අපේ දවසේ AI තාක්ෂණය කේත ලේඛන ලිවීමේ වේගය ඉතා ඉහළට ගෙන ඇත. පරණ සොෆ්ට්වෙයාර් පද්ධතියක් නව තාක්ෂණයට ගෙන යාමට AI කේත ඒජන්ට්ස් භාවිතා කරන ඉල්ලීම් අඛණ්ඩව වැඩි වෙමින් පවතී. නමුත් නව පද්ධතිය පරණ පද්ධතියේ වැනි හැසිරීමක් පෙන්වන්නේද යන ප්රශ්නය තවමත් විසඳුමක් නොලැබේ.
කථාබහේ මූලික කරුණ වන්නේ, AI කේත ඒජන්ට් එකක් පරණ කේතය ඉක්මනින් අලුත් භාෂාවකට පරිවර්තනය කරදීමයි. නව කේතය ලැබීමේදී බාධාව අඩුවීමත්, නමුත් ඒ කේතය පරණ පද්ධතියේ එම ක්රියාකාරිත්වය නිරවද්යව අනුකරණ කරන්නේද යන්න තහවුරු කිරීමේ ක්රමයක් නොමැති බවයි. ලේඛකයා පරීක්ෂක (judge) හෝ හාර්නස් (harness) එකක් නිර්මාණය කර, එය නව කේතය පරීක්ෂා කර, පරණ පද්ධතියේ ප්රතිඵල සමඟ සමාන බව තහවුරු කළ යුතුය.
මෙම ක්රියාවලිය Test‑Driven Modernization ලෙස හැඳින්වේ. පරණ පද්ධතියේ නිරීක්ෂණාත්මක ප්රතිඵල (observable behavior) එකක් සකසා, එය පරීක්ෂණ කට්ටලයක් ලෙස භාවිතා කරයි. AI ඒජන්ට් එක මෙම කට්ටලය මත වැඩ කර, සෑම පරීක්ෂණයක්ම “ග්රීන්” වෙද්දී පමණක් වැඩ අවසන් කරයි. මෙය පරණ කේතය විශ්ලේෂණය කිරීමෙන් පටන් ගන්නා සාම්ප්රදායික ක්රමයට වඩා කාර්යක්ෂමයි, ඒත් තවමත් පරීක්ෂකය හෝ හාර්නස් එකම ප්රධාන සම්පත බව පෙනේ.
කාලීනව පරීක්ෂණ කට්ටලයක් සකස් කිරීම, ඒවායේ ප්රතිඵල ලේඛනය කිරීම, සහ ඒ ලේඛනය පදනම් කරගෙන AI කේත ඒජන්ට් එකට නව කේතය ලියවා ගැනීම – මේ සියල්ලම නව පද්ධතියේ ගුණාත්මකභාවය සහ විශ්වාසනීයත්වය තහවුරු කරන “සහකාරකය” වේ. පරීක්ෂකය හරහා පද්ධතියේ සියලුම කොටස් එකවර පරීක්ෂා කර, අතුරු ප්රතිඵල, පරිණාමක බලපෑම්, සහ පසුබැසීම (regression) තහවුරු කරගත හැකිය.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ සංවර්ධන කටයුතු වලට AI‑කේත පනස්කරණය නව අවස්ථාවන් ගෙන එයි. සිසුන් AI‑සහයෝගී කේත ලේඛන ක්රමය ඉගෙන ගෙන, පරණ පද්ධති නවීකරණය කිරීමේ ප්රායෝගික කුසලතා ලබා ගත හැකිය. ඩෙවලොපර්වරුන්ට කේත ලේඛන කාර්ය බර අඩු කර, ඉක්මනින් නව තාක්ෂණය සමඟ ඒකාබද්ධ කිරීමේ හැකියාව ලැබේ. ව්යාපාරවලට පරණ පද්ධති නවීකරණය කිරීමේ වියදම් හා කාලය අඩු කර, ඉදිරියට ගමන් කිරීමට අවශ්ය වේගවත් පද්ධතියක් ලබා ගැනීමට ඉඩ සලසයි.
අවසානයේ, AI කේත ඒජන්ට් එකක් පණස්කරණය කර ගැනීම පමණක් නොව, එය නව පද්ධතියේ හැසිරීම තහවුරු කරන පරීක්ෂකය (judge) හෝ හාර්නස් (harness) එකක් සමඟ එකතුවීමේ වැදගත්කම තේරුම් ගැනීමයි. මෙයින් පසු, සංවිධානයක් නවීකරණය කිරීමේදී “කේතය ලැබුණා” කියා පමණක් නොකිය, “තහවුරු කළා” කියා පවසන්නට හැකිය.
