AI dalam SDLC

Siklus proses pengembangan perangkat lunak (SDLC) AI menggambarkan integrasi alat dan sistem AI ke dalam setiap fase SDLC tradisional untuk meningkatkan pengembang manusia. AI dimaksudkan untuk meningkatkan kecepatan, kualitas, dan pengambilan keputusan di semua fase pengembangan perangkat lunak.

Integrasi kecerdasan buatan ke dalam SDLC tradisional adalah bagian dari pergeseran berkelanjutan menuju metodologi berbasis AI dalam proses bisnis dan bisa dibilang merupakan komponen terpenting dari perubahan ini. AI dan machine learning dengan cepat menjadi dasar bagi disiplin pengodean, dengan organisasi di hampir setiap industri bereksperimen dengan alat dan pendekatan pengembangan AI baru. Beberapa influencer teknologi bahkan dengan antusias menyatakan akhir dari pengodean tradisional sebagai disiplin yang kaku, bertanya-tanya apakah belajar membuat kode dengan cara lama masih “layak”. Pembuatan kode AI bukan lagi hal baru, melainkan pusat praktik pengodean.

Sistem AI agen sekarang berfungsi sebagai asisten pembuat kode. Platform yang didukung oleh model bahasa besar (LLM) memungkinkan akses ke praktik pengembangan perangkat lunak, membuka kemungkinan bagi kalangan praktisi dengan pengalaman pengodean minimal atau tanpa pengodean sama sekali dan menghilangkan banyak tugas yang membosankan. Semua alat ini memungkinkan para pengembang untuk menghabiskan lebih banyak waktu membangun sistem baru yang menarik daripada melakukan tugas yang diperlukan tetapi membosankan dalam pengodean.

Namun, para pakar memperingatkan ketergantungan yang berlebihan pada alat yang didukung AI. Meskipun AI memiliki manfaat yang jelas untuk membuat SDLC lebih cepat, lebih baik, lebih murah, dan bahkan lebih menyenangkan, alat bantu ini juga memiliki kelemahan. Masih menjadi tantangan bagi organisasi untuk merancang alur kerja yang menangkap manfaat AI serta keahlian dan kemampuan penalaran pengembang manusia yang berpengalaman.

Tujuan dari SDLC adalah untuk menghasilkan perangkat lunak berkualitas tinggi dengan biaya terendah dalam waktu paling singkat. Sepanjang sejarah rekayasa perangkat lunak, beberapa metodologi telah mendefinisikan praktik ini. Dimulai pada 1970-an, metodologi Air Terjun mendefinisikan proses, menampilkan fase berurutan yang berbeda, di mana setiap fase membutuhkan penyelesaian sebelum pengembang dapat beralih ke fase berikutnya.

Pada dekade berikutnya, metode Air Terjun yang kaku memberi jalan bagi pengembangan berulang, dengan fase yang memungkinkan implementasi parsial, masukan pengguna, dan penyempurnaan. Tahun 2000-an menghadirkan Agile, yang menggeser disiplin ke arah kolaborasi, masukan yang lebih baik, dan siklus pengembangan yang lebih berulang. Pada dekade berikutnya, praktik DevOps mendominasi. Kumpulan filosofi budaya, praktik, dan alat ini mengintegrasikan pengembangan dengan tim operasi untuk memungkinkan integrasi berkelanjutan dan pengiriman berkelanjutan (CI/CD).

Inovasi ini telah meningkatkan SDLC secara drastis, namun prosesnya masih memiliki masalah. Pengembang masih menghabiskan waktu mereka mengatasi masalah mendesak, padahal mereka lebih suka membangun sistem baru. Mereka masih berurusan dengan alur kerja yang terisolasi dan terbagi-bagi. Di banyak organisasi, mereka harus bergulat dengan utang teknis akibat solusi tidak terkoordinasi selama beberapa dekade dan penambalan cepat yang tidak diterapkan dengan visi jangka panjang.

Bidang AI mengambil lompatan besar dengan pengembangan transformer, arsitektur model yang memungkinkan LLM modern. Codex dari OpenAI, diperkenalkan pada tahun 2021, adalah keturunan dari model GPT3 OpenAI dan dilatih pada sejumlah besar kode publik. Banyak yang menganggap rilis ini menggambarkan awal era AI coding. Github merilis asisten pengodean Copilot, didukung oleh Codex, akhir tahun itu. Pada titik ini bantuan AI coding bukan hanya minat khusus dalam riset akademisi, tetapi produk utama yang sedang diterapkan dengan cepat di seluruh alur kerja perusahaan.

Tahun berikutnya, ChatGPT dari OpenAI membuat konsep percakapan dengan chatbot yang didukung AI populer. Namun, meski kemampuan untuk berkomunikasi dengan AI penting, AI juga harus dapat memahami konteks kode yang lebih luas untuk memberikan rekomendasi yang optimal. Perkembangan selanjutnya, seperti Code Llama, memungkinkan jendela konteks yang lebih besar dan pemahaman kontekstual yang lebih baik.

Sistem berbasis agen menunjukkan inovasi besar berikutnya. Dengan agen yang dapat bernalar dan bertindak (seperti kerangka kerja ReAct), LLM tidak hanya bisa berpikir dan berbicara, tetapi mengambil tindakan dalam lingkungan pengembangan. Sekarang agen dapat melakukan pemanggilan alat dan terlibat dengan basis kode secara semiotonom.

Agen AI tetap merombak pengembangan perangkat lunak. Alih-alih menggantikan pengembang manusia, agen bertindak sebagai lapisan cerdas yang meningkatkan produktivitas, mengurangi beban kognitif, dan meningkatkan pengambilan keputusan. Di seluruh fase perencanaan, analisis, pengodean, pengujian, penerapan, dan pemeliharaan, AI mengubah SDLC menjadi proses yang lebih adaptif, efisien, dan berulang.

Revolusi berlanjut dan pengodean yang dibantu agen memiliki potensi untuk menjadi pergeseran yang jauh lebih berdampak pada proses pengembangan seperti metode Air Terjun, Agile, atau DevOps.

Solusi AI dapat digunakan di seluruh SDLC, memberikan dukungan menyeluruh mulai dari perencanaan hingga pemeliharaan.

Fase perencanaan proyek menetapkan tujuan dan ruang lingkup proyek pengembangan perangkat lunak. AI meningkatkan tahap awal pembuatan ide dan cakupan ini dengan membantu tim untuk mengklarifikasi tujuan dan menerjemahkan ide-ide mereka ke dalam rencana terstruktur. Alat pemrosesan bahasa alami (NLP) dapat meringkas wawancara pemangku kepentingan dan menerjemahkannya ke dalam peta jalan proyek. Alat manajemen proyek AI dapat membantu membangun jadwal dan mengalokasikan sumber daya.

Selama fase analisis, tim pengembangan mengumpulkan dan menganalisis informasi tentang persyaratan proyek. AI dapat mengubah input tidak terstruktur seperti email, dialog chatbot, dan tiket dukungan menjadi dokumen persyaratan. AI juga dapat bertindak sebagai alat jaminan kualitas di mana model AI khusus mengidentifikasi dan memvalidasi persyaratan. Model dapat menganalisis kelayakan dalam tumpukan teknologi tertentu untuk memprediksi hambatan kinerja atau masalah kompatibilitas, dan membuat rekomendasi di kalangan vendor infrastruktur.

Fase desain melibatkan penetapan arsitektur proyek. Langkah-langkah inti termasuk menguraikan navigasi perangkat lunak, antarmuka pengguna, dan desain basis data. AI dapat memberikan rekomendasi struktural, membantu desainer manusia memilih berbagai pendekatan arsitektur, kerangka kerja perangkat lunak, skema basis data, dan elemen lainnya. Demikian pula, antarmuka pengguna dapat dibuat dengan cepat dan diuji. Alat AI generatif (GenAI) juga dapat menghasilkan prototipe interaktif.

Fase pengodean, atau fase pengembangan, adalah saat tim menulis kode dan membangun perangkat lunak, berdasarkan pedoman yang dibuat selama fase-fase sebelumnya. Di sini AI memiliki dampak yang paling terlihat dan langsung.

Agen AI yang dikelola dengan sistem seperti IBM Bob dapat bekerja bersama pengembang manusia di lingkungan pengembangan terintegrasi (IDE) mereka dan membantu membangun perangkat lunak lebih cepat dengan kekuatan pengodean berbasis agen. Bob memindai kode secara real-time, menangkap masalah kompleksitas dan peluang pemfaktoran ulang kode, membantu pengembang menghindari utang teknis.

Alat semacam ini dapat menghasilkan cuplikan kode berkualitas tinggi dan bahkan seluruh modul berdasarkan prompt bahasa alami atau implementasi parsial. Meskipun pengawasan manusia tetap penting, AI dapat mempercepat waktu dari konsep ke kode.

Dokumentasi kode adalah tugas lain yang memakan waktu yang dapat dengan mudah ditangani selama fase ini dengan kemampuan AI.

Fase pengujian dimulai setelah tim pengembangan menciptakan bagian dari perangkat lunak yang berfungsi. Selama fase ini, tim mencari peluang untuk menghilangkan bug dan meningkatkan produk akhir. AI dapat secara otomatis membuat kasus pengujian dengan menganalisis basis kode dan mengidentifikasi potensi titik kegagalan atau kasus ekstrem yang kompleks. AI dapat mendeteksi anomali dalam perilaku aplikasi dan melakukan pengujian regresi visual.

Pada fase penerapan, perangkat lunak yang telah disesuaikan secara optimal diterapkan ke lingkungan produksi, di mana pengguna dapat mengaksesnya. AI dapat merampingkan dan mengoptimalkan integrasi berkelanjutan dan jalur penyebaran dengan memprediksi kemacetan dan meningkatkan otomatisasi untuk tugas-tugas rutin. Sistem pemantauan AI menganalisis log, metrik, dan perilaku sistem secara real-time untuk mendeteksi potensi kegagalan sebelum meningkat, meminimalkan waktu henti yang mahal.

Fase pemeliharaan melibatkan pekerjaan setelah penerapan yang dilakukan tim perangkat lunak untuk membantu memastikan operasi berkelanjutan perangkat lunak: mendorong pembaruan dan pengoptimalan, membuat perubahan yang tidak terduga, menguji tambalan, menangani contoh penggunaan baru, dan menghilangkan bug yang ditemukan pengguna. Perangkat lunak AI coding dapat secara otomatis mengategorikan dan memprioritaskan laporan bug, meringkas insiden dan menyarankan akar masalah, serta mengusulkan perbaikan debug. Hal ini memungkinkan pendekatan yang lebih proaktif terhadap pemeliharaan dengan melakukan pemantauan berkelanjutan terhadap sistem yang saling terkait, memungkinkan sistem ini untuk mengungkap inefisiensi yang mungkin terlewat oleh manusia.

Alat AI adalah sistem probabilistik yang didukung oleh algoritma kompleks dan tidak bernalar dengan cara yang sama seperti yang dilakukan insinyur manusia. Output mereka didasarkan pada pola dalam kumpulan data pelatihan mereka, bukan pemahaman sejati. Kode buatan AI mungkin terlihat benar, tetapi dapat mengandung masalah halus. AI memprediksi apa yang seharusnya berhasil, secara statistik, bukan apa yang sebenarnya berhasil dalam konteks dunia nyata tertentu. AI dapat melewatkan atau mengabaikan pentingnya dependensi lintas sistem, integrasi API, atau standar desain organisasi. Mereka dapat memanggil fungsi yang sebenarnya tidak ada karena mereka adalah halusinasi. Kode AI yang tidak diperiksa dapat menyebabkan kerentanan keamanan atau inefisiensi sumber daya.

Organisasi dan perusahaan besar sekarang bereksperimen dengan alat pengodean berbantuan AI, bahkan melangkah lebih jauh dengan mendorong karyawan mereka untuk mencoba-coba “pengodean vibe.” Tugas perusahaan modern adalah menemukan keseimbangan yang tepat antara input manusia dan bantuan AI. Sebuah pendekatan keterlibatan manusia (HITL) biasanya direkomendasikan untuk segala jenis proyek pengodean yang kompleks.

Bukan menulis kode yang merupakan hambatan, melainkan mengevaluasi kode yang ditulis oleh AI. Evaluasi juga merupakan sesuatu yang sebagian dapat dilakukan oleh AI, namun organisasi perlu meningkatkan proses tinjauan, praktik terbaik, dan bahkan budaya mereka seputar topik bagaimana kode buatan AI akan dievaluasi. Bahkan susunan dasar tim pengembangan dan praktik pengembangan perlu diubah untuk memperhitungkan teknologi ini. Misalnya, insinyur senior perlu menghabiskan lebih banyak waktu pada arsitektur dan tinjauan daripada implementasi. Pengembang akan lebih banyak bertindak sebagai pengatur dan pemecah masalah. Organisasi yang mampu membangun kembali SDLC mereka untuk memanfaatkan alat AI akan berada dalam posisi untuk memberikan hasil dan berinovasi lebih cepat.