لماذا تغيّر شركات البرمجة نماذج الذكاء الاصطناعي التي تعتمد عليها؟

تتسع المنافسة في سوق الذكاء الاصطناعي لتشمل أدوات تطوير البرمجيات التي أصبحت تعتمد على النماذج اللغوية في كتابة الشيفرات وتصحيح الأخطاء وتحليل المشروعات واقتراح الحلول التقنية. ومع تنوع الخيارات التي تقدمها شركات مثل أوبن إيه آي وأنثروبيك وغوغل، تواجه شركات البرمجة قرارا يتجاوز اختيار المساعد الأكثر شهرة، ليشمل تحديد النموذج الذي يحقق التوازن الأفضل بين جودة النتائج وسرعة التنفيذ وتكاليف التشغيل وحماية البيانات.

ويكتسب هذا القرار أهمية متزايدة مع انتقال الذكاء الاصطناعي من مرحلة اقتراح الأسطر البرمجية إلى تنفيذ مهام متعددة الخطوات، تشمل فهم مستودعات الشيفرات وتعديل الملفات وتشغيل الاختبارات ومعالجة الأخطاء. وفي هذه البيئة، قد لا يكون النموذج الأفضل في مهمة معينة هو الأنسب لجميع احتياجات الشركة، كما أن التفوق في الاختبارات المعيارية لا يضمن بالضرورة تحقيق أفضل النتائج داخل بيئة تطوير حقيقية.

تأتي جودة الشيفرات في مقدمة العوامل التي تدفع الشركات إلى تقييم النماذج وتغييرها، فالمطلوب ليس مجرد إنتاج شيفرة تعمل في حالة بسيطة، بل إنشاء حلول صحيحة وآمنة وقابلة للصيانة والتطوير، مع القدرة على فهم تعليمات معقدة والتعامل مع قواعد برمجية قائمة منذ سنوات.

وتوضح وثائق أدوات البرمجة المعتمدة على الذكاء الاصطناعي، مثل مساعد كودكس من أوبن إيه آي وكلود كود من أنثروبيك، اختلاف طبيعة المهام التي يمكن إسنادها إلى هذه الأدوات، من إنشاء الشيفرات إلى تحليل المشروعات وتنفيذ التعديلات واختبارها. ويعني ذلك أن المقارنة بين النماذج لا ينبغي أن تقتصر على جودة الإجابة النصية، بل يجب أن تشمل قدرتها على إتمام المهمة البرمجية بنجاح.

وتحتاج الشركات إلى قياس الأداء في ظروف أقرب إلى الاستخدام الفعلي، مثل قدرة النموذج على إصلاح عطل في مشروع قائم، أو إضافة ميزة من دون إفساد وظائف أخرى، أو تفسير شيفرات كتبها مطورون مختلفون. كما ينبغي احتساب الوقت الذي يحتاج إليه المطور لمراجعة النتائج وتصحيحها، لأن الشيفرة التي تبدو مقنعة لكنها تتضمن أخطاء قد تزيد عبء العمل بدلا من تقليله.

ومن هنا، يمكن أن تنتقل شركة إلى نموذج مختلف حتى لو لم يكن متفوقا في جميع الاختبارات، إذا أثبت كفاءة أعلى في لغة برمجية معينة أو في نوع المهام التي تنفذها فرقها بصورة متكررة.