Sürekli gelişen teknoloji dünyasında, yazılım oluşturma ve yazılımla etkileşim kurma şeklimizi dönüştüren sayısız devrime tanık olduk. Bu devrimlerden biri de uygulama geliştirmeyi demokratikleştirmeyi ve kitleler için erişilebilir hale getirmeyi vaat eden düşük kodlu/kodsuz (Low Code/No Code) platformların yükselişiydi. Ancak pek çok teknolojik trendde olduğu gibi, balayı evresi sona eriyor gibi görünüyor. Low Code/No Code platformlarının büyüleyici hikayesine ve yapay zeka çağında güncel kalma mücadelelerine göz atalım.
Şunu hayal edin: Yıl 2015 ve siz bir uygulama için parlak bir fikri olan küçük bir işletme sahibisiniz. Tek sorun ne? Nasıl kod yazılacağını bilmiyorsunuz. “Tek satır kod yazmadan hayalinizdeki uygulamayı oluşturun!” gibi kışkırtıcı bir vaat sunan düşük kodlu/kodsuz platformlar dünyasına bakın. Gerçek olamayacak kadar iyi görünüyordu ve birçok açıdan öyleydi de.
Günümüze geldiğimizde ise başka bir teknolojik devrimin eşiğinde duruyoruz: Yapay zeka çağı. Cursor, Claude ve ChatGPT Canvas gibi araçların ön plana çıkması ve kullanıcıların doğal dil kullanarak yazılım geliştirmesine olanak sağlaması, deja vu gibi hissettiriyor. Buraya daha önce gelmemiş miydik? Low Code/No Code patlaması ile mevcut AI kodlama araçları çılgınlığı arasındaki benzerlikler çarpıcı, ancak karşılaştıkları zorluklar da öyle.
Low Code/No Code Platformlarının Yükselişi: Bir Rüya Gerçek mi Oldu?
Biraz geriye saralım ve Low Code/No Code platformlarının nasıl ortaya çıktığını inceleyelim. 2010’ların başında özel yazılımlara olan talep hızla artıyordu ancak bu ihtiyacı karşılayacak yeterli sayıda geliştirici yoktu. Teknik olmayan kullanıcıların görsel arayüzler ve önceden oluşturulmuş bileşenler aracılığıyla uygulamalar oluşturmasına olanak tanıyarak bu boşluğu doldurmayı vaat eden Low Code/No Code platformları ortaya çıktı.
Cazibesi yadsınamazdı. Birdenbire, pazarlama ekipleri BT departmanını rahatsız etmeden açılış sayfaları oluşturabildi. Küçük işletmeler pahalı geliştiricileri işe almadan e-ticaret siteleri açabildi. Demokratikleştirilmiş geliştirmenin altın çağıydı ya da öyle görünüyordu.
Bubble ve Webflow gibi platformlar, sezgisel sürükle-bırak arayüzleri ve önceden oluşturulmuş şablonlar sunarak popülerlik kazandı. Bu platformlar uygulama geliştirmenin önündeki giriş engelini azalttı ve şirketlerin kendi bünyelerindeki mevcut çözümlerden yararlanmasını kolaylaştırdı.
Ancak ne demişler, “Büyük güç büyük sorumluluk getirir.” Low Code/No Code platformları söz konusu olduğunda, bu sorumluluk ölçeklenebilirlik zorlukları şeklinde ortaya çıktı.
Ölçeklenebilirlik Muamması: Hayaller Gerçeklerle Buluştuğunda
LC/NC platformları üzerine inşa edilen projelerin karmaşıklığı ve kullanıcı tabanı arttıkça temelde çatlaklar oluşmaya başladı. Prototip oluşturma veya küçük ölçekli uygulamalar için hızlı ve kolay bir çözüm olarak başlayan şey, ölçeklendirme zamanı geldiğinde bir kabusa dönüştü.
toddle’ın kurucu ortağı Andreas Møller bunu açıkça ifade ediyor: “Popüler düşük kodlu/kodsuz platformlarla sahip olmak istediğiniz bir uygulama oluştururken, uygulamanızın IP’sine yasal olarak sahip olduğunuzdan bahsetseler bile, onu şirket içinde çalıştıramıyorsanız bunun ne anlamı var?”
Bu düşünce, geliştirme topluluğunun genelinde yankılanıyor. LC/NC platformları başlangıç için harika olsa da, özelleştirme, performans optimizasyonu ve karmaşık sistemlerle entegrasyon söz konusu olduğunda genellikle yetersiz kalıyor.
İsveçli fintech devi Klarna’nın durumunu ele alalım. Başlangıçta LC/NC platformlarını kullanarak çözümler oluşturdular, ancak daha sonra yapay zeka kullanılarak geliştirilen şirket içi çözümler lehine bunları bıraktılar. Neden mi? Daha iyi ölçeklenebilirlik ve kârlılık.
Today's "NoCode" is a dead end because it is:
– Proprietary. (You can afford a license today, maybe not tomorrow!)
– Isolated from apps built with professional developers. Integration should be easy- maybe even automatic.
Hit me up if you want to work on this problem
— codeEric (@EricVicenti) April 20, 2022Yapay Zeka Devrimi: Yeni Bir Umut mu Yoksa Tabuttaki Son Çivi mi?
Tam da Low Code/No Code platformlarının sınırlamaları belirginleşirken, oyuna yeni bir oyuncu girdi: Yapay zeka destekli kodlama araçları. Doğal dil tanımlarından kod üretebilen bu araçlar her iki dünyanın da en iyisini sunuyor gibi görünüyordu: LOW CODE/NO CODE platformlarının kullanım kolaylığı ile geleneksel kodlamanın esnekliği.
Ancak işin ilginç yanı şu: Yapay zeka kodlama araçları, Low Code/No Code platformlarının karşılaştığı zorlukların birçoğuyla karşı karşıya. Basit kodlar ve basit işlevler üretmede başarılı olsalar da, karmaşık ve ölçeklenebilir uygulamalarda genellikle zorlanıyorlar.
Bir Reddit kullanıcısı deneyimlerini paylaştı: “Kodsuz platform için özel bir işlev yazmak üzere yapay zekadan yardım aldığımda bile korkunç bir şekilde başarısız oldu. İki gün sonra kodu kendim yazmaya başladım ve oldukça iyi sonuç verdi.”
Bu anekdot çok önemli bir noktayı vurgulamaktadır: Yapay zeka araçları, Low Code/No Code öncülleri gibi, sihirli bir değnek değildir. Prototip oluşturma ve basit görevler için harikadırlar ancak sağlam, ölçeklenebilir uygulamalar oluşturma söz konusu olduğunda yetersiz kalırlar.
Yapay Zeka Entegrasyon Zorunluluğu
Low Code/ No Code platformlarının yapay zeka çağında ayakta kalabilmeleri için birkaç yapay zeka özelliği eklemekten daha fazlasını yapmaları gerekiyor. Uygulama geliştirme yaklaşımlarını temelden yeniden düşünmeleri gerekiyor.
DronaHQ’nun kurucusu Jinen Dedhia, Low Code/ No Code platformlarının güncel kalmasının tek yolunun yapay zeka yeteneklerini sıkı bir şekilde entegre etmek olduğuna inanıyor. Dedhia, “mükemmele yakın uygulamaların yaklaşık %80-90 oranında iş yapılarak ortaya çıkarılabileceği ve mühendislerin son birkaç kilometreyi çözerek bitiş çizgisine 50 kat daha hızlı ulaşabileceği” bir gelecek öngörüyor.
Bu entegrasyon birçok şekilde olabilir. Örneğin, Low Code/ No Code platformları yapay zekayı şu amaçlarla kullanabilir:
- Kullanıcı gereksinimlerine göre özel kod parçacıkları oluşturma
- Uygulama performansını otomatik olarak optimize edin
- Geliştirme sürecinde iyileştirmeler ve en iyi uygulamalar önermek
- Testleri ve hata düzeltmeyi otomatikleştirin
Yapay zekadan bu şekilde yararlanarak Low Code/ No Code platformları, basitlik ve erişilebilirlik gibi temel değer önerilerini korurken daha güçlü ve esnek bir geliştirme deneyimi sunabilir.
İlgili içerik 👇
Stack Overflow Ölüyor Mu? Geliştirici Kaynaklarının Gelişen Manzarası
Devin AI: Karşınızda İlk Yapay Zeka Yazılım Mühendisi
Yapının Gücü: LC/NC’nin Gizli Silahı
ChatGPT ve GitHub Copilot gibi yapay zeka kodlama araçları ses getirirken, LC/NC platformlarının cephaneliğinde gizli bir silah var: yapı. LC/NC platformları tarafından üretilen kod genellikle iyi yapılandırılmıştır ve önceden tanımlanmış kalıpları takip eder.
Bu yapılandırılmış yaklaşım, yapay zeka modellerinin eğitimi söz konusu olduğunda önemli bir avantaj olabilir. LC/NC platformları, iyi tanımlanmış kod yapılarını eğitim verisi olarak kullanarak, genel amaçlı yapay zeka kodlama araçlarından daha güvenilir ve tutarlı kod üreten yapay zeka asistanları yaratabilir.
Dahası, bu yapılandırılmış yaklaşım, ölçeklenebilirlik söz konusu olduğunda çok önemli bir faktör olan daha az hata ve daha iyi sürdürülebilirliğe sahip uygulamalara yol açabilir.
Yapay zeka destekli geliştirmenin bu cesur yeni dünyasında gezinirken, bir şeyi unutmamak çok önemlidir: ne LC/NC platformları ne de yapay zeka kodlama araçları yakın zamanda insan geliştiricilerin yerini almayacaktır.
Bu araçlar geliştirme sürecini önemli ölçüde hızlandırabilir ve teknik olmayan kullanıcılar için daha erişilebilir hale getirebilirken, programlama kavramlarının temelden anlaşılması ihtiyacını ortadan kaldırmazlar. Aslında, uygulamalar daha karmaşık hale geldikçe, yetenekli geliştiricilerin rolü daha da kritik hale gelmektedir.
Geliştiricilere şunlar için ihtiyaç duyulur
- Karmaşık iş mantığını anlamak ve tanımlamak
- Ölçek için performansı optimize edin
- Güvenliği ve veri gizliliğini sağlayın
- Mevcut sistemler ve API’ler ile entegrasyon
- Karmaşık sorunlarda hata ayıklama ve sorun giderme
Geleceğe baktığımızda, yazılım geliştirme ortamının gelişmekte olduğu açıktır. LC/NC platformlarını ve yapay zeka kodlama araçlarını rakip olarak görmek yerine, bunları bir arada var olabilen ve hatta işbirliği yapabilen tamamlayıcı teknolojiler olarak görmeliyiz.
İşte bu işbirliğinin nasıl görünebileceği:
Hızlı Prototipleme: Yapay zeka yetenekleriyle geliştirilmiş LC/NC platformları, hızlı prototipleme ve kavram kanıtı geliştirme için kullanılabilir.
Yapay Zeka Destekli Geliştirme: Yapay zeka kodlama araçları, geliştiricilerin daha sonra iyileştirip optimize edebilecekleri ilk kod yapılarını oluşturabilir.
Hibrit Yaklaşımlar: LC/NC araçlarının görsel geliştirme yönlerini yapay zekanın kod oluşturma yetenekleriyle birleştiren yeni platformlar ortaya çıkabilir.
Sürekli Öğrenme: YZ modelleri, LC/NC platformları tarafından üretilen yapılandırılmış koddan öğrenerek güvenilir ve ölçeklenebilir kod üretme yeteneklerini geliştirebilir.
Demokratikleştirilmiş Geliştirme: LC/NC platformları ve yapay zekanın birleşimi, yazılım geliştirmeyi daha geniş bir kitle için daha erişilebilir hale getirerek sektörler arasında inovasyonu teşvik edebilir.
Unutmayın, teknoloji dünyasında değişmeyen tek şey değişimdir. Onu kucaklayın, ona uyum sağlayın ve kim bilir? Yazılım geliştirme şeklimizde devrim yaratan, oyunun kurallarını değiştiren bir sonraki platformu geliştiren kişi siz olabilirsiniz.
Low Code/No Code platformlar ve yapay zeka ile ilgili sık sorulan sorular
Ölçeklendirme söz konusu olduğunda düşük kodlu/kodsuz platformların karşılaştığı temel zorluklardan bazıları nelerdir?
- Belgede, uygulamaların şirket içinde çalıştırılamaması, sürüm kontrol sistemlerinin eksikliği ve büyük kullanıcı tabanlarını idare etmenin zorluğu gibi sorunlardan bahsediliyor. LC/NC platformları genellikle ölçeklendirme için gereken altyapıyı sağlamıyor.
LC/NC platformları yapay zeka kodlama araçları çağında nasıl güncel kalabilir?
- Yapay zeka yeteneklerinin entegre edilmesi kullanımlarını kolaylaştırabilir. Araçların ayrıca barındırılan altyapı ve çözümler sunarak ölçeklendirme sorunlarını ele alması gerekir.
Hibrit bir yaklaşım benimseyen bazı platform örnekleri nelerdir?
- Toddle ve Apptile gibi platformlar, geliştirmeyi basitleştirirken altyapı ihtiyaçlarını da karşılamayı amaçlıyor. Geleneksel ve LC/NC yaklaşımları arasında bir orta yol sunuyorlar.
Büyük dil modelleri (LLM’ler) LC/NC platformlarının yerini alacak mı?
- LLM’ler çok yönlü uygulamalar üretebilse de, belge bunların doğrudan rakip olmadığını savunuyor. LC/NC platformları kodu, geliştirmeyi hızlandırmak için LLM’lerden yararlanabilecek şekilde yapılandırır.
LC/NC araçları ve yapay zeka asistanları için temel kodlama bilgisi hala gerekli mi?
- Evet, bu araçlar bariyeri düşürse de, belgeye göre temel programlama ve uygulama tasarımı kavramlarını anlama ihtiyacını ortadan kaldırmıyor.
Kaynak: AIM
