การรีแฟคเตอร์โค้ดด้วย AI: ทำไม Characterization Tests ถึงสำคัญ

การปรับปรุงโค้ดหรือการรีแฟคเตอร์ที่สร้างขึ้นโดยปัญญาประดิษฐ์ (AI) มักมีความเสี่ยงที่ข้อผิดพลาดจะเล็ดลอดผ่านไปได้อย่างเงียบๆ หน้าตาของโค้ดอาจดูสะอาดสะอ้านและชุดทดสอบเดิมผ่านทั้งหมด แต่เมื่อนำไปใช้งานจริงในระบบผลิตกลับพบปัญหาที่ขอบเขตการทำงาน Characterization Tests จึงเข้ามามีบทบาทสำคัญในการช่วยดักจับข้อผิดพลาดเหล่านั้นก่อนที่โค้ดจะถูกส่งมอบ

ซอฟต์แวร์รุ่นเก่าหรือเลกาซี่โค้ดมักเต็มไปด้วยเงื่อนไขซับซ้อนที่ไม่ได้บันทึกไว้เป็นลายลักษณ์อักษร ซึ่งทั้งมนุษย์และโมเดล AI ต่างก็มีโอกาสมองข้ามจุดเหล่านี้ได้ การเปลี่ยนแปลงเงื่อนไขขอบเขตเพียงจุดเดียวอาจนำไปสู่ข้อผิดพลาดได้ทันที ทีมพัฒนาจึงต้องมีเครื่องมือและหลักฐานมายืนยันว่าโค้ดที่ปรับเปลี่ยนไปนั้นยังคงรักษาพฤติกรรมเดิมไว้ได้อย่างครบถ้วน

กระบวนการทำงานเริ่มต้นจากการล็อคพฤติกรรมปัจจุบันของโค้ดด้วยการเขียนชุดทดสอบที่บันทึกผลลัพธ์จากข้อมูลนำเข้าที่ทราบค่า รวมถึงกรณีศึกษาที่ผิดปกติ เช่น ค่าศูนย์ ค่าติดลบ ค่าว่าง และค่าขอบเขตต่างๆ หลังจากนั้นจึงให้โมเดล AI เข้ามาช่วยเสนอการปรับปรุงโครงสร้างโค้ดตามคำสั่งที่กำหนดไว้

เพื่อให้กระบวนการทดสอบมีความสะอาดและทำซ้ำได้ การรันชุดคำสั่งควรทำบนเซิร์ฟเวอร์แยกต่างหากแทนการทำบนเครื่องแล็ปท็อปส่วนตัว โดยสามารถใช้สคีปต์อัตโนมัติในการดึงข้อมูลล่าสุด แสดงขนาดของการเปลี่ยนแปลง และสั่งรันชุดทดสอบทั้งหมดเพื่อดูผลลัพธ์ร่วมกับขนาดของโค้ดดิฟที่เกิดขึ้น

ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง

เมื่อผลลัพธ์การทดสอบล้มเหลว นักพัฒนาไม่ควรเสียเวลาแกะรอยโค้ดที่ AI สร้างขึ้น แต่ควรตรวจสอบว่าการทดสอบตัวใดที่พัง เพื่อระบุให้ชัดเจนว่าพฤติกรรมส่วนไหนที่เปลี่ยนไป จากนั้นจึงนำข้อมูลนั้นกลับไปปรับปรุงคำสั่งหรือ Prompt ให้มีความเฉพาะเจาะจงมากขึ้น

แนวทางนี้มีข้อจำกัดที่ต้องพิจารณาอย่างรอบคอบ:

• ไม่เหมาะสำหรับโค้ดที่มีความสำคัญด้านความปลอดภัยขั้นสูง (Safety-critical code)
• ไม่เหมาะกับโค้ดที่ต้องผ่านการพิสูจน์ความถูกต้องอย่างเป็นทางการ (Formal verification)
• ไม่ควรใช้หากทีมงานไม่สามารถรันชุดทดสอบในสภาพแวดล้อมที่สะอาดได้
• ไม่สามารถใช้ทดแทนการทบทวนโค้ด (Code review) โดยมนุษย์ได้

ที่มา: Dev.to