Yazılım Mimarisi için Katalizör Olarak AI: Toplu Taşımacılıktan Pratik Örnek

Dolandırıcı Bildirim

Bu makale bu nedenle İngilizce olarak mevcuttur. Yayınlamadan önce teknik yardım ve editoryal revizyon ile çevrildi.

Bir daha gösterme.

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

Bu makale, yazılım mimarisinin uygulanması için özellikle AI kullanılarak mimarinin gelişme sürecinin değiştiğini aydınlatıyor. Açıklamak gerekirse, yazılım mimarları olarak yer aldığımız yerel bir toplu taşıma projesinin (toplu taşıma) örneklerini gösteriyoruz.

Yapay zekadan iki rol: araç ve bileşenler

Mimarlık bağlamında, yapay zeka, yaratma sürecinde bir destek ve aktif bir sistem bileşeni olarak farklı iki rolde meydana gelir. Bu ayrım, teknik, metodolojik ve örgütsel gerekliliklerin sınıflandırılması için gereklidir. Bir enstrüman rolünde, IA mimarları çeşitli süreç aşamaları boyunca destekler. İlk aşamalarda, yapay zeka araçları gereksinimleri pekiştirmeye ve analiz etmeye yardımcı olabilir. Doğal dilin (NLP) işlenmesi, örneğin metin kaynaklarından veya tartışma protokollerinden fonksiyonel ve fonksiyonel olmayan gereksinimlerin çıkarılmasına izin verir.

Sürecin ilerleyen saatlerinde, mimari varyantlar, IA'nın varsayılan kalite özelliklerine göre değerlendirdiği grafik tabanlı modellerin yardımıyla kullanılabilir. Gözden geçirme aşamalarında IA, örneğin mimari erozyonu veya döngüsel bağımlılıkları tanıyarak analizde mevcut sistemleri desteklemektedir.

Yapay zekadan elde edilen iki rol arasındaki bu ayrım, toplu taşıma için de geçerlidir ve şirketin farklı kalite gereksinimlerini, risklerini ve sorumluluklarını içerir. IA bir arka plan analiz aracı olarak çalışırken ve üretim sistemlerinin bir bileşeni olarak süreç odaklı iyileştirmeleri desteklerken, dijital yolcuların ve operasyonel yönetim tekliflerinin davranışını, esnekliğini ve daha da geliştirilmesini doğrudan etkiler.

Belediye Toplu Taşımacılığında Yapay Zeka merkezli yazılım mimarisi

Ayda 10 milyondan fazla yolcuya sahip ulaşım şirketi, hem operasyonel BT hem de yolcular için dijital ürünlerde hizmetin kalitesini, bakımını ve yönünü iyileştirmek amacıyla yapay zekayı yazılım mimarisine sistematik olarak entegre etmiştir. Zaten mimari süreçte, büyük bir vokal modeline (LLM) dayanarak yapay üretken bir yapay zeka analizi formu kullanılır: mimari belgeleri otomatik olarak değerlendirir, örneğin yolcuların bilgi sistemlerini bağlamak veya planlama verilerinin gerçek zamanlı olarak korunması için merkezi tasarım kararlarını çıkarır ve uygulanan hizmet ve arayüzleri telafi eder. Bu şekilde, mimarlar ilk aşamada tutarsızlıkları ve teknik borçları tanıyabilir ve belgeleyebilirler.

Başka bir veri tabanlı yardım sistemi, araçların tarihsel verilerinde denetlenmeyen başarısızlık modelleri yardımıyla tanımlanmıştır. Bu sonuçlar doğrudan sensörler ve verilerin gecikmesi gereksinimlerine akar ve bu nedenle mimari kararları güçlendirir.

Şirkette, tahmini bir otomatik öğrenme modeli (ML modeli), otobüs filosundan tanı verilerini sürekli olarak analiz eder. Bir başlangıç ​​aşamasında (öngörücü bakım) teknik kusur belirtilerini tanır ve hedefli bakım önlemlerine izin verir. Aynı zamanda, takvimden sapmalar, tahmini için özel olarak yapılan sapmalar var olmaz otomatik olarak yolcular hakkında bilgi üretir. Sistem mimarisi sadece ML modelinin kendisini değil, aynı zamanda gerekli veri boru hatlarını, MLOPS altyapısını ve doğrulama, izleme ve sürekli eğitim süreçlerini de tanımlar. Bu nedenle modelin boru hattı, genel mimarinin kritik, bekleme ve şeffaf bir parçası haline gelir.

Mimari verilir ve modele odaklanır

Geleneksel yazılımın mimarisi esas olarak işlevseldir: teknik bileşenlere, net arayüzlere ve iyi tanımlanmış işlemlere odaklanır. Yapay zekaya dayanan sistemlerde dikkat önemli ölçüde değişir. Burada, veri akışları, otomatik öğrenme modelleri ve eğitim süreçleri sistemin yapısını hafifletir. Bu, veri kaynaklarını, kalitelerini ve belirleyici önemlerinin bulunabilirliklerini sağlar. Verilerin seçimi ve hazırlanması, daha sonra kullanılan modellerin performansı ve doğruluğu üzerinde derhal bir etkiye sahiptir.

Buna ek olarak, mimarlar modelin versiyonlanması, sürekli modelin iyileştirilmesi (sürekli öğrenme) ve yeterli izleme mekanizmaları gibi kavramlarla karşılaşmalıdır. Klasik sistem istikrar beklentileri, esneklik ve uyarlanabilirlik için yeni gereksinimlere yol açar, çünkü modeller gelişmiş varyantların oluşumuna veya değişimine göre değişir. Mimari çalışma daha dinamiktir ve veriler tarafından yönlendirilir.

Kalite yeni boyutlar kazanır

Yazılım sistemleri için kalite kriterleri, yeni boyutlara sahip yapay zeka ile genişletilir. Hizmetler, bakım veya güvenlik gibi belirlenen gereksinimlere ek olarak, açıklanabilirlik, eşitlik ve güvenilirlik gibi yönler ortaya çıkar. ML modelleri tarafından alınan kararlar, özellikle insan veya sosyal süreçler üzerinde bir etkisi varsa, teknik taraflar değil ilgili taraflar için anlaşılmalıdır.

Ayrıca, veri sistemleri açısından sağlamlığın önemi ve yanlış modele bağlı olarak artışlardan korunmak için değiştirilmiş mekanizmalar. Mimarların belirsizliklerle açıkça ilgilenmeleri gerekmektedir: güven puanları, karar verme güvenliği veya sistem tabanlı sistem yollarında dereceler. Bu, AI dönemindeki mimarinin tamamen teknik kriterlerin ötesine geçmesi ve sistemik esneklik ve etik sorumluluğu düşünmesi gerektiğini açıklığa kavuşturmaktadır.

Mimari süreci daha yinelemeli hale gelir

Başlangıçta mimarinin büyük ölçüde belirlendiği klasik projelerin aksine, yapay zeka projelerindeki mimari süreci başlangıçtan itibaren yinelemeli bir prosedürden oluşmaktadır (Şekil 1). Veri dağılımı, model davranışı veya uygulamalarla ilgili temel sezgiler genellikle sadece keşif deneyleri sırasında ortaya çıkar. Sonuç olarak, mimari ayarlanabilir veya hatta büyük ölçüde üstesinden gelecek ve yüksek derecede otomasyona izin verecek 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 (garantiler) getirilmesi ve mevcut fikirleri yeni bilgi için reddetme arzusu günlük yaşamın bir parçasıdır. Mimarlık süreci bu nedenle verilerin ve uygulama alanının gerçekliği ile evrimsel bir diyalogda gelişir.

Yeni roller ve sorumluluk arayüzleri

Teknolojiler AI'nın tanıtımı ile ekiplerin kompozisyonu da değişir. Veri bilimcileri, mühendis ML veya MLOPS uzmanı gibi roller, temel olarak geleneksel geliştiricilerden veya kalite garanti profillerinden farklı yeni beklentiler ve çalışma yöntemleri getirir (Şekil 2). Mimarlar için bu sadece teknik olarak adapte değil, aynı zamanda iletişimsel ve metodolojik olarak da anlamına gelir. Bu yeni rollerin kavramlarını, çalışma yöntemlerini ve beklentilerini anlamalı ve köprü oluşturucu olarak hareket etmelisiniz: uzman alanlar, veri yöneticileri ve teknik uygulama ekipleri arasında. Mimarlık kararları artık kod ve bileşenlerle değil, aynı zamanda veri yapıları, modeller, eğitim oturumları ve operasyonel süreçlerle giderek daha fazla ilgilenmiyor. Bu, açık anlaşmalar ve şeffaf süreçler gerektiren daha karmaşık sorumluluk arayüzlerine yol açar.

İlgilenen tarafların disiplinler ve entegrasyonu

Çevredeki başarılı mimari, uygulamanın ilgili alanının derin bir şekilde anlaşılmasını gerektirir. Sağlık, toplu taşıma veya finans sektöründe – veri ve modeller teknik bir bağlamla zenginleştirilmeli ve ilgili tarafların ihtiyaçlarına uyarlanmalıdır. Bu nedenle mimarlar aktif olarak etki alanı uzmanlarıyla değişim arıyor, dillerini içeriyor ve beklentilerini mimari düşüncelere entegre ediyorlar.

Metodik olarak, alan adının hikaye anlatımı, olayların fırtınası veya tasarım düşüncesi gibi prosedürler. Bu yaklaşımlar, modellemedeki kör noktaları önlemek ve yapay zekaya dayalı sistemlerin kabulünü arttırmak için başlangıç ​​aşamasında karmaşık gereksinimleri belirlemenize olanak tanır. Sadece karar vericileri değil, aynı zamanda mimari çalışmalarda sonraki kullanıcıları, örneğin birlikte yaratma seminerleri veya senaryoların geliştirilmesi yoluyla entegre etmek özellikle önemlidir.