בעידן שבו הנדסת תכונות מהווה את אחד הבקבוקנים הגדולים בלמידת מכונה, חוקרים מפרסמים מאמר חדש ב-arXiv המציג מסגרת רב-סוכנית מבוססת תכנון להפקת קוד אמין. הגישה מתמודדת עם אתגרים מרכזיים כמו מחסור במאגרי נתונים איכותיים, אינטגרציה מוגבלת של כלי קידוד כמו CoPilot ו-Devin, ושיתוף פעולה לקוי בין אדם למכונה. לפי המאמר, המסגרת משפרת את התהליך ב-38% בהשוואה לעבודה ידנית וב-150% לעומת זרימות עבודה לא מתוכננות.
המסגרת פועלת בשלבים מרובים ומנוהלת על ידי מתכנן מבוסס LLM שמנצל גרף המייצג את סביבת הצוות. המתכנן מתזמן קריאות לסוכנים זמינים, מייצר הנחיות מותאמות היטב ומתקן שגיאות באמצעות למידה מדחיות. היא מאפשרת גם התערבות אנושית בנקודות קריטיות, מה שמבטיח קוד אמין, קל לתחזוקה ומתאים לציפיות הצוות. על מאגר נתונים פנימי חדש, הגישה השיגה תוצאות מרשימות ומבטיחה שינוי פרדיגמה בתהליכי פיתוח.
בפועל, כאשר בנו תכונות לדגמי המלצה שמשרתים למעלה מ-120 מיליון משתמשים, החוקרים דיווחו על קיצור משמעותי בזמני הנדסת התכונות – משלושה שבועות ליום אחד בלבד. שיפור זה מדגים את הפוטנציאל העסקי האדיר של הגישה, במיוחד עבור צוותי ML בקנה מידה גדול שמתמודדים עם לחצי זמן ומורכבות גבוהה.
הגישה מציבה נקודות השוואה חדשות לאוטומציה של הנדסת תכונות, ומשלבת יתרונות של כלי קידוד קיימים עם תכנון חכם. בהשוואה לשיטות מסורתיות, היא מפחיתה תלות בעבודה ידנית ומשפרת את איכות הקוד הסופי. עבור חברות ישראליות בתחום ההייטק, שבהן למידת מכונה הופכת למרכזית, זו הזדמנות לבחון אינטגרציה דומה בכלים מקומיים.
עם זאת, האתגרים נותרים: צורך במאגרי נתונים גדולים יותר ובדיקות בקנה מידה רחב. מנהלי ML בישראל צריכים לשקול אימוץ מסגרות כאלה כדי להישאר תחרותיים. מה תהיה ההשפעה על תהליכי הפיתוח שלכם?