Ας μοιραστούμε πράγματα...

 

Πώς η Τεχνητή Νοημοσύνη Επηρεάζει την Ποιότητα του Παραγόμενου Λογισμικού

Η ποιότητα του παραγόμενου λογισμικού είναι εξαρτάται από πολλούς παράγοντες: λειτουργικότητα, αξιοπιστία, χρηστικότητα, απόδοση, συντηρησιμότητα και φορητότητα συνθέτουν ένα πολύπλοκο μετρικό πλέγμα. Ωστόσο με την είσοδο της τεχνητής νοημοσύνης (AI) στην ανάπτυξη λογισμικού, προκύπτει ένα νέο ερώτημα: βελτιώνει ή υποβαθμίζει η AI την ποιότητα του παραγόμενου κώδικα;

Η AI συμβάλλει ουσιαστικά στον εντοπισμό προβλημάτων και στην παραγωγή ποιοτικότερου λογισμικού μέσω:

• Στατικής ανάλυσης κώδικα με μηχανική μάθηση, όπου εργαλεία όπως το DeepCode και το SonarQube AI εντοπίζουν code smells, πιθανά bugs και προβλήματα ασφαλείας πιο έγκαιρα από τον άνθρωπο.
• Αυτόματης παραγωγής δοκιμών, με εργαλεία όπως το Diffblue Cover να συνθέτουν unit tests που αυξάνουν τη δοκιμαστική κάλυψη και ενισχύουν τη σταθερότητα του συστήματος.
• AI code assistants όπως το GitHub Copilot, τα οποία μειώνουν τα syntactic errors και επιταχύνουν την ανάπτυξη boilerplate λογικής.

Σε έργα όπου η ποιότητα βασίζεται στην τήρηση coding standards και την επαναχρησιμοποίηση, η AI λειτουργεί ως force multiplier. Ο προγραμματιστής επικεντρώνεται στη σχεδίαση, ενώ η AI φροντίζει για συνέπεια και ολοκλήρωση.

Ωστόσο, η εξάρτηση από τα large language models για παραγωγή ή αναδιατύπωση κώδικα ενέχει κινδύνους:

• Ελλιπές context understanding: Τα μοντέλα συνθέτουν κώδικα βάσει πιθανότητας και όχι απαραίτητα με βάση τις επιχειρησιακές ανάγκες ή τις προδιαγραφές.
• Τεχνολογική ομοιομορφία: Υπάρχει τάση για την προώθηση "δημοφιλών" αλλά όχι απαραίτητα βέλτιστων πρακτικών (code convergence), οδηγώντας σε απονευρωμένη αρχιτεκτονική.
• Μεταβίβαση της ευθύνης: Σε ποιον αποδίδεται η ευθύνη για bug σε generated code; Στον developer ή στον αλγόριθμο;

Στο άρθρο των Ferdous & Ahammed (2024), παρατίθεται το παράδειγμα μεγάλης εταιρείας που ενσωμάτωσε AI-based test case generation, και διαπίστωσε 35% μείωση στα regressions, αλλά αύξηση κατά 18% σε false confidence bugs – δηλαδή σφάλματα που διαφεύγουν της προσοχής λόγω φαινομενικής κάλυψης.

Η AI επηρεάζει την ποιότητα τόσο εκ των προτέρων (με αυτοματοποίηση) όσο και εκ των υστέρων (με μετα-ανάλυση logs, συμπεριφορών χρηστών, telemetrics). Το ζητούμενο όμως δεν είναι απλώς "λιγότερα bugs", αλλά η ευθυγράμμιση του λογισμικού με τις πραγματικές ανάγκες χρήσης.

Ο συνδυασμός AI και ανθρώπινου ελέγχου —δηλαδή AI-augmented development— είναι ο δρόμος προς ώριμα και υψηλής ποιότητας πληροφοριακά συστήματα. Το ζητούμενο είναι να λειτουργεί η AI ως βοηθός, όχι ως αυτόματος αντικαταστάτης της ανθρώπινης κρίσης.

---

Βιβλιογραφία

1. Ferdous, S., & Ahammed, F. (2024). AI-Driven Innovations in Software Engineering: A Review of Current Practices and Future Directions. Applied Sciences, 15(13), 1344. https://doi.org/10.3390/app15131344
2. ISO/IEC 25010:2011. Systems and software engineering – Systems and software Quality Requirements and Evaluation (SQuaRE) – System and software quality models.
3. Bird, C., et al. (2019). The Promise and Peril of Human–AI Collaboration in Software Engineering. IEEE Software, 36(6), 27–33.
4. Copilot telemetry insights. GitHub Blog. https://github.blog
5. Diffblue Cover Documentation. [https://www.diffblue.com]