تیم فنی ابزاری را تحویل میدهد که اجرا میشود، ظاهر مرتبی دارد و در نمایش اولیه هم خطا نمیکند. اما کاربر میگوید: «این همان چیزی نیست که لازم داشتیم.» وقتی تولید کد با کمک هوش مصنوعی آسانتر میشود، این فاصله همچنان باقی میماند: ساختن یک برنامه با حل کردن مسئله درست، یکسان نیست.
ارزش تفکر فلسفی برای مهندسان در همین نقطه روشن میشود: تعریف دقیق مفهومها، آشکار کردن فرضها و پرسیدن اینکه چه چیزی را دلیل کافی برای درستبودن میدانیم. برای مدیر کسبوکار نیز پیام عملی دارد: پیش از سفارش ساخت، درباره هدف، محدودیت و معیار پذیرش توافق کنید؛ سپس نتیجه را با همان معیار بسنجید.
فلسفه در کار مهندسی چه معنایی دارد؟
در این بحث، منظور حفظ نام فیلسوفان یا جایگزین کردن گفتوگوی انتزاعی با تخصص فنی نیست. منظور چند عادت فکری است: فرق گذاشتن میان ادعا و شاهد، تعریف واژههای مبهم، بررسی ناسازگاریها و برگشتن به فرضهای پایه. چنین عادتی کمک میکند تیم بفهمد چرا چیزی را میسازد و از کجا خواهد دانست که درست ساخته است.
مارکو آرجنتی، در یادداشت حرفهای خود در سال ۲۰۲۴، از پیوند میان آموزش فلسفی، مدل ذهنی روشن و مهندسی در عصر هوش مصنوعی دفاع میکند. این استدلال بر تجربه و تحلیل او تکیه دارد؛ مطالعهای آزمایشی نیست که ثابت کند گذراندن یک درس فلسفه، کیفیت کد هر مهندس را افزایش میدهد. کاربرد مفید آن، بازنگری در شیوه فکر کردن تیم است.
برنامه میتواند اجرا شود و همچنان نیاز را برآورده نکند
خطای آشکار معمولاً توجه را جلب میکند؛ اما برنامهای که کار نادرست را بیدردسر انجام میدهد ممکن است دیرتر دیده شود. محاسبه میتواند مطابق فرمول نوشتهشده باشد، درحالیکه خود فرمول نماینده مناسبی برای نیاز کسبوکار نیست. پس باید میان صحت اجرای دستور و مناسببودن خود دستور فاصله گذاشت.
برای نمونه، «مشتری فعال» ظاهراً مفهوم روشنی است. آیا منظور کسی است که اخیراً خرید کرده، قرارداد معتبر دارد یا هنوز از خدمت استفاده میکند؟ هر تعریف، فهرست متفاوتی میسازد. هوش مصنوعی ممکن است یکی را انتخاب کند و برنامهای منظم بسازد؛ این نظم، دلیل توافق سازمان بر آن تعریف نیست.
به همین دلیل، افزودن جزئیات بیشتر به درخواست همیشه مسئله را حل نمیکند. اگر فرض پایه نادرست باشد، توضیح مفصلتر میتواند همان فرض را دقیقتر اجرا کند. ابتدا باید معلوم شود تصمیمی که قرار است با خروجی گرفته شود چیست و کدام تعریف برای آن تصمیم مناسب است.
از «چه بسازیم؟» به «چه تغییری لازم داریم؟» برسید
درخواست «یک داشبورد هوشمند میخواهیم» از راهحل شروع میشود. پرسش پایهتر این است: چه تصمیمی اکنون دیر یا نامطمئن گرفته میشود؟ چه اطلاعاتی برای آن کم است؟ شاید پاسخ، یک گزارش ساده یا اصلاح ثبت اطلاعات باشد. فناوری پیچیده تنها یکی از گزینههاست.
سپس هدف و قیدها را جدا بنویسید. کاهش زمان پاسخ هدف است؛ حفظ محرمانگی، محدودیت دسترسی و امکان اصلاح اشتباه میتوانند قید باشند. اگر فقط هدف سرعت گفته شود، تیم ممکن است راهی انتخاب کند که محدودیت مهمی را نقض میکند. این اختلاف را باید پیش از تحویل روشن کرد.
یک برگه تعریف نیاز، پیش از ساخت
تمرین زیر پیشنهاد عملی برای گفتوگوی مدیر و تیم فنی است؛ روش علمیِ اعتبارسنجیشده یا تضمین موفقیت پروژه نیست. آن را برای یک قابلیت کوچک به کار ببرید و پاسخها را با کاربر واقعی مرور کنید.
- تصمیم یا کار موردنیاز: چه کسی، در چه موقعیتی، باید چه کاری را بهتر انجام دهد؟
- تعریفها: واژههایی مانند فعال، فوری، مناسب و موفق دقیقاً به چه معنا هستند؟
- فرضها: چه چیزی را فعلاً درست گرفتهایم و چه مشاهدهای میتواند آن را رد کند؟
- محدودیتها: چه اطلاعات، اختیار یا اقدامی خارج از دامنه است؟
- معیار پذیرش: با کدام نمونه و نتیجه قابل مشاهده، تحویل را قبول یا رد میکنیم؟
پاسخ «وقتی کاربر راضی باشد» برای پذیرش کافی نیست، مگر روشن کنید رضایت از کدام کار و با چه مشاهدهای سنجیده میشود. معیار را آنقدر مشخص کنید که در اختلاف نظر بتوان به آن برگشت؛ در عین حال، اجازه دهید با شناخت تازه از نیاز واقعی بازبینی شود.
نمونه فرضی: فهرست پیگیری مشتریان
فرض کنید یک شرکت خدماتی میخواهد فهرست مشتریان نیازمند پیگیری را با کمک هوش مصنوعی آماده کند. درخواست اولیه این است: «افرادی را که مدتی غیرفعال بودهاند مشخص کن.» ابزار، مشتریانی را که خرید تازه ندارند انتخاب میکند؛ اما بعضی از آنها قرارداد بلندمدت دارند و طبیعی است دوباره خرید نکرده باشند. این سناریو فرضی است.
تیم، مسئله را دوباره تعریف میکند: مسئول ارتباط با مشتری باید قراردادهایی را ببیند که موعد بازبینیشان رسیده و هنوز تماس ثبتشده ندارند. اکنون باید تاریخ بازبینی، معنی تماس ثبتشده و وضعیت قرارداد مشخص شوند. نتیجه دیگر صرفاً فهرست «کمخریدها» نیست.
برای پذیرش، چند نمونه از پیش آماده میشود: قرارداد با موعد آینده، قرارداد با موعد گذشته و تماس انجامشده، و قراردادی که موعدش گذشته اما پیگیری ندارد. نمونهای با تاریخ ناقص نیز لازم است تا معلوم شود سامانه آن را حدس میزند یا برای بررسی جدا میکند. این نمونهها همه خطاها را پوشش نمیدهند، اما اختلاف تعریف را زودتر آشکار میکنند.
از ابزار برای نقد استفاده کنید؛ داوری را به پاسخ آن نسپارید
میتوان از هوش مصنوعی خواست ابهام تعریف یا یک حالت استثنایی را پیشنهاد دهد. اما پاسخ «همه چیز درست است» شاهد مستقلی برای صحت کار نیست. حتی توضیح قانعکننده درباره کد نیز جای اجرای آزمون، بازبینی فنی و بررسی تناسب با کار واقعی را نمیگیرد.
اگر ابزار هم برنامه و هم آزمون را بسازد، ممکن است هر دو همان برداشت نادرست را دنبال کنند. بخشی از نمونههای پذیرش را از نیاز واقعی و گفتوگو با کاربر تهیه کنید. هرجا پیامد خطا مهمتر است، بررسی نیز باید متناسب با آن عمیقتر باشد؛ یک نمایش موفق برای پذیرش همه کاربردها کافی نیست.
برای طراحی رفتوبرگشت پرسش و نقد با ابزار، راهنمای همفکری با هوش مصنوعی میتواند مکمل این کار باشد. در پروژه فنی، خروجی آن گفتوگو باید به تعریف نیاز و آزمون قابل بررسی برسد.
توانایی فهم و اصلاح را حفظ کنید
اگر تیم فقط بتواند خروجی را تحویل بگیرد و نتواند منطق مهم آن را توضیح دهد، اصلاح خطا و تغییر نیاز دشوار میشود. لازم نیست مدیر همه جزئیات کد را بداند؛ اما باید بداند چه کسی مسئول بازبینی است، کدام بخش آزموده شده و چه چیزی هنوز نامطمئن است. توضیح ابزار درباره خودش، پاسخ این پرسشها نیست.
در بحث آموزش برنامهنویسی نیز گروه تدوین مباحث آموزشی CS2023 هم فرصت کمکگرفتن از مدلها و هم خطر وابستگی بیش از حد را مطرح کرده است. این بحث آموزشی، اثبات نتیجه مشخص در شرکت شما نیست؛ یادآور این است که استفاده از ابزار و حفظ توانایی داوری باید کنار هم دیده شوند.
برای پروژه بعدی، پیش از انتخاب ابزار از مسئول کسبوکار و مسئول فنی بخواهید هدف، سه ابهام مهم و چند نمونه پذیرش را با هم بنویسند. اگر بر سر این موارد توافق ندارید، سرعت بیشتر در تولید کد احتمالاً اختلاف را پنهان میکند. برای روشن کردن مسئله و تقسیم مسئولیت در پروژههای کسبوکارتان میتوانید جلسه مشاوره هماهنگ کنید.




