تعمل Roblox باستمرار على توسيع نطاق دمج الذكاء الاصطناعي في تطوير الألعاب وهندسة المنصات، ويركز أحدث أعمالها الداخلية على مشكلة تواجه العديد من الاستوديوهات: يمكن للذكاء الاصطناعي كتابة التعليمات البرمجية، لكن المهندسين لا يثقون بها دائمًا. بدلاً من الاعتماد على نموذج جديد تمامًا، قامت Roblox بتحسين ذكائها الاصطناعي من خلال تعليمه كيف يفكر مهندسو Roblox بالفعل. من خلال ترسيخ أدوات الذكاء الاصطناعي في سنوات من التعليمات البرمجية الداخلية والمراجعات وبيانات الإنتاج، زادت الشركة من قبول طلبات السحب التي تم إنشاؤها بواسطة الذكاء الاصطناعي من حوالي 30٪ إلى أكثر من 60٪ عبر مجموعة تقييم تضم 10,000 طلب سحب. في الوقت نفسه، وصل وكيل تنظيف آلي إلى دقة تزيد عن 90٪.
يحول هذا النهج الانتباه بعيدًا عن قوة النموذج الخام ونحو ذكاء التعليمات البرمجية المدرك للمجال، حيث يفهم الذكاء الاصطناعي بنية وبيانات وتوقعات بيئة هندسية معينة بدلاً من إنتاج اقتراحات عامة.
لماذا لا تزال التعليمات البرمجية للذكاء الاصطناعي بحاجة إلى سياق بشري
عبر صناعة البرمجيات، يُقضى جزء كبير من وقت التطوير في صيانة الأنظمة الحالية بدلاً من بناء أنظمة جديدة. تواجه Roblox نفس الواقع. على الورق، تبدو مهام الصيانة مثالية للذكاء الاصطناعي لأنها متكررة ومحددة جيدًا. في الممارسة العملية، غالبًا ما تواجه مساعدات الذكاء الاصطناعي صعوبة في الجودة، خاصة في قواعد التعليمات البرمجية الكبيرة والناضجة.
في Roblox، لم تكن المشكلة هي افتقار الذكاء الاصطناعي للقدرة، بل افتقاره للسياق. لم يختبر نموذج عام عقدين من قرارات هندسة Roblox، وقيود الأداء، ومعايير الترميز. لم يتعلم من مئات الآلاف من طلبات السحب المدمجة أو من ملايين تعليقات المراجعة حيث يشرح المهندسون الكبار لماذا تعمل بعض الأساليب بشكل أفضل على نطاق Roblox.
على الرغم من أن العديد من مهندسي Roblox يستخدمون أدوات الذكاء الاصطناعي، إلا أن جزءًا صغيرًا فقط من اقتراحات الذكاء الاصطناعي يتم قبولها دون تغييرات كبيرة. أفاد المهندسون أن الذكاء الاصطناعي يحسن السرعة، لكن الثقة في جودة التعليمات البرمجية للذكاء الاصطناعي تظل أقل، خاصة في أنظمة C++ القديمة والبنية التحتية المعقدة. كان حل Roblox هو دمج معرفتها المؤسسية مباشرة في كيفية تفكير الذكاء الاصطناعي في التعليمات البرمجية.
تحويل قاعدة تعليمات Roblox البرمجية إلى ذكاء منظم
يمتد تاريخ هندسة Roblox لما يقرب من 20 عامًا من الالتزامات، ووثائق التصميم، وبيانات القياس عن بعد وقت التشغيل. تحويل ذلك إلى شيء يمكن للذكاء الاصطناعي استخدامه أكثر تعقيدًا من مجرد قراءة الملفات. تدير Roblox بيئة متعددة اللغات كبيرة مع C++ و Lua ورسوم بيانية للبناء وقوالب واعتماديات ديناميكية تشكل شبكة بدلاً من دليل مسطح للتعليمات البرمجية.
لجعل هذا قابلاً للاستخدام، قامت Roblox ببناء منصة توحد التحكم في الإصدار وأنظمة البناء وبيانات القياس عن بعد للإنتاج في تمثيل مشترك. هذا يحافظ على بناء الجملة والدلالات والعلاقات بين الأنظمة، مما يسمح لوكلاء الذكاء الاصطناعي بفهم كيفية اتصال المكونات المختلفة وتطورها بمرور الوقت.
التحدي الآخر هو محاذاة الوقت. يجب ربط بيانات وقت التشغيل بالإصدار الدقيق للتعليمات البرمجية التي أنتجتها، حتى مع استمرار تغير قاعدة التعليمات البرمجية. من خلال ربط بيانات القياس عن بعد بمراجعات محددة، يمكن للنظام التفكير في الأداء والسلوك والمقايضات بطريقة تعكس كيفية تحليل المهندسين ذوي الخبرة لمشاكل الإنتاج.
النتيجة هي أساس يمكن للذكاء الاصطناعي من خلاله رؤية التعليمات البرمجية كنظام حي بدلاً من نص معزول.
التقاط حكم المهندسين على نطاق واسع
أحد أثمن أجزاء ثقافة هندسة Roblox يكمن في مراجعات التعليمات البرمجية. يشير كبار المهندسين مرارًا وتكرارًا إلى أنماط صالحة تقنيًا ولكنها محفوفة بالمخاطر على نطاق Roblox، مثل استدعاءات الحظر داخل حلقات عالية التردد التي تسبب زمن انتقال أو استنفاد الخيوط.
تقليديًا، يتم تمرير هذه المعرفة يدويًا من المراجع إلى المؤلف. يقوم نظام المحاذاة في Roblox بتحويل هذه اللحظات إلى توجيهات دائمة. يمكن للمهندسين تحديد أمثلة تصف شكل النمط وسبب أهميته. عندما يلمس الذكاء الاصطناعي أو المطور تعليمات برمجية مماثلة لاحقًا، يمكن للنظام الإشارة إلى المشكلة وشرح المخاطر والربط بالمعايير الداخلية.
تقوم Roblox أيضًا بتعدين تعليقات طلبات السحب التاريخية الخاصة بها لاستخلاص الدروس المتكررة تلقائيًا. يتم تضمين تعليقات المراجعة في مساحة المتجهات، وتجميعها حسب الموضوع، وصقلها إلى قواعد عامة باستخدام التحليل بمساعدة النموذج. يقوم خبراء المجال بعد ذلك بمراجعة أفضل المرشحين وترقيتهم إلى قاعدة المعرفة.
هذه العملية تحول سنوات من التغذية الراجعة غير الرسمية إلى معايير منظمة وقابلة لإعادة الاستخدام يمكن لوكلاء الذكاء الاصطناعي والمهندسين تطبيقها باستمرار. بمجرد المحاذاة مع هذه الأمثلة، أفادت Roblox أن وكيل ترميز واحد قد حسن معدل النجاح الداخلي من نطاق الثمانينيات العليا إلى الكمال الكامل على مجموعة بيانات التقييم الذهبية الخاصة به.
التعلم من اقتراحات الذكاء الاصطناعي الفاشلة
لا يتعلم نظام Roblox من النجاح فقط. يتم التعامل مع اقتراحات الذكاء الاصطناعي المرفوضة، وإعادة الهيكلة السيئة، والتراجعات كبيانات ذات قيمة عالية. يقوم المهندسون بتسمية حالات الفشل مع التبرير والسياق، ويتم تضمين هذه المعلومات وفهرستها للاستخدام المستقبلي.
عندما يقترح الذكاء الاصطناعي تعليمات برمجية جديدة، فإنه يبحث في الأخطاء والانتقادات السابقة لتجنب تكرار مشاكل مماثلة. بمرور الوقت، يخلق هذا حلقة تغذية راجعة حيث يعزز كل مراجعة السلوك المستقبلي. بدلاً من التخلص من حالات الفشل، تحولها Roblox إلى إشارات تدريبية تصقل كيفية تفكير الوكلاء في جودة التعليمات البرمجية والمخاطر.
قياس الثقة بمقاييس هندسية
يتطلب تحسين جودة التعليمات البرمجية للذكاء الاصطناعي أيضًا قياسًا موثوقًا. قامت Roblox ببناء إطار تقييم يتتبع أداء الوكيل بمرور الوقت باستخدام التحقق الآلي والبشري.
يختبر النظام الذكاء الاصطناعي عبر مهام إعادة الهيكلة وإصلاح الأخطاء والاختبار باستخدام محاكاة قابلة للتكرار ومقارنات الخبراء. يتم تشغيل التقييمات في خطوط أنابيب التكامل المستمر قبل دمج التغييرات، بينما يتم تتبع إشارات ما بعد الدمج مثل التراجعات والتراجعات وتحولات زمن الانتقال عبر الإصدارات.
ينتج عن هذا درجة جودة توضح كيف تتحسن الوكلاء أو تتراجع بين الإصدارات. بعد تقديم محاذاة الأمثلة والتقييم المنظم، شهدت Roblox ارتفاعًا في قبول اقتراحات طلبات السحب من حوالي 30٪ إلى أكثر من 60٪ عبر مجموعة اختبار كبيرة. كما تحسن وكيل تنظيف العلامات المميزة من دقة أقل من 50٪ إلى أكثر من 90٪.
بالنسبة لـ Roblox، تُبنى الثقة بشكل أقل على الوعود وأكثر على السلوك المتوقع والقابل للقياس.
ماذا يعني هذا لمستقبل هندسة Roblox
تقوم Roblox بتوسيع منصتها مع طبقات أدوات إضافية وأتمتة حتى تتمكن وكلاء الذكاء الاصطناعي من التعامل مع أكثر من مجرد مهام معزولة. الهدف طويل الأجل هو الحفاظ على صحة التعليمات البرمجية بشكل مستمر مع دمج سياق وقت التشغيل وحكم الخبراء في سير العمل اليومي.
بدلاً من التعامل مع الذكاء الاصطناعي كمساعد منفصل، تهدف Roblox إلى جعله جزءًا من بيئة الهندسة نفسها. من خلال الجمع بين الذكاء المدرك للمجال ومحاذاة الخبراء والمراقبة، تتوقع الشركة تسليمًا أسرع وجودة أفضل ووقتًا أقل يُقضى في أعمال الصيانة المتكررة.
بالنسبة للمهندسين، هذا يعني أن الذاكرة المؤسسية تصبح متاحة عند الطلب، ويمكن قضاء المزيد من الوقت في بناء الميزات بدلاً من إصلاح المشكلات التي يمكن تجنبها.
تحقق من بطاقات هدايا Roblox على أمازون هنا.
تعرف على المزيد حول تجارب Roblox الشائعة الأخرى هنا:
أسئلة متكررة (FAQs)
ما هو ذكاء التعليمات البرمجية المدرك للمجال في Roblox؟
يعني ذكاء التعليمات البرمجية المدرك للمجال تدريب أدوات الذكاء الاصطناعي على تاريخ هندسة Roblox ومعاييرها وبيانات وقت التشغيل الخاصة بها حتى يفهم النظام كيفية هيكلة تعليمات Roblox البرمجية ومراجعتها، بدلاً من الاعتماد على سلوك الترميز العام.
ما مدى تحسن قبول التعليمات البرمجية للذكاء الاصطناعي في Roblox؟
زادت Roblox من قبول طلبات السحب التي تم إنشاؤها بواسطة الذكاء الاصطناعي من حوالي 30٪ إلى أكثر من 60٪ عبر مجموعة تقييم تضم 10,000 طلب سحب بعد محاذاة سلوك الذكاء الاصطناعي مع معايير الهندسة الداخلية.
لماذا لم يكن نموذج ذكاء اصطناعي جديد كافيًا؟
نموذج أقوى بمفرده لا يفهم بنية Roblox الفريدة، أو قيود الأداء، أو ثقافة الترميز. ركزت Roblox على إضافة سياق من سنوات التعليمات البرمجية والمراجعات الداخلية بدلاً من تبديل النماذج.
كيف تلتقط Roblox خبرة المهندسين للذكاء الاصطناعي؟
تستخرج Roblox الأنماط من مراجعات التعليمات البرمجية التاريخية وتسمح للخبراء بتحديد أمثلة تصف شكل النمط وسبب أهميته. تصبح هذه قواعد قابلة لإعادة الاستخدام للذكاء الاصطناعي والمهندسين.
كيف تمنع Roblox الذكاء الاصطناعي من تكرار الأخطاء؟
يتم تسمية اقتراحات الذكاء الاصطناعي الفاشلة والتغييرات الفاشلة وتضمينها في النظام. عند إنشاء تعليمات برمجية جديدة، يبحث الذكاء الاصطناعي في الأخطاء السابقة لتجنب تكرار مشاكل مماثلة.
ماذا يعني هذا للمطورين الذين يستخدمون Roblox؟
بينما العمل داخلي، فإن أدوات الذكاء الاصطناعي المحسنة تحسن استقرار المنصة وسرعة التطوير، مما يدعم في النهاية المبدعين الذين يبنون ألعابًا وتجارب على Roblox.
هل هذا متعلق بتطوير web3؟
لا. يركز ذكاء التعليمات البرمجية للذكاء الاصطناعي في Roblox على هندسة المنصات والأنظمة واسعة النطاق، وليس تقنيات web3.
