வரவிருக்கும் லூப்: AI Harness Engineering எவ்வாறு கோடிங் முறையை மாற்றுகிறது

AI கோடிங்கில் நிகழும் மிகப்பெரிய மாற்றம் சிறந்த மாடல்களைப் பற்றியது அல்ல. அது லூப் (loop) பற்றியது.

மென்பொருள் மேம்பாடு (Software development) Harness Engineering எனப்படும் ஒரு புதிய கட்டத்திற்கு நகர்ந்து கொண்டிருக்கிறது. இந்த கட்டம் வெறும் ப்ராம்ப்ட்களைத் (prompts) தாண்டிச் செல்கிறது. இது AI ஏஜென்ட்களைக் (AI agents) கட்டுப்படுத்தும் அமைப்புகளை உருவாக்குவதில் கவனம் செலுத்துகிறது.

ஒரு சிறந்த ஹார்னஸ் (harness), ஒரு சிறந்த மாடலை விடச் சிறந்தது.

ஹார்னஸில் மாடலைச் சுற்றியுள்ள அனைத்தும் அடங்கும்:

  • சிஸ்டம் ப்ராம்ப்ட்கள் மற்றும் கருவிகள் (System prompts and tools)
  • ஃபைல் சிஸ்டம் அணுகல் (File system access)
  • எக்ஸிகியூஷன் சாண்ட்பாக்ஸ்கள் (Execution sandboxes)
  • சரிபார்ப்பு தர்க்கம் (Verification logic)

பெரும்பாலான குழுக்கள் 'இன்னர் லூப்' (inner loop) மீது கவனம் செலுத்துகின்றன. ஒரு AI ஒரு கருவியைப் பயன்படுத்துவது, ஒரு ஃபைலைத் திருத்துவது மற்றும் ஒரு சோதனையை (test) இயக்குவது ஆகியவையே இதுவாகும்.

உண்மையான மதிப்பு 'அவுட்டர் லூப்' (outer loop)-இல் உள்ளது. இது ஒரு ஒருங்கிணைப்பு அடுக்கு (orchestration layer). இது பணிகளை வரிசைப்படுத்துகிறது (queues tasks), வேலை முடிந்துவிட்டதா என்பதை மதிப்பீடு செய்கிறது மற்றும் முழு செயல்முறையையும் நிர்வகிக்கிறது. இந்தத் பணி ஒரு தனிப்பட்ட சாட் செஷனைத் (chat session) தாண்டிச் செயல்படுகிறது.

AI மேம்பாட்டின் பரிணாம வளர்ச்சி:

  1. Prompt Engineering (2022-23): சிறு துணுக்குகளுக்காக (snippets) ஒற்றை ப்ராம்ப்ட்களை எழுதுதல்.
  2. Context Engineering (2024-25): அம்சங்களுக்காக (features) மெமரி மற்றும் ஃபைல்களை நிர்வகித்தல்.
  3. Harness Engineering (2026): தன்னாட்சி கட்டுப்பாட்டு அமைப்புகளை (autonomous control systems) உருவாக்குதல்.

தடையின் மையம் (bottleneck) மாறிவிட்டது. AI-ஆல் குறியீட்டை (code) எழுத முடியுமா என்பது இப்போது முக்கியமல்ல. AI-ஆல் பின்பற்றக்கூடிய ஒரு விவரக்குறிப்பை (spec) உங்களால் எழுத முடியுமா என்பதே முக்கியம்.

லூப்கள் சிறப்பாகச் செயல்படும் இடங்கள்:

  • ஒரு மொழியிலிருந்து மற்றொரு மொழிக்கு குறியீட்டை மாற்றுதல் (Porting code).
  • செயல்திறன் அளவீடுகளை (performance benchmarks) இயக்குதல்.
  • பாதுகாப்பு ஸ்கேனிங் (Security scanning).
  • விரைவான ஆராய்ச்சி மற்றும் முன்மாதிரிகள் (prototypes).

லூப்கள் தோல்வியடையும் இடங்கள்:

  • ஆழமான மனிதத் தீர்ப்பு தேவைப்படும் குறியீடுகள்.
  • கடுமையான கட்டமைப்பு விதிகள் (architectural rules) தேவைப்படும் அமைப்புகள்.
  • உயர்மட்ட வடிவமைப்பு (high-level design) மற்றும் பராமரிப்புத் திறன் (maintainability).

'Comprehension Debt' போன்ற புதிய அபாயங்களை நாம் காண்கிறோம். மனிதர்கள் ஆய்வு செய்வதை விட AI குறியீட்டை வேகமாக உருவாக்கும்போது இது நிகழ்கிறது. இதனால் குழுக்கள் தங்களுக்குப் புரியாத குறியீட்டுத் தொகுப்புகளை (codebases) கொண்டிருக்க வேண்டிய சூழல் ஏற்படுகிறது.

இந்த மாற்றம் மூன்று காரணங்களால் தவிர்க்க முடியாதது:

  • பாதுகாப்பு: தாக்குபவர்கள் லூப்களைப் பயன்படுத்துகிறார்கள். தற்காப்பாளர்களும் அவற்றைப் பயன்படுத்த வேண்டும்.
  • பொருளாதாரம்: சிறிய குழுக்கள் இப்போது மிகப்பெரிய குழுக்களின் வேலையைச் செய்ய முடியும்.
  • தொழில்நுட்பக் கடன் (Technical Debt): எதிர்காலக் குறியீட்டுத் தொகுப்புகள் AI-உடன் இணைந்து செயல்படும் வகையில் உருவாக்கப்படும்.

உங்கள் பணி மாறிக்கொண்டிருக்கிறது. நீங்கள் குறியீட்டை எழுதுவதிலிருந்து, குறியீட்டை எழுதும் லூப்களை எழுதுவதற்கு மாறுகிறீர்கள்.

Source: https://dev.to/tekmag/the-coming-loop-how-ai-harness-engineering-is-quietly-rewriting-software-development-4ejd

Optional learning community: https://t.me/GyaanSetuAi