Yapay zekâ kodlama ajanları dakikalar içinde kod üretebiliyor; ancak bu hız, yazılım geliştirmenin sonraki aşamalarındaki işleri artırıyor. Mühendislerin kodu anlaması, hataları bulması ve olayları araştırması gerekiyor. Kod tabanları karmaşıklaştıkça bu görevler zorlaşabiliyor.
Makale, yinelenen mantığın ve üst üste eklenen değişiklik katmanlarının yapay zekânın ürettiği kodu takip etmeyi güçleştirebildiğini belirtiyor. Makalede aktarılan ankete göre, mühendislik liderlerinin onda dokuzu C/C++ kod tabanları gibi karmaşık ortamlarda kodu anlama ve hata ayıklamanın daha uzun sürdüğünü söyledi. Kod üretimi kolaylaşsa da liderlerin %79'u sürüm döngülerinin hızlanmadığını belirtti.
Hata ayıklama ajanları, program çalışırken neler olduğuna ilişkin kanıtlardan da yoksun olabilir. Kaynak kodu, günlük kayıtları ve belgeler amaçlanan davranışı anlatır; ancak canlı bir sistemde ne yaşandığını göstermeyebilir. Makaleye göre, mühendislik kuruluşlarının %93'ünde bir sorunun temel nedeni yapay zekâ halüsinasyonu yüzünden yanlış teşhis edildi. Ayrıca ekiplerin %37'si, kodu anlama ve hata ayıklama için yapay zekâ ajanlarını yalnızca basit kod tabanlarında kullanıyor.
Makale, Birleşik Krallık'ın (UK) ulusal hava trafik kontrolöründeki bir kesintinin arkasında eski bir yazılım hatası bulunduğunu; kesintinin 2.000 uçuşun iptaline ve günlerce süren aksaklığa yol açtığını aktarıyor. Undo'nun kurucu ortağı ve CTO'su Greg Law, ajanların sorunların temel nedenlerini izleyebilmesi için yazılımın davranışına dair daha iyi kanıtlara ihtiyaç duyduğunu savunuyor. Bu rakamlar ve öneriler makalede aktarılıyor; sağlanan metinde anketlerin dayanağına ilişkin ayrıntı bulunmuyor.
Yorumlar
0Henüz yorum yok. İlk yorumu siz yazın.