Yapay zeka çağında programcı: Kod üretiminden nedensizliğin kontrolüne rol kayması

Özet

• Yapay zeka kod yazımının önemli bir bölümünü otomatikleştirirken, geliştiricinin temel rolü doğrudan uygulamadan tasarım, doğrulama ve kontrole kayıyor.
• Programcılığın özü çok kod yazmak değil, belirsiz gereksinimlerin ayrıntılarını doldurup bunları yeniden kullanılabilir biçimde soyutlamaktır.
• Yapay zekaya ayrıntılı uygulama yöntemleri dikte etmektense hedefi ve bağlamı sunup kararı ona devretmek daha etkilidir.
• Yapay zeka işleri tek seferde yürütmek yerine çıktıları belirtim, test, uygulama, refactoring ve doğrulama olarak ayırmak kaliteyi artırır.
• Yapay zekanın çıktısı deterministik olmadığından testler, derleyici, linter ve doğrulama kapıları gibi deterministik bir harness gerekir.
• Geleceğin geliştiricisinin, basit bir kod yazarı değil, yapay zeka ajanlarıyla doğrulama sistemlerini bağlayan bir sistem tasarımcısı ve harness mühendisine daha yakın olacağı öngörülüyor.

---

Giriş

Yapay zekanın sarstığı geliştirici kimliği

• Yapay zeka yalnızca doğal dil talimatlarıyla yüzlerce satır kod üretirken, mevcut geliştirme yetkinliklerine dair ölçütler değişiyor.

• Geçmişte boş bir editörde hızlı kod yazabilme yeteneği, geliştiricinin başlıca rekabet gücü olarak görülüyordu.

• Bugün bilgi ve uygulama yöntemlerini yapay zeka sağlarken şu sorular ortaya çıkıyor.

  • Kodu doğrudan yazmadan da buna geliştirme denebilir mi?
  • Yapay zeka uygulamanın ayrıntılarını ele alırsa geliştiriciye hangi rol kalır?
  • Geleneksel bilgisayar bilimi bilgisi ve programlama tarihi bugün hâlâ gerekli mi?

• Yazı bu meseleyi ayrıntı, soyutlama, nedensizlik ve harness kavramları etrafında açıklıyor.

Programlama tarihinin anlamı

• Geçmişteki programlama bilgisi, basit bir teknikler listesi değil; dönemin geliştiricilerinin sorun çözüp yeni soyutlama katmanları oluşturma süreciydi.
• Makine dili, assembly, structured programming, nesne yönelimli yaklaşım ve framework'ler, alt katmanların karmaşıklığını gizlemek için ortaya çıktı.
• Eski teknolojileri doğrudan kullanmıyor olsak da, bu tarihi anlamak geliştirici rolünün zaman içinde nasıl tekrar tekrar değiştiğini görmeyi sağlar.

---

Ana bölüm

1. Geliştirici, ayrıntıları somutlaştıran kişidir

• Ürün planlaması genelde ürünün amacıyla genel yönünü verir, ancak gerçek uygulama için gereken tüm koşulları belirtmez.

• Örneğin “nickname düzenleme” gibi basit bir özellikte bile şu ayrıntılar vardır.

  • Boş string'e izin verilip verilmeyeceği
  • Özel karakterler ve emoji'lerin nasıl ele alınacağı
  • Ağ hataları ve geciken yanıtların nasıl işleneceği
  • Düzenleme sırasında ekrandan çıkıldığında ne olacağı
  • Hata mesajının yeri ve ifade biçimi

• Geliştiricinin işi, bu boşlukları mantıksal kurallar ve istisna işleme ile somutlaştırma sürecidir.

• Bu nedenle geliştiricinin uzmanlığı basit özellik uygulamaktan çok belirsiz gereksinimleri tamamlanmış sistem davranışına dönüştürebilme yeteneğinde yatar.

2. Soyutlama, çözülmüş ayrıntıları gizleme sürecidir

• Geliştiriciler tekrar eden işleri azaltmak için bir kez çözdükleri sorunları function, module, library ve framework gibi yapılara paketler.

• Soyutlamanın özü şudur.

  • Tekrarlayan iç davranışları gizlemek
  • Dışarıya yalnızca gerekli işlevleri açmak
  • Değişebilir kısımlarla sabit kalacak kısımlar arasındaki sınırı belirlemek

• Sağlam soyutlamalar biriktikçe yeni katmanlar oluşur ve üst katmandaki geliştiriciler alt düzey uygulamanın tamamını bilmeden de çalışabilir.

• Bugünkü geliştirme ortamı, önceki kuşak geliştiricilerin kurduğu soyutlama katmanları üzerinde çalışıyor.

3. Geliştiricinin ihtiyaç duyduğu derinlik, bulunduğu konuma göre değişir

• Tüm soyutlamalar tamamlanmış değildir.

• İç uygulamayı istikrarlı biçimde gizleyebilen katmanlar “tamamlanmış soyutlama” sayılabilir.

• İç ayrıntıların performans sorunu ya da hata olarak sürekli dışarı sızdığı katmanlar ise “sürmekte olan soyutlama”ya karşılık gelir.

• Aynı teknoloji bile geliştiricinin rolüne göre farklı durumda olabilir.

  • Genel web geliştiricisi için tarayıcı görece tamamlanmış bir katmandır.
  • Tarayıcı motoru geliştiricisi için rendering süreci doğrudan ele alınması gereken ayrıntılı bir sorundur.

• Geliştiricinin ihtiyaç duyduğu derinlik, her teknolojiyi bilmek değil; sorumlu olduğu katmandaki sızıntı ve sınırları anlayabilecek düzeyde olmaktır.

4. Yapay zeka yeni bir soyutlama katmanı olarak ortaya çıktı

• Yapay zeka, geliştiricinin eskiden doğrudan yaptığı kod yazımı ve tekrarlı uygulama işlerini hızla yerine getiriyor.
• Böylece yapay zeka, basit bir verimlilik aracını aşarak geliştirme sürecinin kendisini soyutlayan yeni bir katman gibi işlemeye başladı.
• Ancak yapay zekanın kod üretmesi, gereksinim yorumlama, yapı tasarımı, kalite doğrulama ve operasyon sorumluluğunu otomatik olarak çözmez.
• Hatta uygulama maliyeti düştükçe üretilen kodu birleştirme ve doğrulama maliyetinin önemi artar.

5. Ayrıntılı talimatlar yapay zekanın performansını sınırlayabilir

• Yazar, erişilebilirlik odaklı bir UI yan projesinde kodu doğrudan yazmadan yalnızca yapay zekayla geliştirmeyi denedi.

• Başta yapay zekaya somut uygulama yöntemleri verdi, ancak yapay zeka verilen yönteme saplanıp kalıyor ve istisna işlemeyi tekrar tekrar ekliyordu.

• Sonuçta kod karmaşıklaştı, çeşitli yan etkiler ortaya çıktı ve daha uygun standart yöntemler ancak sonradan uygulanabildi.

• Bu örnek, kullanıcının sunduğu ilk yöntemin yapay zekanın muhakemesini sınırlayan bir anchor işlevi görebileceğini gösteriyor.

• Çözüm yöntemini ve kod yapısını fazla dikte etmektense şunları vermek daha etkilidir.

  • Problemin arka planı ve amacı
  • Mevcut sistemin bağlamı
  • Mutlaka karşılanması gereken sonuç
  • Değiştirilmemesi gereken kısıtlar

6. Talimatlardan çok hedef ve bağlam devredilmelidir

• Yapay zekanın performansı arttıkça ayrıntılı prosedürleri doğrudan belirtmektense hedef merkezli devir daha etkili olabilir.

• Bu devir modelinde geliştirici, “nasıl uygulanacağını” tamamen belirlemek yerine “neden gerekli olduğunu” ve “neyin başarılması gerektiğini” açıkça iletir.

• Ancak tam özerklik verilirse yapay zeka kullanıcının niyetinden çok kodu değiştirme işine odaklanabilir.

• Bu yüzden yapay zekanın önce şu adımları yapmasını sağlayacak şekilde iş akışını sınırlamak gerekir.

  • Talebin niyetini analiz etme
  • Eksik bilgiler için soru sorma
  • Çözüm planı sunma
  • Kullanıcı onayından sonra uygulama

• Esas nokta, basit yasak komutlarından çok o aşamada izin verilen çıktıları açıkça tanımlamaktır.

7. Her seferde yalnızca tek bir çıktı tanımlanmalıdır

• LLM'lerin tek bir yanıtta üretebileceği çıktı miktarı ve muhakeme kapsamı sınırlıdır.

• Test yazımı ile uygulamayı aynı anda isterseniz, kaynaklar son hedef olan kodun tamamlanmasına yoğunlaşır ve test kalitesi düşebilir.

• Yazar TDD işini şu şekilde ayırıyor.

  • /red: yalnızca başarısız olan testleri yaz
  • /green: testleri geçecek en küçük uygulamayı yaz
  • /refactor: testleri koruyarak kod yapısını iyileştir

• Her aşamanın çıktısını teke indirmek, yapay zekanın ara adımları atlaması ya da biçimsel olarak geçiştirmesi sorununu azaltabilir.

• Bu da prompt tasarımının özünün davranışı uzun uzun açıklamak değil, tek bir görevde üretilmesi gereken çıktıyı tanımlamak olduğunu gösterir.

8. Markdown belgeleri ve skill'ler yeni kod haline geliyor

• Belirtim, test, uygulama, doğrulama ve commit işlerini ayrı ayrı skill'lere bölerseniz şu tür bir pipeline kurulabilir.

  • Belirtim yazımı
  • Başarısız test üretimi
  • Özelliğin uygulanması
  • Refactoring
  • Doğrulama
  • Commit

• Her skill, girdi, çıktı ve kısıtlar taşıdığı için function benzeri çalışır.

• Skill'leri ve kuralları kaydeden Markdown belgeleri, basit bir açıklama dokümanı değil; yapay zekanın davranışını belirleyen yürütme kuralları olarak işlev görür.

• Bu süreçte mevcut yazılım tasarım ilkeleri de uygulanabilir.

  • Tek bir skill'e tek sorumluluk vermeyi öngören single responsibility principle
  • Bilgi ve kuralları ayrı dosyalara ayıran modülerlik
  • Çekirdek skill'leri değiştirmeden harici bilgi dosyalarıyla genişlemeyi sağlayan open-closed principle

• Platform yalnızca IDE'den Markdown belgelerine kaymıştır; işi parçalara ayırıp birbirine bağlama eylemi hâlâ programlamadır.

9. Yapay zeka ile kodlamadaki temel risk nedensizliktir

• Geleneksel programlar aynı girdiye karşı büyük ölçüde aynı çıktıyı üretir.

• Yapay zeka ise aynı isteğe karşı farklı kodlar ve kararlar üretebilir.

• Yapay zeka büyük çaplı refactoring yaptığında işlev çalışsa bile şu sorunlar kalır.

  • Değişen kodun doğruluğunu gözden geçirme
  • Silinen kodun gerçekten gereksiz olup olmadığına karar verme
  • Yeni yan etki olasılıkları
  • Bakım ve dağıtım sorumluluğu

• Yapay zeka kod üretim hızını artırır, ancak sonucun kararlılığını ve sorumluluğunu otomatik olarak sağlamaz.

• Production ortamında önemli olan, üretim yeteneğinden çok değişiklik kapsamını kontrol etme ve sonucu doğrulama becerisidir.

10. Yapay zeka tavanı düşük problemlerde güçlüdür

• Yapay zekanın kolayca ele aldığı problemler genelde gereksinimleri ve çözüm yolları yeterince bilinen, yani “iyi tanımlanmış problemler”dir.

• Bu tür sorunlar, mevcut library, framework ve pattern gibi tamamlanmış soyutlama unsurlarını birleştirerek çözülebilir.

• Yapay zeka, insanlığın biriktirdiği kodu ve problem çözme kalıplarını olasılıksal olarak birleştirmede güçlüdür.

• Buna karşılık şu tür yüksek zorluktaki problemlerde ek insan muhakemesi gerekir.

  • Gereksinimleri eksik olan problemler
  • Karmaşık domain kuralları
  • Büyük ölçekli sistem etkileşimleri
  • Operasyon ortamındaki istisnai durumlar
  • Güvenlik, performans, regülasyon ve sorumluluğun birleştiği problemler

• Basit uygulamanın değeri tamamen ortadan kalkmasa da, uygulamanın kendisi giderek genel kullanıcıların da yapabileceği bir alana kayabilir.

11. Geliştiricinin ayrıntı işi yapay zeka kontrolüne kayıyor

• Geçmişte geliştirici, deterministik kod yazarak öngörülmesi zor kullanıcı girdilerine ve operasyon ortamlarına karşı savunma kuruyordu.

• Yapay zeka çağında ise deterministik bir ürünü, deterministik olmayan yapay zekayla üretmek gerekiyor.

• Geliştiricinin ele alması gereken ayrıntılar şu alanlara kayıyor.

  • Yapay zekanın yanlış hedefe saplanmaması için görev kapsamını belirleme
  • Aşama bazında giriş ve çıkış biçimlerini tanımlama
  • Bağlam ve bilgi dokümanlarını yönetme
  • Büyük çaplı değişikliklerin kapsamını sınırlama
  • Hata durumunda kurtarma prosedürleri tasarlama
  • Sonuçların kalite ve güvenliğini doğrulama

• Basit uygulama işleri otomatikleştikçe geliştirme işinin ağırlığı istisna işleme ve kontrol sorunlarına kayabilir.

12. Yapay zeka çıktıları deterministik araçlarla doğrulanmalıdır

• Yapay zekanın ürettiği sonucu yalnızca başka bir yapay zekayla doğrulatmak, yeterli güvenilirlik sağlamaya yetmeyebilir.

• Sistem çıktısının doğru olup olmadığını değerlendirmek için açık bir doğru cevap ölçütü, yani bir oracle gerekir.

• Deterministik olmayan yapay zeka doğrulama ölçütünü de keyfî biçimde üretirse, doğru sonucu yanlış değiştirme ya da doğrulama ölçütünü bozma riski doğar.

• Bu nedenle doğrulama ölçütü mümkün olduğunca deterministik araçlardan oluşmalıdır.

  • Compiler ve type checker'lar
  • Otomatik testler
  • Linter ve statik analiz
  • Schema denetimi
  • Performans ve güvenlik ölçütleri
  • Onay süreçleri ve değişiklik kapsamı sınırlamaları

• Yapay zekanın muhakemesi yardımcı araç olarak kullanılabilir, ancak nihai geçiş kararı yeniden üretilebilir ölçütlere bağlanmalıdır.

13. Harness, yapay zeka geliştirmesinin temel altyapısı haline geliyor

• Harness, yapay zekanın iş sürecinde hataları biriktirmesini ya da kapsam dışına çıkmasını önlemek için aşama aşama yerleştirilen doğrulama düzenidir.

• Başlıca bileşenler şunlardır.

  • İş adımlarını ayıran pipeline
  • Aşama bazlı giriş/çıkış biçimleri
  • Otomatik testler ve statik analiz
  • Hata durumunda durduran doğrulama kapıları
  • Değiştirilebilecek dosya ve kapsam sınırları
  • İnsan onayı ve review süreçleri

• Harness, tek bir aşamadaki küçük bir hatanın sonraki aşamada büyümesini engeller.

• Yapay zekadan yararlanma becerisi, yalnızca iyi prompt yazma becerisiyle değil; öngörülemez çıktıları kararlı bir sistem içinde tutabilme becerisiyle değerlendirilebilir.

---

Sonuç

Geliştirici yok olmuyor, rolü yer değiştiriyor

• Yapay zeka basit kod yazımı ve tekrarlı uygulama işlerini hızla otomatikleştiriyor.

• Ancak ürün düzeyinde bir sonuç üretmek için hâlâ şu rollere ihtiyaç var.

  • Problemi ve hedefi tanımlama
  • Sistem yapısını tasarlama
  • İş adımları ve çıktıları ayırma
  • Yapay zeka ajanları arasındaki akışı koordine etme
  • Doğrulama ölçütleri ve harness kurma
  • Operasyon sonuçlarına ilişkin nihai sorumluluğu üstlenme

• Geliştiricinin işi, doğrudan kod yazma oranının azalması ve yapay zekanın ürettiği kodu bir sistem halinde örgütleyip kontrol etme yönünde değişebilir.

Prompt yazımı programlamanın yeni bir biçimidir

• Tekrarlı kullanılan talimatları skill ve kurallara dönüştürüp bunları bir pipeline ile bağlama süreci, function ve module tasarlamaya benzer.
• Markdown belgeleri, yapay zekanın bağlamını, davranışını ve çıktı biçimini tanımlayan yeni bir kod katmanı olarak işlev görebilir.
• Geliştirici, kendi deneyimini ve örtük muhakeme ölçütlerini dokümante ederek yapay zekanın yeniden kullanabileceği biçimde soyutlamalıdır.
• Bu, yalnızca mevcut sistemleri soyutlamak değil, geliştiricinin kendi çalışma biçimini ve karar sürecini de soyutlamak anlamına gelir.

Geleceğin geliştiricisinin temel yetkinlikleri

• Problemi doğru tanımlama becerisi
• Hedef ve bağlam odaklı iş devri yapabilme becerisi
• Karmaşık işleri küçük çıktılara ayırma becerisi
• Skill ve ajanları bir pipeline içinde kurma becerisi
• Deterministik doğrulama ölçütleri tasarlama becerisi
• Deterministik olmayan sonuçların riskini kontrol eden harness kurma becerisi
• Yapay zekanın ürettiği sonuçları anlayıp nihai sorumluluğu üstlenebilecek teknik derinlik

Genel değerlendirme

• Yapay zeka, geliştirmenin özünü ortadan kaldırmaktan çok, geliştiricinin ele aldığı soyutlama katmanını değiştiriyor.
• Önceki kuşak geliştiriciler kodun ve sistemin ayrıntılarını ele alıyorduysa, geleceğin geliştiricileri de yapay zekanın davranışı ve çıktılarından doğan ayrıntıları ele almak zorunda kalacak.
• Kod üretme maliyeti düşerken doğrulama, birleştirme, operasyon ve kontrolün önemi daha da artabilir.
• Programcının özü yazı yazmak değil, ayrıntıları keşfetme, bunları soyutlama ve güvenilir sistemler halinde düzenleme becerisidir.