AI کوڈنگ اسسٹنٹس آپ کو کوڈ لکھے بغیر ڈیبگ کرنے میں کس طرح مدد کر سکتے ہیں۔

AI کوڈنگ اسسٹنٹس کوڈ میں ترمیم کرنے میں واقعی اچھے ہو گئے ہیں۔

غلطی کو AI ٹول میں چسپاں کریں اور آپ کو سیکنڈوں میں درست نفاذ مل جائے گا۔ یہ اس وقت مفید ہے جب آپ صرف کچھ کام کرنا چاہتے ہیں۔

لیکن پروگرامنگ سیکھتے وقت پوچھنے کے قابل ایک اور سوال ہے۔ کیا AI آپ کو مسئلہ کو سمجھنے میں مدد کرتا ہے یا صرف اسے ختم کرتا ہے؟

فرق اہم ہے۔

ڈیبگنگ صرف ورکنگ کوڈ تک پہنچنے کے بارے میں نہیں ہے۔ یہ اس بات کو سمجھنے کے بارے میں بھی ہے کہ یہ کیوں ناکام ہوا، غلط مفروضوں کی نشاندہی کرنا، تبدیلیاں کرنا، اور اس بات کو یقینی بنانا کہ تبدیلیوں نے حقیقت میں مسئلہ حل کر دیا ہے۔

ہم نے Coddy.tech، ایک انٹرایکٹو کوڈنگ لرننگ پلیٹ فارم کا استعمال کرتے ہوئے اس کی کھوج کی جو کوڈنگ پریکٹس، ٹیسٹ فیڈ بیک، ڈیبگنگ ٹولز، اشارے، اور Bugsy نامی AI ٹیوٹر کو یکجا کرتا ہے۔

صرف یہ دیکھنے کے بجائے کہ آیا AI پروگرامنگ کے مسائل حل کر سکتا ہے، ہم کسی اور چیز کی چھان بین کرنا چاہتے تھے۔ صرف جواب فراہم کرنے سے پہلے ایک AI کوڈنگ ٹیچر کو کتنی مدد فراہم کرنی چاہیے؟

اس مضمون میں، ہم اس سوال کو دریافت کریں گے، AI کی مدد سے ڈیبگنگ کے لیے ایک سادہ فریم ورک تجویز کریں گے، اور دیکھیں گے کہ یہ آئیڈیاز کوڈی کے ساتھ تجربات کے ذریعے عملی طور پر کیسے کام کرتے ہیں۔

انڈیکس

ڈیبگنگ صحیح کوڈ بنانے سے زیادہ ہے۔

آئیے ایک سادہ Python فنکشن کے ساتھ شروع کرتے ہیں۔

def calculate_average(numbers):
    total = 0

    for number in numbers:
        total += number

    return total / (len(numbers) - 1)


scores = [80, 90, 70, 100]

print(calculate_average(scores))

مندرجہ بالا پروگرام بغیر کسی نحوی غلطی یا استثناء کے چلتا ہے، لیکن نتائج غلط ہیں۔

چار سکور کا مجموعہ 340 ہے، لہذا متوقع اوسط ہے:

340 / 4 = 85

اس کے بجائے، فنکشن حساب کرتا ہے:

340 / 3

اس لائن کی وجہ سے:

return total / (len(numbers) - 1)

AI معاون فوری طور پر اس کے ساتھ جواب دے سکتا ہے:

return total / len(numbers)

مسئلہ حل ہو گیا۔ لیکن پروگرامنگ سیکھنے والوں کے لیے، AI نے زیادہ تر اہم استدلال کیا ہے۔

یہاں کچھ اور جوابات ہیں:

آپ کی منطق کل کا صحیح حساب لگاتی ہے۔ لیکن تقسیم کرنے والے کو قریب سے دیکھیں۔ ایک نمبر کی اصل میں کتنی قدریں ہوتی ہیں؟

اب ڈویلپر کو ابھی بھی منطق کو دیکھنا ہے۔ چھوٹے فرق AI سپورٹ کے لیے دو بالکل مختلف طریقوں کی نمائندگی کرتے ہیں۔

ڈویلپرز دراصل ڈیبگ کیسے کرتے ہیں۔

دستی طور پر ڈیبگ کرتے وقت، آپ عام طور پر درج ذیل عمل کا کچھ ورژن انجام دیتے ہیں۔

ڈیبگ → الگ تھلگ → وجہ → ترمیم کریں → ٹھیک ہے۔

چلیں یہ ٹیسٹ فیل ہو جاتا ہے۔

assert calculate_average([80, 90, 70, 100]) == 85

ہم عام طور پر حقیقی نتائج کی جانچ کرتے ہیں۔ پھر چیک کریں کہ آیا کل متوقع قدر پر مشتمل ہے۔ اگر رقم درست ہے تو تقسیم کو چیک کریں۔

آخر میں ہمیں معلوم ہوا کہ چار اقدار کو اس طرح تقسیم کیا گیا ہے جیسے صرف تین ہیں۔

یہ تمام عمل افہام و تفہیم کا باعث بنتے ہیں۔

اگر AI اسسٹنٹ فلائی پر فنکشن کو دوبارہ لکھتا ہے، تو کوڈ درست ہو جاتا ہے، لیکن اس کی زیادہ تر استدلال ضائع ہو جاتی ہے۔ اس سے پتہ چلتا ہے کہ سیکھنے کے لیے تیار کردہ کوڈنگ ایڈز کوڈ بنانے کی صلاحیتوں سے زیادہ کی ضرورت ہوتی ہے۔ آپ کو یہ فیصلہ کرنے کے لیے حکمت عملی کی ضرورت ہے کہ کتنی مدد فراہم کی جائے۔

AI کی مدد سے ڈیبگنگ کے لیے فریم ورک

ایک طریقہ جس سے میں اسے کرنے کے بارے میں سوچتا ہوں وہ ہے 5 مراحل میں:

سیاق و سباق → تشخیص → اشارہ → تصدیق → تفصیل

ہر قدم کا ایک الگ مقصد ہوتا ہے۔

1. سیاق و سباق

کوئی حل تجویز کرنے سے پہلے، آپ کے معاون کو یہ سمجھنا چاہیے کہ آپ کیا حاصل کرنے کی کوشش کر رہے ہیں۔

اس سیاق و سباق میں شامل ہوسکتا ہے:

اس معلومات کے بغیر، تکنیکی طور پر درست مشورہ آپ کی اصل ضروریات کے بارے میں غلط ہو سکتا ہے۔

غور کریں:

def is_adult(age):
    return age > 18

کیا یہ نفاذ درست ہے؟ ہم نہیں جانتے۔

اگر ضروریات یہ بتاتی ہیں کہ فرد کی عمر 18 سال یا اس سے زیادہ ہونی چاہیے، تو یہ درست ہے۔

تاہم، اگر آپ کو ضروریات کے مطابق 18 سال سے زیادہ عمر کا بالغ سمجھا جاتا ہے تو ایک باؤنڈری کنڈیشن بگ ہے۔

کوڈ میں خود یہ فیصلہ کرنے کے لیے کافی معلومات نہیں ہیں۔ تقاضے غائب سیاق و سباق فراہم کرتے ہیں۔

2. تشخیص

کافی سیاق و سباق کو دیکھتے ہوئے، اسسٹنٹ مسئلے کی ممکنہ وجوہات کی نشاندہی کر سکتا ہے۔

تشخیص کو جواب دینا چاہیے کہ کیا غلط معلوم ہوتا ہے۔ یہ ضروری طور پر جواب نہیں دیتا کہ صحیح کوڈ کیا ہے جو اسے تبدیل کرے۔

ایک عام مثال کے طور پر، ایک AI معاون کچھ ایسا کہہ سکتا ہے:

کل کا حساب درست طریقے سے کیا گیا ہے، لیکن تقسیم کے لیے استعمال ہونے والے عناصر کی تعداد فہرست میں موجود اقدار کی تعداد سے مماثل نہیں ہے۔

اس سے مسئلہ مکمل طور پر حل نہیں ہوتا اور اس کا دائرہ کم ہوجاتا ہے۔

3. اشارہ

اگر صرف تشخیص ہی کافی نہیں ہے، تو آپ کا معاون مزید مخصوص اشارے فراہم کر سکتا ہے، جیسے:

چیک کریں کہ سیمپل ان پٹ کے لیے کون سا لین (نمبر) واپس آتا ہے اور ریٹرن سٹیٹمنٹ میں تقسیم کرنے والے سے اس کا موازنہ کریں۔

اب ہمارے پاس ڈیبگنگ کے ٹھوس اقدامات ہیں، لیکن ہمیں ابھی بھی اسے ٹھیک کرنے کی ضرورت ہے۔

یہ اشارے کی سیڑھی کی طرح کچھ بنائے گا۔

مشاہدہ → ہدایات → مضبوط اشارہ → وضاحت → حل

AI سپورٹ کا بائنری ہونا ضروری نہیں ہے۔ مدد فراہم نہ کرنے اور پوری منطق/عمل درآمد کو ظاہر کرنے کے درمیان افادیت کی سطح ہے۔

4. تصدیق

صرف ناکامی کا ازالہ کافی نہیں ہے۔

اپنے نفاذ میں ترمیم کرنے کے بعد، آپ درج ذیل کی جانچ کر سکتے ہیں:

assert calculate_average([80, 90, 70, 100]) == 85

assert calculate_average([10, 20]) == 15

assert calculate_average([5]) == 5

سب کچھ ٹھیک لگ رہا ہے۔

لیکن یہ کوشش کریں:

calculate_average([])

اب ہمیں ایک اور مسئلہ درپیش ہے۔ 0 سے تقسیم کریں۔

اصل بگ کو ٹھیک کر دیا گیا ہے، لیکن توثیق دیگر شرائط کو بے نقاب کرتی ہے جن کو مدنظر نہیں رکھا گیا تھا۔

ایک مفید AI اسسٹنٹ کو صرف ایک ناکام مثال سے گزرنے میں آپ کی مدد نہیں کرنی چاہیے۔ اس کے بجائے، ہمیں ان کی حوصلہ افزائی کرنی چاہیے کہ وہ سوچیں کہ اور کیا ناکام ہو سکتا ہے۔

5. تفصیل

ایک بار حل ہونے کے بعد، AI تصور کو مضبوط بنا سکتا ہے۔

اوسط کا حساب رقم کو عناصر/اقدار کی تعداد سے تقسیم کر کے لگایا جاتا ہے۔ فہرست کی لمبائی 4 عناصر ہے، لہذا لمبائی سے 1 کو گھٹانے سے کل کو 4 کے بجائے 3 سے تقسیم کیا جا سکتا ہے۔

اس مقام پر، وضاحت استدلال کی جگہ لینے کے بجائے تقویت دیتی ہے۔

ترقی پسند حمایت کا مسئلہ

تصور کریں کہ کوئی مندرجہ ذیل ضرورت کو نافذ کرتا ہے: افراد کو 18 سال یا اس سے زیادہ عمر کے بالغ تصور کیا جاتا ہے۔

وہ لکھتے ہیں:

def is_adult(age):

    return age > 18

> کے ساتھ >= کو فوری طور پر تبدیل کرنے کے بجائے، AI ٹیوٹر سپورٹ کی سطح کو بڑھا سکتا ہے۔ یہاں پہلا اشارہ ہے:

حدود کے حالات کو چیک کریں۔

اگر سیکھنے والے کو اب بھی مشکل ہو رہی ہے:

جب آپ 18 سال کے ہو جائیں تو بالکل کیا ہوتا ہے؟

پھر:

باؤنڈری اقدار خود موجودہ موازنہ سے خارج ہیں۔

صرف جب ضروری ہو تو معاون آخر کار واپسی کی عمر >= 18 ظاہر کرے گا۔

اس کے بجائے مسئلہ → AI → جوابہم حاصل کرتے ہیں مسئلہ → مشاہدہ → اشارہ → اندازہ → کوشش → تصدیق → وضاحت۔

یہ سیکھنے کا ایک بہت مختلف تجربہ ہے۔

میں نے کوڈی میں اس سیکھنے کی کوشش کی۔

میں نے Coddy.tech کے ساتھ تجربہ کیا کیونکہ میں یہ دیکھنا چاہتا تھا کہ میرے خیالات کو کوڈنگ سیکھنے کے حقیقی ماحول میں کیسے ترجمہ کیا گیا۔

میں نے لائن کمنٹس پر ایک ابتدائی ازگر چیلنج کے ساتھ آغاز کیا۔

میری ایک سادہ ضرورت ہے۔ پرنٹ ("الوداع!”) لائن کو حذف کرنے کے بجائے، اس پر تبصرہ کریں تاکہ نیچے کی لائن پرنٹ ہوجائے۔

Hello, Python!

یہ مشق پروگرامنگ کے نقطہ نظر سے خاص طور پر دلچسپ نہیں تھی۔ جس چیز نے میری توجہ حاصل کی وہ کوڈ کے آس پاس کی ہر چیز تھی۔

اسی ورک اسپیس میں، ہمیں چیلنج کی ضروریات، ایک براؤزر پر مبنی Python ایڈیٹر، کوڈ پر عمل درآمد، ٹیسٹ کے نتائج، متوقع آؤٹ پٹ، متعدد اشارے، حل تک رسائی، چیلنج کی وضاحت کے اختیارات، اور Coddy’s AI استاد، Bugsy تک رسائی حاصل تھی۔

یہ فوری طور پر AI سے حل طلب کرنے کے بجائے ناکامی کا جواب دینے کے متعدد طریقے پیدا کرتا ہے۔

AI پری ٹیسٹ فیڈ بیک

آپ نے جان بوجھ کر غلط حل درج کیا اور کوڈ چلایا۔

کوڈی کا ٹیسٹ ایریا ناکامی کو دوبارہ ضرورت سے جوڑتا ہے، ہمیں بتاتا ہے کہ ہمیں الوداع لائن کے شروع میں اسے حذف کرنے کے بجائے تبصرہ کا نشان شامل کرنے کی ضرورت ہے۔

متوقع آؤٹ پٹ بھی دکھایا گیا ہے۔

Hello, Python!

اگرچہ جانچ کے نقطہ نظر سے یہ آسان معلوم ہوسکتا ہے، لیکن یہ مفید ہے۔ سیکھنے والوں سے نہ صرف یہ پوچھا جاتا ہے: کیا آپ کا کوڈ چلتا ہے؟ وہ یہ بھی پوچھ رہے ہیں: کیا عمل درآمد پریکٹس کے لیے درکار رویہ پیدا کرتا ہے؟

یہ دونوں ایک جیسے سوال نہیں ہیں۔ یہاں تک کہ اگر پروگرام کامیابی سے چلتا ہے، تب بھی یہ فعال طور پر غلط ہوسکتا ہے۔

متوقع رویے کی نشاندہی کرنا اس فرق کو ابتدائی طور پر متعارف کراتا ہے۔

ترقی پسند اشارہ

اسی مشق میں کئی اشارے کی سطحیں بھی فراہم کی گئیں۔

پہلے اشارے نے مجھے شامل کرنے کی ہدایت کی: # جب کہ اضافی اشارے دستیاب ہیں، وہ لائن کے شروع میں ظاہر ہوتے ہیں۔

یہ ایک اور راستہ بنائے گا۔ آزمائیں → ٹیسٹ فیڈ بیک → اشارہ 1 → اشارہ 2 → اشارہ 3 → حل۔

سیکھنے والوں کو ضروری نہیں کہ وہ ناکامی سے براہ راست مکمل جواب کی طرف بڑھیں۔ یہ ترقی پسند سپورٹ ماڈل کی حمایت کرتا ہے جس پر پہلے بات کی گئی تھی۔

خراب کوڈ کے ساتھ Bugsy کی جانچ کرنا

اگلا، میں نے بگسی کو کھولا جبکہ خراب کوڈ ایڈیٹر میں رہا۔

اس سے اور بھی دلچسپ نتائج برآمد ہوئے۔

بگسی نے مشق کے مقصد کو سمجھا اور مجھے الوداع لائن پر تبصرہ کرنے کی ہدایت کی۔

تاہم، موجودہ نفاذ کے ساتھ ایک اور مسئلہ بھی دریافت ہوا۔ ہیلو سٹیٹمنٹ میں ایک خراب اختتامی اقتباس/قوسین تھا۔

دوسرا مسئلہ سب سے اہم ہے کیونکہ یہ محض مشق میں سکھایا جانے والا تصور نہیں ہے۔

یہ میرے موجودہ کوڈ سے ہے: بِگسی چیلنج کے سیاق و سباق اور ایڈیٹر میں جو کچھ میں نے اصل میں لکھا ہے دونوں کا جواب دے رہا تھا۔

اس سے پتہ چلتا ہے کہ سیاق و سباق فریم ورک کا پہلا عنصر کیوں ہے۔ سیاق و سباق → تشخیص → اشارہ → تصدیق → تفصیل

مشق کے باہر، درج ذیل کوڈ پر غور کریں:

print("Goodbye!")

print("Hello, Python!")

اس میں فطری طور پر کوئی حرج نہیں ہے۔

یہ جاننے کے لیے پیچیدہ تقاضے درکار ہیں۔ ہیلو! اسے ظاہر نہیں کیا جانا چاہئے، اور یہ خاص طور پر یاد رکھنا ضروری ہے کہ لائن کو حذف کرنے کے بجائے اس پر تبصرہ کریں۔

یہ وہ جگہ ہے جہاں سیکھنے کے ماحول میں AI کا انضمام دلچسپ ہو جاتا ہے۔

الگ الگ حل اور مدد

ایک اور تفصیل جو مجھے دلچسپ معلوم ہوئی: بگسی نے "ریلیز سلوشن” کو علیحدہ کام کے طور پر بند کرتے ہوئے ہدایات فراہم کیں۔

یہ مندرجہ ذیل مفید اختلافات بناتا ہے: مجھے آگے بڑھنے میں مدد کریں۔ اور جواب سامنے آتا ہے۔

امتیاز کامل نہیں ہوسکتا ہے (ہم اس پر بعد میں واپس آئیں گے)، لیکن مجھے ڈیزائن کا بنیادی خیال پسند ہے۔

AI اساتذہ کو ضروری نہیں ہے کہ وہ مدد کی ہر درخواست کو مکمل نفاذ کو ظاہر کرنے کی درخواست کے طور پر دیکھیں۔

مزید مشکل چیلنجوں کی طرف بڑھنا

ابتدائی تبصرہ کی مشقیں آپ کو صرف بنیادی باتیں سکھا سکتی ہیں۔ لہذا میں نے ایک اعتدال پسند ازگر کا چیلنج آزمایا جس میں مزید استدلال کی ضرورت تھی۔

کام کو نافذ کرنا تھا:

find_book_descriptions(catalog, query)

یہ فنکشن 2D لائبریری کی فہرست تلاش کرنے کے لیے درکار ہے۔

ہر کتاب میں ایک ID اور تفصیل شامل ہے۔

یہاں آپ کو عمل درآمد کے لیے درکار ہے:

  • ایک کتاب دہرائیں

  • کیس غیر حساس مماثلت انجام دیں۔

  • ID اور تفصیل دونوں تلاش کریں۔

  • مماثل وضاحتیں جمع کریں۔

  • نئے لائن حروف کا استعمال کرتے ہوئے متعدد نتائج کو یکجا کریں۔

  • واپسی "No books found." جب کوئی کھیل نہیں تھا۔

اس نے ٹیسٹنگ سپورٹ کے لیے بہت بہتر ماحول فراہم کیا۔

میں نے جان بوجھ کر ایک ٹوٹا ہوا نفاذ بنایا جو ازگر اور سیڈوکوڈ کا مرکب تھا۔

جب میں نے اسے چلایا تو کئی ٹیسٹ کیسز ناکام ہو گئے۔

کوڈی متعدد ٹیسٹ کیس دکھاتا ہے جو یہ فرض کرتے ہوئے ناکام ہوجاتے ہیں کہ ان پٹ ہر بار مختلف ہوگا۔

یہ ٹیسٹ کیس سادہ ناکامیوں کے بجائے رویے کا مظاہرہ کرتے ہیں۔

ٹیسٹ پینل نے اپنے دلائل، پروگرام آؤٹ پٹ، اور متوقع آؤٹ پٹ کے ساتھ کئی ٹیسٹ کیسز دکھائے۔ کون سا اہم ہے۔

صرف دیکھنے کے بجائے ناکامیآپ ان کے درمیان تعلقات کی چھان بین کر سکتے ہیں۔ ان پٹ → اصل کارروائی → متوقع کارروائی۔

یہ بنیادی طور پر ایک ٹیسٹنگ ورک فلو ہے۔

ایک کامیاب مثال کا لازمی طور پر یہ مطلب نہیں ہے کہ عمل درآمد تمام تقاضوں کو پورا کرتا ہے۔ مختلف ان پٹ مختلف نقائص کو ظاہر کر سکتے ہیں۔

فوری طور پر AI سے پوچھے بغیر ڈیبگ کرنا

اسی مسئلے میں ٹوٹے ہوئے نفاذ میں ایک علیحدہ ڈیبگ آپشن بھی استعمال کیا گیا تھا۔

پورے پروگرام میں ترمیم کرنے یا پورے نفاذ کی وضاحت کرنے کے بجائے، ڈیبگ پینل نے ازگر کی فوری غلطیاں ظاہر کیں۔

SyntaxError: invalid syntax (main.py, line 5)

مجھے بریک اپ پسند آیا۔ پروگرامنگ کے تمام مسائل کے لیے جنریٹو AI کی ضرورت نہیں ہوتی۔

اگر ازگر پہلے ہی جانتا ہے کہ پارس کہاں ناکام ہوا، تو اس معلومات کو بے نقاب کرنے سے اسے آزادانہ طور پر تفتیش کرنے کا موقع ملتا ہے۔

اس وقت میں نے تین فیڈ بیک میکانزم استعمال کیے ہیں:

مشین آپ کو جواب دینے میں مدد کے لیے سوالات
ٹیسٹ کیس کیا میرا نفاذ توقع کے مطابق کام کرتا ہے؟
ڈیبگ موجودہ پھانسی کہاں ناکام ہو رہی ہے؟
بگسی میرے نقطہ نظر میں کیا غلط ہو سکتا ہے اور میں کیسے آگے بڑھ سکتا ہوں؟

ایک جیسے ٹوٹے ہوئے نفاذ سے مختلف سطحوں کی حمایت پیدا ہوتی ہے۔ ڈیبگ فوری نحوی غلطیوں کی نشاندہی کرتا ہے، جبکہ بگسی آپ کے حل کی وسیع تر ساخت اور منطق کا تجزیہ کرتا ہے۔

پھر میں نے بگسی سے پوچھا

میں نے بگسی کو وہی ٹوٹا ہوا نفاذ فراہم کیا۔

اس بار جواب نحوی غلطی کی نشاندہی کرنے سے آگے نکل گیا۔ بگسی نے تسلیم کیا کہ عمل درآمد Python اور pseudocode کو ملا رہا ہے۔

ہم نے متعدد تبدیلیوں کی کھوج کی، جس میں مماثل تفصیلات کے لیے ایک فہرست بنانا، ہر کتاب پر تکرار کرنا، کتاب کی IDs اور تفصیل کو الگ کرنا، غیر حساس تلاشوں کے لیے چھوٹے حروف کا موازنہ استعمال کرنا، اور سوالات کے بجائے وضاحتیں شامل کرنا شامل ہیں۔

ہم نے کنٹرول کے بہاؤ کے کچھ اور دلچسپ مسائل کی بھی نشاندہی کی۔

‘کوئی کتاب نہیں ملی’ کے فیصلے اس وقت نہیں ہونے چاہئیں جب انفرادی کتابیں تلاش کی جا رہی ہوں۔ کیوں

تصور کریں کہ پہلی کتاب مماثل نہیں ہے، لیکن دوسری کتاب ملتی ہے.

اگر پروگرام یہ نتیجہ اخذ کرتا ہے کہ سرچ لوپ کے اندر رہتے ہوئے "کتاب نہیں ملی”، تو وہ باقی کیٹلاگ کو دہرانے سے پہلے یہ فیصلہ کر سکتا ہے۔

یہ صرف ایک نحو ٹھیک نہیں ہے۔ آپ کو ضروریات اور کنٹرول کے بہاؤ کے درمیان تعلق کو بھی سمجھنے کی ضرورت ہے۔

یہ وہ جگہ ہے جہاں سیاق و سباق کی AI سپورٹ عام غلطی کی تفصیل سے زیادہ دلچسپ ہو جاتی ہے۔

لیکن کتنی مدد بہت زیادہ ہے؟

اعتدال پسند چیلنج نے حدود، یا کم از کم اہم تجارتی تعلقات کو بھی بے نقاب کیا۔

بگسی کو پتہ لگانے کے بعد کہ مسئلہ کہاں ہے، وہ باز نہیں آیا۔ اس نے کافی تفصیلی ڈھانچہ فراہم کیا جس میں دکھایا گیا کہ فعالیت کو کیسے نافذ کیا جا سکتا ہے۔

پیداواری نقطہ نظر سے، یہ بہت مفید ہے۔ اگر میں ایک تجربہ کار ڈویلپر ہوتا جو جلدی سے کچھ کرنے کی کوشش کرتا، میں اس کی بہت تعریف کروں گا۔

لیکن جب میں کوئی تصور سیکھنے کی کوشش کرتا ہوں، تو مجھے کم یقین ہوتا ہے کہ زیادہ معلومات ہمیشہ بہتر ہوتی ہیں۔

ذیل میں دو جوابات پر غور کریں۔

اپروچ اے

Here is the corrected implementation...

نقطہ نظر B

Your "No books found" condition is being evaluated while you're still searching the catalog.

اگر پہلی کتاب مماثل نہیں ہے، لیکن دوسری کتاب ملتی ہے تو کیا ہوگا؟ دونوں آخر کار درست کوڈ کی طرف لے جا سکتے ہیں۔

تاہم، اپروچ بی کو کنٹرول کے بہاؤ کے بارے میں استدلال کی ضرورت ہے۔

یہ AI اساتذہ کے لیے مشکل مسائل کو بے نقاب کرتا ہے۔

ان کے ممکنہ طور پر دو مقاصد ہیں:

سیکھنے والوں کی کامیابی میں مدد کرنا۔

اور

سیکھنے والوں کو سوچنے کے لیے مشکل کی سطح کو کافی رکھیں۔

یہ مقاصد متضاد ہو سکتے ہیں۔

ایک AI اسسٹنٹ جو ایک مکمل حل پیدا کر سکتا ہے اسے ابھی بھی یہ فیصلہ کرنا ہے کہ آیا اسے پیدا کرنا درحقیقت سب سے مفید چیز ہے۔

ہر سیکھنے والے کو مختلف مقدار میں مدد کی ضرورت ہو سکتی ہے۔

معاونت کی مناسب مقدار اس شخص پر منحصر ہے جو اس کی درخواست کر رہا ہے۔

جب آپ پہلی بار ابتدائی سیکھنے کے لوپ سے گزرتے ہیں تو ترقی پسند اشارے مددگار ثابت ہو سکتے ہیں۔ لائبریری کے غیر مانوس رویے کو ڈیبگ کرنے والا تجربہ کار ڈویلپر صرف جوابات چاہتا ہے۔

لہذا مثالی تعامل ہمیشہ ایسا نہیں ہونا چاہئے:

Here's how to fix it.

آپ اپنے ارادے کو سمجھ کر شروع کر سکتے ہیں۔

Do you want a hint, an explanation, or the corrected implementation?

یہ نسبتاً چھوٹا UX فیصلہ ہے، لیکن یہ AI کے کردار کو بدل دیتا ہے۔

AI ایک مکمل سیکھنے کا نظام نہیں ہے۔

کوڈی کی تلاش میں زیادہ وقت گزارنے کے بعد، ایک اور چیز زیادہ واضح ہو گئی۔ بات یہ ہے کہ Bugsy صرف سیکھنے کا تجربہ نہیں ہے۔

یہ پلیٹ فارم سرگرمیوں کو دوروں، مشقوں، منصوبوں اور مشنوں میں بھی تقسیم کرتا ہے۔

ازگر کے سفر میں جس کو میں نے دیکھا، کلاسز کو ایک نصاب اور ترقی کے راستے کے ذریعے ترتیب دیا گیا تھا۔

انٹرفیس میں XP، لیولز، اسٹریکس، ڈیلی مشنز اور لیڈر بورڈز بھی شامل ہیں۔

Coddy's Python Journey ایک منظم نصاب کو لیبز، پروجیکٹس، مشنز، XP پر مبنی ترقی، اور روزانہ سیکھنے کے مقاصد کے ساتھ جوڑتا ہے۔

یہ AI خصوصیت کے بجائے گیمیفیکیشن فیچر کی طرح لگ سکتا ہے۔ لیکن یہی وجہ ہے کہ وہ بحث کے قابل ہیں۔

پروگرامنگ سیکھنے کے لیے سیکھنے کو دلچسپ اور پرلطف بنانے کے لیے تکرار اور حوصلہ افزائی کی ضرورت ہوتی ہے۔

AI وضاحت کر سکتا ہے کہ لوپس کیوں ناکام ہو جاتے ہیں۔ لیکن اس وضاحت کو ایک بار سمجھنے کا مطلب یہ نہیں ہے کہ آپ کل ایک اور لوپ کو صحیح طریقے سے نافذ کریں گے۔

مجھے ابھی بھی مشق کی ضرورت ہے۔ یہ ہمیں دو تکمیلی نظام فراہم کرتا ہے۔

  1. سیکھنے کی ترقی: سفر → مشق → پروجیکٹ → دہرائیں۔

  2. مسائل کی صورت میں معاونت: کوڈ چلائیں → ٹیسٹ فیڈ بیک → ڈیبگ/اشارہ → بگسی → حل

ہمارا ماننا ہے کہ AI سیکھنے کی مصنوعات کا جائزہ لیتے وقت یہ فرق اہم ہے۔

سوال صرف یہ نہیں ہے کہ اے آئی کتنی قابل ہے۔

آپ کو یہ بھی پوچھنا چاہیے کہ AI سے سوال پوچھنے سے پہلے اور بعد میں سیکھنے والا کیا کر رہا ہے۔ کیا آپ AI کا استعمال مضبوط بنیاد بنانے کے لیے کر رہے ہیں، یا کیا آپ AI پر زیادہ انحصار کریں گے؟

کوڈنگ مددگاروں کو مختلف طریقے سے جانچنے کی ضرورت ہے۔

کوڈنگ معاونین کی زیادہ تر تشخیصات اس بات پر مرکوز ہیں کہ آیا وہ صحیح کوڈ تیار کرتے ہیں، جو قدرتی طور پر اہم ہے۔

تاہم، مجھے یقین ہے کہ AI سسٹمز کو سیکھنے میں مدد دینے کے لیے اضافی ٹیسٹ کیسز کی ضرورت ہے۔

مثال کے طور پر:

سکرپٹ جس کا میں اندازہ کروں گا۔
نحوی غلطی کیا آپ نے مسئلہ کو صحیح طریقے سے پایا؟
رن ٹائم غلطی کیا یہ بتاتا ہے کہ رن کیوں ناکام ہوا؟
منطق کی غلطی کیا بلا ضرورت ہر چیز کو دوبارہ لکھے بغیر مسئلے کی تشخیص ممکن ہے؟
حدود کے حالات کیا آپ درج ذیل اقدار کو سمجھتے ہیں؟ 0خالی ان پٹ یا مساوی حدود؟
غلط الگورتھم کیا آپ سیکھنے والوں کو صحیح تصورات کی طرف رہنمائی کر سکتے ہیں؟
بار بار غلط کوششیں کیا سپورٹ انکولی ہے؟
درست نفاذ کیا آپ جانتے ہیں کہ اسے ٹھیک کرنے کی ضرورت نہیں ہے؟
متبادل درست نفاذ کیا آپ حوالہ شدہ جواب سے مختلف حل کی اجازت دیتے ہیں؟

آخری دو خاصے دلچسپ ہیں۔

مناسب کوڈ بھی ایک ٹیسٹ کیس ہے۔

غور کریں:

def square(number):
    return number * number

میں فرض کرتا ہوں کہ یہ آپ کی ضروریات کو پوری طرح پورا کرتا ہے۔

پھر بھی، اگر آپ AI سے مدد طلب کرتے ہیں تو کیا ہوتا ہے؟

ایک برا اسسٹنٹ غیر ضروری تبدیلیاں تجویز کر سکتا ہے کیونکہ وہ محسوس کرتا ہے کہ وہ کچھ پیدا کرنے کا پابند ہے۔

ایک بہتر معاون یہ کہنے کے قابل ہونا چاہئے:

آپ کا نفاذ پہلے ہی بیان کردہ ضروریات کو پورا کرتا ہے۔

یہ ان جھوٹے مثبتات سے گہرا تعلق رکھتا ہے جو پیدا کرنے والے AI سسٹمز کی جانچ کے دوران پائے جاتے ہیں۔

مددگار ہونے کا مطلب ہمیشہ غلطی تلاش کرنا نہیں ہوتا ہے۔ بعض اوقات مددگار ہونے کا مطلب یہ تسلیم کرنا ہے کہ ایسی کوئی چیز نہیں ہے جس کو ٹھیک کرنے کی ضرورت نہیں ہے۔

متبادل حل اہم ہیں۔

پروگرامنگ کے مسئلے میں شاذ و نادر ہی صرف ایک درست عمل درآمد ہوتا ہے۔

غور کریں:

def is_even(number):

return number % 2 == 0

Someone else might write:

def is_even(number):

if number % 2 == 0:

return True

return False

پہلا زیادہ جامع ہے، لیکن دونوں ضروریات کو پورا کرتے ہیں۔

AI سیکھنے کے معاونین کو یہ الجھن میں نہیں ڈالنا چاہئے کہ حوالہ حل سے کیا مختلف یا مختلف ہے۔

یہ کسی بھی کوڈنگ سیکھنے کے نظام کے لیے ایک اہم ٹیسٹ کیس ہے۔

بار بار ناکامی ایک اور امتحان ہے۔

مان لیں کہ سیکھنے والا اشارہ لیتا ہے اور دوسرا غلط جواب جمع کراتا ہے۔

کیا ہونا چاہیے؟ ایک ہی اشارے کو دہرانا مفید نہیں ہو سکتا۔ پورے حل کو فوراً جاری کرنا بہت جارحانہ ہو سکتا ہے۔

اس کے بجائے، حمایت تیزی سے مخصوص ہو سکتی ہے۔

مثال کے طور پر:

کوشش 1

اس بات کا تعین کرنے کے لیے کہ آیا کوئی نمبر برابر ہے، استعمال کیے جانے والے آپریشن پر گہری نظر ڈالیں۔

کوشش 2

تقسیم ہمیں ایک حصہ دیتا ہے۔ سوچیں کہ کون سے کام باقیوں کو بتاتے ہیں۔

کوشش 3

Python میں، % تقسیم کے بعد بقیہ کو لوٹاتا ہے۔ اسے 2 کے ساتھ آزمائیں۔

یہ AI اساتذہ کے لیے ایک دلچسپ تشخیصی جہت ہے کیونکہ تشخیص نہ صرف درستگی بلکہ موافقت کے بارے میں بھی ہے۔

ایک سیکھنے والا AI ٹیوٹر بگسی کو کئی بار چیلنج کی وضاحت کرتا ہے، اور Bugsy کی مدد کے لیے بار بار درخواستیں، ہر بار پورے کوڈ کو ظاہر کیے بغیر اسے مختلف طریقے سے سمجھانا، AI ٹیوٹر کے لیے ایک اور مفید امتحان ہے۔ یہاں، ہم نے بگسی سے اسی ابتدائی چیلنج کے بارے میں مختلف طریقوں سے پوچھا کہ آیا اس کی وضاحت بدل گئی ہے یا وہ زیادہ مخصوص ہو گیا ہے۔

اس مثال میں، دوسری درخواست نے اسی بنیادی مسئلے کی ایک اور وضاحت پیدا کی، جبکہ موجودہ مسئلے کی طرف بھی اشارہ کیا۔ Hello نام

یہ ایک اور مفید تشخیصی سوال اٹھاتا ہے۔ کیا بار بار کی جانے والی درخواستوں سے صرف مختلف وضاحتیں پیدا کرنی چاہئیں، یا سیکھنے والے کی سابقہ ​​بات چیت کی بنیاد پر سپورٹ کی سطح کو ایڈجسٹ کیا جانا چاہیے؟

AI کوڈنگ اسسٹنٹس کی بھی حدود کی شرائط ہوتی ہیں۔

روایتی سافٹ ویئر ٹیسٹنگ حدود کو آگے بڑھانے میں بہت زیادہ وقت صرف کرتی ہے۔

  • 0 پر کیا ہوتا ہے؟

  • زیادہ سے زیادہ کیا ہوتا ہے؟

  • اگر ان پٹ خالی ہو تو کیا ہوتا ہے؟

  • بالکل دہلیز پر کیا ہوتا ہے؟

AI کوڈنگ اسسٹنٹس کی بھی حدود ہوتی ہیں، لیکن ان میں سے زیادہ تر طرز عمل ہیں۔

  • اس سے پہلے کہ آپ کا اسسٹنٹ اندازہ لگانا شروع کر دے آپ کتنا کم سیاق و سباق فراہم کر سکتے ہیں؟

  • ورزش کو مؤثر طریقے سے ترک کرنے سے پہلے آپ کتنی مدد فراہم کر سکتے ہیں؟

  • اشارہ کب بیان کیا جائے؟

  • تفصیل کوڈ کب بننا چاہیے؟

  • بار بار ناکامی کے بعد کیا ہوتا ہے؟

  • اگر کوئی سیکھنے والا ایک مختلف لیکن درست عمل درآمد کرتا ہے تو کیا ہوتا ہے؟

اور AI کو کب صرف یہ کہنا چاہیے کہ ‘ابھی تک کافی معلومات نہیں ہیں’؟

یہ صرف ایک تعلیمی سوال نہیں ہے۔ یہ معیار انجینئرنگ کے بارے میں ایک سوال ہے۔

AI کوڈنگ امداد کا جائزہ لینے کے لیے ایک عملی فریم ورک

ان تجربات کو مکمل کرنے کے بعد، پہلے متعارف کرائے گئے پانچ مراحل پر واپس جائیں۔

  1. سیاق و سباق: کیا اسسٹنٹ سمجھتا ہے کہ ڈویلپر اصل میں کیا حاصل کرنے کی کوشش کر رہا ہے؟

  2. تشخیص: کیا آپ شناخت کر سکتے ہیں کہ آپ کا موجودہ نفاذ کیوں ناکام ہو رہا ہے؟

  3. اشارہ: کیا ہم غیر ضروری طور پر مکمل حل کو ظاہر کیے بغیر کافی سمت فراہم کر سکتے ہیں؟

  4. چیک کریں: کیا ماحول ڈویلپرز کو اضافی منظرناموں کے لیے اصلاحات کی توثیق کرنے میں مدد کرے گا؟

  5. وضاحت: کیا تعامل ڈویلپرز کو یہ سمجھنے میں مدد کرتا ہے کہ حتمی عمل درآمد اس طرح کیوں کام کرتا ہے؟

ایک ساتھ:

سیاق و سباق → تشخیص → اشارہ → تصدیق → تفصیل

کوڈنگ اسسٹنٹس جو ان جہتوں کے ساتھ اچھی کارکردگی کا مظاہرہ کرتے ہیں وہ صرف کوڈ تیار کرنے سے زیادہ کرتے ہیں۔ آپ ڈیبگنگ کے عمل میں حصہ لے رہے ہیں۔

ایک ایسی جگہ جہاں ہم آہنگی آپ کے مطابق ہو۔

یہی وجہ ہے کہ مجھے کوڈی کو دریافت کرنا دلچسپ لگا۔ سب سے دلچسپ بات صرف یہ نہیں ہے کہ ایک AI ٹیوٹر ہے۔

آج، AI تقریبا کسی بھی کوڈنگ انٹرفیس سے منسلک کیا جا سکتا ہے. درحقیقت، یہ نہ صرف انٹرفیس کوڈنگ پر لاگو ہوتا ہے، بلکہ عام طور پر تقریباً ہر چیز پر لاگو ہوتا ہے۔

کچھ اور دلچسپ امتزاج میں شامل ہیں: سٹرکچرڈ لرننگ + کوڈنگ پریکٹس + ایگزیکیوٹیبل کوڈ + ٹیسٹ فیڈ بیک + ڈیبگنگ + سیاق و سباق AI سپورٹ۔

ہر جزو ایک مختلف مقصد کی خدمت کرتا ہے۔

سٹرکچرڈ لرننگ سمت فراہم کرتی ہے۔ ورزش کے لیے درخواست کی ضرورت ہوتی ہے۔ پھانسی فوری تاثرات فراہم کرتی ہے۔ ٹیسٹ کیسز عمل درآمد کا متوقع رویے سے موازنہ کرتے ہیں۔ ڈیبگنگ تکنیکی خرابیوں کو ظاہر کرتی ہے۔ اور اشارے اضافی مدد فراہم کرتے ہیں۔

Bugsy اضافی حالات کی رہنمائی فراہم کر سکتا ہے۔ اور مکمل حل سپورٹ کی ایک اور سطح بنی ہوئی ہے۔

میں نے جس مشق کی کوشش کی اس کے نتیجے میں درج ذیل ورک فلو ہوا:

جانیں → کوڈ → چلائیں → ناکام → چیک کریں → ڈیبگ → مدد کے لیے پوچھیں → دوبارہ کوشش کریں

بجائے:

مسئلہ → AI سے پوچھیں → جواب کاپی کریں۔

یہ مخصوص فرق اہم ہے۔

ایک ہی وقت میں، درمیانی درجے کے تجربات سے یہ ظاہر ہوا ہے کہ سیاق و سباق سے متعلق AI اب بھی بہت تیزی سے نفاذ کی رہنمائی کی ایک قابل ذکر مقدار فراہم کر سکتا ہے۔

AI کتنا ظاہر کرتا ہے (اور کب) ایک اہم ڈیزائن فیصلہ رہتا ہے۔

AI کو کم کرنا ہمیشہ مقصد نہیں ہوتا ہے۔ اس کا مطلب یہ نہیں ہے کہ ڈویلپرز کو AI سے تیار کردہ کوڈ سے گریز کرنا چاہیے۔ بہت سے حالات ایسے ہیں جہاں فلائی پر عمل درآمد کرنا بالکل وہی ہے جو ہم چاہتے ہیں۔

تجربہ کار انجینئرز AI استعمال کر سکتے ہیں:

ان حالات میں، رفتار بنیادی ہدف ہو سکتی ہے۔

لیکن درج ذیل دو درخواستوں کا موازنہ کریں:

براہ کرم اس عمل کو مکمل کرنے میں میری مدد کریں۔

اور:

براہ کرم یہ سمجھنے میں میری مدد کریں کہ میرا نفاذ کیوں ناکام ہوا۔

ان میں بالکل وہی کوڈ ہوسکتا ہے۔ تاہم، وہ بالکل مختلف مقاصد کی نمائندگی کرتے ہیں۔ ایک مفید AI کوڈنگ اسسٹنٹ کو ان اختلافات کو مثالی طور پر پہچاننا چاہیے۔

ختم

سب سے زیادہ متاثر کن AI کوڈنگ اسسٹنٹ ہمیشہ وہ نہیں ہوتا جو سب سے زیادہ کوڈ تیار کرتا ہو۔ بعض اوقات یہ صرف وہی شخص ہوتا ہے جو جانتا ہے کہ کوڈ کب نہیں بنانا ہے۔

اچھی ڈیبگنگ سپورٹ ڈویلپرز کو اس سے منتقلی میں مدد کرتی ہے:

"میرا کوڈ کام نہیں کرتا۔”

کو:

"میں سمجھتا ہوں کہ میرا کوڈ کیوں کام نہیں کرتا ہے۔”

اس کے لیے کوڈ جنریشن سے زیادہ کی ضرورت ہے۔

اس کے لیے سیاق و سباق، تشخیص، ترقی پسند معاونت، توثیق اور وضاحت کی ضرورت ہے۔

Coddy کے ساتھ ہمارے تجربات نے ظاہر کیا کہ آپ کے کوڈنگ ماحول کے ساتھ AI کو مربوط کرنا کیوں مفید ہے۔ Bugsy ان مشقوں اور کوڈ دونوں کا جواب دینے کے قابل تھا جن پر میں کام کر رہا تھا، اور ٹیسٹ کیسز، ڈیبگنگ، اشارے، اور مختلف سطحوں کی مدد فراہم کرنے والے حل تک رسائی حاصل کر سکتا تھا۔

اس سے مزید مشکل سوالات بھی سامنے آئے۔ جب AI کسی مسئلے کو حل کرنا جانتا ہے تو اس کا حل کتنا عوامی ہونا چاہیے؟

جیسا کہ AI پروگرامنگ کی تعلیم میں مزید گہرائی سے مربوط ہوتا جاتا ہے، ہمیں یقین ہے کہ یہ جانچنا ضروری رہے گا کہ آیا معاون صحیح کوڈ تیار کر رہے ہیں۔

لیکن ہمیں کچھ زیادہ مشکل کی پیمائش کرنے کی بھی ضرورت ہے۔ کیا ڈویلپر نے اس مسئلے کو اس سے بہتر سمجھا جب وہ بات چیت میں گیا؟

AI اساتذہ کے لیے، یہ بالآخر زیادہ معنی خیز امتحان ہو سکتا ہے۔

اگر آپ اس مضمون میں بیان کردہ خصوصیات کے ساتھ تجربہ کرنا چاہتے ہیں، تو آپ انہیں Coddy.tech پر دریافت کر سکتے ہیں۔

اوپر تک سکرول کریں۔