أداة تكشف الأعطال الصامتة في تطبيقات الذكاء الاصطناعي

تواجه منهجيات البرمجة التوليدية المعروفة بـ البرمجة الحسية تحدياً جوهرياً يتمثل في ظهور إخفاقات سلوكية صامتة. فعلى الرغم من قدرة نماذج الذكاء الاصطناعي التوليدية على توليد واجهات مستخدم سلسة في ثوانٍ، فإن التعديلات التكرارية أو المتقدمة غالباً ما تؤدي إلى كسر في تدفق البيانات أو تحديثات الحالة دون إنذار. تظهر هذه العيوب حيث يظل الواجهة تعمل بشكل ظاهري سليم، بينما تفشل الخلفية في حفظ البيانات أو مزامنتها، مما يضطر المطورين أو المستخدمين النهائيين لقراءة التعليمات البرمجية المولدة يدوياً، وهو ما يتناقض مع هدف الأتمتة الكاملة. تواجه أدوات التحقق الحالية قصوراً ملحوظاً في مواجهة هذه المشكلة. فتعتمد الأساليب التقليدية على نماذج اللغة لمراجعة الأكواد ذاتياً، وهي قابلة للوهم الفكري والفشل في تتبع المسارات المعقدة، أو تعتمد على اختبارات الوحدة التي تتطلب مهارات برمجية ولا تغطي التكامل بين الواجهة والخلفية. ومن جهة أخرى، تفتقر أدوات التحليل الساكن القياسية إلى الواجهات البديهية التي تناسب المستخدمين غير التقنيين. في إطار سد هذه الفجوة، قدم باحثون في مختبر منصات تحليل البيانات بجامعة كولومبيا أداة جديدة تسمى FlowCheck. تعمل هذه الأداة على جسر الهوة بين النوايا الوصفية للمستخدم والشفافية البرمجية، عبر ترجمة القيود الوظيفية المطبقة مباشرةً من خلال الواجهة إلى استعلامات تحليل ساكن حتمية. تعتمد العملية على أربع مراحل أساسية: يسمح النظام للمستخدم بتحديد الإجراءات والعمليات المستهدفة نقرًا مباشرًا على عناصر الواجهة، ثم يترجم هذه الاختيارات إلى صيغة رياضية رسمية تحدد احتمالية وقوع حدث معين عند تنفيذ إجراء. بعد ذلك، تقوم الأداة بترجمة هذه الصيغ تلقائياً إلى استعلامات متوافقة مع محرك CodeQL للتحليل الساكن، مما يمكنها من تتبع تدفق البيانات من مصدر الحدث إلى وجهة التخزين، وأخيراً التحقق من اكتمال المسارات التنفيذية في جميع السيناريوهات المحتملة. أظهرت التقييمات التجريبية التي أجريت على أربعة تطبيقات ويب محاكية لبيئة منصات تجارية كبرى، فعالية الأداة بشكل قاطع. حيث تم حقن ثلاثين خللاً دقيقاً في تدفق البيانات عبر تطبيقات مولدة بالذكاء الاصطناعي، وتمكن FlowCheck من كشف مائة في المائة من هذه الأعطال دون أي إيجابيات كاذبة. في المقابل، حققت النماذج القيادية مثل Claude Opus 4.7 وDeepSeek V3 وGemini Pro دقة تراوحت بين ثمانية وسبعين في المائة وثمانية وسبعين في المائة، مع اعتراف الباحثين بأن زيادة تفاصيل المطالبات للنماذج لم تحسن النتائج بل أحياناً جعلتها تبرر الأخطاء كسلوك مقصود. يأتي إطلاق هذه الأداة مع ورقة بحثية مفتوحة المصدر وكود برمجي متاح للتجربة، مما يرسخ اتجاهاً نحو أدوات تحقق حتمية وسهلة الاستخدام في عصر البرمجة المعتمدة على الذكاء الاصطناعي. وتؤكد النتائج أن الاعتماد على التحليل الساكن الموجه بالواجهة يمكن أن يحمي مشاريع البرمجة الحسية من التدهور الخفي، ويوفر راحة بال للمستخدمين غير التقنيين الذين يعتمدون كلياً على التوليد التلقائي للبرمجيات.