Yazılım Geliştirme Yaşam Döngünüz Neden Yavaş?.

Geleneksel yazılım geliştirme yaşam döngüleri (SDLC), insanların ne kadar hızlı kod yazıp koordine edebileğine göre tasarlandı. Sprint’ler, manuel kalite kontrolleri ve inceleme devirleri, kod yazmanın işin en yavaş kısmı olduğu dönemde mantıklıydı. Yapay zeka ile geliştiriciler iki yıl öncesine kıyasla kodu çok daha hızlı yazıyor, yeniden düzenliyor ve belgeleyebilir oldu. Ancak aynı kuruluşların asıl ürünü ne kadar hızlı teslim edebildiği neredeyse hiç ilerlemedi.

Gartner’ın araştırması, yazılım mühendisliğinde yapay zekânın bu nedenlerden birini açıklıyor. Geliştiricilerin yarısından fazlası, yapay zekanın ekip çıktısını yüzde 10 veya daha az oranında artırdığını bildiriyor; bazıları ise hiç artış görmüyor. Çıktıyı artıran ekipler, yapay zekayı yalnızca kod yazma anına değil, tüm SDLC sürecine uyguluyor. Mühendlere kodu daha hızlı yazmanın bir yolu verdiğinizde ve sürecin gerisini değiştirmediğinizde ortaya çıkan şey, daha fazla kodun manuel incelemeye beklemesi oluyor; bu da üretime giden yolu yavaşlatıyor.

Bu senaryo, Dreamix’in kendi SDLC’sini yapay zeka etrafında yeniden kurmaya iten neden oldu — üstüne bir katman eklemek yerine. Yeniden curmanın nasıl göründüğü ve çoğu ekibin kazancı işe ulaşmadan önce nerede kaybettiği konusunda deneyimlerini paylaşıyorlar.

Küçük projelerde bir AI SDLC basit olabilir. Bir yapay zeka aracı kullanmadan önce, her özellik için net gereksinimler yazın: ne yapması gerektiği, ne yapmaması gerektiği ve ekibinin işe yaradığını nasıl bileceği. Yapay zeka bu gereksinimleri taslak halinde oluşturup keskinleştirmeye yardımcı olabilir. Bunları, kod üzerindeki her değişikliği takip eden aynı sisteme, ekibin kod standartlarıyla birlikte kaydedin. Böylece yapay zeka onları her görevde kural olarak okur ve başlangıctan sonra güncel kalır.

Ardından, yapay zeka ajanlarına kodu yazıp test etmek için dar ve iyi tanımlanmış bir kapsam verin. Modelin çok fazla alanı tahmin etmesi durumunda yaptığı olası görünen hataları azaltmak için sıkı bir kapsam önemlidir. Bir kişinin onaylamadan önce her değişikliği aynı kurallara göre kontrol edecek ikinci bir ajan veya mühendis atayın. İnceleme, incelemeyi yapan kişinin kodun yazıldığını izlemediği durumlarda en iyi şekilde işler; bu da önyargının önüne geçer.

Kurumsal ortamlar, daha fazla kişi ve daha sıkı düzenlemenin dahil olması nedeniyle aynı AI SDLC’nin daha sağlam bir sürümünü gerektirir. Bu tür çalışmalarında iş niyetini üç adıma bölerler:

– Yüksek seviyeli bir hedef, bir özellik spesifikasyonuna dönüşür
– Bir özellik spesifikasyonu bireysel yürütme görevlerine dönüşür
– Her kod parçası ve her test durumu onu meşrulaştiran gereksinime bağlanır

Bu izlenebilirlik, bir ekibin belirli bir mantığın neden var olduğunu açıklamasını sağlar ve denetim aylar sonra geldiğinde uyumluluk ekibinin ihtiyacı olan şeyi verir. Aynı disiplin, ekibin zaten kullandığı sistemlere de uygulanır. Yapay zeka iş akışı bilet araçlarına, kod depolarına ve onay zincirlerine bağlandığında, bir şey teslim edildiğinde kimse görev listelerini ve sürüm paketlerini elle yeniden oluşturmak zorunda kalmaz.

Bir değişikliği onaylayan kişi, onu üreten kişi olmamalıdır. Bu kural, üzerinde çalıştığım herhangi bir ekipteki insan mühendlere zaten uygulanır ve yapay zeka bunun istisnası değildir.

Yapay zeka araçlarıyla çalışmak yeni bir risk getirir: dakikalar içinde kodu ve belgeyi üreterek mühendleri inceleme yapmak yerine sürecin başında, gerçek riskin oturduğu yerde acele etmeye zorlayabilir.

Başlangıcta oluşturulan gereksinim ve spesifikasyon belgeleri, tüm yaşam döngüsünün en kritik parçasıdır çünkü aşağıdaki her şey bu hataları miras alır. Belirsiz veya muğlak bir gereksinim artık yalnızca belirsiz bir sonuç üretmez; hızlı, kendine güvenli ve yanlış bir sonuç üretir ve kimse farkına vardığında yapay zeka bunun üzerine birkaç şey daha inşa etmiştir.

Bu açığı kapatmak disiplin ister. Mühendisleür ürün sahipleri, bir spesifikasyonu inceleme ve iyileştirmeye harcanan süreyi ileride süre kazandıran bir iş olarak görmelidir. Karmaşık bir gereksinim belgesini doğru almak için iki ekstra gün harcamak, eski alternatif aynı hizalamaya ulaşmak için haftalarca toplantı yapmaktan iyi bir takastır. Bu yapılandırılmış, disiplinli inceleme sürecini benimseyen Dreamix ekipleri, kod kalitesinden vazgeçmeden yaklaşık olarak iki kat daha hızlı teslimat yapıyor.

Değişmemiş bir süreç içinde birkaç aracı güncellemek, herkesin beklediği kazancı üretmez. Bir AI SDLC, süreci kendisinin yeniden kurmak demektir; gerçek darboğazın artık nadiren kod olduğu yere göre. Gereksinimleri ve inceleme disiplinini doğru yaparsanız, yapay zekanın sunduğu hız işe ulaşır. Bu kısmı atlayacak olursanız, hız yalnızca boru biriktirmenin daha hızlı bir yolu olur.

Denis Danov, Dreamix Ltd.’nin CTO’sudur.

World Changing Ideas Ödülleri için erken ücret vadesi Cuma günü saat 11:59’da (PT) sona eriyor. Heute başvurun.