← أحدث الأبحاث
💻 computer science

Deterministic vs. LLM-Controlled Orchestration for COBOL-to-Python Modernization

تقدم هذه الورقة دراسة تجريبية منضبطة تثبت أن التنسيق الحتمي يتفوق على سير العمل الوكيل المعتمد على النماذج اللغوية الكبيرة في تحديث لغة COBOL إلى Python، وذلك من خلال تحقيق دقة ترجمة مماثلة مع تحسين المتانة بشكل كبير، وتقليل تباين الأداء، وخفض التكاليف التشغيلية بنسبة تصل إلى 3.5 ضعفاً.

المؤلفون الأصليون: Naing Oo Lwin, Rajesh Kumar

نُشر 2026-08-21
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Naing Oo Lwin, Rajesh Kumar

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

على مدى عقود، اعتمد القطاعان المالي والحكومي على برامج حاسوبية ضخمة ومعقدة مكتوبة بلغة تُسمى "كوبول" (COBOL). تدير هذه الأنظمة المعاملات المصرفية العالمية ومدفوعات الضمان الاجتماعي، ومع ذلك، فإن الخبراء الذين بنوها يتقاعدون، والشيفرة البرمجية نفسها غالباً ما تكون قديمة، وتفتقر للتوثيق الجيد، ويصعب تغييرها. وللحفاظ على استمرارية هذه الخدمات الحيوية، يجب على المؤسسات ترجمة هذه الشيفرة القديمة إلى لغات حديثة مثل "بايثون" (Python)، وهي عملية تتطلب دقة متناهية لأن أي خطأ ضئيل يمكن أن يتسبب في تعطل النظام. ومؤخراً، ظهر نوع جديد من الذكاء الاصطناዊ المعروف باسم "النماذج اللغوية الكبيرة" كأداة محتملة لهذه المهمة. يمكن لهذه النماذج قراءة الشيفرة وكتابة شيفرة جديدة، لكنها غالباً ما تعمل من خلال التصرف كوكلاء مستقلين: فهي تقرر بنفسها الخطوات التي ستتخذها، ومتى تعيد المحاولة، وكيفية إصلاح الأخطاء أثناء العمل. وهذا يثير سؤالاً جوهرياً للمهندسين: هل من الأفضل ترك الذكاء الاصطناዊ يقود العملية بأكملية، ويقرر كل حركة في الوقت الفعلي، أم أن من الأكثر فعالية إبقاء العملية على مسار صارم ومحدد مسبقاً حيث يتبع الحاسوب مجموعة ثابتة من القواعد؟

وضع فريق من الباحثين في جامعة "باكنيل" وشركة "أستريو" (Astrio) نصب أعينهم الإجابة على هذا السؤال من خلال إجراء تجربة منضبطة لمعرفة كيف يتعامل هذان النهجان المختلفان مع المهمة الصعبة المتمثلة في تحويل شيفرة "كوبول" إلى "بايثون". لقد بنوا نظاماً يُدعى "أطلس" (ATLAS) ليعمل كمترجم، لكنهم صمموا التجربة بحيث يكون الشيء الوحيد الذي يتغير بين الاختبارات هو من يجلس في مقعد القيادة. في نسخة واحدة، مُنح الذكاء الاصطناዊ السيطرة الكاملة، حيث سُمح له باختيار مساره الخاص، واختيار أدواته، وتقرير متى يتوقف أو يبدأ من جديد. وفي النسخة الأخرى، استُخدم نفس الذكاء الاصطناዊ لكتابة الشيفرة، لكن مجموعة من القواعد الجامدة وغير المتغيرة هي التي أملت بدقة الخطوات التي يجب اتخاذها، وبالترتيب نفسه، وعدد المرات التي يجب فيها المحاولة إذا حدث خطأ ما. ومن خلال إبقاء "عقل" النظام — وهو النموذج اللغوي — هو نفسه تماماً في كلا السيناريوهين، استطاع الباحثون عزل تأثير طريقة التحكم نفسها، وتجريد التجربة من جميع المتغيرات الأخرى لمعرفة أي استراتيجية كانت تعمل بشكل أفضل حقاً.

كشفت نتائج هذه الدراسة عن مقايضة واضحة بين المرونة والموثوقية. فعندما سُمح للذكاء الاصطناዊ بالتحكم في العملية، نجح في كثير من الأحيان في إنتاج برنامج يعمل، وغالباً ما نجح في توليد نتيجة يمكن تشغيلها دون تعطل. ومع ذلك، جاء هذا النجاح بتكلفة خفية: كانت النتائج غير متسقة. ولأن النموذج كان يتخذ قراراته الخاصة حول كيفية المضي قدماً، فإن نفس الشيفرة الأصلية قد تؤدي إلى نتائج مختلفة تماماً في محاولات مختلفة، فتارة تنتج ترجمة مثالية وتارة أخرى تفشل بطرق غير متوقعة. علاوة على ذلك، كان هذا النهج "الوكيل" (agentic) مكلفاً للغاية؛ إذ كان النموذج غالباً ما يتوه في مسارات طويلة وملتوية من التفكير، ويسأل نفسه أسئلة ويجرب استراتيجيات متعددة لم تكن ضرورية، مما يستهلك كميات هائلة من الموارد الحسابية. وفي بعض الحالات، استخدم النهج المرن أكثر من ثلاثة أضعاف عدد "الرموز" (tokens) — وهي الوحدات الأساسية للمعلومات التي يعالجها النموذج — مقارنة بالنهج الثابت لتحقيق نتيجة مماثلة.

في المقابل، أنتج النظام الذي اتبع مساراً ثابتاً وحتمياً نتائج كانت أكثر استقراراً وقابلية للتنبؤ. وبينما كانت القدرة العامة على ترجمة الشيفرة جيدة بقدر نسخة النهج المرن، إلا أن النظام الجامد نادراً ما فشل في الحالات الأسوأ. فهو لم يضع في حلقات من التفكير غير الضروري، ولم يغير سلوكه من تشغيل إلى آخر. والأهم من ذلك، كان تشغيله أرخص بكثير؛ فمن خلال الالتزام بجدول زمني صارم من الخطوات واستخدام الذكاء الاصطناवी فقط لكتابة الشيفرة بدلاً من التخطيط للرحلة، قلل النظام تكلفة الترجمة بمقدار ثلاثة إلى ثلاثة ونصف ضعف. ووجد الباحثون أنه بالنسبة لمهام مثل تحديث البرمجيات القديمة، حيث تكون الخطوات محددة جيداً ويمكن التحقق من النتائج مقابل قواعد صارمة، فإن ترك الذكاء الاصطناዊ يقود السيارة لم يكن فقط أكثر تكلفة، بل كان أيضاً أقل موثوقية من وجود خريطة صممها البشر لتوجيه الطريق.

تشير هذه الدراسة إلى أن مستقبل استخدام الذكاء الاصطناዊ في المهام الهندسية المعقدة قد لا يكمن في منح الآلات حرية كاملة لتقرر كيفية العمل. بدلاً من ذلك، يبدو أن النهج الأكثر فعالية هو دمج هذه النماذج القوية ضمن إطار هيكلي حيث تكون قواعد الاشتباك ثابتة والمسار واضحاً. يظل الذكاء الاصطناዊ هو "الكاتب الخبير"، القادر على فهم التعليمات المعقدة وتوليد شيفرة جديدة، ولكن تنسيق العمل — أي التخطيط، والتوقيت، وضوابط السلامة — يظل تحت سيطرة حتمية صارمة. وهذا يضمن أن العملية ليست قادرة على إنتاج نتائج عالية الجودة فحسب، بل تظل أيضاً قوية، وقابلة للتنبؤ، ومجدية اقتصادياً للأنظمة الضخمة والحساسة التي تدير عالمنا الحديث.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →