Yazılım Mimarisi için Katalizör Olarak AI: Toplu Taşımacılıktan Pratik Örnek

Dolandırıcı Bildirim

Bu makale bu nedenle İngilizce olarak mevcuttur. Teknik yardım ile tercüme edildi ve yayınlanmadan önce Editory inceledi.

Bunu bir daha gösterme.

Yapay Zeka (AI), birçok yerde yazılım mimarisine klasik yaklaşımları genişleten veya meydan okuyan yeni gereksinimler, paradigmalar ve etkileşimler getiriyor. Yazılım mimarları için bu, veri yol açan sistemlerin karmaşık çerçeve koşullarını karşılamak için rolünüzü, yöntemlerinizi ve düşünme yollarınızı daha da geliştirmeniz gerektiği anlamına gelir.

Bu makale, mimarlık geliştirme sürecinin AI kullanılarak nasıl değiştiğini ve bunun özellikle yazılım mimarisinin uygulaması için ne anlama geldiğini aydınlatıyor. Açıklamak gerekirse, yazılım mimarları olarak yer aldığımız yerel toplu taşıma (toplu taşıma) 'dan (toplu taşıma) bir proje örnekleri gösteriyoruz.

Yapay zekadan iki rol: araç ve bileşenler

Mimari bağlamında, yapay zeka iki farklı rolde meydana gelir – yaratılış sürecinde ve aktif bir sistem bileşeni olarak. Bu ayrım, teknik, metodolojik ve örgütsel gerekliliklerin sınıflandırılması için gereklidir. AI, bir araç olarak rolünde, mimarları farklı süreç aşamaları boyunca destekler. Erken aşamalarda, AI araçları gereksinimleri birleştirmeye ve analiz etmeye yardımcı olabilir. Doğal Dil İşleme (NLP), örneğin metin kaynaklarından veya tartışma protokollerinden fonksiyonel ve işlevsel olmayan gereksinimlerin çıkarılmasını sağlar.

Sürecin ilerleyen saatlerinde, mimari varyantlar, AI'nın önceden tanımlanmış kalite özellikleri açısından değerlendirdiği grafik tabanlı modellerin yardımıyla kullanılabilir. İnceleme aşamalarında AI, örneğin mimari erozyonu veya döngüsel bağımlılıkları tanıyarak analizinde mevcut sistemleri desteklemektedir.

AI'dan gelen iki rol arasındaki bu ayrım da toplu taşıma araçlarında geçerlidir ve farklı kalite gereksinimleri, şirket riskleri ve sorumlulukları gerektirir. AI, arka planda bir analiz aracı olarak çalışır ve üretken sistemlerin bir bileşeni olarak süreç odaklı iyileştirmeleri desteklerken, dijital yolcu tekliflerinin ve işletim yönetiminin davranışını, esnekliğini ve daha da geliştirilmesini doğrudan etkiler.

Belediye Toplu Taşımacılığında AI tabanlı yazılım mimarisi

Ayda 10 milyondan fazla yolcusu olan ulaşım şirketi, hem operasyonel BT hem de yolcular için dijital ürünlerde kalite, bakım ve hizmet yönelimini iyileştirmek amacıyla yapay zekayı yazılım mimarisine sistematik olarak entegre etmiştir. Zaten mimari süreçte, büyük bir ses modeline (LLM) dayanan üretken bir AI analiz modülü kullanılır: mimari belgeleri otomatik olarak değerlendirir, örneğin yolcu bilgi sistemlerini bağlamak veya gerçek zamanlı programların veri bakımı için uygulanan hizmet ve arayüzlerle telafi eder. Bu şekilde, mimarlar erken bir aşamada tutarsızlıkları ve teknik borçları tanıyabilir ve belgeleyebilirler.

Başka bir veri kaynaklı yardım sistemi, tarihsel araç verilerindeki denetimsiz öğrenme başarısızlığı kalıpları yardımıyla özdeşleşir. Bu bulgular doğrudan sensörler ve veri gecikmesi gereksinimlerine akar ve böylece mimari kararları güçlendirir.

Şirkette, öngörücü bir makine öğrenme modeli (ML modeli), otobüs filosundan gelen teşhis verilerini sürekli olarak analiz eder. Erken bir aşamada (öngörücü bakım) teknik kusur belirtilerini tanır ve hedefli bakım önlemlerini sağlar. Aynı zamanda, zaman çizelgesinden tahmine göre uyarlanmış sapmalar olursa otomatik olarak uygun yolcu bilgileri üretir. Sistem mimarisi sadece ML modelinin kendisini değil, aynı zamanda gerekli veri boru hatlarını, MLOPS altyapısını ve doğrulama, izleme ve sürekli eğitim süreçlerini de tasvir eder. Model boru hattı böylece genel mimarinin kritik, bekleme ve şeffaf bir parçası haline gelir.

Mimari veri ve model merkezlidir

Geleneksel yazılım mimarisi öncelikle işlevseldir: teknik bileşenlere, net arayüzlere ve iyi tanımlanmış işlemlere odaklanır. Yapay zeka tabanlı sistemlerde odak önemli ölçüde değişir. Burada, veri akışları, makine öğrenimi modelleri ve eğitim süreçleri sistemin yapısını şekillendirir. Bu, veri kaynaklarını, kalitelerini ve belirleyici önemlerinin kullanılabilirliğini sağlar. Verilerin seçimi ve hazırlanması, daha sonra kullanılan modellerin performansı ve doğruluğu üzerinde derhal bir etkiye sahiptir.

Buna ek olarak, mimarlar model versiyonlama, sürekli model geliştirme (sürekli öğrenme) ve uygun izleme mekanizmaları gibi kavramlarla uğraşmak zorundadır. Sistem istikrarının klasik beklentileri, esneklik ve uyarlanabilirlik için yeni gereksinimlere yol açar, çünkü modeller eğitim veya gelişmiş varyantların değişimi ile değişir. Mimari çalışma daha dinamik ve verilerden kaynaklanmıştır.

Kalite yeni boyutlar kazanır

Yazılım sistemleri için kalite kriterleri yeni boyutlarla AI tarafından genişletilir. Performans, bakım veya güvenlik gibi yerleşik gereksinimlere ek olarak, açıklanabilirlik, adalet ve güvenilirlik gibi yönler ortaya çıkar. ML modelleri tarafından alınan kararlar, özellikle insanlar veya sosyal süreçler üzerinde bir etkisi varsa teknik ve teknik olmayan paydaşlar için anlaşılabilir olmalıdır.

Ek olarak, değişen veri sistemlerine ve yanlış model tahminlerine karşı koruma mekanizmalarına kıyasla sağlamlığın önemi. Mimarların belirsizlikleri açıkça ele almaları gerekmektedir: güven puanları, karar verme güvenliğindeki dereceler veya geri dönüş tabanlı sistem yolları. Bu, AI çağındaki mimarinin tamamen teknik kriterlerin ötesine geçmesi ve sistemik esneklik ve etik sorumluluk düşünmesi gerektiğini açıkça ortaya koymaktadır.

Mimari süreci daha yinelemeli hale gelir

Mimarinin başlangıçta büyük ölçüde belirlendiği klasik projelerin aksine, AI projelerindeki mimarlık süreci başlangıçtan itibaren yinelemeli bir prosedürden oluşmaktadır (Şekil 1). Veri dağıtımı, model davranışları veya uygulamalarla ilgili temel bilgiler genellikle sadece keşif deneyleri sırasında ortaya çıkar. Buna göre, mimari ayarlanabilir veya hatta temelde geçecek ve yüksek derecede otomasyon sağlayacak kadar esnek olmalıdır.

Bu sadece teknik modülerlik değil, aynı zamanda değişen bir yaklaşım gerektirir: mimari çalışma sürekli bir öğrenme süreci haline gelir. Belirsizlik altındaki kararlar, geçici çözümlerin (korumalar) getirilmesi ve yeni bilgi için mevcut fikirleri reddetme isteği günlük yaşamın bir parçasıdır. Mimarlık süreci böylece verilerin gerçekliği ve uygulama alanıyla evrimsel bir diyalog geliştirir.

Yeni roller ve sorumluluk arayüzleri

AI teknolojilerinin tanıtılmasıyla ekiplerin bileşimi de değişir. Veri bilimcileri, ML Mühendisi veya MLOPS uzmanı gibi roller, temel olarak geleneksel geliştirici veya kalite güvence profillerinden farklı yeni bakış açıları ve çalışma yöntemleri getirir (Şekil 2). Mimarlar için bu sadece kendinizi teknik olarak değil, aynı zamanda iletişimsel ve metodolojik olarak da adapte etmek anlamına gelir. Bu yeni rollerin kavramlarını, çalışma yöntemlerini ve beklentilerini anlamalı ve bir köprü oluşturucu olarak hareket etmelisiniz: uzman alanlar, veri yöneticileri ve teknik uygulama ekipleri arasında. Mimarlık kararları giderek daha fazla kod ve bileşenlerle değil, aynı zamanda veri yapıları, modeller, eğitim oturumları ve işletim süreçleri ile de ilgilidir. Bu, açık anlaşmalar ve şeffaf süreçler gerektiren daha karmaşık sorumluluk arayüzlerine yol açar.

Disiplinlerarası ve paydaş entegrasyonu

AI ortamında başarılı mimari, ilgili uygulama alanının derin bir şekilde anlaşılmasını gerektirir. Sağlık hizmetlerinde, toplu taşıma veya finans endüstrisinde – veri ve modeller teknik bir bağlamla zenginleştirilmeli ve paydaşların ihtiyaçlarına uyarlanmalıdır. Bu nedenle mimarlar, alan adından uzmanlarla aktif olarak değişim arıyor, dillerini anlıyor ve bakış açılarını mimari düşüncelere entegre ediyorlar.

Metodik olarak, etki alanı hikaye anlatımı, etkinlik fırtınası veya tasarım düşünme yardımı gibi prosedürler. Bu yaklaşımlar, karmaşık gereksinimleri erken bir aşamada tanımlamayı, modellemedeki kör noktaları önlemeyi ve AI tabanlı sistemlerin kabulünü arttırmayı mümkün kılar. Sadece karar vericileri değil, daha sonra kullanıcıları mimari çalışmaya, örneğin birlikte yaratma atölyeleri veya senaryo geliştirme yoluyla entegre etmek özellikle önemlidir.