Google-ийн шинээр бичигдсэн байгаа кодын 75%-ийг AI бичиж байна. Хөгжүүлэгчид юу хийж байна?

Google-ийн дотоод кодын дийлэнх хэсгийг (төсөл болон хөгжүүлэлтийн үе шатаас хамааран 75% хүртэлх хэмжээг) хиймэл оюун ухаан буюу AI бичиж байна гэсэн мэдээлэл технологийн салбарт маш том дохио өглөө. Энэ нь зөвхөн хөгжүүлэлтийн хурд нэмэгдэж байгааг илтгэхээс гадна, инженерийн багийн үндсэн үүрэг, хариуцлага сууриараа өөрчлөгдөж буйг харуулж байна.

CTO, үүсгэн байгуулагчид болон инженерийн удирдлагуудын хувьд нэгэн чухал асуулт гарч байгаа нь “Хэрэв AI кодын ихэнх хэсгийг автоматаар бичиж байгаа бол, туршлагатай хөгжүүлэгчид маань яг юу хийж байна вэ? Тэднийг хэрхэн үр дүнтэй удирдах вэ”?

Тэд ажилгүй болоогүй. Харин тэдний үүрэг код бичигчээс системийн архитектор, хянагч, эрсдэлийн менежер болон өргөжиж байна. Энэхүү нийтлэл нь AI-д суурилсан хөгжүүлэлтийн үйл явц хэрхэн ажилладаг, инженерийн багийн бүтцийг хэрхэн шинэчлэх, ямар чухал шийдвэрүүд гаргах шаардлагатай, мөн энэхүү шилжилтийн үед үүсэх бодит эрсдэлүүдийг хэрхэн удирдах тухай техникийн болон стратегийн гүнзгий ойлголт өгөх болно.

Инженерийн багийн шинэ бодит байдал: Код бичихээс Архитектур руу

Уламжлалт програм хангамж хөгжүүлэлтийн хувьд багийн цаг хугацааны ихэнх хэсэг нь синтаксын алдаа хайх, сангуудын (libraries) баримт бичиг унших, эсвэл дахин давтагдах код (boilerplate) бичихэд зарцуулагддаг байсан. Харин AI энэхүү механик ажлыг гүйцэтгэх болсноор инженерийн үнэ цэнэ өөр түвшинд шилжиж байна.

Хөгжүүлэгчид одоо дараах гурван үндсэн чиглэлд төвлөрөн ажиллаж байна:

1. Бизнесийн логикийг техникийн шийдэлд буулгах: AI нь хэрэглэгчийн шаардлага буюу бизнесийн чухал логикийг бүрэн ойлгож чадахгүй. Тиймээс хөгжүүлэгч тухайн системийн бизнесийн үнэ цэнэ, хэрэглэгчийн урсгалыг тодорхойлж, AI-д өгөх даалгаврыг (prompting & context) маш нарийн боловсруулах шаардлагатай болдог.
2. Системийн дизайн ба архитектур: Олон мянган жижиг функцүүдийг нэгтгэж, өргөтгөх боломжтой (scalable), аюулгүй систем бүтээх нь хүний архитектурын сэтгэлгээг шаарддаг. Хөгжүүлэгчид микросервисүүдийн хоорондын харилцаа, өгөгдлийн сангийн бүтэц зэргийг төлөвлөхөд илүү их цаг зарцуулдаг.
3. Кодын хяналт ба баталгаажуулалт (Code Review): AI маш хурдан код үүсгэдэг боловч тэр нь үргэлж зөв, найдвартай байдаггүй. Тиймээс хөгжүүлэгчдийн гол ажил нь AI-ийн бичсэн кодыг архитектурын стандартад нийцэж байгаа эсэх, аюулгүй байдлын эрсдэл агуулсан эсэхийг хянах явдал болжээ.

Хэрхэн ажилладаг вэ? Үндсэн механизмууд

AI-д суурилсан хөгжүүлэлт нь зүгээр л "надад вэбсайт хийгээд өг" гэж бичээд хүлээх үйл явц биш юм. Энэ нь нарийвчилсан, олон шатлалт инженерийн процесс бөгөөд дараах байдлаар явагддаг:

• Контекст бүрдүүлэх (Context Engineering): Сайн код гаргаж авахын тулд AI-д тухайн төслийн одоогийн кодын бүтэц, ашиглаж буй сангууд, код бичих стандартыг ойлгуулах хэрэгтэй. Жишээ нь, Google Cloud-ийн AI код үүсгэлтийн туршлага нь хөгжүүлэгчийн ажлын орчноос (IDE) шууд контекст авч ажилладгаараа онцлогтой. Хөгжүүлэгчийн гол ур чадвар нь ямар файлууд, ямар архитектурын мэдээллийг AI-д өгөхөө мэддэг байх явдал юм.
• Итератив буюу олон удаагийн нарийвчлалтай хөгжүүлэлт (Iterative Refinement): AI ихэвчлэн эхний оролдлогоор төгс код бичдэггүй. Хөгжүүлэгч гарсан үр дүнг шалгаж, алдааг нь зааж өгөн, шаардлагыг дахин нарийвчлах замаар кодыг сайжруулдаг.
• Автоматжуулсан тестийн интеграци: AI-аар үүсгэгдсэн кодын хэмжээ асар хурдтай нэмэгддэг тул хүний нүдээр бүгдийг хянах боломжгүй болдог. Тиймээс хөгжүүлэгчид CI/CD (Continuous Integration / Continuous Deployment) процессийг сайжруулах, автомат тест бичихэд илүү их анхаардаг.

Үйл ажиллагааны шинэ загварууд ба Архитектурын өөрчлөлт

AI технологийг нэвтрүүлснээр инженерийн багийн үйл ажиллагааны загварт томоохон өөрчлөлтүүд гарч байна. Уламжлалт Agile болон Scrum аргачлалууд илүү хурдтай хувилбар руу шилжихээс гадна архитектурын түвшинд хэд хэдэн парадигм солигдож байна.

1. Хосолсон хөгжүүлэлтийн шинэ хэлбэр (AI-Assisted Pair Programming)

Өмнө нь хоёр хөгжүүлэгч нэг дэлгэц рүү харж код бичдэг байсан бол одоо Senior хөгжүүлэгч AI-тай хамтран ажилладаг болсон. Энэ загварт AI нь "хурдан боловч туршлагагүй Junior хөгжүүлэгч"-ийн үүрэг гүйцэтгэх бөгөөд ахлах хөгжүүлэгч нь чиглэл өгөх, алдааг хянах менторын үүрэг гүйцэтгэнэ.

2. CI/CD ба Аюулгүй байдлын хяналтыг чангатгах

Код бичих хурд 10 дахин нэмэгдэхэд түүнийг шалгаж, нэвтрүүлэх процесс мөн адил хурдасгах шаардлагатай болно. Хэрэв танай байгууллагын CI/CD дамжлага удаан эсвэл автоматжаагүй бол AI-аар код бичүүлэх нь үр дүнгүй болж, гацалт үүсгэнэ. Инженерийн багууд автоматжуулалт ба статик кодын шинжилгээнд (Static Code Analysis) урьд өмнөхөөсөө илүү хөрөнгө оруулалт хийж байна.

3. Модульчлагдсан архитектур (Modular Architecture)

AI загварууд нь ихэвчлэн жижиг, бие даасан код бичихдээ сайн байдаг. Тиймээс системүүдийг Monolithic архитектураас илүү салангид, микросервис (Microservices) эсвэл сервергүй (Serverless) бүтэц рүү шилжүүлэх нь AI-ийг үр дүнтэй ашиглах нэг нөхцөл болдог. Энэ нь хөгжүүлэгчид системийн хэсгүүдийг хооронд нь холбох API болон өгөгдлийн урсгалын загварчлал дээр илүү ажиллахыг шаарддаг.

Хэрэглээний бодит тохиолдлууд- Use Cases

Бүх төрлийн кодыг AI-аар бичүүлэх нь одоогоор оновчтой бус юм. Технологийн удирдлагууд дараах тохиолдлуудад AI-ийг илүү амжилттай ашиглаж байна.

• Хуучин системийг шинэчлэх (Legacy Migration): Олон жилийн өмнө бичигдсэн (жишээ нь Java эсвэл COBOL) системийг орчин үеийн хэл рүү (Go, Rust эсвэл Node.js) хөрвүүлэхэд AI маш сайн туслах болно. Хөгжүүлэгч зөвхөн хөрвүүлэгдсэн кодын бизнесийн логик зөрчигдсөн эсэхийг баталгаажуулна.
• Автоматжуулсан тестийн сан үүсгэх: Unit test болон Integration test-үүдийн эхний хувилбарыг бичих нь хөгжүүлэгчдээс их цаг шаарддаг, уйтгартай ажил байдаг. AI үүний 80-90 хувийг үүсгэж чадах бөгөөд хөгжүүлэгчид зөвхөн онцгой тохиолдлуудыг (edge cases) нэмж бичдэг.
• Дотоод хэрэгсэл ба ажлын урсгалын автоматжуулалт (Workflow Automation): Байгууллагын дотоод хэрэглээнд зориулсан жижиг хэрэгслүүд, тайлан гаргах скриптүүд, төрөл бүрийн API-г хооронд нь холбох хөгжүүлэлтийг AI маш хурдан бөгөөд үр дүнтэй гүйцэтгэдэг.

Сул тал, Эрсдэл болон Хязгаарлалтууд

Кодын 75%-ийг AI бичиж байна гээд систем ямар ч асуудалгүй ажиллана гэсэн үг биш. Стратегийн түвшинд дараах эрсдэлүүдийг удирдлагууд анхаарах шаардлагатай.

Техникийн өр (Technical Debt)-ийн огцом өсөлт

AI нь ихэвчлэн өөрт олдсон дата дээр үндэслэн хамгийн нийтлэг шийдлийг санал болгодог. Энэ нь урт хугацаанд танай системийн архитектурт тохирохгүй, засварлахад хэцүү "бохир код" (spaghetti code) болон хуримтлагдах эрсдэлтэй. Хэрэв инженерийн баг хяналтаа сулруулбал хэдхэн сарын дотор код дахин ашиглах эсвэл өргөтгөх боломжгүй болж болно.

Аюулгүй байдлын эмзэг байдал (Security Vulnerabilities)

AI нь хуучирсан эсвэл аюулгүй байдлын цоорхойтой сангуудыг (deprecated libraries) санал болгох тохиолдол цөөнгүй. Мөн хиймэл оюуны хийсвэрлэл (Hallucination) буюу огт байхгүй функц, санг ашиглан код бичих үзэгдэл гардаг. Тиймээс кодын аюулгүй байдлыг шалгах процессийг хүний болон автомат хяналттайгаар давхар явуулах нь зайлшгүй юм.

Хяналтын өндөр шаардлага (Review Fatigue)

Хөгжүүлэгчдэд тулгамдаж буй хамгийн шинэ асуудал бол өөр хүний (эсвэл машины) бичсэн асар их хэмжээний кодыг уншиж шалгах юм. Код бичихээс илүүтэйгээр кодыг уншиж, алдааг нь олох нь тархины ачааллыг ихэсгэж, ядаргаанд оруулдаг бөгөөд үүнээс болж ноцтой алдааг анзааралгүй нэвтрүүлэх эрсдэл үүсдэг.

Шийдвэр гаргах шалгуур ба харьцуулалт

Технологийн удирдлагууд хөгжүүлэлтийн аль үе шатанд AI-д найдаж, хэзээ хөгжүүлэгчийн бүрэн хяналтыг шаардах вэ гэдгийг тодорхойлохын тулд дараах шалгууруудыг ашиглаж болно.

Нийтлэг алдаа ба түүнээс сэргийлэх

AI-ийг хөгжүүлэлтдээ амжилттай нэвтрүүлж буй багууд дараах нийтлэг алдаануудаас зайлсхийдэг:

• Кодыг хэт итгэлтэйгээр хүлээн зөвшөөрөх: "AI бичсэн юм чинь ажиллана" гэсэн хандлага нь хамгийн аюултай. Системийн уналтуудын ихэнх нь үүнээс үүдэлтэй байдаг. Үүнээс сэргийлэхийн тулд `Zero-Trust` буюу итгэл хандлагыг хөгжүүлэлтийн түвшинд нэвтрүүлж, бүх кодонд хувилбарын хяналт тавих хэрэгтэй.
• Архитектурын ерөнхий зургийг алдах: AI нь файл эсвэл функцийн түвшинд гайхалтай ажилладаг ч системийн ерөнхий дүр зургийг харж чаддаггүй. CTO-нууд багийнхаа ахлах инженерүүдэд олгодог цагийг код бичихэд бус, `Системийн дизайн` болон `Whiteboarding` хийхэд зарцуулахыг урамшуулах хэрэгтэй.
• Мэдлэгийн хомсдолд орох: Залуу хөгжүүлэгчид эхнээсээ л AI ашиглаж эхэлснээр системийн үндсэн суурь ажиллагаа болон алгоритмын талаарх мэдлэггүй болох (deskilling) эрсдэлтэй. Иймд дотоод сургалт, архитектурын мэтгэлцээн байнга зохион байгуулах нь зүйтэй.

Удирдлагуудад зориулсан гол дүгнэлтүүд

AI-д суурилсан хөгжүүлэлт нь туршилт биш, аль хэдийн бодит байдал болсон тул үүнтэй хөл нийлүүлэн алхахын тулд инженерийн удирдлагууд дараах өөрчлөлтүүдийг хийх шаардлагатай.

• Хэмжүүрээ өөрчлөх: Хөгжүүлэгчийн бүтээмжийг "бичсэн кодын мөр" эсвэл "хаасан ажлын - ticket-ийн тоо"-гоор хэмжих нь утгагүй болсон. Үүний оронд кодын чанар, нэвтрүүлэх хугацаа (lead time to production), болон системийн найдвартай байдалд тулгуурлан үнэлэх хэрэгтэй.
• CI/CD болон автоматжуулалтад хөрөнгө оруулах: Хэрэв танай баг хурдан код үүсгэж байгаа ч түүнийгээ үйлдвэрлэлд (production) нэвтрүүлэхэд долоо хоног зарцуулдаг бол AI-ийн давуу тал алдагдана. Дамжлагын хурдыг нэмэгдүүлэх нь чухал.
• Инженерийн багийн чадавхыг дахин тодорхойлох: Код бичих нь хямдхан болж, харин ямар код бичих ёстойг тодорхойлох нь хамгийн үнэ цэнэтэй ур чадвар болж байна. Багийнхаа системийн дизайн болон асуудал шийдвэрлэх чадварыг хөгжүүлэхэд голлон анхаараарай.
• AI хэрэгслүүдийн засаглалыг бий болгох: Компанийн өгөгдөл, нууцлалын бодлогод нийцсэн баталгаат AI хэрэгслүүдийг албан ёсоор ашиглаж, хөгжүүлэгчид дур мэдэн найдваргүй үйлчилгээ рүү компанийн код оруулахаас сэргийлэх тодорхой дүрэм журам батлах нь зүйтэй.