شرکت Digma، که محصولاتی برای نظارت بر داده‌های پیش‌تولید ارائه می‌دهد، از راه‌اندازی موتور تحلیل پیش‌بینی‌کننده نظارت (POA) خود خبر داده است. این موتور برای بررسی، شناسایی و ارائه پیشنهادات برای رفع مشکلات طراحی شده است و به متعادل‌سازی سیستم‌ها و کاهش مشکلات کدها در هنگام افزایش پیچیدگی آن‌ها کمک می‌کند.
اهمیت نظارت پیش‌بینی‌کننده در دوران رشد کدهای تولید شده توسط هوش مصنوعی
به گفته این شرکت، استفاده از نظارت پیش‌بینی‌کننده در پیش‌تولید با رشد استفاده از کدهای تولید شده توسط هوش مصنوعی اهمیت بیشتری پیدا کرده است. به‌عنوان مثال، یک مطالعه در سال ۲۰۲۳ از دانشگاه استنفورد نشان داد که توسعه‌دهندگانی که از دستیارهای کدنویسی هوش مصنوعی استفاده می‌کنند، بیشتر احتمال دارد که باگ‌هایی به کد خود اضافه کنند. با این حال، شرکت‌هایی مانند گوگل بیش از ۲۵٪ از کدهای جدید خود را با استفاده از هوش مصنوعی تولید می‌کنند.
نیر شافریر، مدیرعامل و یکی از بنیان‌گذاران Digma، در مورد منابع فزاینده‌ای که برای اطمینان از عملکرد بهینه سیستم‌ها اختصاص داده می‌شود، گفت:
«ما شاهد سرمایه‌گذاری‌های زیادی در تضمین عملکرد بهینه سیستم‌ها هستیم، اما بسیاری از مشکلات همچنان در کدهای پیچیده و دیرهنگام در تولید کشف می‌شوند.»
وی همچنین به چالش‌های مربوط به رشد سازمان‌ها اشاره کرد و گفت که تیم‌های مهندسی ممکن است ۲۰-۴۰٪ از زمان خود را صرف رفع مشکلات در محیط‌های تولید کنند، و در برخی سازمان‌ها این مقدار تا ۵۰٪ از منابع مهندسی نیز می‌رسد.
مزایای نظارت پیش‌بینی‌کننده
نظارت پیش‌بینی‌کننده می‌تواند به شرکت‌ها کمک کند تا مزیت رقابتی کسب کنند. این فناوری مزایای بالقوه‌ای برای کدهای تولید شده توسط هوش مصنوعی دارد، از جمله افزایش سرعت و بهبود قابلیت اطمینان کدهای نوشته شده توسط انسان. همچنین خطرات موجود در محصول نهایی را کاهش می‌دهد.
علاوه بر رفع باگ‌های ناشی از تولید کد با هوش مصنوعی، موتور تحلیل پیش‌بینی‌کننده نظارت Digma برای مقابله با مشکلات رایج کدهای انسانی طراحی شده است، از جمله نقض توافق‌نامه‌های سطح خدمات (SLA) و مسائل عملکردی. این فناوری می‌تواند برای صنایعی با تراکنش‌های بالا، مانند خرده‌فروشی، فین‌تک و تجارت الکترونیک، ارزشمند باشد.
الگوریتم Digma
الگوریتم Digma از تکنیک‌های تشخیص الگو و شناسایی ناهنجاری برای تحلیل داده‌ها و یافتن رفتارها یا مشکلات خاص استفاده می‌کند. این فناوری می‌تواند زمان‌های پاسخ‌دهی و مصرف منابع یک برنامه را پیش‌بینی کرده و مشکلات احتمالی را قبل از بروز آسیب شناسایی کند. همچنین با تحلیل داده‌های ردیابی، بخش کدی را که باعث مشکل شده است شناسایی می‌کند.
تفاوت نظارت پیش‌بینی‌کننده با ابزارهای APM
برخلاف ابزارهای پایش عملکرد برنامه (APM) که بیشتر در محیط‌های تولیدی استفاده می‌شوند، نظارت پیش‌بینی‌کننده قادر به شناسایی و رفع مشکلات در مراحل اولیه تولید است. این قابلیت می‌تواند هزینه‌های ابری را کاهش داده و از بروز مشکلات عمده جلوگیری کند.
سرمایه‌گذاری و آینده Digma
Digma به‌تازگی یک دوره موفق سرمایه‌گذاری اولیه به مبلغ ۶ میلیون دلار را به پایان رسانده است، که نشان‌دهنده اعتماد روزافزون به این فناوری است.
منبع: اخبار هوش مصنوعی
