Tabnine'nin Kurucu Ortağı ve Eş CEO'su Profesör Eran Yahav ile Röportaj Serisi

Profesör Eran YahavTabnine'nin Kurucu Ortağı ve Eş CEO'su, Technion – İsrail Teknoloji Enstitüsü'nde bilgisayar bilimleri profesörüdür ve araştırmaları programlama dilleri, makine öğrenimi ve yazılım mühendisliği, özellikle program sentezi ve büyük ölçekli kod analizi üzerine odaklanmaktadır. Akademik çalışmalarının yanı sıra, yıllarca süren araştırmalarını pratik geliştirici araçlarına uygulamak amacıyla Tabnine'yi (başlangıçta Codota) kurmuş ve yapay zeka destekli kod tamamlama ve otomasyonunda öncü rol oynamıştır. Çalışmaları, yapay zeka tarafından üretilen kodu gerçek dünya kurumsal ortamları için daha güvenilir, güvenli ve bağlam duyarlı hale getirmeye odaklanarak akademi ve endüstri arasında köprü kurmaktadır.

tabnine Tabnine, yazılım geliştirme yaşam döngüsünün tamamında, kod yazmaktan ve hata ayıklamaktan test ve dokümantasyon oluşturmaya kadar geliştiricilere yardımcı olmak üzere tasarlanmış, yapay zeka destekli bir kodlama platformudur. Başlangıçta bir kod tamamlama aracı olarak piyasaya sürülen Tabnine, üretken yapay zeka ve ajan tabanlı iş akışlarını entegre eden, daha geniş bir kurumsal odaklı platforma dönüşmüştür. Bu sayede ekipler, gizlilik, güvenlik ve uyumluluk üzerinde güçlü kontroller sağlarken karmaşık geliştirme görevlerini otomatikleştirebilirler. Düzinelerce programlama dilini destekleyen ve büyük IDE'lerle entegrasyon sağlayan Tabnine, geliştirici verimliliğini artırmayı hedeflerken, yapay zeka tarafından oluşturulan kodun güvenilir ve kurumsal standartlarla uyumlu kalmasını sağlamayı amaçlamaktadır.

Technion'da yıllarca program analizi ve sentezi üzerine araştırmalar yaptınız ve daha önce IBM Araştırma'da çalıştınız. Yazılım geliştirmedeki hangi sorun sizi Tabnine'i kurmaya ikna etti ve akademik araştırmalarınız şirketin orijinal vizyonunu nasıl şekillendirdi?

Akademik çalışmalarım, özünde makinelerin kodu anlamayı ve üretmeyi öğrenmesiyle ilgili olan program analizi ve sentezi üzerine yoğunlaştı. Doktora tezimi Program Analizi üzerine yazdım ve uygulamalı araştırma çalışmalarımın ilk birkaç yılını da burada geçirdim. Yazılım kalitesi sorunlarını program analiziyle ele almak, bazı sorunların program yanlış yazıldıktan sonra çözülmesinin çok zor olduğunu açıkça ortaya koydu. Bir gram önlem, bir kilo tedaviye bedeldir, diyebiliriz. Bu da beni, yazılım kalitesini ele almanın doğru yolunun Program Sentezi yoluyla olduğuna ikna etti ve araştırma zamanımın ve enerjimin büyük çoğunluğunu burada harcadım.

Başlangıçta eşzamanlı programlar için Program Sentezi üzerinde çalıştım ve sıralı programlardan eşzamanlı programlar oluşturmayı otomatikleştirmeye çalıştım. Daha sonra makine öğrenimi kullanarak daha genel olarak uygulanabilir bir program sentezine geçtim.

Makine öğrenimi kullanarak program sentezi, Tabnine'in temel fikrini de oluşturuyordu. Şimdi oldukça açık görünen bu fikir, modellerin büyük kod kümelerinden doğrudan kodlama kalıplarını öğrenebileceği ve geliştiricilere gerçek zamanlı olarak yardımcı olabileceğiydi. Bu genel fikir, yazılım geliştirme yaşam döngüsünün tüm aşamalarında uygulanabilir; kod oluşturmadan kod incelemesine, dağıtıma ve ötesine kadar.

Vizyonumuz her zaman, geliştirme sürecini hızlandıran ve sürtünmeyi ortadan kaldıran araçlar sağlayarak insan geliştiriciyi desteklemek olmuştur. Yazılım geliştirme yaratıcı ve problem çözme odaklı bir disiplindir ve amaç, yapay zekanın rutin görevleri üstlenerek ve geliştiricilerin akışta kalmasına yardımcı olarak süreçteki sürtünmeyi ortadan kaldırmasıydı. Teknoloji o ilk günlerden bu yana önemli ölçüde gelişmiş olsa da, bu vizyon bugün de bize yol gösteriyor.

Tabnine, OpenAI'nin modelleri gibi araçlarla üretken yapay zekanın yaygınlaşmasından yıllar önce yapay zeka kodlama asistanlarına öncülük etti. Geriye baktığımızda, yapay zekanın yazılım geliştirmedeki rolü o ilk günlerden bu yana nasıl evrimleşti ve sektör ilk kodlama yardımcılarından hangi dersleri çıkardı?

Yapay zekâ destekli kodlama asistanlarının ilk nesli öncelikle tahmine odaklanmıştı. Bunlar esasen, geliştiricilerin bir sonraki satırı veya fonksiyonu tahmin ederek daha hızlı kod yazmalarına yardımcı olan gelişmiş otomatik tamamlama sistemleriydi.

Ajan döngülerinde değişen şey, yapay zekanın artık görevleri daha fazla özerklikle yerine getirebilmesidir; öyle ki, (uygun yönlendirme ile) ajanları bağımsız genç geliştiriciler olarak değerlendirebiliriz.

Ancak bu durum sektöre önemli bir ders de verdi. Kurumsal yazılım geliştirme için ham model yeteneği yeterli değil. Kamu verileri üzerinde eğitilmiş modeller etkileyici çıktılar üretebilir, ancak genellikle bir kuruluşun mimarisi, bağımlılıkları ve kuralları hakkında bilgi sahibi değillerdir.

Bu nedenle evrimin bir sonraki aşaması sadece daha büyük modeller veya daha geniş bağlam pencereleriyle ilgili değil, bu modelleri yazılımın oluşturulduğu gerçek bağlamla ilişkilendirmekle ilgilidir.

Birçok işletme, yapay zeka ajanlarını ölçeklendirmenin daha büyük modellerden daha fazlasını gerektirdiğini, daha derin bir kurumsal bağlam gerektirdiğini keşfediyor. Sizce bağlam, güvenilir yapay zeka tabanlı geliştirme için gerçek sınır haline neden geliyor?

Yazılım sistemleri karmaşık ilişki ağlarıdır. Tek bir değişiklik, birden fazla hizmeti, API'yi veya alt bileşenleri etkileyebilir.

Günümüzdeki yapay zeka modelleri, mantıklı kod üretmede çok başarılıdır, ancak genellikle bu ilişkilerin yapılandırılmış bir anlayışına sahip olmadan çalışırlar. Bu anlayış olmadan, yapay zeka bir değişikliğin sonuçları hakkında güvenilir bir şekilde akıl yürütemez.

İşletmelerin keşfettiği şey, yapay zeka sistemlerinin güvenilirliğinin, çalıştıkları bağlamın kalitesine bağlı olduğudur. Bir yapay zeka sistemi, sistemin mimarisini, hizmetler arasındaki bağımlılıkları ve kuruluşun kodlama standartlarını anlarsa, sistemin gerçekte nasıl çalıştığıyla çok daha yakından uyumlu kod üretebilir.

Bu anlamda, bağlam, kurumsal yapay zeka geliştirme alanında bir sonraki sınır haline geliyor.

Yeni Kurumsal Bağlam Motorunuz, yapay zeka ajanlarına bir kuruluşun mimarisi, bağımlılıkları ve mühendislik uygulamaları hakkında yapılandırılmış bir anlayış kazandırmayı amaçlıyor. Bu yaklaşım, birçok şirketin şu anda güvendiği, bilgiye dayalı üretim gibi yaygın yöntemlerden nasıl farklılık gösteriyor?

Veri alma destekli üretim, kullanışlı bir tekniktir. Modellerin bir yanıt oluştururken ilgili belgeleri veya kod parçacıklarını kullanmasına olanak tanır.

Ancak bilgiye erişim tek başına anlama yaratmaz. Bilgiye erişim sağlar, yapı sağlamaz.

Kurumsal Bağlam Motoru, yazılım ortamının yapılandırılmış bir temsilini oluşturarak daha da ileri gitmek üzere tasarlanmıştır. Depoları, hizmetleri, bağımlılıkları, API'leri ve mimari ilişkileri analiz eder ve bunları sistemin gerçekte nasıl çalıştığına dair bir model halinde düzenler.

Bu, yapay zeka sistemlerinin yalnızca metin parçalarını almak yerine bileşenler arasındaki ilişkiler hakkında akıl yürütmesine olanak tanır. Karmaşık kurumsal ortamlar için bu ayrım çok önemli hale gelir.

Yapay zekâ kodlama araçları, otomatik tamamlama önerilerinden çok adımlı iş akışlarını yürütebilen otonom ajanlara doğru evrim geçiriyor. Önümüzdeki beş yıl içinde insan geliştiriciler ve ajan tabanlı sistemler arasındaki dengenin nasıl değişeceğini düşünüyorsunuz?

Yapay zekâ ajanları giderek daha fazla rutin geliştirme görevlerini üstlenecek. Zaten test ve dokümantasyon da dahil olmak üzere uçtan uca özellikleri uygulama yeteneğine sahipler. Her geliştirici, yapay zekâ geliştiricilerinden oluşan bir ekibin lideri olacak. En büyük zorluk, gereksinimleri bu ekibe iletmek ve oluşturulan çıktıların belirtilen gereksinimlerle eşleştiğini doğrulamak olacaktır.

Ancak yazılım geliştirme temelde problem çözme ve tasarımla ilgilidir. İnsan geliştiriciler mimariyi tanımlamaya, ödünler vermeye ve sistemlerin genel yönünü belirlemeye devam edeceklerdir.

Değişecek olan şey, geliştiricilerin çalıştığı soyutlama düzeyidir. Geliştiriciler, kod yazmaya odaklanmak yerine, giderek daha üst düzey iş akışlarını yönetecek ve bu iş akışlarının bazı kısımlarını yürüten yapay zeka sistemleriyle iş birliği yapacaklardır.

Başka bir deyişle, yapay zeka mekanik işlerin daha büyük bir kısmını üstlendikçe, geliştiricilerin rolü daha stratejik hale geliyor.

Tabnine, kurumsal kullanıcıların bazı ortamlarda yapay zeka tarafından üretilen kodun kabul oranlarının %80 civarına ulaştığını görebildiğini belirtmiştir. Kuruluşlar, yapay zeka kodlama araçlarının sadece daha fazla kod üretmek yerine gerçekten geliştirici verimliliğini artırıp artırmadığını belirlemek için hangi ölçütleri kullanmalıdır?

Asıl soru, yapay zekanın ne kadar kod ürettiği değil, gerçekte ne kadar faydalı iş ürettiğidir.

Kuruluşların takip etmesi gereken çeşitli ölçütler vardır. Bunlardan biri, yapay zeka tarafından üretilen kodun ne sıklıkla değişiklik yapılmadan kullanılabildiğini ölçen ilk geçiş kabul oranlarıdır. Diğeri ise inceleme döngüsü süresidir; bir çekme isteğinin birleştirilebilmesi için kaç yineleme gerektiğidir.

Kuruluşlar ayrıca, geliştiricilerin yeniden çalışma için harcadığı zamanı ve geliştirme aşamasından üretime geçiş için gereken süreyi de göz önünde bulundurmalıdır.

Yapay zeka araçları gerçekten verimliliği artırıyorsa, bu ölçütlerde iyileşmeler görmelisiniz. Geliştiriciler, üretilen kodu düzeltmek için daha az zaman harcar ve daha yüksek değerli görevler üzerinde çalışmaya daha fazla zaman ayırır.

Şirketler, tescilli kodlarını dış modellere ifşa etme konusunda hâlâ temkinli davranıyor. "Güvenilir Yapay Zeka Kodlaması" kavramı, yapay zeka geliştirme araçlarının kurumsal olarak benimsenmesini yavaşlatan yönetişim, gizlilik ve uyumluluk endişelerini nasıl ele alıyor?

Yapay zekanın işletmeler tarafından benimsenmesinde güven en önemli faktörlerden biridir.

Yapay zekâ mühendisinin hayata geçirilmesindeki en büyük zorluk güvendir. Yapay zekâ mühendisinin kritik yazılım mühendisliği görevlerini otonom olarak tamamlayacağına nasıl güvenebiliriz? Eylemlerinin kalite, güvenlik ve politikalarımıza uygunluk beklentilerimizle örtüşmesini nasıl sağlayabiliriz? Yapay zekâ mühendisi, mühendislik ekiplerimizin kabul görmüş bir üyesi olacaksa, iyi değerlendirilmiş ve uygun şekilde işe alınmış ekip arkadaşlarımız kadar güvenilir olmalıdır.

Bu zorluğun üstesinden gelmek iki temel unsura dayanmaktadır:

• KişiselleştirmeYapay zeka mühendisine kuruluşunuz, kod tabanınız ve en iyi uygulamalarınız hakkında derinlemesine bilgi kazandırmak.
• ControlHem yapay zeka tarafından üretilen hem de insanlar tarafından yazılan tüm kodların kuruluşunuzun kalite, güvenlik, performans ve güvenilirlik standartlarını karşılamasını sağlamak için sağlam sistemler uygulamak.

Ayrıca, Güvenilir Yapay Zeka Kodlaması, kuruluşlara yapay zekanın nasıl kullanılacağı konusunda kontrol imkanı vermek ve merkezi yönetişim ve denetimi sağlamak anlamına gelir.

Kurumsal yapay zeka yığınının temel katmanlarından birinin, önceki bilişim çağlarındaki veritabanları veya bulut altyapısı gibi, organizasyonel bağlam olabileceğini öne sürdünüz. Bu gelecekteki mimari nasıl görünecek?

Kurumsal teknolojinin nasıl geliştiğine baktığımızda, sıklıkla yeni altyapı katmanlarının ortaya çıktığını görüyoruz.

Veritabanları, veri yönetiminin temeli haline geldi. Bulut platformları ise uygulamaları büyük ölçekte çalıştırmanın temeli oldu.

Yapay zekâ çağında, kuruluşların yapay zekâ sistemlerinin işletmenin iç yapısını -sistemlerini, ilişkilerini ve operasyonel kısıtlamalarını- anlamasına olanak tanıyan bir altyapıya ihtiyaçları olacaktır.

Bu altyapı katmanı, kodlama asistanları, destek ajanları veya operasyonel otomasyon araçları gibi birden fazla yapay zeka sisteminin kullanabileceği yapılandırılmış bir bağlam sağlayacaktır.

Bu anlamda, bağlam, kurumsal yapay zeka için ortak bir temel haline gelir.

Birçok şirket, tek bir temel modele sıkıca bağlı kodlama asistanları geliştiriyor. Tabnine ise işletmelerin ihtiyaçlarına bağlı olarak farklı modelleri birbirine bağlamasına olanak tanıyor. Kurumsal yapay zeka geliştirme araçlarının uzun vadeli evrimi için model esnekliği neden önemlidir?

Yapay zeka ekosistemi çok hızlı bir şekilde gelişiyor. Sık sık yeni modeller piyasaya sürülüyor ve farklı modellerin genellikle farklı alanlarda güçlü yönleri bulunuyor.

İşletmelerin, model ortamı her değiştiğinde geliştirme iş akışlarını yeniden tasarlamak zorunda kalmamaları gerekir. Kuruluşların modeller arasında seçim yapmalarına ve geçiş yapmalarına olanak tanıyarak, yapay zeka stratejilerini geleceğe hazırlamalarına yardımcı olan esneklik sağlıyoruz.

Model esnekliği, kuruluşların performans, maliyet, gizlilik gereksinimleri ve dağıtım kısıtlamaları arasında denge kurmasına da olanak tanır.

Uzun vadede, işletmelerin çok modelli bir ortamda faaliyet göstermesi muhtemeldir ve geliştirme platformları bu gerçeklik göz önünde bulundurularak tasarlanmalıdır.

Günümüzde yapay zeka geliştirme platformlarını değerlendiren CTO'lar ve mühendislik liderleri için, kuruluşlar yapay zeka kodlama araçlarını kullanırken en büyük hataları yapıyorlar ve bunlardan nasıl kaçınabilirler?

Sık yapılan bir hata, yalnızca modelin yeteneklerine odaklanmaktır. Daha büyük modeller kesinlikle kritik bir bileşendir, ancak gerçek dünya ortamlarındaki güvenilirlik, yapay zekanın içinde çalıştığı sistemi ne kadar iyi anladığına bağlıdır.

Bir diğer hata ise, yönetişim ve güvenlik gereksinimlerini dikkate almadan yapay zeka araçlarını kullanıma sunmaktır. İşletmelerin koda nasıl erişileceği, modellerin nasıl dağıtılacağı ve çıktıların nasıl doğrulanacağı konusunda net politikalara ihtiyacı vardır.

Son olarak, kuruluşlar bazen yapay zekanın iş akışlarını uyarlamadan veya yeterli bağlam sağlamadan anında verimlilik artışı sağlamasını beklerler. Başarılı uygulamalar genellikle yapay zekanın mevcut geliştirme süreçlerine entegre edilmesini ve kuruluşun koduna ve mimarisine bağlanmasını içerir.

Bu unsurlar bir araya geldiğinde, yapay zeka sadece bir araç olmaktan ziyade yazılım geliştirme için güçlü bir hızlandırıcı haline gelebilir.

Harika röportaj için teşekkürler, daha fazla bilgi edinmek isteyen okuyucular ziyaret etmelidir. tabnine.