في عالم تطوير البرمجيات ، برزت الحلول low-code إلى الصدارة من خلال توسيع إمكانية الوصول إلى البرمجة وسد فجوات التطوير. تتوقع شركة Gartner أن يصل سوق تطوير low-code إلى 26.9 مليار دولار بحلول عام 2023 ، مع تطوير 65٪ من التطبيقات باستخدام هذه المنصات بحلول عام 2024. وفي الوقت نفسه ، تكتسب أدوات إنشاء التعليمات البرمجية القائمة على الذكاء الاصطناعي ، مثل كوبيلوت الخاص بـ GitHub و ChatGPT الخاص بـ OpenAI ، زخمًا من خلال تقدم الإكمال التلقائي المتقدم ومساعدي الترميز التي تعمل بالذكاء الاصطناعي.
بالنظر إلى هذا النموذج الجديد ، هل لا تزال منصات التطوير low-code مهمة في صناعة البرمجيات؟ هل يمكنهم التعايش مع التكنولوجيا الناشئة التي يحركها الذكاء الاصطناعي؟ تكمن الإجابة في فهم الطبيعة التكميلية للحلول low-code والحلول التي تعتمد على الذكاء الاصطناعي ، وكيف يمكن أن يؤدي التعاون بين الاثنين إلى تطبيقات فريدة ومبتكرة تعالج تحديات الأعمال في العالم الحقيقي.
على الرغم من أن الخوارزميات العامة يمكن أن تحقق نتائج مبهرة ، إلا أنها لا تكفي دائمًا لمعالجة حالات استخدام الأعمال المعقدة. يفتقر العديد من المبرمجين إلى المهارات اللازمة لتدريب التعلم الآلي (ML) أو نماذج التعلم العميق من مجموعات البيانات الخاصة بهم. في مثل هذه السيناريوهات ، يمكن أن تساعد الحلول low-code المستخدمين على تمييز البيانات غير المهيكلة ، وإنشاء النماذج ، وتشغيل عمليات المحاكاة ، وتعزيز الذكاء الاصطناعي القابل لإعادة الاستخدام عبر الأقسام. هذا يفتح عالمًا من الاحتمالات في تطورات الذكاء الاصطناعي والدمقرطة.
شهد الذكاء الاصطناعي اعتمادًا واسع النطاق عبر مختلف الصناعات ، من معالجة الصور والنصوص المتقدمة إلى التعرف على الصوت والتوليف. ترى Johanna Pingel ، مديرة تسويق منتجات MathWorks AI ، أن الذكاء الاصطناعي هو عامل رئيسي في إدارة عمر البطارية في السيارات الكهربائية والإلكترونيات الاستهلاكية. علاوة على ذلك ، يمكن لأدوات الفحص البصري التي تعمل بالذكاء الاصطناعي أن تعزز السلامة والكفاءة في قطاعات مثل الأدوية وتصنيع السيارات.
ChatGPT ، تطبيق ذكاء اصطناعي آخر يكتسب شهرة هذه الأيام ، ليس مفيدًا لمنشئي المحتوى فحسب ، بل أيضًا للبحث العلمي. يمكنه إنشاء كود MATLAB والوظائف واختبارات الوحدة التي يمكن نسخها ولصقها في IDEs. ومع ذلك ، لا يزال يتعين مراجعة الكود الذي تم إنشاؤه بواسطة ChatGPT والتحقق منه من قبل المهندسين والعلماء ذوي الخبرة.
يمكن للمنصات Low-code ، مثل AppMaster.io و MATLAB ، تبسيط دمج الوظائف المدفوعة بالذكاء الاصطناعي في التطبيقات مع تمكين إنشاء خوارزميات AI الفريدة استنادًا إلى مجموعات بيانات محددة. يمكنهم تسريع المهام الشاقة ومساعدة المهندسين بمستويات مختلفة من مهارات الترميز ، وهو أمر ضروري لتنفيذ الذكاء الاصطناعي بشكل فعال داخل أنظمة الأعمال.
يوضح Pingel أن الشركات تبدأ عادةً بحالات استخدام بسيطة للذكاء الاصطناعي ، مثل التعرف على الوجه أو اكتشاف النص من الحروف المكتوبة بخط اليد. ومع ذلك ، نظرًا لأن متطلباتهم أصبحت أكثر تعقيدًا ، تحتاج الشركات إلى استخدام بياناتها وإعداداتها المتخصصة لإنشاء خوارزميات ذكاء اصطناعي مخصصة. هذا هو المكان الذي يمكن أن تلعب فيه الحلول low-code دورًا حيويًا ، مما يجعل عملية التنظيف والقص وهيكلة البيانات أكثر سهولة وكفاءة.
توفر الأنظمة الأساسية Low-code العديد من المزايا في تقليل الحواجز التي تحول دون إنشاء الذكاء الاصطناعي المخصص. أصبحت هيكلة البيانات ووضع العلامات عليها ، وإنشاء نماذج ML ، وربط لغات البرمجة المختلفة أكثر سهولة باستخدام منصات low-code مثل MATLAB و Simulink. من خلال توفير بيئة تطوير موحدة ، تشجع هذه المنصات التعاون بين المستخدمين وتساعدهم على تعلم كيف يصبحون مبرمجين أفضل.
بينما تعمل الأدوات القائمة على الذكاء الاصطناعي على تعطيل عمليات التطوير التقليدية ، لا تزال المنصات low-code تلعب دورًا حاسمًا في تمكين المستخدمين غير التقنيين وتقليل الحاجز أمام إنشاء قدرات فريدة مدفوعة بالذكاء الاصطناعي. من خلال التعايش والتعاون ، يمكن لمنصات التطوير low-code والذكاء الاصطناعي أن تمهد الطريق للتطبيقات المبتكرة ، وتقدم كلا المجالين وفتح فرص جديدة في تطوير البرمجيات.
