Gordon Van Huizen, Mendixin strategian johtaja – Haastattelu

Gordon Van Huizen on Mendixin, Siemensin tytäryhtiön, strategian johtaja. Tässä roolissaan Van Huizen tunnistaa ja tutkii uusia strategioita emergenttiin teknologian edistymiseen ja työskentelee tuotteiden innovaatioiden kehittämiseen Mendixissä, kaiken tämän ollessa keskittynyt siihen, miten nämä teknologiat voivat vaikuttaa ja tuoda arvoa asiakkaille.

Miten AI muuttaa pysyvästi ohjelmistokehityksen elinkaarta (SDLC), erityisesti low-code- ja no-code-ympäristöissä?

AI ravistaa voimakkaasti ohjelmistokehityksen elinkaarta, erityisesti kun hyödynnämme luonnollista kieltä yhä enemmän. Sen sijaan, että kirjoitamme koodirivejä, organisaatiot alkavat määritellä ja rakentaa ohjelmistoa kuvaamalla odotuksia. Se muuttuu enemmän intentin ilmaisemiseksi ja keskustelusta älykkäiden työkalujen kanssa, jotka voivat ottaa tämän intention ja muuttaa sen koodiksi, käyttöliittymiksi ja jopa testeiksi.

Kun AI jatkaa tiensä SDLC:hen, uskon, että näemme, kuinka voimakas tämä muutos on. Viestiminen siitä, mitä haluamme, sen sijaan, miten se rakennetaan, tulee tuntumaan luonnollisemmalta ja rehellisesti sanottuna kestävämmältä kuin perinteinen koodaus. Lopulta koodi, jonka tunnemme, saattaa hävitä taustalle. Ja ei vain se, olemme menossa kohti uutta ohjelmistomallia, joka ei ole vain rakennettu AI:lla, vaan on itse älykäs. Muutos on suuri ja jännittävä, ja ehkä merkittävin muutos ohjelmistokehityksessä elämämme aikana.

Mikä rooli sinä näet Agentic AI:lla tulevaisuuden sovelluskehityksessä, ja miten kehittäjien ja alustojen arkkitehtien tulisi valmistautua sen havainnointihaasteisiin?

Agentic AI uudelleenmäärittelee SDLC:tä, emme näe vain nopeampaa, halvempaa ja laadukkaampaa kehitystä, vaan myös kehityksen, josta tulee helpommin saatavilla. Ihmiset voivat käyttää luovuuttaan ja kokeilla ilman, että heidän tarvitsee olla asiantuntijaohjelmoija; heidän tarvitsee vain osata ilmaista, mitä he haluavat. Kaikki tämä valta tulee kuitenkin monimutkaisuuden kera. Nykyään rakennettava ohjelmisto on edistyneempää kuin koskaan aiemmin, mikä tuo mukanaan uusia haasteita, erityisesti kun monen agentin alustat jatkavat kehittymistä. Toimivuus muodostuu päänsärkyksi, koska sovellukset ovat luonnostaan hajautettuja ja usein käyttävät muiden toimittajien työkaluja ja teknologioita. Siinä low-code-alustat osoittavat olevansa erityisen hyviä.

Nämä alustat voivat automatisoida paljon raskasta työtä käyttöönottopuolella ja antaa selkeän näkymän koko järjestelmään. Kun sitten on saatu tämä havainnointikerros paikalleen, voidaan AI tuoda mukaan auttamaan ymmärtämään, mitä tapahtuu. AI voi paljastaa ongelmia, kuten suorituskyvyn laskua tai epätarkkoja tuloksia, ja selittää niiden juurisyyt selkeällä kielellä. Tällainen selkeys on pelinmuuttaja sekä kehittäjille että operaatiotiimille. Kaikki tämä tarkoittaa, että tarvitsemme low-codea enemmän kuin koskaan, koska sen luonne ratkaisee nämä haasteet suoraan. Erityisesti näemme voimakkaan yhdistelmän AI-värittynyt kehitys ja low-code. Voit ilmaista itsesi luonnollisella kielellä, sitten nähdä tulokset visuaalisesti — mukaan lukien data, logiikka ja käyttöliittymät — ja vuorovaikuttaa joko luonnollisen kielen tai visuaalisen IDE:n kautta edelleen kehittääksesi ja laajentaaksesi generoituja ohjelmistoja.

Uskotko, että perinteinen “kehittäjä”-käsite on kehittymässä low-coden ja AI:n myötä? Mitkä taidot ovat tärkeimmät seuraavan vuosikymmenen aikana?

Tänään ohjelmistokehittäjät ja AI-insinöörit nähdään usein eri rooleina, mutta olemme jo nähneet joitakin yhteisiä piirteitä, sekä kehittäjien oppimisen AI-insinöörien vaatimia taitoja ja fuusioteamien yhdistäessä kehittäjiä, AI-insinöörejä, data-insinöörejä ja jopa data-analyytikkoja. Rehellisesti sanottuna, tällainen yhteistyö on juuri sitä, mitä tarvitsemme juuri nyt. Mutta kyllä, perinteinen “kehittäjä”-käsite on kehittymässä. On vain ajan kysymys, kun ohjelmistokehittäjät tulevat AI-insinööreiksi. Lopulta AI-insinöörit ovat edelleen ohjelmistokehittäjiä; he vain käyttävät työkaluja ja käsitteitä, joita monet kehittäjät eivät ole vielä työskennelleet. Nämä taidot ovat opittavissa, ja monet perinteiset kehittäjät löytävät tämän uuden työn innostavana. Se avaa oven älykkäämpiin, dynaamisempiin ratkaisuihin, ja se on palkitseva suunta, johon kasvaa.

Miten Mendix tasapainottaa low-coden saatavuuden ja AI-voimaisien sovellusten monimutkaisuuden?

Mendixin tavoitteena on helpottaa AI-voimaisien sovellusten rakentamisen monimutkaisuutta samalla varmistamalla, että mitä kehittäjät rakentavat tänään, on tulevaisuuden näköinen. Haluamme tehdä asiat yksinkertaisemmaksi ilman, että poistamme kehittäjien tarvitseman joustavuuden. Käytämme visuaalista lähestymistapaa, jotta voit nähdä, miten agentit ja järjestelmät toimivat yhdessä, kuten kun yksi agentti laukaisee toisen. Mendixin low-code-työkalujen avulla näiden AI-voimaisien järjestelmien arkkitehtuuri ja käyttäytyminen on esitetty tavalla, joka ei tuntuisi monimutkaiselta monen agentin järjestelmältä. Se vain näyttää puhdas, ymmärrettävä sovellus.

Miten low-code-alustat kuten Mendix mahdollistavat ei-kehittäjien rakentaa monimutkaisia AI-ohjattuja ratkaisuja, ja mitkä ovat joitakin parhaita esimerkkejä, joita olet nähnyt?

Mendixissä kohtaamme kehittäjiä, liiketoimintateknologeja ja citizen-kehittäjiä heidän osaamis- ja tarpeidensa mukaisesti AI-voimaisissa sovelluksissa; alustan työkalut ovat helppoja käyttää alusta alkaen. Opastamme heitä vaiheittain, kunnes he käyttävät low-codea rakentaakseen älykkäitä, AI-voimaisia sovelluksia, jotka ovat yhtä edistyneitä kuin ne, jotka on rakennettu high-code:lla. He aloittavat rakentamalla ohjauksia low-code-prompt-rakentajalla. Kun he ovat mukavasti siinä, he voivat perustaa generatiivisen AI-voiman sovelluksen liiketoimintakohtaisilla tiedoilla sisäänrakennetun low-code-tietokannan avulla. Ja kun he ovat valmiit, he voivat jopa rakentaa AI-agenteja low-code-orkkestroinnin ja työkalujen avulla.

Voi kuvailla, miten AI:ta käytetään Mendixissä itsessään — sekä alustan rakentamisessa että sen mahdollistamisessa käyttäjille?

”Luo Maian kanssa” on Mendixin vastaus sekä AI:n sisällyttämiseen sovelluskehitysprosessiin että asiakkaiden ja kumppaneiden mahdollistamiseen älykkäiden, AI-voimaisien sovellusten rakentamiseen. Viimeisimmän Mendix 11 -version myötä julkaistu Maia sallii käyttäjien luoda, orkesteroida ja ottaa käyttöön AI-agenteja ja monen agentin sovelluksia koko ohjelmistokehityksen elinkaaren ajan. Jo ennen kuin käyttäjät aloittavat rakentamisen, he voivat hyödyntää Maiaa ja käyttää luonnollista kieltä varmistamaan, että tavoitteet, onnistumisperusteet ja käyttäjätarina on yhdenmukaisia ennen luomista. Luo Maian avulla voidaan myös muuttaa aivovirtaa, luonnoksia, kaavioita ja vaatimuksia selkeiksi, toimiviksi projektiin liittyviksi suunnitelmiksi. Sitten, kun alkuperäinen ohjelmisto on luotu, käyttäjät voivat nopeasti parantaa ohjelmistoa low-coden luontaisen nopeuden avulla. Tuloksena on vähemmän iteraatioita, nopeampi toimitus, vankempi hallinta ja ohjelmisto, joka on rakennettu oikein alusta alkaen.

Miten näet AI:n ja low-coden yhdistymisen tukemassa voittoa tavoittelevia organisaatioita, jotka pyrkivät ratkaisemaan sosiaalisia tai ympäristöön liittyviä ongelmia?

AI ja low-code ovat uskomattomia työkaluja todellisten haasteiden ratkaisemiseen, lähinnä koska ne antavat henkilöstölle, joka on keskittynyt ratkaisemaan kriittisiä sosiaalisia ongelmia, mahdollisuuden innovoida, vaikka budjetit ja tekninen osaaminen ovat rajallisia. Yksi esimerkki, joka erottuu minulle, on Alliance for Orphans (A4O), joka on voittoa tavoittelematon organisaatio San Antoniosta, joka tarjoaa hoitajan apua foster-perheille. Yritys kohtasi suuren esteen, kun he tajusivat, että heillä oli vaikeuksia löytää, kouluttaa ja sertifioida hoitajia, jotka olisivat välttämättömiä foster-vanhemmille, jotta he saisivat tukea, jota he tarvitsivat. Low-code auttoi heitä rakentamaan sovelluksen, joka suoristi sertifioimisprosessin, yhdisti järjestelmiä eri virastojen kanssa, digitalisoi paperityöt ja loi keskitetyn tietokannan, jotta voitiin jäljitää sertifioituja hoitajia. Sovellus auttoi A4O:ta sertifioimaan 81 hoitajaa, ja sovelluksen jälkeen sen käyttö on vain kasvanut. Se on voimakas esimerkki siitä, miten low-code voi tehdä positiivisen, todellisen eron ihmisten elämässä, ja se oli vain yksi esimerkki.

Mitkä ovat synteettisen datan käytön ainutlaatuiset haasteet ja mahdollisuudet low-code-ympäristössä?

Synteettinen data vähentää luonnostaan tietosuojariskejä, koska se ei sisällä todellista henkilökohtaista tietoa, mikä tekee siitä helpomman noudattaa tietosuojasääntöjä (kuten GDPR) ja vähentää oikeudellista altistumista. Tietysti synteettisen datan käyttäminen on myös nopeampaa, halvempaa ja helpompaa kuin datan luominen alusta alkaen ja datan merkitseminen AI:n käyttöä varten, mikä voi olla joistakin projekteista poistettu tai epäkäytännöllistä.

Toisaalta synteettinen data voi sisältää epätarkkuuksia, harhaa ja myrkyllisyyttä, ja se voi jopa epäonnistua tallentamasta todellisen maailman käytön melua, poikkeamia ja koko skenaarioiden kirjoa — johtaa potentiaalisesti tuotantovirheisiin. Sen vuoksi on tarpeen asettaa rajoitukset paikalleen ja perustaa tiukka testaus- ja validointimenetelmä, joka laajentaa sovelluksen testausprosessia AI-tulosteen validointiin. Liiketoimintakriittisissä järjestelmissä on myös tärkeää pitää ihmisiä silmällä, jotta he voivat soveltaa oman harkintansa, antaen parhaan palautteen sovelluksesta itsessään. Kaikki tämä tarkoittaa, että meidän on otettava synteettinen data huomioon ja arvioitava sen vaikutusta.

Miten näet IT:n ja OT:n yhdistymisen kehittyvän, kun AI- ja low-code-työkalut otetaan käyttöön toimintaympäristöissä?

Minkä tahansa agentic AI-ratkaisun voima ja tarkkuus ovat kontekstin mukaan; datan laatu ja määrä ovat kriittisiä. Sen vuoksi on tärkeää, että teollisuuden, energian ja muiden teollisuuden alojen toimijoilla on vankka dataperusta, joka yhdistää sekä IT- että OT-dataa. Valitettavasti OT-data ei aina ole helppoa työstää. Esimerkiksi se on usein ilman selkeää metadataa tai skeemaa, joka ohjaisi sinua. Hyviä uutisia on, että on olemassa erikoistyökaluja OT-datan muuntamiseen ja täydentämiseen tarvittavilla metatiedoilla, valmistaaksesi sitä älykkäiden sovellusten käyttöön AI-värittynyt luominen sopivien datamallien avulla. Kun data on otettu sisään, OT-dataa voidaan käyttää yhdessä IT-datan kanssa sovelluksiin ja antaa kontekstia generatiiviselle AI:lle.

Kuinka erottaat AI-hypeä todellisesta innovaatiosta, kun muotoilet Mendixin tuotealueen suunnitelmaa entisenä Gartner-analyytikkona ja nykyisenä Mendixin strategian johtajana?

AI-hypen ja todellisen innovaation erottaminen vaatii kurinalaisen ja pragmaattisen lähestymistavan, mutta se on prosessi, jota olen hiotellut, kun trendit tulevat ja menevät. Ensisijaisesti osallistun suoraan asiakkaiden ja potentiaalisten asiakkaiden kanssa ymmärtääkseni heidän todelliset suunnitelmansa ja vaatimukset — siis, mitä he tarvitsevat liiketoimintansa eteen. Mendixin tuotejoukkue myös noudattaa testaa-ja-opesta-lähestymistapaa toimittamalla uusien ominaisuuksien MVP:t ja työskentelemällä läheisesti asiakkaiden kanssa keräämään palautetta ja vahvistamaan, ovatko nämä innovaatiot todella tuottavat konkreettista arvoa. Koska yhteistyö on tärkein tapa erottaa AI-hypeä, työskentelen myös aktiivisesti olemassa olevien kumppaneiden kanssa ja tutkin uusia kumppaneita, jotta saan lisää näkökulmia ja asiantuntemusta.

Lopulta hyödynnän kokemustani nykyisistä ja aiemmista uusista teknologian aalloista, ja pidän tiukasti silmällä kypsymisen tasoa ja omaksumisen kaarteita. Tämä auttaa todella erottamaan, mikä on spekulatiivista ja mikä on todennäköisesti saavuttava, jotta voimme priorisoida investoinnit, jotka tuottavat pitkän aikavälin vaikutuksen asiakkaillemme.

Kiitos haastattelusta, lukijat, jotka haluavat oppia enemmän, kannattaa vierailla Mendix.