غالبًا ما يعمل النظام بشكل غير متزامن داخل سير العمل البرمجي، حيث يقوم بتحليل الكود وتحضير الإصلاحات بينما يواصل المطورون العمل على المشروع.
رغم درجة الأتمتة العالية، يعتمد النظام على نموذج يسمى Human‑in‑the‑loop.
هذا يعني أن الأداة لا تعدّل الكود الإنتاجي تلقائيًا. بدلاً من ذلك، تقوم بتقديم إصلاحات مقترحة يجب على المطورين مراجعتها والموافقة عليها قبل دمجها في المشروع.
وبذلك يتحقق توازن مهم:
هذا النهج يسمح للشركات باستخدام أدوات الذكاء الاصطناعي في البرمجة دون الاعتماد الكامل على أنظمة آلية لتغيير البرمجيات الحساسة.
التقنية التي تقوم عليها الأداة تعود إلى مشروع بحثي يسمى AutoCodeRover، طوره باحثون في جامعة سنغافورة الوطنية (NUS).
كان المشروع يركز على إصلاح البرامج تلقائيًا باستخدام نماذج اللغة الكبيرة مع تقنيات متقدمة للبحث في الكود وتحليل المشكلات. وكان النظام قادرًا على تحليل الأخطاء داخل مستودعات البرمجيات وتوليد تصحيحات لها.
وبذلك تحولت الفكرة البحثية إلى ميزة تجارية داخل منظومة SonarQube المستخدمة على نطاق واسع في تطوير البرمجيات.
كان لسنغافورة دور مهم في تطوير وإطلاق هذه التقنية.
هذا التعاون بين الجامعات والهيئات الحكومية وشركات التكنولوجيا يوضح كيف يمكن تحويل الابتكار البحثي إلى أدوات عملية تستخدمها المؤسسات حول العالم.
مع تزايد اعتماد الشركات على الذكاء الاصطناعي في كتابة البرمجيات، لم تعد أدوات توليد الكود وحدها كافية. بل أصبحت أدوات التحقق والإصلاح المستمر جزءًا أساسيًا من دورة تطوير البرمجيات.
بدون هذه الأدوات، قد تواجه المؤسسات:
لذلك تهدف أدوات مثل SonarQube Remediation Agent إلى إنشاء طبقة تحقق مستمرة للبرمجيات المكتوبة بمساعدة الذكاء الاصطناعي، بحيث يتم اكتشاف الأخطاء وإصلاحها والتحقق منها قبل وصولها إلى بيئة الإنتاج.
في النهاية، مع قدرة الذكاء الاصطناعي على كتابة الكود خلال ثوانٍ، أصبح التحدي الحقيقي في هندسة البرمجيات هو التأكد من أن هذا الكود آمن وموثوق قبل استخدامه في الأنظمة الحقيقية.
Comments
0 comments