الأستاذ إران ياهاف، المؤسس المشارك والرئيس التنفيذي المشارك لشركة Tabnine – سلسلة مقابلات

الأستاذ إران ياهاف، المؤسس المشارك والرئيس التنفيذي المشارك لشركة Tabnine هو أستاذ علوم الحاسوب في معهد إسرائيل التكنولوجي، ويركز بحثه على لغات البرمجة والتعلم الآلي والهندسة البرمجية، ولا سيما合成 البرامج وتحليل الكود على نطاق واسع. إلى جانب عمله الأكاديمي، شارك في تأسيس Tabnine (التي كانت تسمى في الأصل Codota) لتطبيق سنوات من البحث في أدوات مطورين عملية، مما ساعد على رائد تطوير شفرة مدعومة بالذكاء الاصطناعي وتوضيحها. يعمل بين الأكاديمية والصناعة، مع التركيز على جعل الشفرة التي تم إنشاؤها بواسطة الذكاء الاصطناعي أكثر موثوقية وأمان واعتمادًا على السياق في بيئات المؤسسات الحقيقية.

Tabnine هي منصة برمجة مدعومة بالذكاء الاصطناعي مصممة لمساعدة المطورين في جميع مراحل دورة حياة التطوير البرمجي، من كتابة الشفرة وتصحيح الأخطاء إلى إنشاء الاختبارات والوثائق. تم إطلاقها في الأصل كأداة اكتمال شفرة، تطورت إلى منصة أوسع تركز على المؤسسات، وتدمج الذكاء الاصطناعي وتوضيحها وعمليات الوكيل، مما يمكّن الفرق من توفير مهام تطوير معقدة مع الحفاظ على سيطرة قوية على الخصوصية والأمان والامتثال. مع دعم عشرات لغات البرمجة والتكامل عبر معظم بيئات التطوير المتكاملة، تهدف Tabnine إلى تحسين إنتاجية المطورين مع ضمان أن الشفرة التي تم إنشاؤها بواسطة الذكاء الاصطناعي تبقى موثوقة ومتوافقة مع معايير المنظمة.

لقد قمت بإنفاق سنوات في البحث عن تحليل البرامج وتركيبها في معهد إسرائيل التكنولوجي، وعملت في السابق في أبحاث آي بي إم. ما هو المشكلة في تطوير البرمجيات التي أقنعتك بتأسيس Tabnine، وكيف ساهم بحثك الأكاديمي في رؤية الشركة الأصلية؟

ركز بحثي الأكاديمي على تحليل البرامج وتركيبها، وهو في الأساس تعليم الآلات على فهم وإنشاء الشفرة. قمت بكتابة أطروحتي الدكتوراه حول تحليل البرامج، وهذا أيضًا حيث قمت بإنفاق سنواتي الأولى في البحث التطبيقي. معالجة مشاكل جودة البرمجيات مع تحليل البرامج جعلت من الواضح أن بعض المشاكل صعبة الحل بعد كتابة البرنامج بشكل غير صحيح. العلاج المبكر أفضل من العلاج المتأخر، إذا سمحت لي بالتعبير.

في البداية، عملت على تركيب البرامج المتوازي، محاولًا توفير إنشاء برامج متوازي من البرامج المتسلسلة. ثم انتقلت إلى تركيب البرامج باستخدام التعلم الآلي.

تركيب البرامج باستخدام التعلم الآلي كان أيضًا الفكرة الأساسية التي تعمل بها Tabnine. الفكرة، التي تبدو واضحة الآن، هي أن النماذج يمكنها تعلم أنماط الترميز مباشرة من مجموعات كبيرة من الشفرة ومساعدة المطورين في الوقت الفعلي. هذه الفكرة العامة قابلة للتطبيق في جميع مراحل دورة حياة التطوير البرمجي – من إنشاء الشفرة إلى مراجعة الشفرة، إلى النشر، وما بعده.

الرؤية دائمًا كانت لتعزيز المطور البشري من خلال تقديم أدوات تسريع عملية التطوير وإزالة الاحتكاك. تطوير البرمجيات هو дисциплина إبداعية وحل مشاكل، والهدف كان لجعل الذكاء الاصطناعي يزيل الاحتكاك من العملية من خلال معالجة المهام الروتينية ومساعدة المطورين على البقاء في تدفق العمل. تلك الرؤية لا تزال توجيهنا اليوم، على الرغم من أن التكنولوجيا قد تطور بشكل كبير منذ تلك الأيام المبكرة.

Tabnine رائدة في مساعدي الترميز المدعومة بالذكاء الاصطناعي قبل سنوات من أن تصبح الذكاء الاصطناعي التوليدي شائعًا مع أدوات مثل نماذج OpenAI. بالنظر إلى الوراء، كيف تطور دور الذكاء الاصطناعي في تطوير البرمجيات منذ تلك الأيام المبكرة، وما هي الدروس التي تعلمها المجال من الموجة الأولى من مساعدي الترميز؟

الجيل الأول من مساعدي الترميز المدعومة بالذكاء الاصطناعي ركز في الغالب على التنبؤ. كانت في الأساس أنظمة اكتمال متقدمة تساعد المطورين على كتابة الشفرة بشكل أسرع من خلال التنبؤ بالسطر أو الدالة التالية.

ما تغير مع حلقات الوكيل هو أن الذكاء الاصطناعي يمكنه الآن معالجة مهام مع زيادة الاستقلالية، إلى الحد الذي يمكننا فيه النظر إلى الوكلاء (مع التوجيه المناسب) على أنهم مطورون مبتدئون مستقلون.

ولكن هذا قد علم الصناعة درسًا مهمًا أيضًا. قدرة النموذج الأولي ليست كافية لتطوير برمجيات المؤسسة. يمكن للنماذج المدربة على البيانات العامة أن تنتج مخرجات مثيرة للإعجاب، لكنها غالبًا ما تفتقر إلى الوعي ببنية المنظمة وتبعياتها واتفاقياتها.

ولهذا السبب فإن المرحلة التالية من التطور لا تتعلق فقط بالنماذج الأكبر أو نوافذ السياق الأكبر، بل تتعلق بربط هذه النماذج بالسياق الحقيقي الذي يتم فيه بناء البرنامج.

تكتشف العديد من المؤسسات أن توسيع نطاق عملاء الذكاء الاصطناعي يتطلب أكثر من مجرد نماذج أكبر، بل يتطلب سياقًا تنظيميًا أعمق. لماذا تعتقد أن السياق أصبح الحدود الحقيقية للتنمية الموثوقة المعتمدة على الذكاء الاصطناعي؟

أنظمة البرمجيات هي شبكات معقدة من العلاقات. يمكن أن يؤثر تغيير واحد على خدمات متعددة، أو واجهات برمجة التطبيقات، أو المكونات النهائية.

تعد نماذج الذكاء الاصطناعي اليوم جيدة جدًا في توليد أكواد برمجية معقولة، لكنها غالبًا ما تعمل دون فهم منظم لتلك العلاقات. وبدون هذا الفهم، لا يمكن للذكاء الاصطناعي أن يفكر بشكل موثوق في عواقب التغيير.

ما تكتشفه الشركات هو أن موثوقية أنظمة الذكاء الاصطناعي تعتمد على جودة السياق الذي تعمل فيه. إذا فهم نظام الذكاء الاصطناعي بنية النظام، والتبعيات بين الخدمات، ومعايير الترميز الخاصة بالمؤسسة، فيمكنه إنشاء تعليمات برمجية تتوافق بشكل أوثق مع كيفية عمل هذا النظام فعليًا.

وبهذا المعنى، أصبح السياق هو الحدود التالية لتطوير الذكاء الاصطناعي المؤسسي.

يهدف محرك سياق المؤسسة الجديد الخاص بك إلى منح وكلاء الذكاء الاصطناعي فهمًا منظمًا لبنية المؤسسة وتبعياتها وممارساتها الهندسية. كيف يختلف هذا النهج عن الأساليب الشائعة مثل توليد الاسترجاع المعزز الذي تعتمد عليه العديد من الشركات حاليًا؟

يعد توليد الاسترجاع المعزز تقنية مفيدة. فهو يسمح للنماذج بسحب المستندات ذات الصلة أو مقتطفات التعليمات البرمجية عند إنشاء إجابة.

لكن الاسترجاع وحده لا يخلق الفهم. فهو يوفر الوصول إلى المعلومات، وليس الهيكل.

تم تصميم محرك سياق المؤسسة للمضي قدمًا من خلال بناء تمثيل منظم لبيئة البرنامج. يقوم بتحليل المستودعات والخدمات والتبعيات وواجهات برمجة التطبيقات والعلاقات المعمارية وينظمها في نموذج لكيفية عمل النظام فعليًا.

يتيح ذلك لأنظمة الذكاء الاصطناعي التفكير في العلاقات بين المكونات بدلاً من مجرد استرجاع أجزاء من النص. بالنسبة لبيئات المؤسسات المعقدة، يصبح هذا التمييز مهمًا جدًا.

تتطور أدوات ترميز الذكاء الاصطناعي من اقتراحات الإكمال التلقائي إلى وكلاء مستقلين قادرين على تنفيذ مهام سير عمل متعددة الخطوات. كيف ترى أن التوازن بين المطورين البشريين والأنظمة الوكيلة سيتغير خلال السنوات الخمس القادمة؟

سوف يتولى وكلاء الذكاء الاصطناعي بشكل متزايد مهام التطوير الروتينية. وهم قادرون بالفعل على تنفيذ الميزات الشاملة، بما في ذلك الاختبار والتوثيق. سيصبح كل مطور قائدًا لفريق مطوري الذكاء الاصطناعي. سيكون التحدي الرئيسي هو توصيل المتطلبات إلى هذا الفريق والتحقق من أن القطع الأثرية التي تم إنشاؤها تتوافق مع المتطلبات المحددة.

ومع ذلك، فإن تطوير البرمجيات يدور بشكل أساسي حول حل المشكلات والتصميم. سيستمر المطورون البشريون في تحديد البنية وإجراء المفاضلات وتوجيه الاتجاه العام للأنظمة.

ما سيتغير هو مستوى التجريد الذي يعمل به المطورون. بدلاً من التركيز على التعليمات البرمجية، سيقوم المطورون بشكل متزايد بتنسيق مسارات العمل ذات المستوى الأعلى والتعاون مع أنظمة الذكاء الاصطناعي التي تنفذ أجزاء من مسارات العمل هذه.

بمعنى آخر، يصبح دور المطورين أكثر استراتيجية حيث يتعامل الذكاء الاصطناعي مع المزيد من الأعمال الميكانيكية.

وأشار تبنين إلى أن مستخدمي المؤسسات يمكنهم رؤية معدلات قبول التعليمات البرمجية المولدة بواسطة الذكاء الاصطناعي تصل إلى حوالي 80% في بعض البيئات. ما هي المقاييس التي يجب على المؤسسات استخدامها لتحديد ما إذا كانت أدوات ترميز الذكاء الاصطناعي تعمل بالفعل على تحسين إنتاجية المطورين بدلاً من مجرد توليد المزيد من التعليمات البرمجية؟

السؤال الرئيسي ليس مقدار التعليمات البرمجية التي يولدها الذكاء الاصطناعي، ولكن مقدار العمل المفيد الذي ينتجه بالفعل.

هناك العديد من المقاييس التي يجب على المنظمات تتبعها. الأول هو معدلات قبول المرور الأول، والتي تقيس عدد المرات التي يمكن فيها استخدام التعليمات البرمجية التي ينشئها الذكاء الاصطناعي دون تعديل. والسبب الآخر هو وقت دورة المراجعة — عدد التكرارات المطلوبة قبل أن يتم دمج طلب السحب.

يجب على المؤسسات أيضًا النظر في الوقت الذي يقضيه المطور في إعادة العمل، بالإضافة إلى المهلة الزمنية للتغييرات من التطوير إلى الإنتاج.

إذا كانت أدوات الذكاء الاصطناعي تعمل بالفعل على تحسين الإنتاجية، فمن المفترض أن ترى تحسينات عبر هذه المقاييس. يقضي المطورون وقتًا أقل في إصلاح التعليمات البرمجية التي تم إنشاؤها ووقتًا أطول في العمل على المهام ذات القيمة الأعلى.

تظل الشركات حذرة بشأن تعريض كود الملكية للنماذج الخارجية. كيف يعالج مفهوم “ترميز الذكاء الاصطناعي الموثوق” مخاوف الحوكمة والخصوصية والامتثال التي أدت إلى تباطؤ اعتماد المؤسسات لأدوات تطوير الذكاء الاصطناعي؟

تعد الثقة أحد أهم العوامل في اعتماد المؤسسات للذكاء الاصطناعي.

الثقة هي التحدي الأكبر لتحقيق مهندس الذكاء الاصطناعي. كيف نثق في قدرة مهندس الذكاء الاصطناعي على التصرف بشكل مستقل لإكمال مهام هندسة البرمجيات المهمة؟كيف نضمن أن إجراءاتها تتوافق مع توقعاتنا فيما يتعلق بالجودة والأمان والامتثال لسياساتنا؟إذا كان لمهندس الذكاء الاصطناعي أن يكون عضوًا مقبولاً في فرقنا الهندسية، فيجب أن يكون موثوقًا به مثل زملائنا في الفريق الذين تم فحصهم جيدًا وتم تعيينهم بشكل مناسب.

ويعتمد التصدي لهذا التحدي على ركيزتين أساسيتين:

بالإضافة إلى ذلك، يعني ترميز الذكاء الاصطناعي الموثوق به منح المؤسسات التحكم في كيفية نشر الذكاء الاصطناعي، وضمان الإدارة والتحكم المركزيين.

لقد اقترحت أن السياق التنظيمي قد يصبح طبقة أساسية في مجموعة الذكاء الاصطناعي للمؤسسة، على غرار قواعد البيانات أو البنية التحتية السحابية في عصور الحوسبة السابقة. كيف تبدو هذه الهندسة المعمارية المستقبلية؟

إذا نظرت إلى كيفية تطور تكنولوجيا المؤسسات، فغالبًا ما نرى ظهور طبقات بنية تحتية جديدة.

أصبحت قواعد البيانات الأساس لإدارة البيانات. أصبحت المنصات السحابية الأساس لتشغيل التطبيقات على نطاق واسع.

في عصر الذكاء الاصطناعي، ستحتاج المؤسسات إلى بنية تحتية تسمح لأنظمة الذكاء الاصطناعي بفهم البنية الداخلية للمؤسسة – أنظمتها وعلاقاتها وقيودها التشغيلية.

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

وبهذا المعنى، يصبح السياق أساسًا مشتركًا للذكاء الاصطناعي المؤسسي.

تقوم العديد من الشركات ببناء مساعدين للبرمجة مقترنين بإحكام بنموذج أساسي واحد. وبدلاً من ذلك، يسمح Tabnine للمؤسسات بربط نماذج مختلفة حسب احتياجاتها. لماذا تعتبر مرونة النموذج مهمة للتطور طويل المدى لأدوات تطوير الذكاء الاصطناعي للمؤسسات؟

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

لا ينبغي على المؤسسات إعادة تصميم سير عمل التطوير الخاص بها في كل مرة يتغير فيها نموذج النموذج. من خلال السماح للمؤسسات بالاختيار والتبديل بين النماذج، فإننا نوفر المرونة التي تساعد على إثبات استراتيجية الذكاء الاصطناعي الخاصة بها في المستقبل.

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

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

بالنسبة للرؤساء التنفيذيين للتكنولوجيا وقادة الهندسة الذين يقومون بتقييم منصات تطوير الذكاء الاصطناعي اليوم، ما هي أكبر الأخطاء التي ترتكبها المؤسسات عند نشر أدوات ترميز الذكاء الاصطناعي، وكيف يمكن تجنبها؟

أحد الأخطاء الشائعة هو التركيز فقط على قدرة النموذج. تعد النماذج الأكبر حجمًا بالتأكيد عنصرًا بالغ الأهمية، لكن الموثوقية في بيئات العالم الحقيقي تعتمد على مدى فهم الذكاء الاصطناعي للنظام الذي يعمل بداخله.

هناك خطأ آخر يتمثل في نشر أدوات الذكاء الاصطناعي دون مراعاة متطلبات الحوكمة والأمن. تحتاج المؤسسات إلى سياسات واضحة حول كيفية الوصول إلى التعليمات البرمجية، وكيفية نشر النماذج، وكيفية التحقق من صحة المخرجات.

وأخيرًا، تتوقع المؤسسات أحيانًا أن يحقق الذكاء الاصطناعي مكاسب إنتاجية فورية دون تكييف سير العمل أو توفير سياق كافٍ. تتضمن عمليات النشر الناجحة عادةً دمج الذكاء الاصطناعي في عمليات التطوير الحالية وربطه برمز المؤسسة وبنيتها.

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

شكرًا لك على المقابلة الرائعة، وعلى القراء الذين يرغبون في معرفة المزيد زيارتها Tabnine.