SDLC의 AI

AI 소프트웨어 개발 라이프사이클(SDLC)은 기존 SDLC의 각 단계에 AI 도구와 시스템을 통합하여 인간 개발자를 강화하는 것을 나타냅니다. 이는 소프트웨어 개발의 모든 단계에서 속도, 품질 및 의사 결정을 개선하기 위한 것입니다.

인공 지능을 기존 SDLC에 통합하는 것은 비즈니스 프로세스에서 AI 기반 방법론으로의 지속적인 전환의 일부이며, 분명 이러한 변화의 가장 중요한 구성 요소입니다. AI와 머신 러닝은 코딩 분야의 핵심 요소로 빠르게 자리 잡고 있으며, 거의 모든 산업 분야의 기업들이 새로운 AI 개발 도구와 접근 방식을 실험하고 있습니다. 일부 기술 분야 인플루언서들은 전통적인 코딩이 더 이상 엄격한 업종의 역할을 하지 못할 것이라고 열렬히 선언하며, 구식 방식으로 코딩을 배우는 것이 과연 "가치 있는" 일인지 의문을 제기하기도 했습니다. AI 코드 생성은 더 이상 신문물이 아니라 코딩 실무의 핵심입니다.

에이전틱 AI 시스템은 이제 코더의 코파일럿 역할을 하고 있습니다. 대규모 언어 모델(LLM)을 기반으로 하는 플랫폼들은 소프트웨어 개발 실천을 민주화하고 있으며, 코딩 경험이 거의 없거나 전혀 없는 실무자들도 이에 접근할 수 있게 하고 그 번거로움을 많이 제거하고 있습니다. 이러한 도구를 사용하면 개발자는 코딩에 수반되는 필요하지만 반복적인 작업을 수행하는 대신 흥미로운 새 시스템을 구축하는 데 더 많은 시간을 할애할 수 있습니다.

그러나 전문가들은 AI 기반 도구에 지나치게 의존해서는 안 된다고 경고합니다. AI는 SDLC를 더 빠르고, 더 좋고, 더 저렴하고, 더 재미있게 만들 수 있는 분명한 이점이 있지만, 이러한 도구에는 단점도 있습니다. 숙련된 인간 개발자의 전문 지식 및 추론 능력과 함께 AI의 이점을 포착하는 워크플로를 설계하는 것은 조직에게 여전히 어려운 과제입니다.

SDLC의 목적은 가장 낮은 비용으로 최단 시간 내에 가장 높은 품질의 소프트웨어를 생산하는 것입니다. 소프트웨어 공학의 역사 전반에 걸쳐 여러 방법론이 실무를 정의해 왔습니다. 1970년대부터 워터폴 방법론은 각 단계를 완료해야 다음 단계로 넘어갈 수 있는 뚜렷한 순차적 단계를 특징으로 정의했습니다.

이후 10년 동안 경직된 워터폴 모델은 사용자 피드백 및 개선을 허용하는 단계별 반복 개발 방식으로 대체되었습니다. 2000년대에는 애자일이 도입되면서 규율이 협업, 개선된 피드백 및 더욱 반복적인 개발 주기로 전환되었습니다. 이후 10년 동안 DevOps 관행이 자리를 잡았습니다. 이러한 일련의 문화적 철학, 관행 및 도구는 지속적인 통합 및 지속적 전달(CI/CD)을 가능하게 하기 위해 운영 팀과 개발을 통합했습니다.

이러한 혁신은 SDLC를 크게 개선했지만, 여전히 불편한 점이 있습니다. 개발자들은 여전히 문제를 해결하는 데 시간을 할애하지만, 차라리 새로운 시스템을 만들고 싶어 합니다. 이들은 여전히 분리되고 파편화된 워크플로를 다루고 있습니다. 많은 조직에서는 개발자들이 수십 년간 조율되지 않은 해결책과 장기적인 비전을 갖고 구현되지 않은 빠른 패치로 인해 형성된 기술 부채와 씨름해야 합니다.

AI 분야는 최신 LLM을 가능하게 한 모델 아키텍처인 트랜스포머의 개발로 큰 도약을 이루었습니다. 2021년에 도입된 OpenAI의 Codex는 GPT-3 모델의 후손으로, 방대한 공개 코드를 기반으로 학습되었습니다. 많은 사람들이 이 릴리스가 AI 코딩 시대의 도래를 상징한다고 생각합니다. 그해 말 Github은 코덱스 기반의 코파일럿 코딩 도우미를 출시했습니다. 이 시점에서 AI 코딩 지원은 학술 연구의 틈새 관심사일 뿐만 아니라, 기업 워크플로 전반에 빠르게 배포되는 주류 제품이 되었습니다.

이듬해 OpenAI의 ChatGPT는 AI 기반 챗봇 충전을 통한 대화라는 개념을 주류로 끌어올렸습니다. 물론 AI와 대화하는 능력도 중요하지만, 최적의 권장 사항을 제공하기 위해서는 AI가 코드의 더 넓은 컨텍스트를 이해할 수 있어야 합니다. Code Llama와 같은 이후 개발로 인해 컨텍스트 창이 더 커지고 상황에 대한 이해가 향상되었습니다.

에이전틱 시스템은 차세대 주요 혁신을 대표합니다. (ReAct 프레임워크처럼) 추론하고 행동할 수 있는 에이전트를 사용하면 LLM은 개발 환경 내에서 생각하고 말할 뿐만 아니라 행동까지 취할 수 있습니다. 이제 에이전트는 도구를 호출하고 코드베이스와 상호작용하는 작업을 반자동으로 수행할 수 있습니다.

AI 에이전트는 여전히 소프트웨어 개발을 혁신하고 있습니다. 에이전트는 인간 개발자를 대체하는 것이 아니라, 생산성을 높이고 인지 부하를 줄이며 의사 결정을 개선하는 지능적 계층 역할을 합니다. 계획, 분석, 코딩, 테스트, 배포 및 유지 관리 전반에 걸쳐 AI는 SDLC를 훨씬 더 적응력 있고 효율적이며 반복적인 프로세스로 전환합니다.

혁신은 계속되고 있으며, 에이전트 지원 코딩은 워터폴, 애자일 또는 DevOps와 같은 개발 프로세스에 훨씬 더 영향력 있는 변화가 될 수 있는 잠재력을 가지고 있습니다.

AI 솔루션은 전체 SDLC에서 사용할 수 있으며, 계획부터 유지 관리까지 엔드투엔드 지원을 제공합니다.

프로젝트 계획 단계에서는 소프트웨어 개발 프로젝트의 목표와 범위를 설정합니다. AI는 팀이 목표를 명확히 하고 아이디어를 구조화된 계획으로 변환할 수 있도록 지원함으로써 이러한 초기 단계의 아이디어 구상 및 범위를 강화합니다. 자연어 처리(NLP) 도구는 이해관계자 인터뷰를 요약하고 프로젝트 로드맵으로 변환할 수 있습니다. AI 프로젝트 관리 도구는 일정을 수립하고 리소스를 할당하는 데 도움이 될 수 있습니다.

분석 단계에서 개발 팀은 프로젝트 요구 사항에 대한 정보를 수집하고 분석합니다. AI는 이메일, 챗봇 대화 및 지원 티켓과 같은 구조화되지 않은 입력을 요구 사항 문서로 변환할 수 있습니다. AI는 또한 특수 AI 모델이 요구 사항을 식별하고 검증하는 품질 보증 도구 역할을 할 수 있습니다. 모델은 특정 기술 스택 내에서 실현 가능성을 분석하여 성능 병목 현상이나 호환성 문제를 예측하고 인프라 공급업체에게 권장 사항을 제시할 수 있습니다.

설계 단계에는 프로젝트 아키텍처 정의가 포함됩니다. 핵심 단계에는 소프트웨어 탐색, 사용자 인터페이스, 데이터베이스 설계 등의 개요가 포함됩니다. AI는 구조적 권장 사항을 제공하여 인간 설계자가 다양한 아키텍처 접근 방식, 소프트웨어 프레임워크, 데이터베이스 스키마 및 기타 요소를 선택하는 데 도움을 줄 수 있습니다. 마찬가지로 사용자 인터페이스를 빠르게 생성하고 테스트할 수 있습니다. 또한 생성형 AI(GenAI) 도구는 대화형 프로토타입을 생성할 수 있습니다.

코딩 단계 또는 개발 단계는 팀이 이전 단계에서 생성된 지침에 따라 코드를 작성하고 소프트웨어를 구축하는 단계입니다. 여기서 AI는 가장 가시적이고 즉각적인 영향을 미칩니다.

IBM Bob과 같은 시스템으로 관리되는 AI 에이전트는 인간 개발자와 함께 통합 개발 환경(IDE)에서 일할 수 있으며, 에이전틱 코딩의 강력한 힘으로 소프트웨어를 훨씬 빠르게 구축할 수 있도록 도와줍니다. Bob은 실시간으로 코드를 스캔하여 복잡성 문제와 코드 리팩터링 기회를 포착하여 개발자들이 기술 부채를 피할 수 있도록 지원합니다.

이러한 도구는 자연어 프롬프트 또는 부분 구현을 기반으로 고품질 코드 스니펫과 전체 모듈을 생성할 수 있습니다. 인간의 감독도 여전히 중요하지만, AI는 개념에서 코딩까지의 시간을 단축할 수 있습니다.

코드 문서화는 많은 시간이 소요되는 또 다른 작업으로서, 이 단계에서 AI 기능을 사용하여 쉽게 처리할 수 있습니다.

테스트 단계는 개발 팀이 기능적인 소프트웨어를 만든 후에 시작됩니다. 이 단계에서 팀은 버그를 제거하고 최종 제품을 향상시킬 수 있는 기회를 찾습니다. AI는 코드베이스를 분석하고 잠재적인 실패 지점이나 복잡한 예외 사례를 식별하여 자동으로 테스트 케이스를 생성할 수 있습니다. 애플리케이션 동작의 이상을 감지하고 시각적 회귀 테스트를 수행할 수 있습니다.

배포 단계에서는 미세 조정된 소프트웨어가 사용자가 액세스할 수 있는 프로덕션 환경에 배포됩니다. AI는 병목 현상을 예측하고 일상적인 작업의 자동화를 강화하여 지속적인 통합 및 배포 파이프라인을 간소화하고 최적화할 수 있습니다. AI 모니터링 시스템은 로그, 지표 및 시스템 동작을 실시간으로 분석하여 잠재적 장애가 에스컬레이션되기 전에 탐지하여 비용이 많이 드는 다운타임을 최소화합니다.

유지보수 단계에는 소프트웨어 팀이 소프트웨어의 지속적인 운영을 보장하기 위해 수행하는 배포 후 작업이 수반됩니다. 여기에는 업데이트 및 최적화 푸시, 예상치 못한 변경 적용, 패치 테스트, 새로운 사용 사례 해결, 사용자가 발견한 버그 수정 등이 포함됩니다. AI 코딩 소프트웨어는 버그 보고서를 자동으로 분류하고 우선순위를 지정하며, 사건을 요약하고 근본 원인을 제시할 뿐만 아니라 디버깅 수정 사항도 제안할 수 있습니다. 이는 연동 시스템을 지속적으로 모니터링하여 유지보수에 대한 보다 능동적인 접근 방식을 가능하게 하며, 사람이 놓칠 수 있는 비효율성을 시스템이 발견할 수 있도록 합니다.

AI 도구는 복잡한 알고리즘으로 구동되는 확률적 시스템으로, 인간 엔지니어와 같은 방식으로 추론하지 않습니다. 이러한 도구의 아웃풋은 실제 이해가 아닌 학습 데이터 세트의 패턴을 기반으로 합니다. AI가 생성한 코드는 올바르게 보일 수 있지만, 미묘한 문제가 있을 수 있습니다. 이러한 코드는 특정 실제 상황에서 효과가 있는 것이 아니라 통계적으로 무엇이 효과가 있을지를 예측합니다. AI는 시스템 간 종속성, API 통합 또는 조직 설계 표준의 중요성을 놓치거나 무시할 수 있습니다. 또한 할루시네이션이며 실제로 존재하지 않는 함수를 호출할 수 있습니다. 확인되지 않은 AI 코드는 보안 취약점이나 리소스 비효율성을 초래할 수 있습니다.

대규모 조직과 기업에서는 이제 AI 지원 코딩 도구를 실험하고 있으며, 심지어 직원들에게'바이브 코딩'을 하도록 장려하기까지 했습니다. 오늘날 기업의 과제는 사람의 입력과 AI 지원의 적절한 균형을 찾는 것입니다. 휴먼 인 더 루프(HITL) 접근 방식은 일반적으로 모든 종류의 진지한 코딩 프로젝트에 권장됩니다.

코드 작성보다도 AI가 작성한 코드를 평가하는 과정에서 병목 현상이 발생합니다. 평가도 부분적으로 AI가 수행할 수 있지만, 조직은 AI가 생성한 코드를 평가하는 방법에 대한 주제를 중심으로 검토 프로세스, 모범 사례, 심지어 문화까지 업그레이드해야 합니다. 개발 팀의 기본 구성과 개발 관행조차도 이러한 기술을 고려하여 재편되어야 합니다. 예를 들어, 선임 엔지니어는 구현보다 아키텍처와 검토에 더 많은 시간을 할애해야 합니다. 개발자들은 큐레이터이자 문제 해결사로서 더 많은 역할을 하게 됩니다. AI 도구를 활용하기 위해 SDLC를 재구축할 수 있는 조직은 더 빠르게 제공하고 혁신할 수 있는 위치에 서게 될 것입니다.