استارتاپ سوئیسی LogicStar به دنبال ورود به عرصه عامل‌های هوش مصنوعی است. این استارتاپ که در تابستان ۲۰۲۴ تأسیس شده، ابزارهایی برای نگهداری و تعمیر نرم افزار با هوش مصنوعی را توسعه داده است. این رویکرد با کاربردهای رایج‌تر عامل‌های هوش مصنوعی که بیشتر بر همکاری در توسعه کد متمرکز هستند، تفاوت دارد.
بوریس پاسکالف، مدیرعامل و هم‌بنیان‌گذار LogicStar، معتقد است که عامل‌های هوش مصنوعی این شرکت می‌توانند در کنار عامل‌های توسعه کد، مانند Devin از شرکت Cognition AI، کار کنند و همکاری آن‌ها می‌تواند به سود هر دو طرف باشد.
یکی از چالش‌های اصلی در توسعه و استقرار نرم‌افزار، یکپارچگی کد است، چه برای عامل‌های هوش مصنوعی و چه برای توسعه‌دهندگان انسانی. LogicStar قصد دارد این فرآیند را تسهیل کند و به‌صورت خودکار مشکلات و باگ‌های موجود در کدهای مستقرشده را شناسایی و رفع کند.
پاسکالف می‌گوید که حتی بهترین مدل‌ها و عامل‌های موجود نیز قادر به حل بخش عمده‌ای از باگ‌هایی که با آن‌ها روبه‌رو می‌شوند، نیستند. همین مسئله باعث شده تا تیم LogicStar فرصتی را برای بهبود این وضعیت ببیند و به تحقق رؤیای نگهداری و تعمیر نرم افزار با هوش مصنوعی و با دردسر کمتر کمک کند.
برای تحقق این هدف، آن‌ها در حال توسعه پلتفرمی مبتنی بر مدل‌های زبانی بزرگ (LLM) مانند GPT از OpenAI یا DeepSeek از چین هستند و رویکردی مستقل از مدل را در پیش گرفته‌اند. این روش به LogicStar اجازه می‌دهد تا از مدل‌های مختلف استفاده کند و بر اساس کارآمدترین مدل برای حل یک مشکل خاص در کد، حداکثر بهره‌وری را از عامل‌های هوش مصنوعی خود بگیرد.
بوریس پاسکالف معتقد است که تیم بنیان‌گذار این استارتاپ دارای دانش فنی و تخصص لازم برای ساخت پلتفرمی است که می‌تواند مشکلات برنامه‌نویسی را که مدل‌های زبانی بزرگ به‌تنهایی قادر به حل آن‌ها نیستند، برطرف کند. علاوه بر این، آن‌ها در گذشته نیز در زمینه کارآفرینی موفق بوده‌اند؛ او در سپتامبر ۲۰۲۰ استارتاپ DeepCode، که در زمینه بررسی کد فعالیت می‌کرد، را به شرکت امنیت سایبری Snyk فروخت.
در ابتدا، تیم LogicStar به فکر ساخت یک مدل زبانی بزرگ برای کد بود، اما متوجه شد که این کار به‌سرعت به یک محصول عمومی و قابل‌دسترس تبدیل می‌شود. در نتیجه، توسعه دهندگان تصمیم گرفتند بر پایه مدل‌های زبانی بزرگی که از قبل وجود دارند، پلتفرمی بسازند که از آن‌ها به بهترین شکل برای ایجاد ارزش تجاری بهره ببرد.
ایده اصلی این نگهداری و تعمیر نرم افزار با هوش مصنوعی بر پایه درک تیم از تحلیل نرم‌افزارها شکل گرفته است. آن‌ها مدل‌های زبانی بزرگ را با این دانش ترکیب کرده‌اند و تمرکز خود را بر اعتبارسنجی و بهینه‌سازی پیشنهادهای این مدل‌ها و عامل‌های هوش مصنوعی گذاشته‌اند.
توسعه ابزار تعمیر نرم افزار با هوش مصنوعی بر اساس آزمون ها
در عمل، این روش چگونه کار می‌کند؟ LogicStar برای هر نرم‌افزاری که فناوری‌اش روی آن اجرا می‌شود، یک تحلیل جامع انجام می‌دهد. این تحلیل بر اساس روش‌های کلاسیک علوم کامپیوتر صورت می‌گیرد تا یک پایگاه دانش ایجاد شود. این پایگاه دانش، نقشه‌ای جامع از ورودی‌ها و خروجی‌های نرم‌افزار، ارتباط متغیرها با توابع، و سایر وابستگی‌ها و پیوندهای موجود در کد را فراهم می‌کند.
پس از این مرحله، زمانی که یک باگ شناسایی می‌شود، عامل هوش مصنوعی قادر خواهد بود بخش‌های تحت تأثیر را مشخص کند. این قابلیت به LogicStar کمک می‌کند تا دامنه توابعی که باید شبیه‌سازی شوند محدود شود و مجموعه‌ای از راه‌حل‌های ممکن برای رفع مشکل آزمایش شود.
در این روش، یک محیط اجرایی کوچک‌شده ایجاد می‌شود که به عامل هوش مصنوعی امکان می‌دهد هزاران آزمایش را برای بازتولید باگ انجام دهد و تستی که باعث شکست برنامه شده را شناسایی کند. سپس، با استفاده از رویکرد توسعه مبتنی بر آزمون (TDD)، یک راه‌حل مؤثر برای مشکل ارائه می‌شود.
LogicStar تأیید کرده است که رفع واقعی باگ‌ها از طریق مدل‌های زبانی بزرگ انجام می‌شود. اما از آنجا که پلتفرم این شرکت محیط اجرایی بسیار سریعی دارد، عامل‌های هوش مصنوعی آن می‌توانند به‌صورت گسترده و در مقیاس بالا بهترین راه‌حل‌های ممکن را از بین پیشنهادهای LLMها تفکیک کرده و بهترین گزینه را در اختیار کاربران قرار دهند.
مدل‌های زبانی بزرگ برای نمونه‌سازی و آزمایش مناسب هستند، اما برای تولید کد در سطح تجاری هنوز آماده نیستند. فاصله زیادی تا رسیدن به آن نقطه وجود دارد و این همان چیزی است که پلتفرم ما ارائه می‌دهد. LogicStar با استفاده از این مدل‌ها، ارزش تجاری ایمن و قابل اتکا استخراج می‌کند و در نتیجه، زمان توسعه‌دهندگان را برای تمرکز بر کارهای مهم‌تر آزاد می‌سازد.
مشتریان اولیه این استارتاپ، شرکت‌های بزرگ خواهند بود. عامل‌های نگهداری و تعمیر نرم افزار با هوش مصنوعی LogicStar که با نام “عامل‌های سیلیکونی” معرفی شده‌اند، قرار است در کنار تیم‌های توسعه‌دهنده‌ی سازمانی کار کنند. این عامل‌ها با هزینه‌ای به‌مراتب کمتر از یک توسعه‌دهنده انسانی وظایف مربوط به نگهداری نرم‌افزار را انجام می‌دهند و به مهندسان این امکان را می‌دهند که وقت خود را صرف وظایف خلاقانه‌تر و پیچیده‌تر کنند—البته، حداقل تا زمانی که مدل‌های زبانی بزرگ و عامل‌های هوش مصنوعی به سطحی پیشرفته‌تر برسند.
با اینکه LogicStar قابلیت نگهداری خودکار نرم‌افزار را تبلیغ می‌کند، این پلتفرم به توسعه‌دهندگان انسانی اجازه می‌دهد تا اصلاحات انجام‌شده توسط عامل‌های هوش مصنوعی را بررسی و نظارت کنند. بنابراین، اعتماد به این سیستم باید به‌مرور و بر اساس عملکرد آن جلب شود.
پاسکالف معتقد است دقت یک توسعه‌دهنده انسانی معمولاً بین ۸۰ تا ۹۰ درصد است و هدف این شرکت این است که عامل های نگهداری و تعمیر نرم افزار با هوش مصنوعی آن ها نیز دقیقاً به همین سطح برسند.
LogicStar هنوز در مراحل اولیه توسعه قرار دارد. نسخه‌ی آلفای این فناوری در حال حاضر با چندین شرکت، که نام آن‌ها فاش نشده، در حال آزمایش است. این شرکت‌ها که به‌عنوان “شرکای طراحی” معرفی شده‌اند، در بهینه‌سازی سیستم نقش دارند. در حال حاضر، فناوری این استارتاپ فقط از Python پشتیبانی می‌کند، اما پشتیبانی از زبان های TypeScript، JavaScript و Java نیز به‌زودی اضافه خواهد شد.
هدف اصلی از جذب سرمایه اولیه این است که فناوری LogicStar در همکاری با شرکای طراحی خود، به‌ویژه در حوزه Python، عملکرد موفقی داشته باشد. این شرکت تاکنون یک سال روی این فناوری کار کرده و فرصت‌های زیادی برای گسترش آن وجود دارد. به همین دلیل، در مرحله‌ی اول تمرکز خود را بر یک مورد مشخص گذاشته تا ارزش این فناوری را نشان دهد.
میشیل کاتینگ، از شرکای سرمایه گذاری در این شرکت در بیانیه‌ای اعلام کرد که تولید کد و نگهداری و تعمیر نرم افزار با هوش مصنوعی هنوز در مراحل اولیه خود قرار دارد، اما پیشرفت‌هایی که تاکنون مشاهده شده، انقلابی است. این فناوری پتانسیل بالایی برای بهینه‌سازی فرآیندهای توسعه، کاهش هزینه‌ها و تسریع نوآوری دارد. تیم LogicStar با دانش فنی گسترده و سوابق موفق خود، توانایی ارائه نتایج واقعی و اثرگذار را دارد. آینده توسعه نرم‌افزار در حال تغییر است و LogicStar نقشی کلیدی در نگهداری نرم‌افزارها ایفا خواهد کرد.
این استارتاپ لیست انتظاری برای مشتریان علاقه‌مند به دسترسی زودهنگام ایجاد کرده است. همچنین اعلام کرده که نسخه بتا این فناوری در اواخر سال جاری منتشر خواهد شد.
