير من العلاج. وقد أقنعني هذا بأن الطريقة المثلى لمعالجة جودة البرمجيات هي من خلال توليف البرامج، وهو المجال الذي كرست له معظم وقتي وجهدي البحثي.

عملتُ في البداية على توليف البرامج المتزامنة، محاولاً أتمتة إنشاء البرامج المتزامنة من البرامج التسلسلية. ثم انتقلتُ إلى توليف برامج أكثر عمومية باستخدام التعلم الآلي.

كان توليد البرامج باستخدام التعلم الآلي هو الفكرة الأساسية التي قامت عليها منصة Tabnine. وتتلخص هذه الفكرة، التي تبدو بديهية الآن، في قدرة النماذج على تعلم أنماط البرمجة مباشرةً من مجموعات كبيرة من التعليمات البرمجية، ومساعدة المطورين في الوقت الفعلي. وتنطبق هذه الفكرة العامة على جميع مراحل دورة حياة تطوير البرمجيات، بدءًا من كتابة التعليمات البرمجية ومراجعتها، وصولًا إلى نشرها وما بعد ذلك.

لطالما تمثلت الرؤية في دعم المطور البشري بتزويده بأدوات تُسرّع عملية التطوير وتُزيل العقبات. يُعدّ تطوير البرمجيات مجالًا إبداعيًا يعتمد على حل المشكلات، وكان الهدف هو أن يُسهم الذكاء الاصطناعي في تبسيط هذه العملية من خلال تولي المهام الروتينية ومساعدة المطورين على التركيز والاستمرار في العمل. ولا تزال هذه الرؤية تُوجّهنا حتى اليوم، على الرغم من التطور الكبير الذي شهدته التكنولوجيا منذ بداياتها.

كان تابناين رائدًا في مجال مساعدي البرمجة بالذكاء الاصطناعي قبل سنوات من انتشار الذكاء الاصطناعي التوليدي على نطاق واسع، وذلك بفضل أدوات مثل نماذج OpenAI. وبالنظر إلى الماضي، كيف تطور دور الذكاء الاصطناعي في تطوير البرمجيات منذ تلك الأيام الأولى، وما الدروس التي استخلصها القطاع من الموجة الأولى من مساعدي البرمجة؟

ركز الجيل الأول من مساعدي البرمجة بالذكاء الاصطناعي بشكل أساسي على التنبؤ. لقد كانت في الأساس أنظمة إكمال تلقائي متطورة ساعدت المطورين على كتابة التعليمات البرمجية بشكل أسرع من خلال التنبؤ بالسطر أو الدالة التالية.

ما تغير في حلقات الوكلاء هو أن الذكاء الاصطناعي يمكنه الآن التعامل مع المهام بقدر أكبر من الاستقلالية، لدرجة أنه يمكننا اعتبار الوكلاء (مع التوجيه المناسب) مطورين مبتدئين مستقلين.

لكن هذا الأمر علّم الصناعة درساً هاماً أيضاً. فالقدرات النظرية للنماذج وحدها لا تكفي لتطوير برمجيات المؤسسات. صحيح أن النماذج المدربة على بيانات عامة قد تُنتج نتائج مبهرة، إلا أنها غالباً ما تفتقر إلى فهم بنية المؤسسة، والتبعيات، والاتفاقيات المتبعة فيها.

ولهذا السبب فإن المرحلة التالية من التطور لا تتعلق فقط بنماذج أكبر أو نوافذ سياقية أوسع، بل تتعلق بربط تلك النماذج بالسياق الحقيقي الذي يتم فيه بناء البرامج.

تكتشف العديد من المؤسسات أن توسيع نطاق وكلاء الذكاء الاصطناعي يتطلب أكثر من مجرد نماذج أكبر حجماً، بل يتطلب فهماً أعمق للسياق التنظيمي. لماذا تعتقد أن السياق أصبح يمثل الحد الفاصل الحقيقي لتطوير أنظمة ذكاء اصطناعي موثوقة؟

تُعدّ أنظمة البرمجيات شبكات معقدة من العلاقات. ويمكن لتغيير واحد أن يؤثر على خدمات متعددة، أو واجهات برمجة التطبيقات، أو المكونات اللاحقة.

تتميز نماذج الذكاء الاصطناعي اليوم بقدرتها الفائقة على توليد أكواد برمجية منطقية، لكنها غالباً ما تعمل دون فهم منظم للعلاقات بين هذه الأكواد. وبدون هذا الفهم، لا يستطيع الذكاء الاصطناعي استنتاج عواقب أي تغيير بشكل موثوق.

تكتشف المؤسسات أن موثوقية أنظمة الذكاء الاصطناعي تعتمد على جودة البيئة التي تعمل فيها. فإذا فهم نظام الذكاء الاصطناعي بنية النظام، والترابط بين الخدمات، ومعايير البرمجة الخاصة بالمؤسسة، فإنه يستطيع توليد شفرة برمجية تتوافق بشكل أكبر مع طريقة عمل النظام فعلياً.

وبهذا المعنى، أصبح السياق هو الأفق التالي لتطوير الذكاء الاصطناعي للمؤسسات.

يهدف محرك سياق المؤسسة الجديد إلى تزويد وكلاء الذكاء الاصطناعي بفهم منظم لبنية المؤسسة، والتبعيات، والممارسات الهندسية. كيف يختلف هذا النهج عن الأساليب الشائعة مثل التوليد المعزز بالاسترجاع التي تعتمد عليها العديد من الشركات حاليًا؟

يُعدّ توليد الإجابات المعزز بالاسترجاع تقنية مفيدة، إذ يسمح للنماذج باستخلاص المستندات أو أجزاء التعليمات البرمجية ذات الصلة عند توليد الإجابة.

لكن الاسترجاع وحده لا يخلق فهماً. إنه يوفر الوصول إلى المعلومات، وليس البنية.

صُمم محرك سياق المؤسسة ليتجاوز ذلك من خلال بناء تمثيل منظم لبيئة البرمجيات. فهو يحلل المستودعات والخدمات والتبعيات وواجهات برمجة التطبيقات والعلاقات المعمارية، وينظمها في نموذج لكيفية عمل النظام فعليًا.

يُمكّن هذا أنظمة الذكاء الاصطناعي من تحليل العلاقات بين المكونات بدلاً من مجرد استرجاع أجزاء من النصوص. وفي بيئات المؤسسات المعقدة، يصبح هذا التمييز بالغ الأهمية.

تتطور أدوات البرمجة المدعومة بالذكاء الاصطناعي من مجرد اقتراحات الإكمال التلقائي إلى أنظمة مستقلة قادرة على تنفيذ مهام متعددة الخطوات. كيف تتوقع أن يتغير التوازن بين المطورين البشريين والأنظمة الذكية خلال السنوات الخمس القادمة؟

ستتولى أنظمة الذكاء الاصطناعي بشكل متزايد مهام التطوير الروتينية. فهي قادرة بالفعل على تنفيذ الميزات من البداية إلى النهاية، بما في ذلك الاختبار والتوثيق. سيصبح كل مطور قائدًا لفريق من مطوري الذكاء الاصطناعي. ويتمثل التحدي الرئيسي في توصيل المتطلبات إلى هذا الفريق والتحقق من مطابقة المخرجات المُنشأة للمتطلبات المحددة.

مع ذلك، فإن تطوير البرمجيات يدور أساساً حول حل المشكلات والتصميم. وسيستمر المطورون البشريون في تحديد بنية النظام، وإجراء المفاضلات، وتوجيه المسار العام للأنظمة.

ما سيتغير هو مستوى التجريد الذي يعمل به المطورون. فبدلاً من التركيز على كتابة التعليمات البرمجية، سيعمل المطورون بشكل متزايد على تنسيق سير العمل على مستوى أعلى والتعاون مع أنظمة الذكاء الاصطناعي التي تنفذ أجزاءً من سير العمل هذا.

بمعنى آخر، يصبح دور المطورين أكثر استراتيجية مع تولي الذكاء الاصطناعي المزيد من العمل الميكانيكي.

أشار تابناين إلى أن مستخدمي المؤسسات قد يلاحظون معدلات قبول التعليمات البرمجية المولدة بالذكاء الاصطناعي تصل إلى حوالي 80% في بعض البيئات. ما هي المقاييس التي ينبغي للمؤسسات استخدامها لتحديد ما إذا كانت أدوات البرمجة المدعومة بالذكاء الاصطناعي تُحسّن بالفعل إنتاجية المطورين بدلاً من مجرد توليد المزيد من التعليمات البرمجية؟

السؤال الأساسي ليس كمية التعليمات البرمجية التي يولدها الذكاء الاصطناعي، بل كمية العمل المفيد الذي ينتجه فعلياً.

هناك عدة مؤشرات ينبغي على المؤسسات تتبعها. أحدها معدلات القبول من المحاولة الأولى، والتي تقيس مدى إمكانية استخدام الكود المُولّد بواسطة الذكاء الاصطناعي دون تعديل. مؤشر آخر هو مدة دورة المراجعة، أي عدد التكرارات المطلوبة قبل دمج طلب السحب.

ينبغي على المؤسسات أيضاً النظر في الوقت الذي يقضيه المطورون في إعادة العمل، بالإضافة إلى الوقت اللازم لإجراء التغييرات من مرحلة التطوير إلى مرحلة الإنتاج.

إذا كانت أدوات الذكاء الاصطناعي تُحسّن الإنتاجية فعلاً، فستلاحظ تحسّناً في جميع هذه المقاييس. سيقضي المطورون وقتاً أقل في إصلاح التعليمات البرمجية المُولّدة، ووقتاً أطول في العمل على مهام ذات قيمة أعلى.

لا تزال المؤسسات حذرة بشأن كشف برمجياتها الخاصة لنماذج خارجية. كيف يُعالج مفهوم "برمجة الذكاء الاصطناعي الموثوقة" مخاوف الحوكمة والخصوصية والامتثال التي أبطأت من تبني المؤسسات لأدوات تطوير الذكاء الاصطناعي؟

تُعد الثقة أحد أهم العوامل في تبني المؤسسات للذكاء الاصطناعي.

تُعدّ الثقة التحدي الأكبر أمام تحقيق دور مهندس الذكاء الاصطناعي. كيف نثق به ليعمل باستقلالية لإنجاز مهام هندسة البرمجيات الحيوية؟ كيف نضمن توافق تصرفاته مع توقعاتنا للجودة والأمان والامتثال لسياساتنا؟ لكي يصبح مهندس الذكاء الاصطناعي عضوًا مقبولًا في فرقنا الهندسية، يجب أن يحظى بنفس مستوى الثقة الذي نحظى به مع زملائنا الذين تم اختيارهم بعناية وتدريبهم بشكل مناسب.

يعتمد التصدي لهذا التحدي على ركيزتين أساسيتين:

• اضافة الطابع الشخصيتزويد مهندس الذكاء الاصطناعي بفهم دقيق لمنظمتك وقاعدة التعليمات البرمجية وأفضل الممارسات.
• السيطرة: تطبيق أنظمة قوية لضمان أن جميع التعليمات البرمجية - سواء كانت مُولَّدة بواسطة الذكاء الاصطناعي أو مكتوبة بواسطة البشر - تلبي معايير الجودة والأمان والأداء والموثوقية الخاصة بمؤسستك.

بالإضافة إلى ذلك، فإن برمجة الذكاء الاصطناعي الموثوقة تعني منح المؤسسات السيطرة على كيفية نشر الذكاء الاصطناعي، وضمان الحوكمة والتحكم المركزيين.

لقد أشرتَ إلى أن السياق التنظيمي قد يصبح طبقة أساسية في بنية الذكاء الاصطناعي للمؤسسات، على غرار قواعد البيانات أو البنية التحتية السحابية في عصور الحوسبة السابقة. كيف سيبدو هذا التصميم المستقبلي؟

إذا نظرنا إلى كيفية تطور تكنولوجيا المؤسسات، فسنجد غالباً ظهور طبقات بنية تحتية جديدة.

أصبحت قواعد البيانات أساسًا لإدارة البيانات. وأصبحت منصات الحوسبة السحابية أساسًا لتشغيل التطبيقات على نطاق واسع.

في عصر الذكاء الاصطناعي، ستحتاج المؤسسات إلى بنية تحتية تسمح لأنظمة الذكاء الاصطناعي بفهم الهيكل الداخلي للمؤسسة - أنظمتها وعلاقاتها وقيودها التشغيلية.

ستوفر طبقة البنية التحتية هذه سياقًا منظمًا يمكن لأنظمة الذكاء الاصطناعي المتعددة استخدامه، سواء كانت مساعدين في البرمجة أو وكلاء دعم أو أدوات أتمتة تشغيلية.

وبهذا المعنى، يصبح السياق أساسًا مشتركًا للذكاء الاصطناعي المؤسسي.

تعتمد العديد من الشركات على بناء مساعدي برمجة مرتبطين ارتباطًا وثيقًا بنموذج أساسي واحد. في المقابل، يتيح تابناين للمؤسسات ربط نماذج مختلفة حسب احتياجاتها. لماذا تُعدّ مرونة النموذج مهمة للتطور طويل الأمد لأدوات تطوير الذكاء الاصطناعي للمؤسسات؟

يتطور نظام الذكاء الاصطناعي بسرعة كبيرة. يتم إصدار نماذج جديدة بشكل متكرر، وغالبًا ما تتمتع النماذج المختلفة بنقاط قوة في مجالات مختلفة.

لا ينبغي للمؤسسات إعادة تصميم عمليات تطويرها في كل مرة تتغير فيها بيئة النماذج. من خلال تمكين المؤسسات من اختيار النماذج والتبديل بينها، نوفر مرونة تساعد على ضمان استدامة استراتيجية الذكاء الاصطناعي لديها في المستقبل.

كما تتيح مرونة النموذج للمؤسسات تحقيق التوازن بين الأداء والتكلفة ومتطلبات الخصوصية وقيود النشر.

على المدى الطويل، من المرجح أن تعمل المؤسسات في بيئة متعددة النماذج، وينبغي تصميم منصات التطوير مع وضع هذا الواقع في الاعتبار.

بالنسبة للمديرين التقنيين وقادة الهندسة الذين يقومون بتقييم منصات تطوير الذكاء الاصطناعي اليوم، ما هي أكبر الأخطاء التي ترتكبها المؤسسات عند نشر أدوات برمجة الذكاء الاصطناعي، وكيف يمكنهم تجنبها؟

من الأخطاء الشائعة التركيز فقط على قدرات النموذج. صحيح أن النماذج الأكبر حجماً عنصر بالغ الأهمية، لكن الموثوقية في بيئات العالم الحقيقي تعتمد على مدى فهم الذكاء الاصطناعي للنظام الذي يعمل ضمنه.

ومن الأخطاء الأخرى نشر أدوات الذكاء الاصطناعي دون مراعاة متطلبات الحوكمة والأمان. تحتاج المؤسسات إلى سياسات واضحة بشأن كيفية الوصول إلى التعليمات البرمجية، وكيفية نشر النماذج، وكيفية التحقق من صحة المخرجات.

أخيرًا، تتوقع المؤسسات أحيانًا أن يحقق الذكاء الاصطناعي مكاسب فورية في الإنتاجية دون تعديل سير العمل أو توفير سياق كافٍ. وعادةً ما تتضمن عمليات النشر الناجحة دمج الذكاء الاصطناعي في عمليات التطوير الحالية وربطه بشفرة المؤسسة وهيكلها.

عندما تجتمع هذه العناصر معًا، يمكن أن يصبح الذكاء الاصطناعي مسرعًا قويًا لتطوير البرمجيات بدلاً من مجرد أداة أخرى.

شكرا لك على المقابلة الرائعة ، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا تابنين.