૨૦ વર્ષ જૂના ઇન્શ્યોરન્સ પ્લેટફોર્મના લેખકે ૧૦૮ સપોર્ટ ટિકિટોને કસ્ટમ AI-એજન્ટ પાઇપલાઇન દ્વારા ચલાવી અને તેનું પરિણામ એવું વર્કફ્લો છે જે કલાકો સુધી ચાલતા સિનિયર-ડેવલપરના કાર્યને માત્ર થોડી મિનિટોમાં ફેરવી દે છે, એક એવો બદલાવ જે એન્ટરપ્રાઇઝ કેવી રીતે લેગસી કોડને જીવંત રાખે છે તેને નવો આકાર આપી શકે છે.
નવા કોડ કરતાં લેગસી સિસ્ટમ્સ શા માટે વધુ મહત્વની છે
અહીં જે ઇન્શ્યોરન્સ એપ્લિકેશનની વાત છે તે ૨.૩ મિલિયન લાઇનના કોડ અને અંદાજે ૧,૦૦૦ PL/SQL પેકેજો ધરાવતી એક મોનોલિથ (monolith) સિસ્ટમ છે. તેનું કદ જ એટલું મોટું છે કે કોઈ એક વ્યક્તિ માટે આખા કોડબેઝને સંભાળવો અશક્ય છે. તેમાં ગ્રાહક-વિશિષ્ટ કોન્ફિગરેશન પેરામીટર્સનો જટિલ માર્ગ, વિખરાયેલું ડોક્યુમેન્ટેશન અને ૨૦૧૭ સુધીના ટિકિટ આર્કાઇવને ઉમેરો, તો વાસ્તવિક અવરોધ કોડ લખવાનો નહીં, પરંતુ "સંદર્ભ (context) શોધવાનો" બની જાય છે.
સામાન્ય આધુનિક AI હાઇપ નવા (greenfield) પ્રોજેક્ટ્સ માટે નવો કોડ જનરેટ કરવા પર ધ્યાન કેન્દ્રિત કરે છે. આ કિસ્સામાં, મુશ્કેલ ભાગ PL/SQL નું સિન્ટેક્સ નથી, પરંતુ લોજિકનો ચોક્કસ ભાગ, સંબંધિત કોન્ફિગરેશન અને સમસ્યાનું સૌપ્રથમ વર્ણન કરનારી જૂની ટિકિટ શોધવાનો છે. એક અનુભવી ડેવલપર GitLab, SVN, વિકિ અને જૂની સપોર્ટ ટિકિટોમાંથી સંકેતો ભેગા કરવામાં કલાકો વિતાવી શકે છે. AI એજન્ટ આ જ કામ મિનિટોમાં કરી દે છે.
વ્યવહારમાં વર્કફ્લો
જ્યારે નવી ટિકિટ આવે છે, ત્યારે લેખક એક જ કમાન્ડ ચલાવે છે. ત્યારબાદ એજન્ટ:
- ટિકિટ-સિસ્ટમ API દ્વારા ટિકિટનું લખાણ અને કોઈપણ જોડાયેલી ફાઇલો મેળવે છે.
- સમાન ભૂતકાળના કિસ્સાઓ શોધવા માટે સમગ્ર ટિકિટ આર્કાઇવમાં કીવર્ડ અને વેક્ટર સર્ચ કરે છે.
- ફરીથી ઉપયોગ કરી શકાય તેવા SQL સ્ક્રિપ્ટ્સના પર્સનલ લાઇબ્રેરીમાંથી ક્વેરી કરે છે.
- વર્ઝન-કંટ્રોલ સિસ્ટમ્સ (GitLab અથવા SVN) માં કોડ હિસ્ટ્રીની તપાસ કરે છે.
તમામ તારણોને એક ફાઇલમાં સંકલિત કરવામાં આવે છે જે આગળનું પગલું પણ સૂચવે છે—સામાન્ય રીતે કોડ ફિક્સ, ગ્રાહક માટે ડ્રાફ્ટ જવાબ, અથવા વધારાના ડાયગ્નોસ્ટિક્સ માટે વિનંતી.
ઇન-બિલ્ટ ક્ષમતાઓ
લેખકે એજન્ટ માટે ૨૪ “સ્કિલ્સ” (skills) વ્યાખ્યાયિત કરી છે, જે ચાર શ્રેણીઓમાં વહેંચાયેલી છે:
- કોન્ટેક્સ્ટ એક્સેસ (Context access) – સંબંધિત તથ્યો મેળવવા માટે APIs, મેન્યુઅલ્સ અને ડેટાબેઝ વાંચવા.
- ડોમેન નોલેજ (Domain knowledge) – ઇન્શ્યોરન્સ એકાઉન્ટિંગ નિયમો અને સિસ્ટમની આર્કિટેક્ચરનું અર્થઘટન કરવું.
- રાઈટિંગ (Writing) – PL/SQL સ્નિપેટ્સ જનરેટ કરવા અને તેને ડિપ્લોયમેન્ટ માટે પેકેજ કરવા.
- મેટા (Meta) – પેટર્નને ઓળખવી અને જરૂર પડે ત્યારે આપમેળે નવી સ્કિલ્સ બનાવવી.
આ સ્કિલ્સ એજન્ટને એક એવા જુનિયર એન્જિનિયર તરીકે કામ કરવા દે છે જે ક્યારેય ઊંઘતો નથી, અને ટિકિટ જે કોડ અથવા કોન્ફિગરેશનનો સંદર્ભ આપે છે તે ચોક્કસ લાઇન શોધી આપે છે.
લૂપમાં બિલ્ટ-ઇન સેફ્ટી નેટ્સ
પ્રોડક્શન એન્વાયરમેન્ટમાં ઓટોમેશન માટે સુરક્ષાના પગલાં જરૂરી છે. લેખક બે સરળ નિયમોનું પાલન કરે છે:
- સ્ટેટિક વેલિડેશન (Static validation) – દરેક જનરેટ થયેલ સ્ક્રિપ્ટને લાઈવ સ્કીમા સામે
EXPLAIN PLANદ્વારા ચલાવવામાં આવે છે. આ કોડને ખરેખર એક્ઝિક્યુટ કર્યા વિના સિન્ટેક્સ અથવા લોજિકલ ભૂલો તપાસે છે. - ડ્યુઅલ-મોડેલ કન્ફર્મેશન (Dual-model confirmation) – બીજો, સ્વતંત્ર AI એજન્ટ કોઈપણ જોખમી માનવામાં આવતા ફેરફારની સમીક્ષા કરે છે. જો બંને મોડેલ એક જ નિષ્કર્ષ પર આવે, તો લેખક આગળ વધે છે; અન્યથા, ટિકિટ મેન્યુઅલ રિવ્યુ માટે મોકલવામાં આવે છે.
આ તપાસ પ્રક્રિયાને 'બ્લેક બોક્સ' બનતા અટકાવે છે, જે અજાણતામાં કોઈ મહત્વપૂર્ણ ઇન્શ્યોરન્સ ટ્રાન્ઝેક્શનને બગાડી શકે છે.
સંચયિત લાભો
દરેક ટિકિટનું આઉટપુટ ફરીથી ટિકિટ રેકોર્ડ સાથે જોડવામાં આવે છે, જેનાથી એક જીવંત નોલેજ બેઝ (knowledge base) બને છે. જ્યારે મહિનાઓ કે વર્ષો પછી સમાન સમસ્યા ફરી સામે આવે છે, ત્યારે એજન્ટ માત્ર અગાઉનું સમાધાન જ નહીં, પરંતુ તે સુધી લઈ જનારા તર્કને પણ વાંચી શકે છે. અસરકારક રીતે, દરેક ઉકેલવામાં આવેલી ટિકિટ ભવિષ્યની ટિકિટો માટે ટ્રેનિંગ ડેટા બની જાય છે, જે આ ચક્રને વધુ ઝડપી બનાવે છે.
પ્રમાણિક મર્યાદાઓ
- મેન્યુઅલ ટેસ્ટિંગ હજુ પણ બાકી છે – લેખક હજુ પણ પ્રોમોશન પહેલા ટેસ્ટ એન્વાયરમેન્ટમાં ફેરફારોને વેલિડેટ કરે છે.
- કોઈ ચોક્કસ મેટ્રિક્સ નથી – જોકે બચાવવામાં આવેલો સમય નોંધપાત્ર લાગે છે, પરંતુ લેખકે કલાકોમાં થયેલા ચોક્કસ ઘટાડાનું પ્રમાણ નક્કી કર્યું નથી.
- પર્સનલ સેટઅપ – વર્તમાન અમલીકરણ એક સિંગલ વર્કસ્ટેશન પર છે; તેને આખી ટીમમાં સ્કેલ કરવા માટે વધારાના એન્જિનિયરિંગની જરૂર પડશે.
આ મર્યાદાઓ આ અભિગમને 'ટર્નકી પ્રોડક્ટ' (turnkey product) બનતા અટકાવે છે, પરંતુ તે મુખ્ય સમજને ઓછી કરતી નથી: AI સંદર્ભ એકત્રિત કરવાની પ્રક્રિયાને કલાકોમાંથી મિનિટોમાં લાવી શકે છે.
આગળ શું જોવું
લેખકનો પ્રયોગ વ્યાવસાયિક ઓફરિંગને બદલે 'પ્રૂફ-ઓફ-કન્સેપ્ટ' (proof-of-concept) છે. આગામી તાર્કિક પગલાઓમાં શામેલ છે:
- મેટ્રિક્સનું ઔપચારિકીકરણ – બિઝનેસ કેસ બનાવવા માટે AI પાઇપલાઇન પહેલા અને પછી ટિકિટ રિઝોલ્યુશન સમયને ટ્રેક કરવું.
- ટીમ ડિપ્લોયમેન્ટ – એજન્ટને શેર કરેલી સેવા (shared service) તરીકે પેકેજ કરવું જેથી અનેક એન્જિનિયરો એક જ નોલેજ બેઝનો લાભ લઈ શકે.
- CI/CD સાથેનું ઇન્ટિગ્રેશન – પ્રમાણિત સ્ક્રિપ્ટ્સને સીધી કન્ટિન્યુઅસ-ઇન્ટિગ્રેશન પાઇપલાઇનમાં ફીડ કરવાથી મેન્યુઅલ હેન્ડ-ઓફ વગર ટિકિટથી લઈને પ્રોડક્શન સુધીનું લૂપ પૂર્ણ કરી શકાય છે.
જો આ વિસ્તરણો સફળ થાય તો, આ મોડેલ વિશાળ અને જટિલ કોડબેઝ સાથે ઝઝૂમી રહેલા અન્ય એન્ટરપ્રાઇઝ માટે એક ટેમ્પલેટ બની શકે છે.
મુખ્ય તારણ
લેગસી એન્વાયરમેન્ટ્સમાં AIનું સાચું મૂલ્ય નવો કોડ આપમેળે લખવામાં નથી, પરંતુ તરત જ યોગ્ય સંદર્ભ (context) પૂરો પાડવામાં છે. સિનિયર ડેવલપરના કલાકોના તપાસના કામને થોડી મિનિટોમાં ફેરવીને, એક AI-એજન્ટ વર્કફ્લો જૂની સિસ્ટમોને કાર્યરત રાખી શકે છે, સપોર્ટ ખર્ચ ઘટાડી શકે છે અને ધીમે ધીમે એક સ્વ-બળવંત નોલેજ રિપોઝિટરી બનાવી શકે છે. પ્રયોગ દર્શાવે છે કે, લેગસી સોફ્ટવેર માટે, ઉત્પાદકતામાં સૌથી મોટો વધારો જવાબોની શોધ ઘટાડવાથી આવે છે, નવો કોડ જનરેટ કરવાથી નહીં.