7.1 جنریٹو AI کا نمونے کی تبدیلی

جائزہ اور محرک

سافٹ ویئر انجینئرنگ کی تاریخ کے بیشتر حصے میں کوڈ لکھنا اتنا سست اور محنت طلب تھا کہ خام آؤٹ پٹ کی مقدار، لکھی گئی لائنیں، کیے گئے کمٹ، بھیجی گئی فیچرز، کم از کم ڈھیلے طور پر حقیقی کوشش سے اور، نامکمل طور پر، حقیقی قدر سے ہم رشتہ تھی۔ وہ ہم رشتگی کبھی کامل نہیں تھی، موضوع 3.4 نے پورا موضوع اس پر صرف کیا کہ سرگرمی کے میٹرکس AI سے پہلے کی دنیا میں بھی کیوں گمراہ کرتے ہیں، لیکن وہ اتنی مضبوط تھی کہ بہت سے اداروں نے میٹرکس کے پروگرام اس ضمنی مفروضے پر بنائے کہ زیادہ کوڈ پیدا ہونے کا عموماً مطلب زیادہ کام ہوا ہے۔ جنریٹو AI کوڈنگ اسسٹنٹس نے اس مفروضے کو فیصلہ کن طور پر توڑ دیا ہے: ٹول اب سیکنڈوں میں، پچھلی لاگت کے ایک حصے پر، بڑی، معقول نظر آنے والی مقدار میں کوڈ پیدا کر سکتا ہے، اور وہ مقدار اکیلے آپ کو تقریباً کچھ نہیں بتاتی کہ نتیجہ خیز کوڈ کام کرتا ہے، قابلِ دیکھ بھال ہے، یا کوئی حقیقی مقصد پورا کرتا ہے۔

اس موضوع کا بنیادی دعویٰ یہ ہے کہ یہ نمونے کی تبدیلی ہے، تدریجی ٹولنگ کی تبدیلی نہیں۔ نمونے کی تبدیلی بدلتی ہے کہ آپ کے موجودہ آلات دراصل کیا ناپتے ہیں، صرف یہ نہیں کہ وہ کون سی قدریں رپورٹ کرتے ہیں۔ گاڑی کا انجن بدلنے کے بعد بھی اسپیڈومیٹر رفتار ناپتا ہے؛ اس کتاب کے کئی میٹرکس اس منتقلی سے اتنی صفائی سے نہیں گزرتے۔ ڈیپلائمنٹ کی تعدد (موضوع 2.10) اس لیے بڑھ سکتی ہے کہ AI نے حقیقتاً قیمتی کام تیز کیا، یا اس لیے کہ AI نے بہت سی چھوٹی، کم قدر کی تبدیلیاں پیدا کرنا معمولی حد تک آسان بنا دیا؛ اکیلا عدد اب دونوں میں فرق نہیں کر سکتا، اس طرح جیسے وہ پہلے، مناسب احتیاط کے ساتھ، زیادہ تر کر سکتا تھا۔ یہی منطق خام کمٹ کی گنتی، کوڈ کی لائنوں، اور پل ریکویسٹ کی مقدار پر اور بھی زیادہ زور سے لاگو ہوتی ہے، جن سب سے موضوع 3.4 پہلے ہی انفرادی میٹرکس کے طور پر خبردار کر چکا تھا، اب بڑھ کر ٹیم اور ادارے کی سطح پر بھی متعلقہ خطرہ بن گیا۔

بڑی ٹیموں کے لیے یہ تبدیلی زیادہ تر اداروں کی پیمائش کے طریقے کے ڈھلنے سے تیزی سے آئی، اور اپنانے کی رفتار اور پیمائش کے ڈھلنے کے درمیان فرق وہ جگہ ہے جہاں اس حصے کا حقیقی خطرہ رہتا ہے۔ بغیر ایڈجسٹمنٹ کے AI سے پہلے کے دور کے سرگرمی کے میٹرکس رپورٹ کرتے رہنے والے بڑے ادارے ایسے میٹرک کا جشن منانے کا خطرہ رکھتے ہیں جس نے خاموشی سے قدر سے ہم رشتہ ہونا بند کر دیا ہے؛ AI ٹولنگ کی سرمایہ کاری کا جائزہ لینے والے حکومتی ادارے کو واضح، کھلی آنکھ سے سمجھ چاہیے کہ بالکل کون سے میٹرکس قابلِ اعتماد رہے ہیں اور کون سے نہیں، پرانے پیمائش کے مفروضوں پر بنے خریداری یا پالیسی کے فیصلوں سے پہلے۔

بنیادی اصول

یہ میٹرکس جو ناپتے ہیں اس میں نمونے کی تبدیلی ہے، تدریجی تبدیلی نہیں۔ کچھ موجودہ میٹرکس نے خاموشی سے وہ مطلب دینا بند کر دیا ہے جو وہ پہلے دیتے تھے۔
آؤٹ پٹ کی مقدار کبھی قدر کا قابلِ اعتماد نائب نہیں تھی، اور اب فعال طور پر ناقابلِ اعتماد ہو گئی ہے۔ موضوع 3.4 کی تنبیہ ہمیشہ درست تھی؛ یہ تبدیلی اسے نظر انداز کرنا کہیں زیادہ مہنگا بناتی ہے۔
AI اپنانے کی رفتار اور پیمائش کے ڈھلنے کی رفتار کے درمیان فرق حقیقی خطرہ ہے۔ ادارے اپنے میٹرکس پر نظرِ ثانی سے تیزی سے ٹولنگ اپناتے ہیں۔
اس کتاب کا ہر میٹرک یکساں متاثر نہیں ہوتا۔ نتائج کے میٹرکس (حصہ 5) سرگرمی اور خام آؤٹ پٹ کے میٹرکس سے اس تبدیلی کے مقابل کہیں زیادہ مضبوط ہیں۔
یہ تبدیلی صنعت بھر میں اور جاری ہے، ایک بار کی ایڈجسٹمنٹ نہیں۔ جیسے ٹولنگ اور اسے اپنانے کے نمونے ارتقا پاتے رہیں گے مسلسل تبدیلی کی توقع کریں۔

سفارشات

اپنے موجودہ میٹرکس کے سیٹ کو AI کے دور کی درستگی کے لیے صریح طور پر آڈٹ کریں

اپنے موجودہ ڈیش بورڈ سے گزریں اور ہر میٹرک کے لیے براہِ راست پوچھیں: کیا وہ ٹیم جو AI کی مدد بھاری استعمال کرے لیکن پہلے سے زیادہ حقیقی قدر پیدا نہ کرے اس میٹرک پر بہتر ریڈنگ دکھائے گی۔ سرگرمی کی گنتیاں، کمٹ کی تعدد، اور خام ڈیپلائمنٹ کی تعدد (بغیر جوڑی ہوئی استحکام کی حفاظتی حد کے، موضوع 2.10) سب سے زیادہ بے نقاب ہیں۔ حصہ 5 کے نتائج کے میٹرکس، بچ نکلنے والے نقص کی شرح، فیچر کا اپنانا، کاروباری نتائج، نسبتاً مضبوط ہیں، کیونکہ وہ اصل نتیجہ ناپتے ہیں نہ کہ اس سرگرمی کی مقدار جس نے اسے پیدا کیا۔

ڈیپلائمنٹ کی تعدد اور لیڈ ٹائم کا خاص طور پر بڑھی ہوئی حفاظتی حد کی توجہ کے ساتھ دوبارہ جائزہ لیں

موضوع 2.10 پہلے ہی متبادل گیمنگ سے خبردار کر چکا ہے، بامعنی کام کو معمولی ڈیپلائز میں توڑ کر گنتی بڑھانا۔ جنریٹو AI اس مخصوص گیمنگ کے نمونے کو ڈرامائی طور پر سستا اور پیدا کرنے میں آسان بناتا ہے، حتیٰ کہ غیر ارادی طور پر، کیونکہ AI کی مدد سے معمولی تبدیلیاں اب تقریباً مفت پیدا ہوتی ہیں۔ اپنی تبدیلی کی ناکامی کی شرح کی حفاظتی حد (موضوع 2.10) کو خاص طور پر اس تناسب سے سخت کریں کہ ٹیم نے AI سے مدد پانے والی ترقی کتنی بھاری اپنائی ہے، اور ڈیپلائز کے سائز کے رجحانات کو پہلے سے بھی زیادہ قریب سے دیکھیں۔

کوڈ ریویو کی گنجائش کو نئی، اہم رکاوٹ سمجھیں

اگر AI کی مدد ریویو کے لیے پیش کیے جانے والے کوڈ کی مقدار کو ڈرامائی طور پر بڑھاتی ہے تو ریویو کا مرحلہ (موضوع 2.9)، جو پہلے ہی اکثر ڈیلیوری پائپ لائن میں انتظار کے وقت کا سب سے بڑا حصہ ہے، اور بھی تیز رکاوٹ بن جاتا ہے۔ جس ریویور سے AI سے پیدا کردہ بہت زیادہ مقدار کے کوڈ کا اسی رفتار سے جائزہ لینے کو کہا جائے وہ لازماً یا تو پائپ لائن سست کرے گا یا ریویو کی گہرائی گھٹائے گا، بالکل وہی ربڑ اسٹیمپ کا خطرہ جس سے موضوع 2.9 پہلے خبردار کر چکا ہے، اب نمایاں طور پر زیادہ دباؤ میں۔ AI سے پیدا کردہ کوڈ کی مقدار بڑھنے پر ریویو کی گہرائی اور معیار کی حفاظتی حدوں کی بڑھی ہوئی توجہ سے نگرانی کریں۔

یہ فرض نہ کریں کہ AI سے پیدا کردہ کوڈ کا نقص کا خاکہ انسان کے لکھے کوڈ جیسا ہے

ابتدائی ثبوت اور عملی تجربہ بتاتا ہے کہ AI سے پیدا کردہ کوڈ کا نقص کا خاکہ انسان کے لکھے کوڈ سے مختلف ہو سکتا ہے: معقول نظر آنے والی لیکن لطیف طور پر غلط منطق، اعتماد سے پیدا کی گئی لیکن غلط edge case کی ہینڈلنگ، یا ایسا کوڈ جو سطحی ریویو سے گزر جاتا ہے کیونکہ وہ محاورے کے مطابق اور معقول نظر آتا ہے، لیکن نظام کے مخصوص سیاق کی حقیقی سمجھ کے ساتھ دراصل سوچا نہیں گیا تھا۔ اسے ایسا مفروضہ سمجھیں جو اپنے بچ نکلنے والے نقص کے ڈیٹا (موضوع 5.1) کے مقابل فعال طور پر جانچنے کے قابل ہے، نقائص کو اس لحاظ سے ٹیگ کرتے ہوئے کہ آیا اصل کوڈ بڑی حد تک AI سے پیدا ہوا تھا، یہ فرض کرنے کے بجائے کہ نقص کی شرح کے وہ تاریخی تعلق جن پر آپ کے ادارے نے اپنے معیار کے طریقے بنائے ہیں اب بھی بغیر تبدیلی کے قائم ہیں۔

اس تبدیلی کے لیے اپنے میٹرکس کا چارٹر اور گورننس کا عمل صریح طور پر اپ ڈیٹ کریں

موضوع 1.4 کے گورننس کے نظم کی پیروی کرتے ہوئے، اس تبدیلی کو اپنے میٹرکس کے پروگرام پر غیر فعال طور پر ہونے نہ دیں۔ اپنے میٹرکس کے چارٹر پر صریح طور پر دوبارہ نظر ڈالیں، نام لیتے ہوئے کہ کن میٹرکس کو نئی حفاظتی حدیں چاہییں، کن کو ریٹائرمنٹ، اور کون سے قابلِ اعتماد رہتے ہیں، دانستہ گورننس کے فیصلے کے طور پر نہ کہ غیر جانچے بہاؤ کے۔ استدلال دستاویز کریں، کیونکہ یہ بالکل اسی قسم کی تعریفی اور سیاقی تبدیلی ہے جس سے موضوع 1.4 خبردار کرتا ہے کہ ورنہ خاموشی سے ہو سکتی ہے اور بہت بعد میں دریافت ہوتی ہے۔

سمجھوتے: فوائد اور نقصانات

طریقہ	فوائد	نقصانات
AI سے پہلے کے میٹرکس کو بغیر تبدیلی کے رپورٹ کرتے رہنا	کوئی خلل نہیں، جانی پہچانی رپورٹنگ	ایسے میٹرکس کا جشن منانے کا خطرہ جنہوں نے خاموشی سے قدر سے ہم رشتہ ہونا بند کر دیا ہے
میٹرکس کے پورے سیٹ کا آڈٹ اور دانستہ نظرِ ثانی	قابلِ اعتماد پیمائش بحال کرتی ہے	حقیقی تجزیاتی کوشش اور ادارہ جاتی تبدیلی کا انتظام درکار
سرگرمی اور آؤٹ پٹ کے میٹرکس مکمل ترک کرنا	سب سے بے نقاب خطرہ براہِ راست ہٹاتا ہے	کچھ جائز طور پر مفید سیاقی اشارہ کھو دیتا ہے (موضوع 3.4 کی تنبیہ)
مکمل آڈٹ کے بغیر حفاظتی حدیں سخت کرنا	نافذ کرنے میں تیز	ایسے میٹرکس چھوٹ سکتے ہیں جن کی نمائش واضح ترین صورتوں سے کم نمایاں ہو

مرکزی کشمکش پیمائش کا تسلسل بمقابلہ پیمائش کی درستگی ہے۔ ادارے سمجھ میں آنے والے طور پر جانے پہچانے میٹرکس کو جانے پہچانے طریقوں سے رپورٹ کرتے رہنا پسند کرتے ہیں، کیونکہ میٹرکس کا پروگرام بدلنے کی حقیقی ادارہ جاتی لاگت اور خلل ہے۔ لیکن ایسے میٹرک کو رپورٹ کرتے رہنا جس نے خاموشی سے وہ ناپنا بند کر دیا جو وہ پہلے ناپتا تھا خلل سے بدتر ہے، یہ فعال گمراہی ہے۔ اس کشمکش کو یوں حل کریں کہ اسے بالکل اسی قسم کی دانستہ، دستاویزی گورننس کی تبدیلی سمجھیں جو موضوع 1.4 بیان کرتا ہے، مختصر مدت میں خلل ڈالنے والی لیکن ادارے کے میٹرکس کو ایماندار رکھنے کے لیے ضروری۔

اپنی ٹیم کے ساتھ زیرِ بحث لانے کے سوالات

ہمارے ڈیش بورڈ کے ہر میٹرک کے لیے، کیا وہ ٹیم جو AI کی مدد بھاری استعمال کرے لیکن پہلے سے زیادہ حقیقی قدر پیدا نہ کرے بہتر ریڈنگ دکھائے گی؟ اس امتحان کے ساتھ اپنے میٹرکس سے صریح طور پر گزریں؛ جو اس میں ناکام ہوں وہ نظرِ ثانی شدہ حفاظتی حدوں یا ریٹائرمنٹ کے آپ کے اعلیٰ ترین ترجیحی امیدوار ہیں۔
کیا AI کوڈنگ کی مدد اپنانے کے بعد ہماری ڈیپلائمنٹ کی تعدد یا کمٹ کی مقدار بڑھی ہے، اور کیا ہم نے جانچا ہے کہ تبدیلی کی ناکامی کی شرح یا نقص کی شرح متعلقہ طور پر حرکت کی؟ مثبت یا منفی نتیجہ فرض کرنے کے بجائے اصل جوڑا ہوا ڈیٹا نکالیں۔
کیا ہماری کوڈ ریویو کی گنجائش AI کی مدد سے کوڈ کی مقدار کے کسی بھی اضافے کے ساتھ رفتار برقرار رکھ رہی ہے، یا بڑھے ہوئے دباؤ میں ریویو کی گہرائی خاموشی سے گھٹ رہی ہے؟ ربڑ اسٹیمپ کے خطرے کے شدت اختیار کرنے کی علامات کے لیے خاص طور پر ریویو کے مرحلے کے میٹرکس (موضوع 2.9) جانچیں۔
کیا ہم نقائص کو اس لحاظ سے ٹیگ کرتے ہیں کہ آیا اصل کوڈ بڑی حد تک AI سے پیدا ہوا تھا، اور اگر ہاں تو وہ ڈیٹا اب تک کیا دکھاتا ہے؟ اگر آپ فی الحال یہ ٹیگ نہیں کرتے تو بحث کریں کہ شروع کرنے کے لیے کیا درکار ہوگا، کیونکہ یہ ڈیٹا براہِ راست اس سے متعلق ہے کہ آیا آپ کے تاریخی معیار کے مفروضے اب بھی قائم ہیں۔
کیا ہم نے اس تبدیلی کی روشنی میں دانستہ اپنا میٹرکس کا چارٹر (موضوع 1.4) دیکھا ہے، یا ہماری پیمائش کا طریقہ محض بغیر تبدیلی کے جاری رہا؟ اگر ایماندار جواب بعد والا ہے تو بالکل وہی خلا ہے جسے یہ موضوع سب سے پہلے بند کرنے کی سفارش کرتا ہے۔
ہمارے ادارے کے لیے اس تبدیلی سے غافل پکڑے جانا کیسا ہوگا، ایسے میٹرک کا جشن مناتے ہوئے جو پہلے ہی وہ مطلب دینا چھوڑ چکا تھا جو ہم نے سمجھا؟ یہ ٹھوس، قدرے ناخوشگوار سوچ کا تجربہ اس آڈٹ کے لیے ترغیب دینے میں مدد کرتا ہے جس کی یہ موضوع سفارش کرتا ہے، اس منظر کے حقیقتاً ہونے سے پہلے، بعد میں نہیں۔

شعبے کا زاویہ

اسٹارٹ اپ۔ AI ٹولز کا تیزی سے اپنانا عام ہے اور اکثر حقیقی مسابقتی فائدہ ہے، لیکن وہی رفتار جو اپنانے کو پرکشش بناتی ہے غیر جانچے میٹرک کے بہاؤ کو زیادہ امکانی بناتی ہے۔ AI اپنانے سے آپ جو کارکردگی کے فوائد رپورٹ کرتے ہیں ان کے ساتھ نتائج کے میٹرکس (حصہ 5) جانچنے کی عادت بنائیں، صرف رفتار کی بہتریاں رپورٹ کرنے کے بجائے۔

چھوٹا کاروبار۔ AI کوڈنگ کی مدد چھوٹی ٹیم کی گنجائش کو بامعنی طور پر بڑھا سکتی ہے، لیکن معیار کی حفاظتی حدیں جانچے بغیر خام آؤٹ پٹ کے اضافے کو غیر مبہم کامیابی کے طور پر رپورٹ کرنے کے لالچ کا مقابلہ کریں؛ چھوٹی ٹیم کے پاس غیر شناخت شدہ معیار کے مسئلے کو جذب کرنے کی گنجائش زیادہ فاضل صلاحیت والے بڑے ادارے سے کم ہے۔

بڑا ادارہ۔ اس خطرے کا پیمانہ یہاں نمایاں طور پر بڑھتا ہے، کیونکہ درجنوں یا سینکڑوں ٹیموں میں بیک وقت AI اپنانا کسی ایک ٹیم کے مقامی طور پر نمونہ نوٹس کرنے سے پہلے ادارے بھر میں میٹرک کی درستگی بدل سکتا ہے۔ اس موضوع کی تجویز کردہ میٹرکس کے سیٹ کا آڈٹ ادارے کی سطح پر کریں، صرف ٹیم بہ ٹیم نہیں، اور گورننس (موضوع 1.4) کو مرکزی اور صریح طور پر اپ ڈیٹ کریں۔

حکومت۔ سرکاری شعبے کے ادارے اکثر نئی ٹیکنالوجی زیادہ احتیاط سے اپناتے ہیں، لیکن حکومتی ٹیکنالوجی کے پروگراموں کا جائزہ لینے کو استعمال ہونے والے میٹرکس اور بینچ مارکس اکثر نجی شعبے کے صنعتی ڈیٹا سے لیے یا اس سے موازنہ کیے جاتے ہیں جو خود اسی دباؤ میں بدل رہا ہے۔ توقعات طے کرنے یا کارکردگی جانچنے کے لیے انہیں استعمال کرنے سے پہلے صریح طور پر سمجھیں کہ جن صنعتی بینچ مارکس سے آپ موازنہ کرتے ہیں ان میں سے کون سے اس تبدیلی سے متاثر ہوئے ہیں۔

مثالیں

بڑا ادارہ۔ ایک مالیاتی ٹیکنالوجی کمپنی کی انجینئرنگ قیادت نے نوٹس کیا کہ AI کوڈنگ اسسٹنٹ کے وسیع اپنانے کے بعد دو سہ ماہیوں میں ڈیپلائمنٹ کی تعدد تقریباً 40 فیصد بڑھی، اور ابتدا میں اسے بورڈ کی پیشکش میں سیدھی پیداواری کامیابی کے طور پر رپورٹ کیا۔ شکی بورڈ رکن کے اس سوال سے شروع ہونے والے زیادہ محتاط فالو اپ تجزیے نے، کہ آیا معیار جانچا گیا ہے، پایا کہ تبدیلی کی ناکامی کی شرح ڈیپلائمنٹ کی تعدد کے تقریباً قدم بہ قدم بڑھی، جوڑے ہوئے استحکام کے میٹرک کو واقعی جانچنے پر ظاہری فائدہ مکمل طور پر زائل کرتی ہوئی۔ کمپنی کی نظرِ ثانی شدہ رپورٹنگ اب جب بھی AI کی مدد سے پیداواریت کے دعوے کیے جاتے ہیں ڈیپلائمنٹ کی تعدد اور تبدیلی کی ناکامی کی شرح کو صریح طور پر ساتھ پیش کرتی ہے، پہلے کے، تقریباً عوامی، گمراہ کن دعوے سے بچتے ہوئے۔

حکومت۔ ایک ریاستی حکومت کے IT محکمے نے، اپنی انجینئرنگ ٹیموں کے ایک ذیلی سیٹ کے لیے AI کوڈنگ کی مدد کا پائلٹ چلاتے ہوئے، پایا کہ فی انجینئر خام کوڈ کا آؤٹ پٹ نمایاں طور پر بڑھا تھا، ایک عدد جسے ابتدا میں اندرونی پائلٹ کے جائزے میں مثبت طور پر پیش کیا گیا۔ زیادہ قریبی تجزیے نے، جو اس کتاب کی رہنمائی کے محکمے کے جائزے کے فریم ورک میں شامل کیے جانے سے شروع ہوا، AI کی مدد سے بمقابلہ بغیر AI کی مدد کے کام کے لیے خاص طور پر بچ نکلنے والے نقص کی شرح جانچی اور AI کی مدد والے گروہ میں نقص کی معمولی بڑھی ہوئی شرح پائی، جو غیر معمولی شہری حالات کے edge case کی ہینڈلنگ میں مرتکز تھی جن سے AI ٹولنگ کو تربیت کے دوران واسطہ نہیں پڑا تھا۔ اس دریافت نے پائلٹ کو نہیں روکا لیکن اہلیت کے edge case کی منطق کو چھونے والی AI کی مدد والی تبدیلیوں کے لیے ریویو کی سختی میں مخصوص، ہدفی اضافہ کروایا، اس اصل خطرے کو حل کرتے ہوئے جو اکیلا خام آؤٹ پٹ میٹرک کبھی ظاہر نہ کرتا۔

کاروباری جواز: محرکات، ROI، اور TCO

یہ آڈٹ پیشگی کرنے کا منافع ایسے میٹرک کی رپورٹنگ سے عوامی یا بورڈ کی سطح کی شرمندگی سے بچنا ہے جو جانچ میں کچھ حقیقی نہ ناپتا نکلے، بالکل وہ منظر جو اوپر کی مالیاتی ٹیکنالوجی کی مثال تقریباً پیدا کر بیٹھی تھی۔ جو ادارہ اس تبدیلی سے آگے رہتا ہے وہ اپنے اسٹیک ہولڈرز کے ساتھ ساکھ برقرار رکھتا ہے؛ جو کھوکھلا میٹرک رپورٹ کرتے پکڑا جائے وہ حقیقی، اور بڑی حد تک قابلِ بچاؤ، ساکھ کی لاگت ادا کرتا ہے۔

ملکیت کی کل لاگت موجودہ میٹرکس کے سیٹ کے آڈٹ، حفاظتی حدیں سخت کرنے، اور گورننس کی دستاویزات اپ ڈیٹ کرنے کی تجزیاتی کوشش ہے، ایک بار کی، معتدل سرمایہ کاری ان میٹرکس کو رپورٹ کرتے رہنے کے جاری خطرے کے مقابل جنہوں نے خاموشی سے وہ ناپنا بند کر دیا جو وہ ناپنے کا دعویٰ کرتے ہیں۔ یہ لاگت کم سطح پر بار بار بھی ہے، کیونکہ یہ تبدیلی جاری ہے، ایک بار کا واقعہ نہیں، اور جیسے ٹولنگ اور اپنانے کے نمونے ارتقا پاتے رہیں وقتاً فوقتاً دوبارہ آڈٹ میٹرکس کی گورننس کے وقفے میں معقول، مستقل اضافہ ہے۔

منفی نمونے اور خطرات

AI سے پہلے کے دور کے سرگرمی کے میٹرکس کو بغیر تبدیلی اور بغیر تنقید کے رپورٹ کرتے رہنا: ایسے میٹرک کا جشن منانے کا خطرہ جس نے خاموشی سے حقیقی قدر سے ہم رشتہ ہونا بند کر دیا ہے۔
جوڑی ہوئی استحکام کی حفاظتی حد کے بغیر ڈیپلائمنٹ کی تعدد یا آؤٹ پٹ کی مقدار کے اضافے کی رپورٹنگ: موضوع 2.10 کی تنبیہ کو AI سے مدد پانے والی ترقی کے تحت نمایاں طور پر زیادہ داؤ کے ساتھ دہراتا ہے۔
جانچے بغیر یہ فرض کرنا کہ AI سے پیدا کردہ کوڈ کا نقص کا خاکہ انسان کے لکھے کوڈ جیسا ہے: غیر جانچا مفروضہ جو فعال طور پر غلط ہو سکتا ہے۔
AI سے پیدا کردہ کوڈ کی بڑھی ہوئی مقدار میں ریویو کی گہرائی کو خاموشی سے گھٹنے دینا: موضوع 2.9 کا ربڑ اسٹیمپ کا خطرہ، شدت اختیار کیا ہوا۔
اس تبدیلی کو جاری تشویش کے بجائے ایک بار کی ایڈجسٹمنٹ سمجھنا: ٹولنگ اور اسے اپنانے کے نمونے ارتقا پاتے رہتے ہیں، اور پیمائش کے طریقے کو ساتھ چلنا ہوگا۔
صنعتی بینچ مارکس سے موازنہ کرنا بغیر یہ سمجھے کہ آیا وہ بینچ مارکس خود اسی دباؤ میں بدل چکے ہیں: اضافی کارکردگی کے جھوٹے احساس کا خطرہ۔

پختگی کا نمونہ

درجہ 1، آغاز (Initiate): AI سے پہلے کے دور کے میٹرکس بغیر تبدیلی کے رپورٹ ہوتے ہیں، اس آگاہی کے بغیر کہ AI اپنانے نے ان کی درستگی کو متاثر کیا ہو سکتا ہے۔
درجہ 2، ترقی (Develop): تبدیلی کی کچھ آگاہی موجود ہے، لیکن موجودہ میٹرکس کے سیٹ کا کوئی منظم آڈٹ نہیں ہوا۔
درجہ 3، معیار بندی (Standardize): میٹرکس کے پورے سیٹ کا آڈٹ ہو چکا ہے، حفاظتی حدیں سخت ہیں اور میٹرکس کو متاثر یا مضبوط کے طور پر دستاویز کیا گیا ہے، ادارے بھر میں۔
درجہ 4، انتظام (Manage): نقائص اور معیار کے نتائج AI کی مدد کی سطح کے لحاظ سے فعال طور پر ٹیگ اور ٹریک ہوتے ہیں تاکہ ادارے کے تاریخی معیار کے تعلقات کے اب بھی قائم ہونے کو فرض کرنے کے بجائے جانچا جا سکے۔
درجہ 5، ہم آہنگی (Orchestrate): ادارے کے پاس اپنے میٹرکس پر دوبارہ غور کرنے کا پختہ، جاری طریقہ ہے جب AI ٹولنگ اور اپنانے کے نمونے ارتقا پاتے رہیں، اور مسئلہ ابھرنے کے بعد ردِعمل کے طور پر نہیں بلکہ اس تبدیلی کے جواب میں پیشگی کیے گئے مخصوص گورننس کے فیصلوں کی نشاندہی کر سکتا ہے۔

بحث کے لیے خیالات

ہمارے موجودہ میٹرکس میں سے کون سا اس ٹیم کو سب سے زیادہ خوشنما دکھائے گا جو AI کی مدد بھاری استعمال کرے لیکن پہلے سے زیادہ حقیقی قدر پیدا نہ کرے؟
کیا AI اپنانے کے بعد ہماری ڈیپلائمنٹ کی تعدد بڑھی ہے، اور کیا تبدیلی کی ناکامی کی شرح اس کے ساتھ حرکت کی ہے؟
کیا ہم معیار کے نتائج کو AI کی مدد کی سطح کے لحاظ سے ٹیگ کرتے ہیں، اور وہ ڈیٹا کیا دکھائے گا؟
کیا ہماری ریویو کی گنجائش AI سے پیدا کردہ کوڈ کی مقدار کے کسی بھی اضافے کے ساتھ رفتار برقرار رکھ رہی ہے؟
ہم فی الحال کس صنعتی بینچ مارک سے اپنا موازنہ کرتے ہیں، اور کیا وہ خود اس دباؤ میں بدل چکا ہے؟

اہم نکات

جنریٹو AI کئی موجودہ میٹرکس جو ناپتے ہیں اس میں نمونے کی تبدیلی ہے، تدریجی ٹولنگ کی تبدیلی نہیں؛ کچھ میٹرکس نے خاموشی سے وہ مطلب دینا بند کر دیا جو وہ پہلے دیتے تھے۔
سرگرمی اور خام آؤٹ پٹ کے میٹرکس سب سے زیادہ بے نقاب ہیں؛ نتائج کے میٹرکس (حصہ 5) نسبتاً مضبوط ہیں۔
AI سے مدد پانے والی ترقی کے اپنانے کے تناسب سے حفاظتی حدیں سخت کریں، خاص طور پر تبدیلی کی ناکامی کی شرح۔
ٹیگ شدہ بچ نکلنے والے نقص کے ڈیٹا سے جانچیں، فرض نہ کریں، کہ آیا AI سے پیدا کردہ کوڈ کا نقص کا خاکہ مختلف ہے انسان کے لکھے کوڈ سے۔
اسے جاری، ایک بار کی نہیں، گورننس کی تشویش سمجھیں (موضوع 1.4)، کیونکہ ٹولنگ اور اسے اپنانے کے نمونے ارتقا پاتے رہتے ہیں۔

حوالہ جات اور مزید مطالعہ

Accelerate: The Science of Lean Software and DevOps, by Nicole Forsgren, Jez Humble, and Gene Kim (نتائج پر مبنی پیمائش کی بنیاد جو یہ موضوع دلیل دیتا ہے کہ اس تبدیلی کے تحت کم نہیں بلکہ زیادہ اہم ہو جاتی ہے)۔
GitHub کی AI pair programming اور ڈویلپر کی پیداواریت پر تحقیق (AI سے مدد پانے والی ترقی کے ناپنے کے قابل اثرات پر صنعتی تحقیق)۔
Google Cloud کا DevOps Research and Assessment پروگرام، dora.dev (جاری State of DevOps تحقیق جو حالیہ برسوں میں AI اپنانے کی دریافتیں شامل کرتی ہے)۔
The Tyranny of Metrics, by Jerry Z. Muller (مقدار پر مبنی میٹرکس کے خلاف شک کا عمومی مقدمہ، آؤٹ پٹ کی مقدار سستی ہونے پر براہِ راست متعلقہ)۔