Anthropic-ийн кодын 80%-ийг AI бичиж байна. Үүнээс бид юу ойлгох вэ?

Anthropic компани өөрсдийн дотоод кодын дийлэнх хувийг (зарим тохиолдолд 80 хүртэлх хувийг) Claude загвараа ашиглан бичиж байгаагаа мэдэгдсэн нь програм хангамжийн салбарт томоохон дохио боллоо. Энэ бол туршилтын шатны технологи биш бөгөөд бүтээгдэхүүн хөгжүүлэлтийн хурд, инженерийн багийн ажиллах арга барилыг үндсээр нь өөрчилж буй бодит шилжилт юм.

CTO, үүсгэн байгуулагчид болон инженерийн багийн ахлагч нарын хувьд "Ямар AI хэрэгсэл ашиглах вэ?" гэхээс илүүтэй "AI бидний хөгжүүлэлтийн процесст хэрхэн уялдах вэ?" гэдэг нь хамгийн чухал асуулт болж байна. Энэхүү нийтлэлээр бид AI хэрэгслүүд програм хангамжийн архитектурт хэрхэн нөлөөлж байгаа, технологийн компаниуд ямар шинэ загвар туршиж буйг задлан шинжлэх болно. Ингэснээр та багийнхаа бүтцийг хэрхэн төлөвлөх, чанарын хяналтыг яаж алдахгүй байх болон ямар эрсдэлээс сэргийлэх талаар тодорхой ойлголттой болно.

Туслахаас бие даасан агент руу

Өмнө нь хөгжүүлэгчид AI-ийг зөвхөн ганц функц бичих эсвэл алдаа хайхад ашигладаг байв. Өнөөдөр орчин үеийн LLM (Large Language Model) загварууд нь маш том контекст цонхны (context window) тусламжтайгаар байгууллагын кодын санг бүхэлд нь уншиж, системийн архитектурын хамаарлуудыг ойлгох чадвартай болсон. Жишээлбэл, Claude 3.5 Sonnet зэрэг загварууд 200,000 хүртэлх токен хүлээн авах чадвартай бөгөөд энэ нь дунд зэргийн хэмжээтэй төслийн бүх кодыг нэг дор санах ойд оруулж, дүн шинжилгээ хийх боломжийг олгодог.

Үүнийг дагаад дараах механизмууд хөгжиж байна:

1. Retrieval-Augmented Generation (RAG): AI зөвхөн нийтийн интернэтээс сурсан мэдлэгээрээ бус, байгууллагын дотоод кодын сан болон баримт бичигт үндэслэн код бичдэг болсон. Хөгжүүлэгч системд даалгавар өгөхөд RAG систем шаардлагатай хуучин файлуудыг хайж олоод, AI-д контекст байдлаар өгдөг.
2. Agentic Workflows: AI зөвхөн код уншаад зогсохгүй, төлөвлөгөө гаргаж, орчноо тохируулж, код бичээд, өөрийн бичсэн кодоо ажиллаж байгаа эсэхийг тест хийж шалгадаг. Хэрэв алдаа гарвал буцаж засаад, эцсийн үр дүнг Pull Request (PR) хэлбэрээр хүнд илгээх түвшинд ажиллаж байна.

Энэхүү өөрчлөлт нь хөгжүүлэгчийн гол үүргийг "код бичигч"-ээс "системийн архитектор" болон "кодын хянагч" руу шилжүүлж байна.

Инженерийн багийн шинэ загвар ба архитектур

AI-ийг үр дүнтэй ашиглахын тулд технологийн компаниуд системийн архитектур болон хөгжүүлэлтийн процессоо дараах байдлаар шинэчилж байна.

Агент төвтэй архитектур

Нэг том AI-д бүх ажлыг даатгахын оронд төрөлжсөн жижиг агентуудыг хооронд нь уялдуулж ажиллуулах хандлага нэмэгдэж байна. Нэг агент нь зөвхөн тестийн орчинг хариуцаж байхад, нөгөө нь кодын аюулгүй байдлыг шалгах, гурав дахь нь баримтжуулалтыг шинэчлэх үүрэгтэй байдаг. Энэхүү модуляр хандлага нь алдааг бууруулж, хяналтыг сайжруулдаг.

CI/CD интеграци

AI зөвхөн хөгжүүлэгчийн IDE (Integrated Development Environment) дотор ажиллаад зогсохгүй, CI/CD пайплайнд шууд холбогдох болсон. Хөгжүүлэгч код оруулах (commit хийх) үед AI автоматаар:

• Стандартын дагуу код шалгах
• Дутуу орхисон unit test-үүдийг нөхөж бичих
• Аюулгүй байдлын анхан шатны шалгалтуудыг хийх зэрэг процессуудыг гүйцэтгэдэг. Энэ нь Google Cloud-ийн AI зохион байгуулалтын удирдамж-д дурдсанаар хөгжүүлэлтийн мөчлөгийг эрс хурдасгаж байна.

Бодит хэрэглээ ба бизнесийн үнэ цэнэ

Эдгээр технологийг зөвхөн туршилт байдлаар биш, бодит үнэ цэнэ бүтээхэд хэрхэн ашиглаж байгааг салбар хамаарахгүй нийтлэг жишээнүүдээр авч үзье.

• Хуучин системийг шинэчлэх (Legacy Modernization): Олон жилийн настай, баримтжуулалт муутай системийг орчин үеийн технологи руу хөрвүүлэхэд AI асар их цаг хэмнэдэг. AI нь хуучин логикийг уншиж ойлгоод, шинэ хэл дээр архитектурын хувьд илүү цэвэр, микросервис рүү задалсан код болгон дахин бичих чадвартай.
• Автоматжуулсан тест болон QA: Тест бичих нь хөгжүүлэгчдийн хувьд ихэвчлэн цаг үрсэн, уйтгартай ажил байдаг. Харин AI ашиглан unit test болон integration test-үүдийг автоматаар үүсгэснээр кодын хамрах хүрээг (code coverage) богино хугацаанд 80-90%-д хүргэж тогтмол барьж чадаж байна.
• Дэд бүтцийн код (Infrastructure as Code - IaC): Cloud орчныг тохируулах Terraform, Kubernetes manifest зэрэг тохиргооны файлуудыг бичихэд AI маш сайн ажилладаг. Архитектурын шаардлагыг ердийн текстээр бичиж өгөхөд AI нь шаардлагатай бүх IaC скриптийг алдаа багатайгаар гаргаж өгдөг.

Эрсдэл, хязгаарлалт ба сул тал

AI хэдий хүчирхэг ч гэлээ бүх асуудлыг шийдэх шидтэн биш. Удирдлагын түвшинд анхаарч, өөрийн системд нэвтрүүлэхээсээ өмнө сайтар үнэлэх шаардлагатай хэд хэдэн эрсдэл бий.

Чанар ба тоо хэмжээний зөрүү

AI маш хурдан хугацаанд маш их хэмжээний код үйлдвэрлэж чадна. Гэхдээ их код гэдэг нь үргэлж сайн код гэсэн үг биш. Хэрэв сайн хяналт тавихгүй бол шаардлагагүй урт, давхардсан логик бүхий код (code bloat) үүсэх магадлал маш өндөр бөгөөд энэ нь ирээдүйд техникийн өр болон хуримтлагддаг.

Аюулгүй байдал ба өгөгдлийн нууцлал

Байгууллагын дотоод нууц код, хэрэглэгчийн мэдээллийг нийтийн үүлэн орчин дахь гуравдагч талын AI загвар руу илгээх нь маш том эрсдэл юм. Байгууллагын түвшинд хэрэглэгдэж буй AI хэрэгслүүд нь өгөгдлийг сургалтад ашиглахгүй байх хатуу гэрээтэй (Zero-data retention), эсвэл тухайн байгууллагын хаалттай сүлжээнд (VPC) ажилладаг байх шаардлагатай.

AI хийсвэрлэл ба архитектурын зөрчил

AI заримдаа хуучирсан буюу огт байхгүй сан (library) ашиглах, эсвэл гаднаас нь харахад зөв мэт боловч логикийн хувьд ажиллахгүй код санал болгодог. Мөн жижиг даалгаврыг маш сайн гүйцэтгэдэг боловч системийн ерөнхий том архитектурыг бүхэлд нь харж, хэд хэдэн үйлчилгээний хоорондын хамаарлыг тооцоолох чадвар нь хүнээс сул хэвээр байна.

Шийдвэр гаргах шалгуур үзүүлэлтүүд

AI хөгжүүлэлтийн хэрэгслийг хэзээ, ямар цар хүрээгээр нэвтрүүлэхийг шийдэхдээ дараах шалгууруудыг ашиглана уу.

1. Төслийн нарийн төвөгтэй байдал: AI нь стандарт, баримтжуулалт сайтай, түгээмэл технологиуд (жишээ нь React, Python, Node.js) дээр өндөр үр дүнтэй ажилладаг. Харин бизнесийн маш нарийн логик шаардсан, тусгайлан боловсруулсан систем дээр хүний оролцоо 90% хэвээр байх шаардлагатай.
2. Багийн туршлага ба ур чадвар: Ахлах инженерүүд AI ашиглан бүтээмжээ 50-100% өсгөх боломжтой байдаг. Учир нь тэд юу хүсэж байгаагаа маш тодорхой тайлбарлаж, AI-ийн гаргасан алдааг шууд харж чаддаг. Харин туршлага багатай хөгжүүлэгчид AI-д хэт найдаж, буруу код үйлдвэрлэн системд нэвтрүүлэх эрсдэл үүсгэдэг.
3. Хяналтын процесс (Review Culture): Хэрэв танай багт код хянах бат бөх процесс, автоматаар ажилладаг CI/CD пайплайн байхгүй бол AI нь туслах биш, харин системийг нураах хурдасгуур болох аюултай.

Түгээмэл алдаанууд ба түүнээс хэрхэн сэргийлэх вэ?

Технологийн багууд AI руу шилжихдээ хэд хэдэн нийтлэг алдаа гаргадаг.

• Бичихээс илүү уншихад цаг үрэх: AI-аар маш их код бичүүлсний дараа хөгжүүлэгч тэрхүү кодыг уншиж, зөв эсэхийг шалгахад өөрөө бичсэнээсээ илүү хугацаа зарцуулах тохиолдол гардаг. Үүнээс сэргийлэхийн тулд AI-д өгөх даалгаврыг маш жижиг, бие даасан хэсгүүдэд хувааж өгөх хэрэгтэй.
• Архитектурын шийдвэрийг AI-д даатгах: Өгөгдлийн сангийн бүтэц, үйлчилгээ хоорондын интеграци зэрэг суурь шийдвэрүүдийг инженерийн баг гаргах ёстой. AI нь зөвхөн тэрхүү архитектурын дагуу код гүйцэтгэх инженерийн үүрэг гүйцэтгэнэ.
• Аюулгүй байдлын шалгалтыг орхигдуулах: AI заримдаа эмзэг байдал (vulnerability) агуулсан код үйлдвэрлэдэг. Иймээс Static Application Security Testing (SAST) болон Dynamic Testing хэрэгслүүдийг пайплайндаа заавал хоршуулж ажиллах шаардлагатай.

Дүгнэлт ба хэрэгжүүлэх алхмууд

Програм хангамжийн хөгжүүлэлтэд AI ашиглах нь цаашид сонголт биш, тогтсон стандарт болж байна. Anthropic-ийн дотоод туршлага нь технологи хэр хурдтай хувьсаж буйн тод баталгаа юм. Инженерийн багийнхаа бүтээмжийг аюулгүйгээр нэмэгдүүлэхийн тулд дараах алхмуудыг хэрэгжүүлэхийг зөвлөж байна:

• Зорилтот стратеги тодорхойлох: AI хэрэгслийг зүгээр л хөгжүүлэгчдэд худалдаж авч өгөөд орхих биш, байгууллагын мэдээллийн аюулгүй байдлын бодлоготой уялдуулсан Enterprise стратеги болгон нэвтрүүлэх.
• Багийн үүрэг, хариуцлагыг дахин тодорхойлох: Инженерүүдийн ур чадварыг зүгээр нэг "синтаксаар код бичих"-ээс илүүтэй, системийн дизайн хийх, AI-ийн бичсэн код уншиж үнэлэх болон алдааг засварлах чиглэл рүү хандуулж сургах.
• Автоматжуулалтын суурийг бэхжүүлэх: AI хэрэгслүүд нь бат бөх тестийн орчин болон найдвартай DevOps соёлтой үед л жинхэнэ утгаараа үнэ цэнээ өгнө. Кодын чанарыг хүнээс гадна автомат тестүүд хариуцдаг байх нь хамгийн чухал хяналтын механизм юм.