حقن الأخطاء البرمجية يقلص نجاح الوكلاء إلى 9%: إطار باجي إم إل إي يختبر جاهزية المستودعات لفرق المنطقة
استمع لهذا المقال
بصوت راشد (Rashed)
أظهرت دراسة بحثية حديثة قادها جون وو وفريق من الباحثين أن كفاءة وكلاء الذكاء الاصطناعي في هندسة التعلم الآلي تتهاوى من خمسة وتسعين بالمئة إلى تسعة بالمئة فقط بمجرد انتقال المهام من تعديل ملفات معزولة إلى التعامل مع مستودعات برمجية متكاملة متعددة الملفات، وهو ما يضع خطط الاعتماد على الوكلاء البرمجيين في الفرق التقنية بالمنطقة أمام واقع هندسي مغاير للتقييمات الشائعة.
وجاء هذا الكشف عبر تطوير إطار عمل أطلق عليه الباحثون اسم «باجي إم إل إي»، مدعومًا بمؤشر تعقيد الشيفرة الذي يستند إلى عشر خصائص هيكلية تشمل حجم المستودع وعمق الاعتماديات البرمجية وحجم الرقعة التصحيحية. واستطاع هذا المؤشر تفسير معدلات حل المسائل عبر ثمانية معايير تقييم برمجية عامة بدقة تنبؤ بلغت 0.951، مؤكدًا أن حجم الرقعة وتعقيدها هما العاملان الحاسمان في تحديد صعوبة المهمة أمام النماذج الذكية.
وتعاني المعايير الحالية لهندسة التعلم الآلي من حصر الوكلاء في تعديل ملف واحد دون منحهم وصولًا كاملًا إلى سطر الأوامر أو المستودع البرمجي، في حين وصلت معايير هندسة البرمجيات العامة إلى مرحلة التشبع السريع. ولتجاوز هذا القصور، وظف إطار «باجي إم إل إي» وكلاء لحقن طفرات برمجية وأخطاء اصطناعية مضبوطة داخل مستودعات تعلم آلي صالحة للعمل، منتجًا أكثر من 6600 مستودع برمجي معدل بنحو مئتين وستين ألف سطر من الشيفرات المحقونة، انطلاقًا من مئتين واثنين وعشرين مستودعًا أصليًا.
التقييمات السطحية تمنح ثقة زائفة قبل اختبار المستودعات المعقدة. ومن خلال هذا الإطار، بنى الباحثون معيار «باجي إم إل إي بنش لايت» المصنف بحسب مستويات الصعوبة، حيث خضعت أربعة عشر نموذجًا للاختبار، لتنكشف الفجوة الحادة حين تراجعت أفضل نسبة إنجاز من 95% في المستوى الأسهل إلى 9% فقط في المستوى الأكثر تعقيدًا.
ولم يتوقف العمل عند كشف القصور، بل استغل الباحثون الإطار لتوليد منهج تدريبي تدريجي موزع على ثلاثة مستويات صعوبة بالاعتماد على مئتي مستودع إضافي. وأسفر ضبط نموذج مفتوح المصدر بحجم تسعة مليارات معامل، وهو «كيوين 3.5»، عن منافسة النماذج الرائدة في حل هذه المشكلات المعقدة. وامتد أثر التدريب خارج نطاق التعلم الآلي، حيث ارتفع معدل حل المشكلات في معيار «إس دبليو إي بنش لايت» من 24% إلى 33%، وزادت دقة النجاح في معيار «لايف كود بنش» الإصدار السادس من 69% إلى 71%.
ماذا يعني هذا للمنطقة
يفرض هذا التحول إعادة نظر جذرية لدى مديري التقنية في مصارف وشركات الخليج ومصر الذين يبنون استراتيجياتهم على نسب النجاح المعلنة لمساعدي البرمجة؛ فالنماذج التي تبدو شبه مكتملة في معالجة الدوال المفردة تفقد فاعليتها أمام صيانة بيئات التدريب الفعلية وتعديل خطوط أنابيب البيانات المتشعبة.
في المقابل، يمنح نجاح تدريب نموذج بتسعة مليارات معامل لفرق التطوير في المنطقة مسارًا تقنيًا عالي الجدوى الاقتصادية، إذ يمكن للمؤسسات التي تلتزم بسياسات صارمة لحوكمة البيانات وحفظ السيادة الرقمية استنساخ أسلوب حقن الأخطاء لتدريب نماذج داخلية خفيفة تنافس النماذج الاحتكارية، دون الحاجة لتحمل اشتراكات واجهات برمجة التطبيقات الباهظة أو المخاطرة برفع مستودعاتها الحساسة إلى خوادم خارجية.