Moja kati ya Kila Mapitio Matano ya GitHub ni ya AI. Nani Anakagua Dhana ya Msingi?

Kitufe cha Approve Kinabeba Mzigo Mkubwa

GitHub inasema mapitio ya msimbo ya Copilot sasa yanachangia zaidi ya moja ya tano ya mapitio yote ya msimbo kwenye GitHub. Kampuni hiyo pia inasema mfumo wake wa mapitio unaweza kuchunguza muktadha wa repository (hifadhi ya msimbo), kukagua pull request kubwa, kupitia pull request zilizofunguliwa na bots (programu otomatiki), na kuhakiki tena matokeo yake yenyewe baada ya mabadiliko kufanywa.

Soma uwezo huo wa mwisho polepole. Modeli sasa inaweza kupitia kazi iliyotengenezwa na modeli nyingine, kisha kuhakiki uhakiki wake yenyewe. Chapisho la msanidi kwenye DEV.to linaeleza mwelekeo huu unapoishia: AI inaandika kipengele, AI inaandika majaribio (tests), AI inafungua pull request, AI inapitia pull request, AI inarekebisha maoni ya mapitio, na binadamu anabofya Approve. Swali la mwandishi ni lile ambalo hakuna mtu kwenye mnyororo huo analazimika kulijibu waziwazi: binadamu huyo anahakiki nini hasa?

Wakaguzi Wanaohusiana Si Wakaguzi Huru

Mapitio ya msimbo siku zote yamesimama juu ya dhana ambayo sasa inavunjika kimyakimya: kwamba mkaguzi anafikiri tofauti na mwandishi. Watu wawili wanaosoma hitaji lilelile huleta historia tofauti, hivyo mmoja wao hugundua kile ambacho mwingine alikosa. Uhuru huo ndio thamani yote ya jozi ya pili ya macho.

Mwandishi na mkaguzi wanapokuwa modeli zinazofanya kazi kwa prompt (maelekezo kwa AI) moja na muktadha mmoja wa repository, uhuru huo unapungua. Mwandishi anatoa mfano halisi: hitaji linasema mtumiaji apokee marejesho ya pesa (refund) tu ikiwa malipo yalikamilishwa kikamilifu. Modeli inalisoma kama "marejesho yanaruhusiwa ikiwa rekodi ya malipo ipo." Inatekeleza hivyo. Inaandika majaribio kutokana na uelewa uleule, kwa hiyo majaribio yanapita. Mkaguzi wa AI anachunguza matokeo na kukuta muundo safi, ushughulikiaji mzuri wa makosa, aina sahihi za data, na majaribio yanayopita. Yote ni kweli. Hitaji bado ni lisilo sahihi.

Chapisho linaita hili mzunguko wa makubaliano wa AI: hatua nyingi zinazoonekana kuhakikiana, lakini zote zinarithi tafsiri ileile potofu. Uthabiti unakaguliwa. Usahihi haukaguliwi. Na kadiri hatua nyingi zinavyokubaliana, ndivyo pipeline (mfululizo wa hatua za kiotomatiki) inavyoonekana ya kuaminika zaidi.

Tatizo la majaribio ndilo toleo kali zaidi la jambo hili. Majaribio yaliyoandikwa kutoka kwa prompt ileile ya utekelezaji si ukaguzi huru, ni marudio tu. Ikiwa modeli ilisahau kanuni ya biashara ilipojenga kipengele, itaisahau tena ilipoandika jaribio la kipengele hicho. Suluhisho analopendekeza mwandishi ni kubadilisha maelezo ya kazi ya mtengenezaji wa majaribio: umwagize ajifanye mhandisi wa QA (uhakiki wa ubora) mwenye shaka, apuuze utekelezaji, na abuni majaribio moja kwa moja kutoka kwa hitaji la awali, akiwinda hali za kushindwa, race conditions (migongano ya michakato inayoendeshwa kwa wakati mmoja), hali za matumizi mabaya, na hali zisizo halali. Bado ni AI inayopitia AI, lakini lengo si makubaliano tena.

Nani Yuko Hatarini Kweli

Faida ni halisi na ni hasa kasi: diff kubwa zinapitiwa haraka, ukosoaji wa mambo madogomadogo yanayojirudia unamezwa, na umakini wa binadamu unaachwa kwa mambo muhimu. Hatari inagawanyika bila usawa.

Mhandisi anayebofya Approve anabeba umiliki wa mabadiliko bila kujali nani aliyeyaandika. Kipimo cha mwandishi cha utayari kinasema wazi: mtu akiuliza kwa nini mabadiliko yalitekelezwa kwa njia hii, "wakala (agent) aliyazalisha na Copilot aliyaidhinisha" si jibu. Wasanidi wachanga wako hatarini kwa njia tofauti: kazi iliyokuwa ikijenga busara ndiyo hasa inayotengenezwa kiotomatiki sasa. Na shirika liko hatarini kupitia kile chapisho linachoita blast radius (kiwango cha madhara yanayoweza kuenea): mabadiliko yanayogusa malipo, uthibitishaji wa utambulisho (authentication) au uadilifu wa data yanastahili umakini zaidi wa binadamu kuliko marekebisho ya UI, lakini alama ya kijani inayaonyesha yote mawili kwa namna ileile skrinini.

Hatari ya ndani zaidi ni muktadha. Dhamira ya bidhaa mara nyingi iko nje ya msimbo, katika mazungumzo na mteja, tiketi ya msaada, hitaji la kisheria, hali ya pembeni isiyoandikwa, au uamuzi uliofanywa miezi sita iliyopita. Modeli inaweza kutoyaona kamwe, na inaweza kuyatafsiri vibaya hata ikipewa. Pipeline ya kijani inakuambia mfumo ulipita ukaguzi uliouchagua. Haikuambii kwamba ulichagua ukaguzi sahihi.

Maswali Unayopaswa Kujiuliza

• Ikiwa hitaji lililo nyuma ya pull request hii lingekuwa si sahihi, je, ukaguzi wowote kwenye pipeline yetu ungelikamata, au yote yanarithi dhana ileile?
• Ni mabadiliko yapi kati ya yaliyounganishwa (merged) mwezi uliopita ambayo mtu mwenye jina bado anaweza kuyaeleza, kwa maana ya dhamira ya biashara, bila kufungua diff?
• Mkaguzi wetu wa AI anapoashiria jambo na tunabofya Apply Suggestion, nani amehakiki hatari mpya ambayo marekebisho hayo yanaleta?
• Je, tunatendea mabadiliko ya malipo, uthibitishaji wa utambulisho au uadilifu wa data tofauti na mabadiliko ya UI, au alama ileile ya kijani inaidhinisha yote mawili?
• Je, majaribio kwenye njia zetu muhimu yametokana na hitaji, au kutoka kwa utekelezaji ulioandikwa kulitimiza?

Cha Kufuatilia Baadaye

Fuatilia takwimu ya sehemu hiyo. GitHub inaweka AI kwenye zaidi ya moja ya tano ya mapitio leo; kinachojalisha ni inaonekanaje hasa kwenye mabadiliko ya malipo, uthibitishaji wa utambulisho na hifadhi za data, na kama timu zitaanza kuchapisha mgawanyo huo badala ya jumla. Asilimia ya jumla inayopanda inakuambia kuhusu kukubalika kwa teknolojia. Asilimia inayopanda kwenye njia muhimu, bila mabadiliko yanayolingana katika jinsi binadamu wanavyopitia mahitaji, inakuambia kuwa mzunguko wa makubaliano unasakinishwa mahali ambapo utagharimu zaidi.