Roblox ได้ขยายการนำปัญญาประดิษฐ์ (AI) มาใช้ในการพัฒนาเกมและวิศวกรรมแพลตฟอร์มอย่างต่อเนื่อง และงานภายในล่าสุดมุ่งเน้นไปที่ปัญหาที่สตูดิโอหลายแห่งเผชิญ: AI สามารถเขียนโค้ดได้ แต่ทีมวิศวกรก็ไม่สามารถเชื่อถือได้เสมอไป แทนที่จะพึ่งพารุ่นใหม่ Roblox ได้ปรับปรุง AI ของตนโดยการสอนให้ AI คิดเหมือนวิศวกรของ Roblox จริงๆ ด้วยการใช้เครื่องมือ AI ที่อิงจากโค้ดภายใน การรีวิว และข้อมูลการผลิตมาหลายปี บริษัทได้เพิ่มการยอมรับ pull request ที่สร้างโดย AI จากประมาณ 30% เป็นมากกว่า 60% ในชุดประเมินผล 10,000 PR ในขณะเดียวกัน ตัวแทนล้างข้อมูลอัตโนมัติก็มีความแม่นยำมากกว่า 90%
แนวทางนี้เปลี่ยนความสนใจจากการประมวลผลของโมเดลดิบไปสู่ความฉลาดของโค้ดที่ตระหนักถึงโดเมน ซึ่ง AI เข้าใจโครงสร้าง ประวัติ และความคาดหวังของสภาพแวดล้อมทางวิศวกรรมที่เฉพาะเจาะจง แทนที่จะสร้างคำแนะนำทั่วไป
ทำไมโค้ด AI ยังคงต้องการบริบทของมนุษย์
ทั่วทั้งอุตสาหกรรมซอฟต์แวร์ เวลาส่วนใหญ่ในการพัฒนาจะหมดไปกับการบำรุงรักษาระบบที่มีอยู่ แทนที่จะสร้างระบบใหม่ Roblox ก็เผชิญกับความเป็นจริงเช่นเดียวกัน บนกระดาษ งานบำรุงรักษาดูเหมือนจะเหมาะสำหรับ AI เนื่องจากเป็นงานที่ซ้ำซากและมีคำจำกัดความที่ชัดเจน ในทางปฏิบัติ ผู้ช่วย AI มักประสบปัญหาด้านคุณภาพ โดยเฉพาะอย่างยิ่งในฐานโค้ดขนาดใหญ่และสมบูรณ์
ที่ Roblox ความท้าทายไม่ใช่ว่า AI ขาดความสามารถ แต่ขาดบริบท โมเดลทั่วไปไม่ได้มีประสบการณ์การตัดสินใจด้านวิศวกรรมของ Roblox ตลอดสองทศวรรษ ข้อจำกัดด้านประสิทธิภาพ และมาตรฐานการเขียนโค้ด มันไม่ได้เรียนรู้จาก pull request ที่รวมกันหลายแสนรายการ หรือจากความคิดเห็นในการรีวิวหลายล้านรายการที่วิศวกรอาวุโสอธิบายว่าทำไมแนวทางบางอย่างจึงทำงานได้ดีกว่าในระดับของ Roblox
แม้ว่าวิศวกร Roblox จำนวนมากจะใช้เครื่องมือ AI แต่มีเพียงส่วนน้อยเท่านั้นที่ยอมรับคำแนะนำของ AI โดยไม่มีการเปลี่ยนแปลงอย่างมาก วิศวกรรายงานว่า AI ช่วยเพิ่มความเร็ว แต่ความมั่นใจในคุณภาพโค้ดของ AI ยังคงต่ำ โดยเฉพาะอย่างยิ่งในระบบ C++ เดิมและโครงสร้างพื้นฐานที่ซับซ้อน โซลูชันของ Roblox คือการฝังความรู้ขององค์กรของตนเองโดยตรงลงในวิธีการที่ AI ใช้เหตุผลเกี่ยวกับโค้ด
การเปลี่ยนฐานโค้ดของ Roblox ให้เป็นความฉลาดที่มีโครงสร้าง
ประวัติศาสตร์ทางวิศวกรรมของ Roblox ครอบคลุมเกือบ 20 ปีของการ commit เอกสารการออกแบบ และ telemetry การรันไทม์ การเปลี่ยนสิ่งเหล่านั้นให้เป็นสิ่งที่ AI สามารถใช้งานได้นั้นซับซ้อนกว่าการอ่านไฟล์ธรรมดา Roblox ดำเนินการสภาพแวดล้อมแบบ polyglot ขนาดใหญ่ที่มี C++, Lua, build graphs, templates และ dynamic dependencies ที่ก่อตัวเป็นเครือข่าย แทนที่จะเป็นไดเรกทอรีโค้ดแบบแบน
เพื่อให้สามารถใช้งานได้ Roblox ได้สร้างแพลตฟอร์มที่รวมระบบควบคุมเวอร์ชัน ระบบ build และ telemetry การผลิตเข้ากับการแสดงผลร่วมกัน สิ่งนี้จะรักษาไวยากรณ์ ความหมาย และความสัมพันธ์ระหว่างระบบ ทำให้เอเจนต์ AI สามารถเข้าใจว่าส่วนประกอบต่างๆ เชื่อมต่อและพัฒนาไปตามกาลเวลาได้อย่างไร
อีกความท้าทายหนึ่งคือการจัดเวลา ข้อมูลการรันไทม์จะต้องเชื่อมโยงกลับไปยังโค้ดเวอร์ชันที่แน่นอนที่สร้างขึ้น แม้ว่าฐานโค้ดจะยังคงเปลี่ยนแปลงอยู่เสมอ ด้วยการเชื่อมโยง telemetry กับ revision ที่เฉพาะเจาะจง ระบบสามารถใช้เหตุผลเกี่ยวกับประสิทธิภาพ พฤติกรรม และ trade-offs ในลักษณะที่สะท้อนถึงวิธีการที่วิศวกรที่มีประสบการณ์วิเคราะห์ปัญหาการผลิต
ผลลัพธ์คือรากฐานที่ AI สามารถมองโค้ดเป็นระบบที่มีชีวิต แทนที่จะเป็นข้อความที่แยกจากกัน
การจับการตัดสินใจของวิศวกรในระดับใหญ่
ส่วนที่มีคุณค่าที่สุดส่วนหนึ่งของวัฒนธรรมวิศวกรรมของ Roblox อยู่ใน code reviews วิศวกรอาวุโสชี้ให้เห็นรูปแบบที่ถูกต้องตามหลักเทคนิคแต่มีความเสี่ยงในระดับของ Roblox ซ้ำๆ เช่น การเรียกแบบบล็อกภายในลูปความถี่สูงที่ทำให้เกิดความหน่วงหรือการหมดเธรด
โดยทั่วไป ความรู้นั้นจะถูกส่งต่อด้วยตนเองจากผู้รีวิวไปยังผู้เขียน ระบบการจัดแนวของ Roblox แปลงช่วงเวลาเหล่านั้นให้เป็นคำแนะนำถาวร วิศวกรสามารถกำหนดตัวอย่างที่อธิบายทั้งลักษณะของรูปแบบและเหตุผลที่สำคัญ เมื่อ AI หรือนักพัฒนาแตะโค้ดที่คล้ายกันในภายหลัง ระบบสามารถแจ้งเตือนปัญหา อธิบายความเสี่ยง และเชื่อมโยงกับมาตรฐานภายใน
Roblox ยังได้ขุดค้นความคิดเห็น pull request ในอดีตเพื่อดึงบทเรียนที่เกิดขึ้นซ้ำๆ โดยอัตโนมัติ ความคิดเห็นในการรีวิวจะถูกฝังในปริภูมิเวกเตอร์ จัดกลุ่มตามธีม และปรับแต่งให้เป็นกฎทั่วไปโดยใช้การวิเคราะห์ที่ช่วยเหลือโดยโมเดล จากนั้นผู้เชี่ยวชาญเฉพาะทางจะตรวจสอบและส่งเสริมผู้สมัครที่แข็งแกร่งที่สุดเข้าสู่ฐานความรู้
กระบวนการนี้จะเปลี่ยนความคิดเห็นที่ไม่เป็นทางการตลอดหลายปีให้เป็นมาตรฐานที่มีโครงสร้างและนำกลับมาใช้ใหม่ได้ ซึ่งเอเจนต์ AI และวิศวกรสามารถนำไปใช้ได้อย่างสม่ำเสมอ เมื่อจัดแนวกับตัวอย่างเหล่านี้ Roblox รายงานว่าเอเจนต์การเขียนโค้ดหนึ่งรายปรับปรุงอัตราการผ่านภายในจากช่วงกลาง 80% ให้ถูกต้องสมบูรณ์ในชุดข้อมูลการประเมิน golden ของตน
เรียนรู้จากคำแนะนำ AI ที่ล้มเหลว
ระบบของ Roblox ไม่เพียงแต่เรียนรู้จากความสำเร็จเท่านั้น คำแนะนำ AI ที่ถูกปฏิเสธ การ refactor ที่ไม่ดี และ regression จะถูกปฏิบัติต่อเป็นข้อมูลที่มีค่าสูง วิศวกรจะติดป้ายความล้มเหลวพร้อมเหตุผลและบริบท และข้อมูลนั้นจะถูกฝังและจัดทำดัชนีเพื่อใช้ในอนาคต
เมื่อ AI เสนอโค้ดใหม่ มันจะค้นหาข้อผิดพลาดและคำวิจารณ์ในอดีตเพื่อหลีกเลี่ยงการเกิดปัญหาที่คล้ายคลึงกัน เมื่อเวลาผ่านไป สิ่งนี้จะสร้างวงจรการตอบรับที่แต่ละรีวิวจะเสริมสร้างพฤติกรรมในอนาคต แทนที่จะทิ้งความล้มเหลว Roblox จะเปลี่ยนให้เป็นสัญญาณการฝึกอบรมที่ปรับปรุงวิธีการที่เอเจนต์ใช้เหตุผลเกี่ยวกับคุณภาพโค้ดและความเสี่ยง
การวัดความไว้วางใจด้วยตัวชี้วัดทางวิศวกรรม
การปรับปรุงคุณภาพโค้ด AI ยังต้องการการวัดผลที่เชื่อถือได้ Roblox ได้สร้างกรอบการประเมินที่ติดตามประสิทธิภาพของเอเจนต์เมื่อเวลาผ่านไป โดยใช้ทั้งการตรวจสอบอัตโนมัติและการตรวจสอบโดยมนุษย์
ระบบทดสอบ AI ในงาน refactoring การแก้ไขข้อบกพร่อง และการทดสอบ โดยใช้การจำลองที่ทำซ้ำได้และการเปรียบเทียบกับผู้เชี่ยวชาญ การประเมินจะทำงานในไปป์ไลน์ continuous integration ก่อนที่การเปลี่ยนแปลงจะถูกรวมเข้าด้วยกัน ในขณะที่สัญญาณหลังการรวม เช่น regression การย้อนกลับ และการเปลี่ยนแปลงความหน่วงจะถูกติดตามตลอดการเปิดตัว
สิ่งนี้จะสร้างคะแนนคุณภาพที่แสดงให้เห็นว่าเอเจนต์ปรับปรุงหรือถดถอยระหว่างเวอร์ชันอย่างไร หลังจากแนะนำการจัดแนวตัวอย่างและการประเมินที่มีโครงสร้าง Roblox พบว่าการยอมรับคำแนะนำ PR เพิ่มขึ้นจากประมาณ 30% เป็นมากกว่า 60% ในชุดทดสอบขนาดใหญ่ ตัวแทนล้าง feature-flag ก็มีความแม่นยำเพิ่มขึ้นจากต่ำกว่า 50% เป็นมากกว่า 90%
สำหรับ Roblox ความไว้วางใจสร้างขึ้นจากการกระทำที่คาดการณ์ได้และวัดผลได้ มากกว่าคำสัญญา
ความหมายสำหรับอนาคตทางวิศวกรรมของ Roblox
Roblox กำลังขยายแพลตฟอร์มด้วยชั้นเครื่องมือและระบบอัตโนมัติเพิ่มเติม เพื่อให้เอเจนต์ AI สามารถจัดการงานได้มากกว่างานที่แยกจากกัน เป้าหมายระยะยาวคือการรักษาคุณภาพโค้ดอย่างต่อเนื่อง ในขณะที่ฝังบริบทการรันไทม์และการตัดสินใจของผู้เชี่ยวชาญเข้ากับเวิร์กโฟลว์ประจำวัน
แทนที่จะปฏิบัติต่อ AI ในฐานะผู้ช่วยที่แยกจากกัน Roblox ตั้งเป้าที่จะทำให้ AI เป็นส่วนหนึ่งของสภาพแวดล้อมทางวิศวกรรมเอง ด้วยการรวมความฉลาดที่ตระหนักถึงโดเมน การจัดแนวผู้เชี่ยวชาญ และการสังเกตการณ์ บริษัทคาดว่าจะมีการส่งมอบที่เร็วขึ้น คุณภาพที่ดีขึ้น และใช้เวลาน้อยลงในการทำงานบำรุงรักษาที่ซ้ำซาก
สำหรับวิศวกร นั่นหมายถึงความทรงจำขององค์กรจะพร้อมใช้งานตามต้องการ และสามารถใช้เวลามากขึ้นในการสร้างฟีเจอร์ แทนที่จะแก้ไขปัญหาที่สามารถหลีกเลี่ยงได้
ตรวจสอบ บัตรของขวัญ Roblox บน Amazon ได้ที่นี่
เรียนรู้เกี่ยวกับ ประสบการณ์ Roblox ยอดนิยมอื่นๆ ได้ที่นี่:
คำถามที่พบบ่อย (FAQs)
ความฉลาดของโค้ดที่ตระหนักถึงโดเมนที่ Roblox คืออะไร?
ความฉลาดของโค้ดที่ตระหนักถึงโดเมนหมายถึงการฝึกอบรมเครื่องมือ AI ด้วยประวัติศาสตร์ มาตรฐาน และข้อมูลการรันไทม์ของ Roblox เอง เพื่อให้ระบบเข้าใจว่าโค้ดของ Roblox มีโครงสร้างและได้รับการรีวิวอย่างไร แทนที่จะพึ่งพฤติกรรมการเขียนโค้ดทั่วไป
Roblox ปรับปรุงการยอมรับโค้ด AI ได้มากน้อยเพียงใด?
Roblox เพิ่มการยอมรับ pull request ที่สร้างโดย AI จากประมาณ 30% เป็นมากกว่า 60% ในชุดประเมินผล 10,000 PR หลังจากจัดแนวพฤติกรรม AI กับมาตรฐานวิศวกรรมภายใน
ทำไมโมเดล AI ใหม่จึงไม่เพียงพอ?
โมเดลที่แข็งแกร่งเพียงอย่างเดียวไม่เข้าใจสถาปัตยกรรมที่เป็นเอกลักษณ์ของ Roblox ข้อจำกัดด้านประสิทธิภาพ หรือวัฒนธรรมการเขียนโค้ด Roblox มุ่งเน้นไปที่การเพิ่มบริบทจากโค้ดภายในและการรีวิวมาหลายปี แทนที่จะเปลี่ยนโมเดล
Roblox จับความเชี่ยวชาญของวิศวกรสำหรับ AI ได้อย่างไร?
Roblox ดึงรูปแบบจาก code reviews ในอดีต และอนุญาตให้ผู้เชี่ยวชาญกำหนดตัวอย่างที่อธิบายทั้งลักษณะของรูปแบบและเหตุผลที่สำคัญ สิ่งเหล่านี้จะกลายเป็นกฎที่นำกลับมาใช้ใหม่ได้สำหรับ AI และวิศวกร
Roblox ป้องกันไม่ให้ AI ทำผิดพลาดซ้ำได้อย่างไร?
คำแนะนำ AI ที่ถูกปฏิเสธและการเปลี่ยนแปลงที่ล้มเหลวจะถูกติดป้ายและฝังไว้ในระบบ เมื่อมีการสร้างโค้ดใหม่ AI จะค้นหาข้อผิดพลาดในอดีตเพื่อหลีกเลี่ยงการเกิดปัญหาที่คล้ายคลึงกัน
สิ่งนี้หมายถึงอะไรสำหรับนักพัฒนาที่ใช้ Roblox?
แม้ว่างานนี้จะเป็นภายใน แต่เครื่องมือ AI ที่ดีขึ้นช่วยปรับปรุงความเสถียรของแพลตฟอร์มและความเร็วในการพัฒนา ซึ่งท้ายที่สุดแล้วจะสนับสนุนผู้สร้างที่สร้างเกมและประสบการณ์บน Roblox
เกี่ยวข้องกับการพัฒนา web3 หรือไม่?
ไม่. ความฉลาดของโค้ด AI ของ Roblox มุ่งเน้นไปที่วิศวกรรมแพลตฟอร์มและระบบขนาดใหญ่ ไม่ใช่เทคโนโลยี web3
