AI ஆல் மென்பொருள் மேம்பாடு என்றென்றைக்குமாக எப்படி மாறியது — Andre Baltieri [MVP] உடன் Agentic எதிர்காலத்தை உருவாக்குதல்

செயற்கை நுண்ணறிவு (AI) மென்பொருள் உருவாக்கத்தை நாம் இதுவரை கண்டிராத வேகத்தில் மாற்றிக்கொண்டிருக்கிறது.டெவலப்பர்கள் ஏற்கனவே ஒவ்வொரு வரியையும் தாங்களே எழுதும் நிலையிலிருந்து, குறியீட்டை உருவாக்கவும், அறிமுகமில்லாத அமைப்புகளை விளக்கவும், சோதனைகளை உருவாக்கவும், பயன்பாடுகளில் உள்ள பிழைகளை நீக்கவும், திரும்பத் திரும்ப வரும் வேலைகளை தானியக்கமாக்கவும் முடிந்த AI உதவியாளர்களுடன் பணியாற்றும் நிலைக்கு நகர்ந்துவிட்டனர்.
ஆனால் Microsoft MVP ஆண்ட்ரே பால்டியேரியின் கருத்துப்படி, இது தொடக்கம் மட்டுமே.இந்த M365.FM அத்தியாயத்தில், Mirko Peters, ஆண்ட்ரேவுடன் பாரம்பரிய மென்பொருள் உருவாக்கத்திலிருந்து AI-உதவியுடனான மேம்பாட்டிற்கான மாற்றம், குறியீட்டு முகவர்கள் (coding agents), முகவர் அடிப்படையிலான கட்டமைப்புகள் (agentic architectures), Microsoft Agent Framework, .NET, RAG, சூழல் பொறியியல் (context engineering), பாதுகாப்பு மற்றும் உருவாக்கும் AI-யின் பொருளாதாரம் ஆகியவை பற்றி ஆழமாக உரையாடுகிறார்.

2003இல் .NET முதல் AI யுகம் வரை
ஆண்ட்ரே .NET மற்றும் C# ஆரம்ப நாட்களுக்கு நம்மை அழைத்துச் செல்கிறார், அப்போது ஒரு புதிய Microsoft தொழில்நுட்பத்தைக் கற்றுக்கொள்வது என்பது அதிகாரப்பூர்வ பயிற்சியை வாங்கி வேறு நகரத்துக்குப் பயணிப்பதைக் குறித்தது.அதன்பின் மென்பொருள் மேம்பாடு டெஸ்க்டாப், வலை, மொபைல், கிளவுட், கன்டெய்னர்கள், மைக்ரோசர்விசஸ் மற்றும் சர்வர்லெஸ் கம்ப்யூட்டிங் வழியாக வளர்ந்துள்ளது.AI-க்கான மாற்றம் அடிப்படையிலேயே வேறுபட்டது என்று ஆண்ட்ரே வாதிடுகிறார். ஏனெனில் AI ஒரு புதிய தளம் அல்லது கட்டமைப்பு மட்டுமல்ல, மனிதர்கள் மென்பொருளுடன் தொடர்பு கொள்ளும் புதிய வழியையும் அறிமுகப்படுத்துகிறது.

AI உதவியாளர்கள் vs. AI குறியீட்டு முகவர்கள்
IDE-க்குள் ஒரு AI உதவியாளர் இருப்பதற்கும், வேலையை ஒரு முகவரிடம் ஒப்படைப்பதற்கும் இடையே முக்கியமான வேறுபாடு உள்ளது.ஓர் உதவியாளர் குறியீட்டை விளக்கலாம், மறுகட்டமைப்பை பரிந்துரைக்கலாம், கேள்விகளுக்கு பதிலளிக்கலாம், டெவலப்பர்கள் தங்கள் பயன்பாடுகளைப் புரிந்துகொள்ள உதவலாம்.ஒரு முகவர் ஓர் இலக்கைப் பெற்று, திட்டமிடலாம், வேலையை சிறிய பணிகளாகப் பிரிக்கலாம், கருவிகளைப் பயன்படுத்தலாம், கூடுதல் முகவர்களை ஒருங்கிணைக்கலாம், தீர்வின் கணிசமான பகுதிகளைச் செயல்படுத்தலாம்.ஆண்ட்ரே தனது சொந்த மேம்பாட்டு பணிமுறை இதனால் எப்படி ஏற்கனவே மாறிவருகிறது என்பதை விளக்குகிறார், முன்பு கைமுறையாக எழுதிய குறியீட்டின் பெரும்பகுதியை இப்போது AI உருவாக்குகிறது.

விவரக்குறிப்பு-இயக்கப்படும் மென்பொருள் மேம்பாடு
முகவர்கள் மேலும் திறன் பெறும்போது, விவரக்குறிப்புகள் (specifications) மேலும் முக்கியமாகின்றன.ஒவ்வொரு செயலாக்க விவரத்தையும் விவரிப்பதற்குப் பதிலாக, டெவலப்பர்கள் தேவைகள், கட்டமைப்பு, கட்டுப்பாடுகள், எதிர்பார்க்கப்படும் நடத்தை ஆகியவற்றை வரையறுக்கலாம், மேலும் ஒரு தீர்வின் பகுதிகள் எப்படி நிறைவு செய்யப்பட வேண்டும் என்பதை முகவர்கள் தீர்மானிக்க அனுமதிக்கலாம்.இது டெவலப்பரின் கவனத்தை வெறும் குறியீடு உற்பத்தியிலிருந்து, எது கட்டப்பட வேண்டும் மற்றும் ஏன் என்பதை வரையறுப்பதை நோக்கி மாற்றுகிறது.

Microsoft Agent Framework
உரையாடல் Microsoft Agent Framework மற்றும் ஏற்கனவே உள்ள பயன்பாடுகளில் AI திறன்களைக் கொண்டுவருவதில் அதன் பங்குக்கு நகர்கிறது.Semantic Kernel மற்றும் AutoGen உடன் தொடர்புடைய திறன்களை இந்த கட்டமைப்பு ஒருங்கிணைக்கிறது என்றும், மாதிரிகளை இணைக்கவும், பணிப்பாய்வுகளை ஒருங்கிணைக்கவும், MCP-ஐப் பயன்படுத்தவும், RAG-ஐ செயல்படுத்தவும், தரவு உள்ளீட்டை கையாளவும், பயன்பாட்டின் செயல்பாடுகளை AI-க்கு வெளிப்படுத்தவும் டெவலப்பர்களுக்கு கருவிகளை வழங்குகிறது என்றும் ஆண்ட்ரே விளக்குகிறார்.குறிப்பாக .NET டெவலப்பர்களுக்கு, இது தேவைப்படும் ஒருங்கிணைப்புக் குறியீட்டின் அளவை கணிசமாகக் குறைக்கக்கூடும்.

AI யுகத்திலும் .NET ஏன் முக்கியமானது
AI மேம்பாட்டில் Python இன்னும் முன்னணி மொழிகளில் ஒன்றாக உள்ளது, ஆனால் நிறுவன AI பயன்பாடுகளுக்கு .NET மற்றும் C# மிகச் சிறந்த நிலையில் உள்ளன என்று ஆண்ட்ரே வலுவாக வாதிடுகிறார்..NET வேகமாக வளர்ந்து வருகிறது, Microsoft-இன் AI கருவிகள் C# டெவலப்பர்களுக்கு நவீன AI திறன்களுக்கான இயல்பான அணுகலை அதிகரித்து வழங்குகின்றன.பல ஆண்டுகளாக .NET-இல் வணிக தர்க்கத்தை செயல்படுத்தி வைத்திருக்கும் நிறுவனங்களுக்கு இதனால் பெரிய நன்மை இருக்கலாம்: AI-ஐ அறிமுகப்படுத்துவதற்கு முன் அனைத்தையும் மீண்டும் கட்டவேண்டிய அவசியம் இல்லை.ஏற்கனவே உள்ள செயல்பாடுகளை முகவர்களுக்கும் AI-இயக்கப்படும் பயன்பாடுகளுக்கும் தேர்ந்தெடுத்து வெளிப்படுத்தலாம்.

நிர்ணயவாத மென்பொருளிலிருந்து முகவர் அமைப்புகளுக்கு
பாரம்பரிய பயன்பாடுகள் பெரும்பாலும் நிர்ணயவாதமானவை: X நிகழ்ந்தால், Y-ஐ இயக்கு.முகவர் அமைப்புகள் மற்றொரு மாதிரியை அறிமுகப்படுத்துகின்றன: இதுதான் இலக்கு. அதை அடைய தேவையான செயல்களைத் தீர்மானி.இது ஒரு குறிப்பிடத்தக்க கட்டமைப்பு மாற்றமாகும்.சாத்தியமான ஒவ்வொரு பாதையையும் தெளிவாக வரையறுப்பதற்குப் பதிலாக, டெவலப்பர்கள் இலக்குகள், கருவிகள், சூழல், அனுமதிகள், கட்டுப்பாடுகள், AI செயல்படக்கூடிய எல்லைகள் ஆகியவற்றை வரையறுக்கின்றனர்.

வடிவமைப்பு முறைகள் (design patterns) இறக்கவில்லை
AI-உருவாக்கிய குறியீடு பல தசாப்த கால மென்பொருள் பொறியியல் அறிவை நீக்கிவிடாது.தூய்மையான குறியீடு, பராமரிப்புத்திறன், சோதனை, கட்டமைப்பு, வடிவமைப்பு முறைகள் ஆகியவை முக்கியமாகவே உள்ளன, ஏனெனில் AI பெரும்பாலும் புதிய செயல்பாடுகளை ஏற்கனவே உள்ள குறியீட்டுத்தளத்தை ஆராய்ந்து கற்றுக்கொள்கிறது.எனவே குழப்பமான குறியீடு மேலும் குழப்பமான குறியீட்டுக்கு வழிவகுக்கலாம்.பெரும்பாலான செயலாக்கத்தை AI முகவர் செய்தாலும், டெவலப்பர்கள் கட்டமைப்பையும் பொறியியல் கொள்கைகளையும் புரிந்துகொள்ள வேண்டும்.

சீரற்ற மென்பொருள் (stochastic software) பிரச்சனை
பாரம்பரிய டெவலப்பர்கள் ஒரே உள்ளீடு ஒரே வெளியீட்டைத் தரும் என எதிர்பார்க்கின்றனர்.உருவாக்கும் AI நிகழ்தகவு அடிப்படையிலானது.ஒரே கோரிக்கை பல செயல்பாடுகளில் வேறுபட்ட செயலாக்கங்கள், பதில்கள் அல்லது நடத்தையை உருவாக்கலாம்.இதனால் சோதனையையும் சரிபார்ப்பையும் டெவலப்பர்கள் மறுபரிசீலனை செய்ய வேண்டியுள்ளது என்றும், AI செயல்பாடு அதிக எண்ணிக்கையிலான பயனர்களுக்கு வெளிப்படுத்தப்படும்போது வலுவான பாதுகாப்புத் தடைகள் (guardrails) ஏன் முக்கியமாகின்றன என்றும் ஆண்ட்ரே விவாதிக்கிறார்.

சூழல் பொறியியல் (context engineering) prompting-ஐ விட முக்கியமானது
சமீபத்திய மாதிரியைத் தேர்ந்தெடுப்பது எப்போதும் மிக முக்கியமான முடிவாக இருப்பதில்லை.சூழலே எல்லாம் என்று ஆண்ட்ரே வாதிடுகிறார்.வணிகப் பிரச்சனையையும் தொழில்நுட்பச் சூழலையும் போதுமான அளவு புரிந்துகொண்டு AI-க்கு சரியான தகவலை வழங்க வேண்டும்.போதுமான சூழல் இல்லாவிட்டால் பலவீனமான முடிவுகள் கிடைக்கும்.அதிகப்படியான சூழல் மாதிரியை மூழ்கடிக்கக்கூடும்.உண்மையில் முக்கியமான தகவலைக் கண்டறிவதே சவால்.

RAG, தரவு மற்றும் சூழல் சாளரம் (context window)
நிறுவனங்கள் தங்கள் சொந்த அறிவுடன் AI அமைப்புகள் செயல்பட வேண்டும் என விரும்பும்போது Retrieval-Augmented Generation (RAG) குறிப்பாக முக்கியமாகிறது.ஆனால் RAG அமைப்பை உருவாக்குவது வெறுமனே ஆவணங்களை vector database-இல் போடுவது அல்ல.தரவு சுத்தம் செய்யப்பட்டு, கட்டமைக்கப்பட்டு, துண்டுகளாகப் பிரிக்கப்பட்டு (chunking), மீட்டெடுக்கப்பட்டு, மாதிரியின் சூழலுக்குள் அறிவார்ந்த முறையில் செருகப்பட வேண்டும்.ஆண்ட்ரே தனது சொந்த கல்வித் தளத்திலிருந்து ஓர் உதாரணத்தைப் பகிர்கிறார், அங்கு வீடியோ பாடங்கள் எழுத்துப்படியாக்கப்பட்டு குறியீடு செய்யப்பட்டன, இதனால் பயனர்கள் கருத்துகளைத் தேடி, தொடர்புடைய வீடியோ பகுதிக்கு நேரடியாகச் செல்ல முடிந்தது.

நினைவகம் மற்றும் AI சூழலை நிர்வகித்தல்
நீண்ட நேரம் நடக்கும் AI உரையாடல்கள் மற்றொரு சவாலை உருவாக்குகின்றன: நினைவகம்.சூழல் சாளரம் நிரம்பும்போது, உரையாடல்கள் சுருக்கப்பட வேண்டும் அல்லது compact செய்யப்பட வேண்டும்.மிக முக்கியமான தகவலை AI அமைப்பு எப்போதும் பாதுகாக்கும் என்று கருதுவதற்குப் பதிலாக, டெவலப்பர்கள் இந்த செயல்முறையை தீவிரமாக நிர்வகிக்க வேண்டும் என ஆண்ட்ரே விளக்குகிறார்.சில சமயங்களில் சிறந்த தீர்வு வியக்கத்தக்க அளவு எளிமையானது: பணியை முடித்து, உரையாடலை மூடி, சுத்தமான சூழலுடன் மீண்டும் தொடங்குங்கள்.குறியீட்டு முகவர்களுக்கு நிலையான திட்டச் சூழலை வழங்க விவரக்குறிப்புகளும் Markdown கோப்புகளும் உதவலாம்.

பாதுகாப்பு, அனுமதிகள் மற்றும் குறைந்தபட்ச சலுகை (least privilege)
AI முகவருக்கு கருவிகளையும் நிறுவன தரவையும் அணுக அனுமதிப்பது குறிப்பிடத்தக்க பாதுகாப்பு விளைவுகளை உருவாக்குகிறது.முகவர்களை மனித அடையாளங்களைப் போன்ற கொள்கைகளின்படி கையாள வேண்டும் என ஆண்ட்ரே பரிந்துரைக்கிறார்: இயல்பாக அனைத்தையும் மூடி வையுங்கள், முகவருக்கு உண்மையில் தேவைப்படுவதை மட்டும் வெளிப்படுத்துங்கள்.AI அமைப்புக்கு கட்டுப்பாடற்ற தரவுத்தள அணுகலை வழங்குவதற்குப் பதிலாக, ஒரு குறிப்பிட்ட பணிக்குத் தேவையான தகவலை மட்டுமே திருப்பித் தரும், கவனமாகக் கட்டுப்படுத்தப்பட்ட செயல்பாடுகளை வெளிப்படுத்த வேண்டும்.முகவர்கள் நிறுவன தரவைப் படிக்கவோ மாற்றவோ முடியும்போது இது குறிப்பாக முக்கியமாகிறது.

Prompt injection மற்றும் AI பாதுகாப்புத் தடைகள்
AI-இயக்கப்படும் பயன்பாடுகளுக்கு Prompt injection ஒரு புதிய தாக்குதல் பரப்பை உருவாக்குகிறது.பயனர்கள் வேண்டுமென்றே prompt-களை கையாளலாம், நோக்கப்பட்ட சூழலுக்கு வெளியே தகவலைப் பெற முயற்சிக்கலாம், நிறுவன வளங்களை நுகரலாம், அல்லது அதன் வடிவமைப்பாளர்கள் எதிர்பார்க்காத செயல்களைச் செய்ய AI அமைப்பைத் தூண்டலாம்.கணினி அறிவுறுத்தல்கள் (system instructions), பயன்பாட்டு நிலை கட்டுப்பாடுகள், கட்டுப்படுத்தப்பட்ட செயல்பாடுகள், அடையாளம், அனுமதிகள், கூடுதல் பாதுகாப்பு எல்லைகளை நிறுவ Azure AI Foundry போன்ற தளங்களின் முக்கியத்துவம் ஆகியவற்றை இந்த விவாதம் ஆராய்கிறது.

AI FinOps — எல்லாவற்றுக்கும் உருவாக்கும் AI-ஐ பயன்படுத்தாதீர்கள்
உரையாடலின் மிக நடைமுறைப் பாடங்களில் ஒன்று: ஒரு பணியை AI செய்ய முடியும் என்பதால் அதை AI தான் செய்ய வேண்டும் என்று அர்த்தமில்லை.ஆண்ட்ரே உருவாக்கும் பணிச்சுமைகளையும் நிர்ணயவாத பணிச்சுமைகளையும் வேறுபடுத்துகிறார்.ஒரு விஷயம் ஒவ்வொரு முறையும் ஒரே மாதிரி நடக்க வேண்டுமானால், பாரம்பரிய நிரலாக்கம் வேகமானதாகவும், மலிவானதாகவும், நம்பகமானதாகவும் இருக்கலாம்.அவர் ஓர் உதாரணத்தையும் தருகிறார்