20 വർഷം പഴക്കമുള്ള ഒരു ഇൻഷുറൻസ് പ്ലാറ്റ്ഫോമിന്റെ ഉടമ 108 സപ്പോർട്ട് ടിക്കറ്റുകൾ ഒരു കസ്റ്റം AI-ഏജന്റ് പൈപ്പ്ലൈനിലൂടെ പ്രവർത്തിപ്പിച്ചു. ഇതിന്റെ ഫലമായി മണിക്കൂറുകൾ എടുക്കുന്ന ഒരു സീനിയർ ഡെവലപ്പർ ജോലിയെ ഏതാനും മിനിറ്റുകൾക്കുള്ളിൽ തീർക്കാവുന്ന ഒരു വർക്ക്ഫ്ലോ രൂപപ്പെട്ടു. ഇത് എൻ്റർപ്രൈസുകൾ അവരുടെ ലെഗസി കോഡുകൾ (legacy code) എങ്ങനെ നിലനിർത്തുന്നു എന്നതിനെ മാറ്റിമറിച്ചേക്കാം.
പുതിയ കോഡിനേക്കാൾ ലെഗസി സിസ്റ്റങ്ങൾ പ്രധാനമാകുന്നത് എന്തുകൊണ്ട്
ഇവിടെ പറയുന്ന ഇൻഷുറൻസ് ആപ്ലിക്കേഷൻ 2.3 മില്യൺ വരി കോഡും ഏകദേശം 1,000 PL/SQL പാക്കേജുകളും അടങ്ങിയ ഒരു മോണോലിത്ത് (monolith) ആണ്. ഇതിന്റെ വലിപ്പം കാരണം ഒരു വ്യക്തിക്കും മുഴുവൻ കോഡ്ബേസും കൈകാര്യം ചെയ്യാൻ കഴിയില്ല. ഇതിനോടൊപ്പം ഉപഭോക്താക്കൾക്ക് മാത്രമായുള്ള കോൺഫിഗറേഷൻ പാരാമീറ്ററുകൾ, ചിതറിക്കിടക്കുന്ന ഡോക്യുമെന്റേഷൻ, 2017 മുതലുള്ള ടിക്കറ്റ് ആർക്കൈവ് എന്നിവ കൂടി ചേരുമ്പോൾ, യഥാർത്ഥ വെല്ലുവിളി കോഡ് എഴുതുക എന്നതല്ല, മറിച്ച് "കോൺടെക്സ്റ്റ് കണ്ടെത്തുക" (finding context) എന്നതാണ്.
ആധുനിക AI ചർച്ചകൾ മിക്കപ്പോഴും പുതിയ പ്രോജക്റ്റുകൾക്കായി (greenfield projects) പുതിയ കോഡ് നിർമ്മിക്കുന്നതിലാണ് ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നത്. എന്നാൽ ഈ സാഹചര്യത്തിൽ പ്രയാസകരമായ കാര്യം PL/SQL-ന്റെ സിന്റാക്സ് (syntax) പഠിക്കുക എന്നതല്ല, മറിച്ച് കൃത്യമായ ലോജിക്, പ്രസക്തമായ കോൺഫിഗറേഷൻ, പ്രശ്നം ആദ്യമായി വിവരിച്ച പഴയ ടിക്കറ്റ് എന്നിവ കണ്ടെത്തുക എന്നതാണ്. ഒരു പരിചയസമ്പന്നനായ ഡെവലപ്പർ GitLab, SVN, wikis, പഴയ സപ്പോർട്ട് ടിക്കറ്റുകൾ എന്നിവയിൽ നിന്ന് സൂചനകൾ ശേഖരിക്കാൻ മണിക്കൂറുകൾ ചിലവഴിച്ചേക്കാം. എന്നാൽ AI ഏജന്റ് ഇതേ ജോലി മിനിറ്റുകൾക്കുള്ളിൽ ചെയ്യുന്നു.
പ്രായോഗികമായ വർക്ക്ഫ്ലോ
ഒരു പുതിയ ടിക്കറ്റ് വരുമ്പോൾ, ഉടമ ഒരു കമാൻഡ് മാത്രം നൽകുന്നു. തുടർന്ന് ഏജന്റ് ഇവ ചെയ്യുന്നു:
- ടിക്കറ്റ് സിസ്റ്റം API വഴി ടിക്കറ്റ് ടെക്സ്റ്റും മറ്റ് ഫയലുകളും ശേഖരിക്കുന്നു.
- സമാനമായ പഴയ കേസുകൾ കണ്ടെത്താനായി മുഴുവൻ ടിക്കറ്റ് ആർക്കൈവിലും കീവേഡ്, വെക്റ്റർ സെർച്ച് (keyword and vector search) നടത്തുന്നു.
- വീണ്ടും ഉപയോഗിക്കാവുന്ന SQL സ്ക്രിപ്റ്റുകളുടെ പേഴ്സണൽ ലൈബ്രറി പരിശോധിക്കുന്നു.
- വേർഷൻ കൺട്രോൾ സിസ്റ്റങ്ങളിലെ (GitLab അല്ലെങ്കിൽ SVN) കോഡ് ഹിസ്റ്ററി പരിശോധിക്കുന്നു.
കണ്ടെത്തിയ കാര്യങ്ങളെല്ലാം ഒരു ഫയലായി സംയോജിപ്പിക്കുകയും, അടുത്തതായി എന്ത് ചെയ്യണം—സാധാരണയായി ഒരു കോഡ് ഫിക്സ്, ഉപഭോക്താവിനുള്ള മറുപടി ഡ്രാഫ്റ്റ്, അല്ലെങ്കിൽ കൂടുതൽ വിവരങ്ങൾക്കായുള്ള അഭ്യർത്ഥന—എന്ന് നിർദ്ദേശിക്കുകയും ചെയ്യുന്നു.
ഇൻബിൽറ്റ് കഴിവുകൾ
ഏജന്റിനായി ഉടമ 24 "സ്കില്ലുകൾ" (skills) നിർവചിച്ചിട്ടുണ്ട്, അവ നാല് വിഭാഗങ്ങളായി തിരിച്ചിരിക്കുന്നു:
- കോൺടെക്സ്റ്റ് ആക്സസ് (Context access) – പ്രസക്തമായ വിവരങ്ങൾ ശേഖരിക്കുന്നതിനായി API-കൾ, മാനുവലുകൾ, ഡാറ്റാബേസുകൾ എന്നിവ വായിക്കുന്നു.
- ഡൊമെയ്ൻ നോളജ് (Domain knowledge) – ഇൻഷുറൻസ് അക്കൗണ്ടിംഗ് നിയമങ്ങളും സിസ്റ്റത്തിന്റെ ആർക്കിടെക്ചറും മനസ്സിലാക്കുന്നു.
- റൈറ്റിംഗ് (Writing) – PL/SQL സ്നിപ്പറ്റുകൾ (snippets) നിർമ്മിക്കുകയും അവ ഡിപ്ലോയ്മെന്റിനായി തയ്യാറാക്കുകയും ചെയ്യുന്നു.
- മെറ്റാ (Meta) – പാറ്റേണുകൾ തിരിച്ചറിയുകയും ആവശ്യമുള്ളപ്പോൾ പുതിയ സ്കില്ലുകൾ സ്വയം നിർമ്മിക്കുകയും ചെയ്യുന്നു.
ഈ കഴിവുകൾ ഉപയോഗിച്ച്, ഒരു ടിക്കറ്റ് സൂചിപ്പിക്കുന്ന കൃത്യമായ കോഡ് ലൈനോ കോൺഫിഗറേഷനോ കണ്ടെത്തിക്കൊണ്ട്, ഉറക്കമില്ലാതെ ജോലി ചെയ്യുന്ന ഒരു ജൂനിയർ എഞ്ചിനീയറെപ്പോലെ ഏജന്റ് പ്രവർത്തിക്കുന്നു.
സുരക്ഷാ സംവിധാനങ്ങൾ
ഒരു പ്രൊഡക്ഷൻ എൻവയോൺമെന്റിൽ ഓട്ടോമേഷൻ നടത്തുമ്പോൾ സുരക്ഷാ മാനദണ്ഡങ്ങൾ അത്യാവശ്യമാണ്. ഉടമ രണ്ട് ലളിതമായ നിയമങ്ങൾ പിന്തുടരുന്നു:
- സ്റ്റാറ്റിക് വാലിഡേഷൻ (Static validation) – ഓരോ സ്ക്രിപ്റ്റും ലൈവ് സ്കീമയ്ക്കെതിരെ
EXPLAIN PLANഉപയോഗിച്ച് പരിശോധിക്കുന്നു. ഇത് കോഡ് പ്രവർത്തിപ്പിക്കാതെ തന്നെ സിന്റാക്സ് അല്ലെങ്കിൽ ലോജിക്കൽ പിശകുകൾ ഉണ്ടോ എന്ന് പരിശോധിക്കുന്നു. - ഡ്യുവൽ-മോഡൽ കൺഫർമേഷൻ (Dual-model confirmation) – റിസ്ക് ഉള്ളതായി തോന്നുന്ന മാറ്റങ്ങൾ രണ്ടാമതൊരു സ്വതന്ത്ര AI ഏജന്റ് പരിശോധിക്കുന്നു. രണ്ട് മോഡലുകളും ഒരേ നിഗമനത്തിൽ എത്തിയാൽ ഉടമ മുന്നോട്ട് പോകുന്നു; അല്ലാത്തപക്ഷം, കൂടുതൽ പരിശോധനയ്ക്കായി ടിക്കറ്റ് മാനുവൽ റിവ്യൂവിന് നൽകുന്നു.
ഈ പരിശോധനകൾ വഴി ഒരു നിർണ്ണായകമായ ഇൻഷുറൻസ് ഇടപാടുകളെ അബദ്ധവശാൽ തകരാറിലാക്കുന്ന ഒരു 'ബ്ലാക്ക് ബോക്സ്' ആയി ഈ പ്രക്രിയ മാറുന്നില്ല.
വർദ്ധിച്ചുവരുന്ന ഗുണങ്ങൾ
ഓരോ ടിക്കറ്റിന്റെയും ഔട്ട്പുട്ട് ടിക്കറ്റ് റെക്കോർഡുമായി ബന്ധിപ്പിക്കുന്നു, ഇത് ഒരു സജീവമായ നോളജ് ബേസ് (knowledge base) സൃഷ്ടിക്കുന്നു. മാസങ്ങൾക്കോ വർഷങ്ങൾക്കോ ശേഷം സമാനമായ ഒരു പ്രശ്നം വീണ്ടും ഉണ്ടാകുമ്പോൾ, ഏജന്റിന് പഴയ പരിഹാരം മാത്രമല്ല, അത് എങ്ങനെ കണ്ടെത്തി എന്ന യുക്തിയും (reasoning) വായിക്കാൻ കഴിയും. ഫലത്തിൽ, ഓരോ പരിഹരിക്കപ്പെട്ട ടിക്കറ്റും ഭാവിയിലെ ടിക്കറ്റുകൾക്കായുള്ള ട്രെയിനിംഗ് ഡാറ്റയായി മാറുകയും പ്രക്രിയ കൂടുതൽ വേഗത്തിലാക്കുകയും ചെയ്യുന്നു.
സത്യസന്ധമായ പരിമിതികൾ
- മാനുവൽ ടെസ്റ്റിംഗ് ഇപ്പോഴുമുണ്ട് – മാറ്റങ്ങൾ നടപ്പിലാക്കുന്നതിന് മുൻപ് ഉടമ ഇപ്പോഴും ഒരു ടെസ്റ്റ് എൻവയോൺമെന്റിൽ അവ പരിശോധിക്കുന്നു.
- കൃത്യമായ കണക്കുകളില്ല – സമയം ലാഭിക്കപ്പെടുന്നുണ്ടെങ്കിലും, എത്ര മണിക്കൂർ കുറഞ്ഞു എന്ന് ഉടമ കൃത്യമായി കണക്കാക്കിയിട്ടില്ല.
- വ്യക്തിഗത സെറ്റപ്പ് – നിലവിലെ സംവിധാനം ഒരു സിംഗിൾ വർക്ക്സ്റ്റേഷനിൽ മാത്രമാണ് പ്രവർത്തിക്കുന്നത്; ഇത് ഒരു ടീമിന് ഉപയോഗിക്കാൻ കൂടുതൽ എഞ്ചിനീയറിംഗ് ആവശ്യമാണ്.
ഈ പരിമിതികൾ കാരണം ഇത് ഒരു റെഡിമെയ്ഡ് ഉൽപ്പന്നമല്ലെങ്കിലും, പ്രധാനപ്പെട്ട ഒരു കാര്യം ഇത് തെളിയിക്കുന്നു: കോൺടെക്സ്റ്റ് ശേഖരിക്കാൻ എടുക്കുന്ന സമയം മണിക്കൂറുകളിൽ നിന്ന് മിനിറ്റുകളിലേക്ക് കുറയ്ക്കാൻ AI-ക്ക് കഴിയും.
ഇനി ശ്രദ്ധിക്കേണ്ടവ
ഉടമയുടെ ഈ പരീക്ഷണം ഒരു വാണിജ്യ ഉൽപ്പന്നത്തേക്കാൾ ഉപരി ഒരു പ്രൂഫ്-ഓഫ്-കോൺസെപ്റ്റ് (proof-of-concept) ആണ്. അടുത്ത ഘട്ടങ്ങൾ ഇവയാണ്:
- മെട്രിക്സുകൾ ഔദ്യോഗികമാക്കുക – ഒരു ബിസിനസ് കേസ് നിർമ്മിക്കുന്നതിനായി, AI പൈപ്പ്ലൈനിന് മുമ്പും ശേഷവും ടിക്കറ്റ് റെസല്യൂഷൻ സമയം (ticket resolution time) നിരീക്ഷിക്കുക.
- ടീം വിന്യാസം – ഒരേ നോളജ് ബേസിൽ (knowledge base) നിന്ന് ഒന്നിലധികം എഞ്ചിനീയർമാർക്ക് പ്രയോജനം ലഭിക്കുന്നതിനായി ഏജന്റിനെ ഒരു ഷെയർഡ് സർവീസായി (shared service) പാക്കേജ് ചെയ്യുക.
- CI/CD-യുമായുള്ള സംയോജനം – പരിശോധിച്ചുറപ്പുവരുത്തിയ സ്ക്രിപ്റ്റുകൾ നേരിട്ട് ഒരു കంటిന്യൂവസ് ഇന്റഗ്രേഷൻ (continuous-integration) പൈപ്പ്ലൈനിലേക്ക് നൽകുന്നതിലൂടെ, മാനുവൽ കൈമാറ്റങ്ങളില്ലാതെ ടിക്കറ്റിൽ നിന്ന് പ്രൊഡക്ഷനിലേക്കുള്ള പ്രക്രിയ പൂർത്തിയാക്കാൻ സാധിക്കും.
ഈ വിപുലീകരണങ്ങൾ വിജയിക്കുകയാണെങ്കിൽ, വലിയതും സങ്കീർണ്ണവുമായ കോഡ്ബേസുകളുമായി (codebases) പോരാടുന്ന മറ്റ് സംരംഭങ്ങൾക്ക് ഈ മോഡൽ ഒരു മാതൃകയായി മാറിയേക്കാം.
പ്രധാന പാഠം
ലെഗസി എൻവയോൺമെന്റുകളിൽ (legacy environments) AI-യുടെ യഥാർത്ഥ മൂല്യം പുതിയ കോഡ് സ്വയം എഴുതുന്നതിലല്ല, മറിച്ച് ശരിയായ കോൺടെക്സ്റ്റ് (context) ഉടനടി ലഭ്യമാക്കുന്നതിലാണ്. ഒരു സീനിയർ ഡെവലപ്പർ മണിക്കൂറുകളോളം എടുക്കുന്ന അന്വേഷണ പ്രക്രിയയെ മിനിറ്റുകളിലേക്ക് ചുരുട്ടിക്കൊണ്ട്, ഒരു AI-ഏജന്റ് വർക്ക്ഫ്ലോയ്ക്ക് പഴയ സിസ്റ്റങ്ങളെ പ്രവർത്തനക്ഷമമായി നിലനിർത്താനും, സപ്പോർട്ട് ചിലവുകൾ കുറയ്ക്കാനും, ക്രമാനുഗതമായി സ്വയം ശക്തിപ്പെടുന്ന ഒരു നോളജ് റിപ്പോസിറ്ററി (knowledge repository) നിർമ്മിക്കാനും സാധിക്കും. ലെഗസി സോഫ്റ്റ്വെയറുകളെ സംബന്ധിച്ചിടത്തോളം, ഉത്തരം കണ്ടെത്താനുള്ള സമയം കുറയ്ക്കുന്നതിലൂടെയാണ് ഏറ്റവും വലിയ ഉൽപ്പാദനക്ഷമത വർദ്ധനവ് ഉണ്ടാകുന്നത്, അല്ലാതെ പുതിയ കോഡ് നിർമ്മിക്കുന്നതിലൂടെയല്ല എന്ന് ഈ പരീക്ഷണം കാണിച്ചുതരുന്നു.