𝗙𝗲𝗮𝘁𝘂𝗿𝗲, 𝗖𝗮𝗽𝗮𝗯𝗶𝗹𝗶𝘁𝘆, 𝗼𝗿 𝗡𝗮𝘁𝗶𝘃𝗲: 𝗛𝗼𝘄 𝗦𝗼𝗳𝘁𝘄𝗮𝗿𝗲 𝗧𝗲𝗮𝗺𝘀 𝗗𝗲𝗳𝗶𝗻𝗲 𝗔𝗜
സോഫ്റ്റ്വെയർ ടീമുകൾ AI-യെ മൂന്ന് രീതികളിലാണ് കാണുന്നത്. മാർക്കറ്റിംഗ് ടീമുകളേക്കാൾ വേഗത്തിൽ എഞ്ചിനീയർമാർക്ക് ഈ വ്യത്യാസം തിരിച്ചറിയാൻ സാധിക്കും.
AI Feature ഒരു വർക്ക്ഫ്ലോയിലേക്ക് ഒരു ടൂൾ കൂടി ചേർക്കുന്നതാണ് ഒരു AI ഫീച്ചർ. ഇത് ഇല്ലാതെയും ഉൽപ്പന്നം കൃത്യമായി പ്രവർത്തിക്കുമായിരുന്നു. ഉദാഹരണത്തിന്, ഒരു "Summarize" ബട്ടൺ അല്ലെങ്കിൽ മീറ്റിംഗ് നോട്ടുകൾ എന്നിവ ഇതിൽ ഉൾപ്പെടുന്നു. ഇത്തരം ഫീച്ചറുകൾ നിർമ്മിക്കാൻ എളുപ്പമാണെങ്കിലും അവ നിലനിർത്തുക പ്രയാസമാണ്. സാങ്കേതികവിദ്യ സാധാരണമാകുമ്പോൾ വലിയ പ്ലാറ്റ്ഫോമുകൾ പലപ്പോഴും ഇത്തരം ഫീച്ചറുകൾ സ്വന്തമാക്കാറുണ്ട്.
AI Capability ഒരു കമ്പനി അവരുടെ പല ഉൽപ്പന്നങ്ങളിലും AI ഉപയോഗിക്കുമ്പോഴാണ് ഇത് സംഭവിക്കുന്നത്. ഇതിന് പിന്നിൽ യഥാർത്ഥ എഞ്ചിനീയറിംഗ് പ്രവർത്തനങ്ങളുണ്ട്. എന്നിരുന്നാലും, ഇതിന്റെ അടിസ്ഥാന ആർക്കിടെക്ചർ AI യുഗത്തിന് മുമ്പേ നിലവിലുള്ളതാണ്. നിലവിലുള്ള ഒരു മോഡലിലേക്ക് നിങ്ങൾ ബുദ്ധിശക്തി (intelligence) കൂട്ടിച്ചേർക്കുക മാത്രമാണ് ചെയ്യുന്നത്.
AI-Native ഒരു AI-native ഉൽപ്പന്നം അതിന്റെ ആദ്യ ദിവസം മുതൽ തന്നെ AI നിലവിലുണ്ടെന്ന് സങ്കൽപ്പിക്കുന്നു. അതിന്റെ ആർക്കിടെക്ചർ, ഡാറ്റാ ഫ്ലോ, ഡിസൈൻ എന്നിവ AI-യെ ആശ്രയിച്ചാണ് ഇരിക്കുന്നത്. AI ഇല്ലാതെ ഈ ഉൽപ്പന്നത്തിന് പ്രവർത്തിക്കാൻ കഴിയില്ല.
ഒരു ടൂൾ AI-native ആണോ എന്ന് അതിന്റെ ഔട്ട്പുട്ട് നോക്കി നിങ്ങൾക്ക് പരിശോധിക്കാം. ആ ടൂൾ ആദ്യം ആർക്കിടെക്ചർ, database schemas, അല്ലെങ്കിൽ API contracts എന്നിവയാണോ നിർമ്മിക്കുന്നത്? അതോ വെറുതെ കോഡ് ജനറേറ്റ് ചെയ്യുകയും ആ സ്ട്രക്ചർ ശരിയാകുമെന്ന് പ്രതീക്ഷിക്കുകയും ചെയ്യുകയാണോ?
യഥാർത്ഥ AI-native സിസ്റ്റങ്ങൾ കോഡ് ജനറേറ്റ് ചെയ്യുന്നതിന് മുമ്പ് ഡിസൈൻ ചെയ്യുന്നു. ഇത് പിശകുകൾ ഒഴിവാക്കാൻ സഹായിക്കുന്നു.
നിലവിൽ ഈ ഇൻഡസ്ട്രിയിൽ ഒരു വലിയ പ്രശ്നമുണ്ട്. ഉപയോഗം വർദ്ധിക്കുമ്പോൾ ഡെവലപ്പർമാരുടെ വിശ്വാസം കുറഞ്ഞുകൊണ്ടിരിക്കുന്നു. 2023-ൽ 70% ഡെവലപ്പർമാർ AI ഉപയോഗിച്ചിരുന്നു, എന്നാൽ 40% പേർ അത് വിശ്വസിക്കുകയും ചെയ്തു. 2025 ആയപ്പോഴേക്കും ഉപയോഗം 84% ആയി ഉയർന്നു, എന്നാൽ വിശ്വാസം 29% ആയി കുറഞ്ഞു.
മിക്ക AI ടൂളുകളും വെറും ഫീച്ചറുകൾ മാത്രമായതുകൊണ്ടാണ് ഇത് സംഭവിക്കുന്നത്. ഔട്ട്പുട്ട് ശരിയാണോ എന്ന് പരിശോധിക്കാൻ അവയ്ക്ക് ഘടനാപരമായ (structural) സംവിധാനങ്ങളില്ല. AI ഒരു തെറ്റ് വരുത്തുമ്പോൾ, സിസ്റ്റത്തിൽ അത് പിടികൂടാൻ മറ്റൊന്നുമില്ല.
AI-native സിസ്റ്റങ്ങൾ ഇത് പരിഹരിക്കുന്നു. AI നിർമ്മിക്കുന്ന കാര്യങ്ങൾ പരിശോധിക്കാൻ അവ ഒരു specification അല്ലെങ്കിൽ ഒരു test suite ഉപയോഗിക്കുന്നു. ഔട്ട്പുട്ട് കേൾക്കാൻ ശരിയാണെന്ന് തോന്നിയതുകൊണ്ട് മാത്രം അവ അതിനെ വിശ്വസിക്കുന്നില്ല.
ഒരു ടൂളിൽ AI ഉണ്ടോ എന്ന് ചോദിക്കുന്നത് എഞ്ചിനീയറിംഗ് ലീഡുകൾ നിർത്തണം. ഇപ്പോൾ മിക്കവാറും എല്ലാ ടൂളുകളിലും AI ഉണ്ട്. പകരം, അതിന്റെ ക്രമം (sequencing) ചോദിക്കുക.
ആ ടൂൾ ആദ്യം സ്ട്രക്ചർ ആണോ അതോ കോഡ് ആണോ നിർമ്മിക്കുന്നത്?
ഒരു ടൂൾ ഇംപ്ലിമെന്റേഷന് മുമ്പ് ആർക്കിടെക്ചർ നിർമ്മിക്കുന്നുണ്ടെങ്കിൽ, പ്രൊഡക്ഷനിൽ അത് കൂടുതൽ വിശ്വസനീയമായിരിക്കാൻ സാധ്യതയുണ്ട്.
Source: https://dev.to/8080_ai/feature-capability-or-native-how-software-teams-define-ai-4k0h
Optional learning community: https://t.me/GyaanSetuAi