تحول مهندسی نرم‌افزار با هوش مصنوعی؛ تجربه یک مهندس ارشد در KPMG

هوش مصنوعی چگونه شغل مهندسان نرم‌افزار در KPMG را دگرگون کرد؟

این مقاله بر اساس گفتگویی با جاستین جانسن، معمار ارشد فنی در KPMG تدوین شده است.

جانسن که شش سال پیش به KPMG پیوسته است، در یک سال گذشته به عنوان مهندس مستقر در محل (Forward-Deployed Engineer) با مشتریان مختلفی همکاری کرده است.

او می‌گوید زمانی که کار خود را به عنوان مهندس نرم‌افزار در این شرکت آغاز کرد، تمام کدها به صورت دستی نوشته می‌شدند.

جانسن که دانش‌آموخته علوم کامپیوتر است، پس از فعالیت در حوزه معماری نرم‌افزار، وارد بخش مشاوره و کار مستقیم با مشتریان شد.

به گفته او، یک مهندس مستقر به طور مستقیم با مشتری کار می‌کند و از مرحله درک نیاز تجاری تا تحویل یک راهکار عملی، درگیر حل مسئله باقی می‌ماند. این مهندسان معمولاً به صورت حضوری و در کنار تیم‌های مشتری فعالیت می‌کنند.

جانسن خاطرنشان می‌کند که بخش عمده‌ای از فعالیت‌های فعلی او به هوش مصنوعی گره خورده است. او معتقد است با وجود توانمندی‌های خارق‌العاده هوش مصنوعی، عملکرد آن کاملاً به زمینه‌ای (Context) بستگی دارد که در اختیارش قرار می‌گیرد. به همین دلیل، بخش زیادی از کار او شامل جمع‌آوری اطلاعات لازم برای تولید خروجی‌های ارزشمند توسط هوش مصنوعی و سپس پیاده‌سازی این خروجی‌ها در محصولات و برنامه‌های مشتریان است.

علاوه بر این، او به تیم‌های مشتری آموزش می‌دهد تا چگونه به شکل مؤثری از هوش مصنوعی استفاده کنند و با ترکیب دانش فنی، درک تجاری و ارتباطات شفاف، کیفیت کار خود را ارتقا دهند.

جانسن به تجربه‌ای اشاره می‌کند که در آن برای یکپارچه‌سازی چندین برنامه در یک سیستم نرم‌افزاری پیچیده استخدام شده بود. پس از ماه‌ها جمع‌آوری نیازمندی‌ها و اصلاح زمینه، تیم او توانست با استفاده از هوش مصنوعی این برنامه را در حدود یک ماه تحویل دهد.

این سرعت عمل و شفافیت در فرآیند، توجه مشتری را به خود جلب کرد و از جانسن خواستند تا به تیم‌های آن‌ها در پذیرش هوش مصنوعی و تکنیک‌های پرامپت‌نویسی کمک کند.

به گفته این مهندس ارشد، هوش مصنوعی به او کمک کرده تا بازدهی خود را چند برابر کند و به طور همزمان زمینه لازم برای چندین مشتری و پروژه را مدیریت کند. در گذشته، توسعه نرم‌افزار و کدنویسی گلوگاه اصلی پروژه‌ها بود، اما اکنون این گلوگاه به مرحله جمع‌آوری زمینه و شفاف‌سازی اهداف پیش از شروع توسعه منتقل شده است.

یکی از برنامه‌های اخیری که او توسعه داده، در زمینه امتیازدهی ریسک بوده است. در این پروژه از هوش مصنوعی برای ارزیابی میزان ریسک همکاری مشتری با شرکای تجاری استفاده شد. پس از جمع‌آوری سیگنال‌های لازم، هوش مصنوعی با استنتاج منطقی روی آن‌ها، یک امتیاز ریسک تولید کرد که بازرسان مستقل توانستند از آن در ارزیابی‌های خود استفاده کنند.

الگویی که جانسن مشاهده کرده این است که کارهای توسعه نرم‌افزار به سمت لایه‌های داده و یکپارچه‌سازی در حال حرکت است. بسیاری از چالش‌های سازمانی به این موضوع ختم می‌شود که چگونه می‌توان به هوش مصنوعی کمک کرد تا داده‌ها را درک کند، اطلاعات را برای نظارت یکپارچه سازد و از داده‌های پراکنده در برنامه‌های ابری و قدیمی ارزش‌آفرینی کند. بخش بزرگی از کار او شامل تجمیع حجم عظیمی از داده‌ها، استفاده از هوش مصنوعی برای استنتاج آن‌ها و اتصال سیستم‌هایی که به طور طبیعی با یکدیگر ارتباط ندارند، می‌شود.

جانسن همچنین بر مزایای حضور فیزیکی در محل کار مشتری تأکید می‌کند و می‌گوید گفتگوهای حضوری بسیار طبیعی‌تر شکل می‌گیرند و درک زبان بدن و احساسات در آن‌ها به مراتب آسان‌تر از جلسات مجازی است.

از نگاه او، یک مهندس مستقر چیزی فراتر از تحویل سنتی نرم‌افزار ارائه می‌دهد. در روش‌های متداول، یکپارچه‌ساز سیستم پس از جمع‌آوری نیازمندی‌ها و توسعه نرم‌افزار، آن را به مشتری تحویل می‌دهد که گاهی باعث بروز مشکلاتی در پیاده‌سازی (مانند نمونه‌های ناموفق در پلتفرم Salesforce) می‌شود.

اما با کار مستقیم در کنار تیم‌های مشتری و همزمان با توسعه و آموزش، انتقال دانش به صورت در لحظه انجام می‌شود و مشتری علاوه بر دریافت نرم‌افزار، بهترین روش‌ها، مستندات و ابزارهای لازم برای استفاده از آن را نیز دریافت می‌کند.

در نهایت، جانسن نتیجه‌گیری می‌کند که هوش مصنوعی به جای صرف زمان روی کارهای تکراری و یکنواخت، فضای بیشتری برای تعریف مسائل و تصمیم‌گیری‌های حیاتی به او داده است تا بتواند روی موضوعاتی که نیازمند قضاوت انسانی هستند تمرکز کند.