प्रोफेसर एरान याहव, टैबनाइन के सह-संस्थापक और सह-सीईओ – साक्षात्कार श्रृंखला

प्रोफेसर एरान याहव, टैबनाइन के सह-संस्थापक और सह-सीईओ, टेक्नियन – इज़राइल इंस्टीट्यूट ऑफ टेक्नोलॉजी में कंप्यूटर साइंस के प्रोफेसर हैं, जिनका शोध प्रोग्रामिंग भाषाओं, मशीन लर्निंग और सॉफ्टवेयर इंजीनियरिंग, विशेष रूप से प्रोग्राम सिंथेसिस और बड़े पैमाने पर कोड विश्लेषण पर केंद्रित है। अपने शैक्षणिक कार्य के साथ-साथ, उन्होंने वर्षों के शोध को व्यावहारिक डेवलपर टूल्स में लागू करने के लिए टैबनाइन (मूल रूप से कोडोटा) की सह-स्थापना की, जिससे एआई-संचालित कोड पूर्णता और स्वचालन में अग्रणी भूमिका निभाने में मदद मिली। उनका कार्य शिक्षा जगत और उद्योग के बीच सेतु का काम करता है, जिसका फोकस वास्तविक दुनिया के एंटरप्राइज़ वातावरण के लिए एआई-जनित कोड को अधिक विश्वसनीय, सुरक्षित और संदर्भ-जागरूक बनाने पर है।

टैबनाइन एक एआई-संचालित कोडिंग प्लेटफॉर्म है जिसे सॉफ्टवेयर विकास के पूरे जीवनचक्र में, कोड लिखने और डीबग करने से लेकर टेस्ट और दस्तावेज़ीकरण जनरेट करने तक, डेवलपर्स की सहायता के लिए डिज़ाइन किया गया है। मूल रूप से एक कोड पूर्णता टूल के रूप में लॉन्च किया गया, यह एक व्यापक एंटरप्राइज़-केंद्रित प्लेटफॉर्म में विकसित हो गया है जो जेनरेटिव एआई और एजेंट-आधारित वर्कफ़्लो को एकीकृत करता है, जिससे टीमें गोपनीयता, सुरक्षा और अनुपालन पर मजबूत नियंत्रण बनाए रखते हुए जटिल विकास कार्यों को स्वचालित कर सकती हैं। दर्जनों प्रोग्रामिंग भाषाओं के समर्थन और प्रमुख आईडीई में एकीकरण के साथ, टैबनाइन का लक्ष्य डेवलपर उत्पादकता में सुधार करना है, साथ ही यह सुनिश्चित करना है कि एआई-जनित कोड विश्वसनीय बना रहे और संगठनात्मक मानकों के अनुरूप रहे।

आपने टेक्नियन में वर्षों तक प्रोग्राम विश्लेषण और सिंथेसिस पर शोध किया है और पहले आईबीएम रिसर्च में काम किया है। सॉफ्टवेयर विकास में किस समस्या ने आपको टैबनाइन की सह-स्थापना करने के लिए प्रेरित किया, और आपके शैक्षणिक शोध ने कंपनी के मूल दृष्टिकोण को कैसे आकार दिया?

मेरा शैक्षणिक कार्य प्रोग्राम विश्लेषण और सिंथेसिस पर केंद्रित था, जो अनिवार्य रूप से मशीनों को कोड समझने और उत्पन्न करने के बारे में सिखाने से संबंधित है। मैंने प्रोग्राम विश्लेषण पर अपनी पीएचडी की, और यहीं पर मैंने अपने अनुप्रयुक्त शोध कार्य के पहले कुछ वर्ष भी बिताए। प्रोग्राम विश्लेषण के साथ सॉफ्टवेयर गुणवत्ता की समस्याओं से निपटने से यह स्पष्ट हो गया कि एक बार प्रोग्राम गलत तरीके से लिखे जाने के बाद कुछ समस्याओं को हल करना बहुत कठिन होता है। एक औंस रोकथाम एक पाउंड इलाज के बराबर है, अगर आप कहें तो। इसने मुझे यह विश्वास दिलाया कि सॉफ्टवेयर गुणवत्ता को संबोधित करने का सही तरीका प्रोग्राम सिंथेसिस है, और यही वह क्षेत्र है जहाँ मैंने अपने शोध का अधिकांश समय और ऊर्जा खर्च की।

मैंने शुरुआत में समवर्ती प्रोग्राम के लिए प्रोग्राम सिंथेसिस पर काम किया, अनुक्रमिक प्रोग्राम से समवर्ती प्रोग्राम के निर्माण को स्वचालित करने का प्रयास किया। फिर मैं मशीन लर्निंग का उपयोग करते हुए अधिक सामान्य रूप से लागू होने वाले प्रोग्राम सिंथेसिस पर स्विच कर गया।

मशीन लर्निंग का उपयोग करते हुए प्रोग्राम सिंथेसिस टैबनाइन को शक्ति प्रदान करने वाला मूलभूत विचार भी था। यह विचार, जो अब स्पष्ट प्रतीत होता है, यह था कि मॉडल कोड के बड़े संग्रह से सीधे कोडिंग पैटर्न सीख सकते हैं और डेवलपर्स की वास्तविक समय में सहायता कर सकते हैं। यह सामान्य विचार सॉफ्टवेयर विकास जीवनचक्र के सभी चरणों में लागू होता है – कोड निर्माण से लेकर कोड समीक्षा, तैनाती और उससे आगे तक।

दृष्टि हमेशा मानव डेवलपर को ऐसे उपकरण प्रदान करके उनकी क्षमता बढ़ाने की रही है जो विकास प्रक्रिया को तेज करते हैं और घर्षण को दूर करते हैं। सॉफ्टवेयर विकास एक रचनात्मक और समस्या-समाधान करने वाला अनुशासन है, और लक्ष्य यह था कि एआई नियमित कार्यों को संभालकर और डेवलपर्स को प्रवाह में बने रहने में मदद करके इस प्रक्रिया से घर्षण को दूर करे। वह दृष्टि आज भी हमारा मार्गदर्शन करती है, हालांकि प्रौद्योगिकी उन शुरुआती दिनों से काफी विकसित हो चुकी है।

टैबनाइन ने एआई कोडिंग सहायकों में तब अग्रणी भूमिका निभाई जब ओपनएआई के मॉडल जैसे टूल्स के साथ जेनरेटिव एआई मुख्यधारा में आने से वर्षों पहले था। पीछे मुड़कर देखें तो, उन शुरुआती दिनों से सॉफ्टवेयर विकास में एआई की भूमिका कैसे विकसित हुई है, और कोडिंग को-पायलट्स की पहली लहर से उद्योग ने क्या सबक सीखा?

एआई कोडिंग सहायकों की सबसे पहली पीढ़ी मुख्य रूप से भविष्यवाणी पर केंद्रित थी। वे अनिवार्य रूप से उन्नत ऑटोकम्प्लीट सिस्टम थे जो अगली पंक्ति या फ़ंक्शन की भविष्यवाणी करके डेवलपर्स को तेजी से कोड लिखने में मदद करते थे।

एजेंट लूप्स के साथ जो बदलाव आया है, वह यह है कि अब एआई अधिक स्वायत्तता के साथ कार्यों को संभाल सकता है, यहाँ तक कि हम एजेंटों (उचित मार्गदर्शन के साथ) को स्वतंत्र जूनियर डेवलपर्स मान सकते हैं।

लेकिन इसने उद्योग को एक महत्वपूर्ण सबक भी सिखाया है। एंटरप्राइज़ सॉफ्टवेयर विकास के लिए केवल कच्ची मॉडल क्षमता पर्याप्त नहीं है। सार्वजनिक डेटा पर प्रशिक्षित मॉडल प्रभावशाली आउटपुट उत्पन्न कर सकते हैं, लेकिन वे अक्सर किसी संगठन की आर्किटेक्चर, निर्भरताओं और परंपराओं के प्रति जागरूकता से रहित होते हैं।

इसीलिए विकास का अगला चरण केवल बड़े मॉडल या बड़े संदर्भ विंडो के बारे में नहीं है, बल्कि उन मॉडलों को उस वास्तविक संदर्भ से जोड़ने के बारे में है जिसमें सॉफ्टवेयर बनाया जाता है।

कई उद्यम यह खोज रहे हैं कि एआई एजेंटों को स्केल करने के लिए केवल बड़े मॉडल से अधिक की आवश्यकता होती है—इसके लिए गहन संगठनात्मक संदर्भ की आवश्यकता होती है। आपका मानना है कि विश्वसनीय एआई-संचालित विकास के लिए संदर्भ वास्तविक सीमांत क्यों बन रहा है?

सॉफ्टवेयर सिस्टम संबंधों के जटिल नेटवर्क होते हैं। एक एकल परिवर्तन कई सेवाओं, एपीआई या डाउनस्ट्रीम घटकों को प्रभावित कर सकता है।

आज के एआई मॉडल संभावित कोड उत्पन्न करने में बहुत अच्छे हैं, लेकिन वे अक्सर उन संबंधों की संरचित समझ के बिना काम करते हैं। उस समझ के बिना, एआई किसी परिवर्तन के परिणामों के बारे में विश्वसनीय रूप से तर्क नहीं कर सकता है।

उद्यम जो खोज रहे हैं, वह यह है कि एआई सिस्टम की विश्वसनीयता उस संदर्भ की गुणवत्ता पर निर्भर करती है जिसमें वे काम करते हैं। यदि कोई एआई सिस्टम सिस्टम की आर्किटेक्चर, सेवाओं के बीच की निर्भरताओं और संगठन के कोडिंग मानकों को समझता है, तो वह ऐसा कोड उत्पन्न कर सकता है जो उस सिस्टम के वास्तविक काम करने के तरीके के बहुत अधिक अनुरूप हो।

इस अर्थ में, संदर्भ एंटरप्राइज़ एआई विकास के लिए अगला सीमांत बन रहा है।

आपका नया एंटरप्राइज़ कॉन्टेक्स्ट इंजन एआई एजेंटों को किसी संगठन की आर्किटेक्चर, निर्भरताओं और इंजीनियरिंग प्रथाओं की संरचित समझ देने का लक्ष्य रखता है। यह दृष्टिकोण सामान्य तरीकों जैसे कि रिट्रीवल-ऑगमेंटेड जेनरेशन से कैसे भिन्न है, जिस पर कई कंपनियाँ वर्तमान में निर्भर हैं?

रिट्रीवल-ऑगमेंटेड जेनरेशन एक उपयोगी तकनीक है। यह मॉडल को कोई उत्तर जनरेट करते समय प्रासंगिक दस्तावेज़ या कोड स्निपेट खींचने की अनुमति देती है।

लेकिन केवल रिट्रीवल से समझ पैदा नहीं होती। यह जानकारी तक पहुंच प्रदान करता है, संरचना नहीं।

एंटरप्राइज़ कॉन्टेक्स्ट इंजन को सॉफ्टवेयर वातावरण का एक संरचित प्रतिनिधित्व बनाकर आगे बढ़ने के लिए डिज़ाइन किया गया है। यह रिपॉजिटरी, सेवाओं, निर्भरताओं, एपीआई और आर्किटेक्चरल संबंधों का विश्लेषण करता है और उन्हें इस बात के मॉडल में व्यवस्थित करता है कि सिस्टम वास्तव में कैसे काम करता है।

इससे एआई सिस्टम घटकों के बीच संबंधों के बारे में तर्क कर सकते हैं, न कि केवल पाठ के टुकड़े पुनर्प्राप्त कर सकते हैं। जटिल एंटरप्राइज़ वातावरण के लिए, यह अंतर बहुत महत्वपूर्ण हो जाता है।

एआई कोडिंग टूल्स ऑटोकम्प्लीट सुझावों से स्वायत्त एजेंटों में विकसित हो रहे हैं जो बहु-चरण वर्कफ़्लो को निष्पादित करने में सक्षम हैं। आप अगले पांच वर्षों में मानव डेवलपर्स और एजेंटिक सिस्टम के बीच संतुलन को कैसे बदलते हुए देखते हैं?

एआई एजेंट तेजी से नियमित विकास कार्यों को संभालेंगे। वे पहले से ही एंड-टू-एंड फीचर्स को लागू करने में सक्षम हैं, जिसमें