TELUS நிறுவனம் ஒரு generative-AI கோடிங் பிளாட்ஃபார்ம் (coding platform) மூலம் 500,000-க்கும் அதிகமான பொறியியல் நேரத்தைச் சேமித்து, சுமார் $90 மில்லியன் மதிப்பிலான பலன்களைப் பெற்றுள்ளதாகத் தெரிவித்துள்ளது. AI மூலம் இயங்கும் கோடிங் உதவியாளர்கள் (coding assistants), டெவலப்பர்களின் நேரத்தை எவ்வாறு அளவிடக்கூடிய லாபமாக மாற்ற முடியும் என்பதற்கு இந்த எண்கள் ஒரு தெளிவான சான்றாக உள்ளன.
டெவலப்பர்களின் நேரம் ஏன் முக்கியமானது
மென்பொருள் மேம்பாட்டுச் செலவுகள் பெரும்பாலும் பொறியாளர்கள் குறியீடுகளை (code) எழுதுவதற்கும், சோதனை செய்வதற்கும் மற்றும் பராமரிப்பதற்கும் செலவிடும் நேரத்தோடு நேரடியாகத் தொடர்புடையவை. ஒரு அம்சம் (feature) உருவாக்க 100 மணிநேரம் தேவைப்பட்டால், அதன் செலவு என்பது அந்த 100 மணிநேரத்திற்கான ஊதியத்தைப் பொறுத்தது. அந்த நேரத்தைக் குறைப்பதன் மூலம் தொழிலாளர் செலவைக் குறைக்கலாம், சந்தைக்குத் தயாரிப்பை விரைவாகக் கொண்டு செல்லலாம் மற்றும் பொறியாளர்களை அதிக மதிப்புள்ள சிக்கல்களைத் தீர்க்கப் பயன்படுத்தலாம்.
இந்தத் கருவிகள் உண்மையில் என்ன செய்கின்றன
AI கோடிங் உதவியாளர்கள் IDE (integrated development environment)-இல் செயல்பட்டு, இயல்பான மொழித் தூண்டுதல்களுக்கு (natural-language prompts) பதிலளிக்கின்றன. அவற்றால் பின்வருவனவற்றைச் செய்ய முடியும்:
- தேவைப்படும்போது boiler-plate code மற்றும் ஆவணங்களை (documentation) உருவாக்க முடியும்.
- இருக்கும் குறியீட்டை மாற்றியமைக்கவும் (refactor), தானாகவே unit tests உருவாக்கவும் முடியும்.
- கூற்றுகளை (statements) முழுமையாக்குவதன் மூலமும், முழுமையான செயல்பாடுகளைப் (functions) பரிந்துரைப்பதன் மூலமும் கைமுறையாகத் தட்டச்சு செய்யும் வேலையைக் குறைக்கலாம்.
- API signatures மற்றும் design patterns ஆகியவற்றை நினைவில் வைத்திருப்பதன் மூலம், டெவலப்பர்கள் அடிக்கடி குறிப்பு ஆவணங்களைத் (reference docs) தேட வேண்டிய அவசியம் இருக்காது.
இந்த அம்சங்கள் தினசரி கோடிங் வேலையில் பெரும்பகுதியை ஆக்கிரமித்துள்ள மீண்டும் மீண்டும் செய்யப்படும் சலிப்பான வேலைகளைக் குறைக்கின்றன.
அளவிடக்கூடிய வேக முன்னேற்றம்
சமூகத்தில் குறிப்பிடப்பட்டுள்ள சுயாதீன ஆய்வுகளின்படி, AI உதவியுடன் டெவலப்பர்கள் வழக்கமான பணிகளை 20% முதல் 50% வரை வேகமாக முடிக்கின்றனர். CRUD endpoint எழுதுவது அல்லது unit test சேர்ப்பது போன்ற வரையறுக்கப்பட்ட பணிப்பாய்வுகளில் (workflows), சில குழுக்கள் தங்கள் உற்பத்தியை இருமடங்காக (100% முன்னேற்றம்) அதிகரித்துள்ளனர்.
வணிகத் தாக்கம் - எளிமையான விளக்கங்களுடன்
- குறைந்த தொழிலாளர் செலவு – ஒரு அம்சம் உருவாக்க முதலில் 100 மணிநேரம் தேவைப்பட்டு, AI மூலம் 30 மணிநேரம் மிச்சமாகிவிட்டால், செலவு 30% குறைகிறது.
- குறைவான பிழைகள் (Bugs) – தானாகவே உருவாக்கப்படும் சோதனைகள் (tests), பிழைகளை முன்கூட்டியே கண்டறிந்து, மீண்டும் மீண்டும் வேலை செய்வதைக் குறைக்கின்றன.
- விரைவான சரிபார்ப்பு – குறுகிய சோதனைச் சுழற்சிகள் (test cycles), தயாரிப்புக் குழுக்கள் விரைவாகப் புதிய முயற்சிகளைச் செய்ய அனுமதிக்கின்றன.
- அதிக உற்பத்தித் திறன் – அதே பட்ஜெட்டில், குழுக்கள் அதிக அம்சங்களை வெளியிடலாம் அல்லது அதிக A/B சோதனைகளைச் செய்யலாம்.
TELUS-ன் அனுபவம் இதன் ஒட்டுமொத்த விளைவைக் காட்டுகிறது: சேமிக்கப்பட்ட 500,000 மணிநேரம் $90 மில்லியன் பலன்களாக மாறியதுடன், உற்பத்தித்திறன் சுமார் 30% அதிகரித்துள்ளது.
ஒரு முன்னோடித் திட்டத்தை (Pilot) நடத்துதல்: படிப்படியான வழிகாட்டி
- வரையறுக்கப்பட்ட ஒரு குழுவையும் குறிப்பிட்ட அம்சங்களையும் தேர்ந்தெடுக்கவும் – நன்கு வரையறுக்கப்பட்ட கூறுகளை (உதாரணமாக: API endpoints, UI widgets) கையாளும் ஒரு குழுவுடன் தொடங்கவும்.
- அடிப்படை அளவீடுகளைப் பதிவு செய்யவும் – எந்தவொரு AI கருவியையும் அறிமுகப்படுத்துவதற்கு முன், ஒரு அம்சத்திற்குத் தேவைப்படும் சராசரி மணிநேரம், டிக்கெட்டில் இருந்து பயன்பாட்டிற்கு (deployment) வரும் காலம் மற்றும் பிழை விகிதம் (defect rate) ஆகியவற்றைத் தொகுக்கவும்.
- சில உதவியாளர்களைச் சோதிக்கவும் – நிகழ்நேரத்தில் குறியீட்டைப் பரிந்துரைக்கும் “AI pair programmer” கருவிகள் மற்றும் சோதனை உருவாக்கம் போன்ற குறிப்பிட்ட பணிகளுக்காகப் பயன்படுத்தக்கூடிய “coding agents” ஆகிய இரண்டையும் சோதிக்கவும்.
- முடிவுகளைக் கண்காணிக்கவும் – சுழற்சி நேரம் (cycle time), பிழைகளின் எண்ணிக்கை மற்றும் கோடிங் அல்லாத பிற செயல்பாடுகளில் (வடிவமைப்பு, குறியீடு ஆய்வு போன்றவை) செலவிடப்படும் நேரத்தின் விகிதத்தில் ஏற்படும் மாற்றங்களை அளவிடவும்.
- பயிற்சிக்கான பட்ஜெட்டை ஒதுக்கவும் – பொறியாளர்களுக்கு எவ்வாறு சரியான தூண்டுதல்களை (prompts) வழங்குவது மற்றும் பரிந்துரைகளை எவ்வாறு புரிந்துகொள்வது என்பதைக் கற்பிப்பதற்கே அதிக செலவாகும் என்று எதிர்பார்க்கவும்.
- சேமிக்கப்பட்ட நேரத்தை மறுமுதலீடு செய்யவும் – மிச்சமாகும் நேரத்தை குறைந்த முன்னுரிமை கொண்ட டிக்கெட்டுகளைத் தீர்ப்பதற்குப் பயன்படுத்துவதற்குப் பதிலாக, அதிக தாக்கத்தை ஏற்படுத்தக்கூடிய பணிகளுக்குப் பயன்படுத்தவும்.
வரம்புகள் மற்றும் எச்சரிக்கைகள்
AI உதவியாளர்கள் வழக்கமான, முறையான (pattern-driven) குறியீடுகளில் சிறந்து விளங்குகின்றன. சிக்கலான கட்டமைப்பு முடிவுகள் (architectural decisions), குறிப்பிட்ட துறை சார்ந்த மேம்பாடுகள் (domain-specific optimizations) அல்லது பாதுகாப்பு சார்ந்த முக்கியமான பகுதிகள் இன்னும் மனிதத் தீர்ப்பை எதிர்பார்க்கின்றன. பயன்பாட்டு விகிதமே (Adoption rates) முதலீட்டின் மீதான வருவாயைத் (ROI) தீர்மானிக்கிறது: அதிக பயன்பாடு விரைவான பலனைத் தரும்; குறைந்த பயன்பாடு பணத்தை வீணடிக்கும்.
முடிவுரை
பொறியாளர்கள் AI கோடிங் உதவியாளர்களைத் தொடர்ந்து பயன்படுத்தும்போது, மீண்டும் மீண்டும் செய்யப்படும் வேலைகள் குறைந்து, அது கணிசமான செலவு சேமிப்பிற்கும் விரைவான தயாரிப்புச் சுழற்சிகளுக்கும் வழிவகுக்கிறது. இதன் நன்மைகள் உண்மையானவை, ஆனால் இது முறையான முன்னோடித் திட்டங்கள், தெளிவான அளவீடுகள் மற்றும் சேமிக்கப்பட்ட நேரத்தை மூலோபாயப் பொறியியல் பணிகளில் (strategic engineering work) பயன்படுத்தும் விருப்பத்தைப் பொறுத்தே அமையும்.