Optimal AI משתמשת ב-Gemini API כדי לקצר את זמני בדיקת הקוד ב-50%

בדיקות הקוד חיוניות לאיכות, אבל הן הופכות לעיתים קרובות לצוואר בקבוק בפיתוח מהיר. AI אופטימלי משנה את המצב. המשימה שלהם: "להחזיר למהנדסים את הזמן שלהם" באמצעות AI כדי לבצע אוטומציה של תהליכי ההנדסה והתאימות. הפתרונות שלהם כוללים את Optibot, בודק קוד מבוסס-AI שמתמקד באבטחה ובהתאמה לתקנות, ופלטפורמת תובנות שמבוססת על Gemini API ומאפשרת לבצע אופטימיזציה של קצב הפיתוח.

בעבר, מערכת Optimal AI נתקלה בקשיים במהירות ובהבנת ההקשר הנדרשים לביקורת יעילה באמת של קוד AI. "האתגר הגדול ביותר היה הבנת ההקשר – נזקקנו למודל שיכול לבחון שינויים בקוד ולהבין את ההקשר שלהם", מסביר סייד אחמד (Syed Ahmed), אחד מהמייסדים וסמנכ "ל הטכנולוגיה הראשי.

שילוב Gemini API אפשר ל-Optimal AI לשפר באופן משמעותי את המוצרים שלה:

• האצת מהירות הבדיקה של הקוד ושיפור הדיוק שלה: Optibot, שמבוסס על Gemini API, בודק באופן אוטומטי בקשות משיכה כדי לזהות נקודות חולשה באבטחה, סיכוני תאימות ודפוסי תכנות, ומספק משוב פרקטי ומצמצם באופן משמעותי את זמני הבדיקה.
• חילוץ תובנות מהנדסיות שאפשר להשתמש בהן: המודלים של Gemini מנתחים נתונים מ-GitHub ומ-Jira כדי לזהות צווארי בקבוק ולהבין את ביצועי ההנדסה, ומבדילים ביעילות בין פעילות פרודוקטיביות לבין נטישה של קוד.
• מהירות ותחכום מאוזנים: ב-Optimal AI נעשה שימוש ב-Gemini 2.5 Pro לצורך ניתוח מורכב והבנה מעמיקה של קוד, בעוד ש-Gemini 2.0 Flash מספק את המהירות הנדרשת למשימות עם זמן אחזור קצר, כמו סיכומים מהירים.

ההטמעה של Optimal AI מדגימה את הגמישות של Gemini API:

• המודלים שבהם נעשה שימוש::
  • Gemini 2.5 Pro: לניתוח מעמיק של קוד, לבדיקות אבטחה, למשוב לפי הקשר על בקשות משיכה ולזיהוי דפוסים מורכבים של הנדסה לקבלת תובנות לגבי ביצועים.
  • Gemini 2.0 Flash: למשימות עם זמן אחזור קצר, כמו סריקה של עץ קבצים ויצירת סיכומים מהירים.
• תכונות עיקריות והטמעה::
  • הבנה לפי הקשר: חלון ההקשר הגדול של המודלים של Gemini חיוני לצורך פרשנות של שינויים מורכבים בקוד ולהבנה של דפוסי הנדסה רחבים יותר.
  • תמיכה בכמה שפות: היכולת המשופרת של מודלים של Gemini לטפל במספר שפות תכנות ותבניות הייתה ניצחון משמעותי ל-Optimal AI.
  • Google AI Studio: הצוות משתמש הרבה ב-Google AI Studio לבדיקה מהירה של הנחיות, להערכת מודלים ולביצוע חזרות (iterations). "היכולת לראות את הפלט לצד קוד ההטמעה הפכה את הניסוי של המהנדסים שלנו לקל יותר", מציין אחמד.

השילוב של Gemini השפיע באופן משמעותי על Optimal AI ועל הלקוחות שלה. בין התוצאות העיקריות:

• 50% הפחתה בזמני המחזור של בקשות משיכה: מהנדסי התוכנה מבזבזים פחות זמן בהמתנה לבדיקות ויותר זמן בכתיבה.
• התרחבות מהירה של השימוש ב-Optimal AI בקרב לקוחות: חברות כמו MongoDB הגדילו משמעותית את השימוש ב-Optimal AI אחרי שהבינו את היתרונות שלו, והצוות שלהן גדל מ-5 מהנדסים ליותר מ-40.
• גיוס מוצלח של 2.25 מיליון דולר בשלב ה-pre-seed: הגיוס הזה הושג במהלך גרסת בטא פרטית, בעיקר בגלל התנועה והתוצאות שהתקבלו מהתכונות שמבוססות על Gemini API.

"הצוותים אוהבים את Optibot כי הוא עוזר להם לקצר את זמני הבדיקה של יחסי הציבור בחצי, ומאפשר למהנדסים להקדיש יותר זמן לתכנות במקום להמתין לאישורים", אומר אחמד.

ב-Optimal AI מתמקדים בהרחבת חבילת סוכני ה-AI שלהם כדי לבצע אוטומציה של עוד יותר משימות שחוזרות על עצמן. הם מפתחים כרגע את Code Radar, סוכן שנועד לנטר באופן אוטונומי, לתקן ולאבטח בסיסות קוד. אחרי שסיים את העבודה עם Gemini API, סיד אחמד (Syed Ahmed) נותן עצה למפתחים אחרים:

"ישירות ל-Google AI Studio – יש בו כלים טובים יותר, מסמכי עזרה טובים יותר והוא מאפשר לבצע ניסויים בצורה הרבה יותר יעילה". הוא גם מדגיש: "כדאי לנצל את מלוא היתרונות של חלון ההקשר של מודל Gemini. להזין למודלים כמה שיותר הקשר רלוונטי...ככל שסיפקנו יותר הקשר, כך היכולת של ה-AI להסיק מסקנות השתפרה".

ההצלחה של Optimal AI ממחישה איך Gemini API יכול לשנות את פיתוח התוכנה, ומאפשר לצוותים לפתח תוכנה טובה יותר מהר יותר.

רוצים לבנות? כדאי לעיין במסמכי העזרה של Gemini API ולהתחיל להשתמש ב-Google AI Studio כבר היום.