كيف بنيت Rescale وكيل الفرز الذكي باستخدام AI-DLC
نجحت شركة ريسكال في تطوير وكيل ذكي لفرز نتائج الاختبارات التلقائية باستخدام إطار عمل تطوير المدعوم بالذكاء الاصطناعي على منصة إيه دبليو إس.
رضوان عبدالهاديمحرر وكاتب تقني
تحديات الفرز اليدوي والتوسع التقني
تواجه العديد من فرق الهندسة التقنية تحديات مستمرة تتمثل في مراجعة وتصنيف مئات نتائج الاختبارات التلقائية التي تفشل ليلًا، وهو ما كان يستهلك وقتاً طويلاً من طاقم المناوبة اليومية. وفي هذا السياق، اعتمدت منصة Rescale على حلول مبتكرة للتعامل مع هذا العبء التشغيلي المتزايد مع توسع خدماتها السحابية وتطور منصتها الرقمية الموجهة لعصر الذكاء الاصطناعي. ويمكن الرجوع إلى AWS Machine Learning Blog للاطلاع على التفاصيل الأصلية للمصدر.
تعتبر هذه المنصة بيئة هندسية رقمية متكاملة لفرق البحث والتطوير في قطاعات متعددة مثل الطيران والفضاء والسيارات والطاقة وعلوم الحياة، حيث تجمع بين الحوسبة عالية الأداء والنمذجة المتقدمة والمحاكاة الهندسية الذكية. ولأن فشل الاختبارات يمثل عقبة في مسار نشر التحديثات البرمجية، كان لزاماً إيجاد حل ذكي يقلل من التدخل البشري اليدوي ويضمن سرعة التوجيه والمعالجة.
إطار العمل المبتكر لتطوير الأنظمة الذكية
للتغلب على تعقيدات تطوير الأنظمة الذكية ضمن جدول زمني ضيق، استعانت الشركة بإطار عمل تطويري يعتمد على الذكاء الاصطناعي ويركز على أسلوب التنفيذ التشاركي بدلاً من الاعتماد الكلي على العمل الفردي المنعزل. يعتمد هذا المنهج المفتوح المصدر على فكرة أساسية مفادها أن الذكاء الاصطناعي يقوم بالتنفيذ وصياغة خطط العمل وكتابة الأكواد، بينما يحتفظ البشر بدور القيادة والتحقق والتدقيق في كافة المراحل الأساسية للإنتاج.
تتيح هذه المنهجية المبتكرة للفرق الهندسية عقد جلسات جماعية تفاعلية ومكثفة لتعريف المتطلبات وبناء الهياكل البرمجية بشكل جماعي ومباشر، مما يقلل من سوء الفهم ويسرع عملية اتخاذ القرار في الوقت الفعلي قبل اعتماد أي تغييرات في النظام.
آلية عمل وكيل الفرز الذكي وبنيته التقنية
يعمل وكيل الفرز الجديد كخطوة أساسية ضمن خطوط أنابيب التكامل والتسليم المستمر الحالية، حيث يُستدعى تلقائياً عند فشل أي اختبارات ضمن الحزم الليلية ليقوم بتصنيف الأسباب الجذرية بدقة متناهية. يستفيد النظام من قدرات نموذج لغوي متقدم على أمازون بيدروك لتحليل السجلات واستخراج الأدلة التشغيلية وتقديم تقارير معالجة منظمة تتضمن مراجع محددة للملفات والدوال البرمجية الموصى بتعديلها.
تتيح هذه البنية الهندسية القوية معالجة البيانات واسترجاع الأنماط التاريخية للفشل بسرعة فائقة، مما يسهل على فرق الهندسة مراجعة التوصيات واتخاذ القرارات السليمة دون الحاجة للبحث اليدوي المطول عبر الأنظمة المتعددة.
مراحل التطوير والتوسع المؤسسي للحلول الذكية
تم تطوير هذا الوكيل الذكي عبر ورشة عمل تشاركية مكثفة امتدت لخمسة أيام بالتعاون مع خبراء منصة السحابة، حيث بدأت المرحلة الأولى بتحديد الرؤية وصياغة المتطلبات الموثقة والإجابة عن الأسئلة الفنية لتقسيم العمل إلى وحدات واضحة تشمل بناء قاعدة المعارف ودمج سير العمل وتقييم دقة النتائج.
تؤكد هذه التجربة الناجحة قدرة المؤسسات الهندسية على تبني منهجيات التطوير الذكي لتسريع إطلاق المنتجات وتحسين كفاءة العمليات التشغيلية، مع الحفاظ على الرقابة البشرية الكاملة لضمان جودة البرمجيات واستقرار النظم الموزعة.
المصادر
- AWS Machine Learning BlogHow Rescale built an AI triage agent with Strands Agents and AI-DLC
تابع التسلسل الزمني
تغطية الكيانات المرتبطة
أخبار مرتبطة
نموذج Claude Opus 5.5 يتوفر رسميًا على منصة AWS
أعلنت شركة AWS عن إتاحة نموذج Claude Opus 5.5 من Anthropic على Amazon Bedrock، مع تحسينات في الكفاءة والتكلفة لدعم المهام البرمجية الطويلة.
أمازون تطلق بيئة تشغيل AgentCore الجديدة لتعزيز كفاءة وكلاء الذكاء الاصطناعي
أعلنت AWS عن بيئة تشغيل AgentCore الجديدة ضمن Amazon Bedrock، التي توفر إدارة ذاكرة مرنة وأوقات تشغيل ثابتة وسريعة للوكلاء الأذكياء في بيئات الإنتاج.
NarrateAI يرفع دقة نماذج الذكاء الاصطناعي إلى 99% على Amazon Bedrock
تفصيل تقني لخمس تقنيات متقدمة تضمن جودة مخرجات نماذج اللغة الكبيرة في الوقت الفعلي، مع تقليل الهلوسة الرقمية وتحسين سرعة الاستجابة عبر بنية تحتية سحابية.
إطار AAIF يوازن بين النماذج المحلية والسحابية في AWS
يقدّم إطار AAIF الذكي، المبني على Strands Agents، حلاً لتقليل تكاليف الذكاء الاصطناعي عبر توجيه المهام الروتينية لنماذج محلية والمهام المعقدة لسحابة Amazon Bedrock.
