عنوان سخنرانی: The Architect's Guide to the Al Era Luca Mezzalira & Teena Idnani GOTO 2026
سخنرانان: Teena Idnani - Senior Solutions Architect at Microsoft & Woman in Tech Leader و Luca Mezzalira - Solutions Architect, Consultant, International Speaker & Author of "Building
ویدئو: با همین "عنوان سخنرانی" در یوتوب تماشا کنید.
در ادامه مسیر یادگیری و کاوش در دنیای معماری نرمافزار، به سراغ منابع جدید و بهروزی رفتهام تا دیدگاههای متفاوتی را بررسی کنیم. من قراره یه تحلیل از این ویدئو که معرفی شده رو داشته باشم و نکات کلیدی آن را از دیدگاه یک معمار نرمافزار با شما به اشتراک بگذارم. امیدوارم برای شما هم به اندازه من جذاب و الهامبخش باشد.
در دوران هیاهوی پیرامون هوش مصنوعی، بسیاری تصور میکنند که معماری نرمافزار به سمت سادهسازی افراطی پیش میرود؛ گویی با چند پرامپت قرار است سیستمهای پیچیده بانکی و سازمانی به صورت خودکار متولد شوند. اما تحلیل عمیق این گفتگو نشان میدهد که اتفاقاً نقش معمار نرمافزار نه تنها کمرنگ نمیشود، بلکه حیاتیتر و در عین حال، پیچیدهتر شده است.
در گذشته، یک معمار نرمافزار با داشتن یک مدل T-شکل (دانش عمومی وسیع و عمق تخصصی در یک حوزه) به موفقیت میرسید. اما هوش مصنوعی این مدل را به چالش کشیده است. امروزه، معماری که صرفاً یک حوزه عمقی دارد، در برابر سرعت تغییرات آسیبپذیر است. ما به سمت مدل "شانه" (Comb-Shape) حرکت کردهایم؛ جایی که نیاز داریم در حوزههای متعددی دارای عمق باشیم. این تغییر نه یک انتخاب، بلکه یک ضرورت برای درک اکوسیستمهای متنوعی است که AI به صورت خرد خرد در آنها نفوذ کرده است.
یکی از خطرناکترین مغلطههای فعلی، اعتماد کورکورانه به خروجیهای AI است. کدی که AI تولید میکند، اغلب در نگاه اول درست به نظر میرسد. این کد ممکن است تستهای مثبت اولیه را پاس کند، اما در دنیای واقعی، یعنی در محیطهای تحت بار، شرایط مرزی و حساسیتهای قانونی ، شکست میخورد. به عنوان معمار، ما باید بدانیم که AI با سیستمهای احتمالات سر و کار دارد، در حالی که زیرساختهای نرمافزاری ما باید قطعی باشند. راهکار نجات در اینجا مفهوم مهندسی افسار (Harness Engineering) است؛ یعنی ترکیب سیستمهای احتمالی با ابزارهای قطعی (مانند Linterها، تستهای استاتیک و Spec-driven development). ما باید AI را در چارچوبی محدود کنیم که بتواند با دادههای مشخص، خروجیهای پیشبینیپذیر ارائه دهد.
وقتی تولید کد ارزان میشود، ارزش کدنویسی کاهش و ارزش تصمیمگیری معماری افزایش مییابد. بسیاری از پروژههایی که امروز با هوش مصنوعی ساخته میشوند، دچار پیچیدگی بیجا هستند. هوش مصنوعی اغلب به جای انتخاب سادهترین راه، به دنبال پیادهسازی پیچیدهترین الگوهایی است که در دادههای آموزشی دیده است مانند استفاده غیرضروری از Hexagonal Architecture برای یک اسکریپت ساده. تحلیل این گفتگو مؤید این است که معمار باید نقش یک هدایتکننده را ایفا کند. ما باید از صرف مستندسازی معماری فاصله بگیریم و به سمت آموزش تیمها حرکت کنیم تا آنها نیز مانند معماران فکر کنند. این همان جایی است که مهارتهای نرم و همدلی وارد میدان میشوند. اگر ده سال پیش نسبت تخصص فنی به همدلی ۷۰ به ۳۰ بود، امروز این نسبت به نفع همدلی تغییر کرده است. معمار باید بتواند دغدغههای تجاری، محدودیتهای قانونی و نیازهای فنی را به هم متصل کند؛ مهارتی که هنوز در انحصار هوش انسانی است.
هوش مصنوعی یک کاتالیزور است، نه یک جایگزین. معماران موفق در این عصر، کسانی هستند که کنجکاوی احتیاطآمیز دارند؛ یعنی هیاهو را دنبال نمیکنند، بلکه اصول مهندسی را با ابزارهای نوین تطبیق میدهند. ما باید از مسیر کدنویسی به مسیر ارکستراسیون مهاجرت کنیم؛ جایی که هنر ما صرفاً در تولید لاینهای کد نیست بلکه در طرح سؤالات درست و مدیریت ریسک سیستمهای احتمالی نهفته است.
Redmani, T., & Masrila, L. (2025). Thriving as an Architect in the AI Era. [Video Source Link]
Team Topologies concepts for team enablement
Discussion on Harness Engineering and Deterministic vs. Probabilistic system integration
«اين مطلب، بخشي از تمرينهای درس معماری نرمافزار در دانشگاه شهيدبهشتی است»
#معماري_نرم_افزار_بهشتی
