Amazon CodeWhisperer کے ساتھ پائیداری کے لیے بہتر بنائیں | ایمیزون ویب سروسز

یہ پوسٹ دریافت کرتی ہے کہ کیسے ایمیزون کوڈ وِسپرر وسائل کی کارکردگی میں اضافہ کے ذریعے پائیداری کے لیے کوڈ کی اصلاح میں مدد کر سکتا ہے۔ کمپیوٹیشنل وسائل سے موثر کوڈنگ ایک ایسی تکنیک ہے جس کا مقصد کوڈ کی لائن پر کارروائی کے لیے درکار توانائی کی مقدار کو کم کرنا ہے اور اس کے نتیجے میں کمپنیوں کو مجموعی طور پر کم توانائی استعمال کرنے میں مدد ملتی ہے۔ کلاؤڈ کمپیوٹنگ کے اس دور میں، ڈویلپرز اب اوپن سورس لائبریریوں اور ان کے لیے دستیاب جدید پروسیسنگ پاور کا استعمال کر رہے ہیں تاکہ بڑے پیمانے پر مائیکرو سروسز تیار کی جا سکیں جن کو عملی طور پر موثر، پرفارمنس اور لچکدار ہونے کی ضرورت ہے۔ تاہم، جدید ایپلی کیشنز اکثر پر مشتمل ہوتے ہیں۔ وسیع کوڈ، اہم کمپیوٹنگ وسائل کا مطالبہ. اگرچہ براہ راست ماحولیاتی اثر واضح نہیں ہوسکتا ہے، ذیلی اصلاح شدہ کوڈ جدید ایپلی کیشنز کے کاربن فوٹ پرنٹ کو توانائی کی زیادہ کھپت، طویل ہارڈ ویئر کے استعمال، اور پرانے الگورتھم جیسے عوامل کے ذریعے بڑھاتا ہے۔ اس پوسٹ میں، ہم دریافت کرتے ہیں کہ کس طرح Amazon CodeWhisperer ان خدشات کو دور کرنے اور آپ کے کوڈ کے ماحولیاتی اثرات کو کم کرنے میں مدد کرتا ہے۔

Amazon CodeWhisperer ایک تخلیقی AI کوڈنگ ساتھی ہے جو موجودہ کوڈ اور قدرتی زبان کے تبصروں کی بنیاد پر تجاویز دے کر، مجموعی ترقی کی کوششوں کو کم کر کے اور دماغی طوفان کے لیے وقت نکال کر، پیچیدہ مسائل کو حل کرنے، اور مختلف کوڈ کی تصنیف کر کے سافٹ ویئر کی ترقی کو تیز کرتا ہے۔ Amazon CodeWhisperer ڈویلپرز کو ان کے ورک فلو کو ہموار کرنے، کوڈ کے معیار کو بڑھانے، مضبوط حفاظتی کرنسی بنانے، مضبوط ٹیسٹ سویٹس بنانے، اور کمپیوٹیشنل ریسورس فرینڈلی کوڈ لکھنے میں مدد کر سکتا ہے، جو آپ کو ماحولیاتی پائیداری کے لیے بہتر بنانے میں مدد کر سکتا ہے۔ کے حصے کے طور پر دستیاب ہے۔ بصری اسٹوڈیو کوڈ کے لیے ٹول کٹ, AWS کلاؤڈ 9, JupyterLab ایمیزون سیج میکر اسٹوڈیو, او ڈبلیو ایس لامبڈا۔, AWS گلو، اور JetBrains IntelliJ IDEA۔ Amazon CodeWhisperer فی الحال Python, Java, JavaScript, TypeScript, C#, Go, Rust, PHP, Ruby, Kotlin, C, C++, Shell اسکرپٹنگ، SQL اور Scala کو سپورٹ کرتا ہے۔

کلاؤڈ کمپیوٹنگ اور ایپلیکیشن کاربن فوٹ پرنٹ پر غیر موزوں کوڈ کا اثر

AWS کا انفراسٹرکچر سروے شدہ یو ایس انٹرپرائز ڈیٹا سینٹرز کے میڈین سے 3.6 گنا زیادہ توانائی کا موثر اور اوسط یورپی انٹرپرائز ڈیٹا سینٹر سے 5 گنا زیادہ توانائی کا موثر ہے۔. لہذا، AWS کام کے بوجھ کاربن فوٹ پرنٹ کو 96% تک کم کرنے میں مدد کر سکتا ہے۔ اب آپ Amazon CodeWhisperer کو کم وسائل کے استعمال اور توانائی کی کھپت کے ساتھ معیاری کوڈ لکھنے کے لیے استعمال کر سکتے ہیں، اور AWS توانائی کے موثر انفراسٹرکچر سے فائدہ اٹھاتے ہوئے اسکیل ایبلٹی مقاصد کو پورا کر سکتے ہیں۔

وسائل کے استعمال میں اضافہ

غیر موزوں کوڈ کے نتیجے میں کلاؤڈ کمپیوٹنگ وسائل کے غیر موثر استعمال ہو سکتے ہیں۔ نتیجے کے طور پر، مزید ورچوئل مشینوں (VMs) یا کنٹینرز کی ضرورت پڑ سکتی ہے، وسائل کی تقسیم، توانائی کے استعمال، اور کام کے بوجھ کے متعلقہ کاربن فوٹ پرنٹ میں اضافہ۔ آپ کو درج ذیل میں اضافے کا سامنا کرنا پڑ سکتا ہے:

• سی پی یو استعمال۔ - غیر موزوں کوڈ میں اکثر غیر موثر الگورتھم یا کوڈنگ کے طریقے ہوتے ہیں جن کو چلانے کے لیے ضرورت سے زیادہ CPU سائیکلوں کی ضرورت ہوتی ہے۔
• میموری کی کھپت - غیر موزوں کوڈ میں میموری کے غیر موثر انتظام کے نتیجے میں میموری کی غیر ضروری تقسیم، ڈیل لوکیشن، یا ڈیٹا ڈپلیکیشن ہو سکتا ہے۔
• ڈسک I/O آپریشنز - غیر موثر کوڈ ضرورت سے زیادہ ان پٹ/آؤٹ پٹ (I/O) آپریشنز انجام دے سکتا ہے۔ مثال کے طور پر، اگر ڈیٹا کو ضرورت سے زیادہ کثرت سے ڈسک سے پڑھا یا لکھا جاتا ہے، تو یہ ڈسک I/O کے استعمال اور تاخیر کو بڑھا سکتا ہے۔
• نیٹ ورک کا استعمال - ڈیٹا ٹرانسمیشن کی غیر موثر تکنیکوں یا نقلی مواصلات کی وجہ سے، ناقص اصلاح شدہ کوڈ نیٹ ورک ٹریفک کی بہت زیادہ مقدار کا سبب بن سکتا ہے۔ اس سے زیادہ تاخیر اور نیٹ ورک بینڈوتھ کے استعمال میں اضافہ ہو سکتا ہے۔ نیٹ ورک کے استعمال میں اضافے کا نتیجہ ان حالات میں زیادہ اخراجات اور وسائل کی ضروریات کا باعث بن سکتا ہے جہاں نیٹ ورک کے وسائل پر استعمال کی بنیاد پر ٹیکس لگایا جاتا ہے، جیسے کلاؤڈ کمپیوٹنگ میں۔

اعلی توانائی کی کھپت

غیر موثر کوڈ کے ساتھ انفراسٹرکچر کو سپورٹ کرنے والی ایپلی کیشنز زیادہ پروسیسنگ پاور استعمال کرتی ہیں۔ ناکارہ، پھولے ہوئے کوڈ کی وجہ سے کمپیوٹنگ کے وسائل کو زیادہ استعمال کرنے کے نتیجے میں توانائی کی کھپت اور گرمی کی پیداوار زیادہ ہو سکتی ہے، جس کے نتیجے میں ٹھنڈک کے لیے مزید توانائی کی ضرورت ہوتی ہے۔ سرورز کے ساتھ، کولنگ سسٹم، بجلی کی تقسیم کا بنیادی ڈھانچہ، اور دیگر معاون عناصر بھی توانائی استعمال کرتے ہیں۔

اسکیل ایبلٹی چیلنجز

ایپلیکیشن ڈویلپمنٹ میں، اسکیل ایبلٹی مسائل غیر آپٹمائزڈ کوڈ کی وجہ سے ہو سکتے ہیں۔ اس طرح کا کوڈ مؤثر طریقے سے پیمانہ نہیں ہوسکتا ہے کیونکہ کام بڑھتا ہے، زیادہ وسائل کی ضرورت ہوتی ہے اور زیادہ توانائی استعمال ہوتی ہے۔ یہ ان کوڈ کے ٹکڑوں کے ذریعہ استعمال ہونے والی توانائی کو بڑھاتا ہے۔ جیسا کہ پہلے ذکر کیا گیا ہے، ناکارہ یا فضول کوڈ کا پیمانے پر مرکب اثر ہوتا ہے۔

صارفین کے مخصوص ڈیٹا سینٹرز میں چلنے والے آپٹمائزنگ کوڈ سے توانائی کی جامع بچت اس وقت اور بھی بڑھ جاتی ہے جب ہم اس بات کو ذہن میں رکھتے ہیں کہ AWS جیسے کلاؤڈ فراہم کنندگان کے پاس دنیا بھر میں درجنوں ڈیٹا سینٹرز ہیں۔

Amazon CodeWhisperer اصل کوڈ اور قدرتی زبان کے تبصروں کی بنیاد پر کوڈ کی سفارشات فراہم کرنے کے لیے مشین لرننگ (ML) اور بڑے لینگویج ماڈلز کا استعمال کرتا ہے، اور کوڈ کی سفارشات فراہم کرتا ہے جو زیادہ موثر ہو سکتی ہیں۔ پروگرام کے بنیادی ڈھانچے کے استعمال کی کارکردگی کو حکمت عملیوں کا استعمال کرتے ہوئے کوڈ کو بہتر بنا کر بڑھایا جا سکتا ہے جس میں الگورتھمک ترقی، میموری کا موثر انتظام، اور بے مقصد I/O آپریشنز میں کمی شامل ہے۔

کوڈ جنریشن، تکمیل، اور تجاویز

آئیے کئی ایسے حالات کا جائزہ لیتے ہیں جہاں Amazon CodeWhisperer مفید ثابت ہو سکتا ہے۔

دہرائے جانے والے یا پیچیدہ کوڈ کی ترقی کو خودکار بنا کر، کوڈ جنریشن ٹولز پلیٹ فارم کی مخصوص اصلاح پر توجہ مرکوز کرتے ہوئے انسانی غلطی کے امکان کو کم کرتے ہیں۔ قائم کردہ نمونوں یا ٹیمپلیٹس کا استعمال کرتے ہوئے، یہ پروگرام ایسا کوڈ تیار کر سکتے ہیں جو پائیداری کے بہترین طریقوں پر زیادہ مستقل طور پر عمل پیرا ہو۔ ڈویلپرز کوڈ تیار کر سکتے ہیں جو مخصوص کوڈنگ معیارات کی تعمیل کرتا ہے، جس سے پورے پروجیکٹ میں زیادہ مستقل اور قابل اعتماد کوڈ فراہم کرنے میں مدد ملتی ہے۔ نتیجے میں آنے والا کوڈ زیادہ موثر ہو سکتا ہے اور اس لیے کہ یہ انسانی کوڈنگ کی مختلف حالتوں کو دور کرتا ہے، اور ترقی کی رفتار کو بہتر بنا کر زیادہ قابل فہم ہو سکتا ہے۔ یہ ایپلیکیشن پروگرام کے سائز اور لمبائی کو کم کرنے کے طریقوں کو خود بخود نافذ کر سکتا ہے، جیسے ضرورت سے زیادہ کوڈ کو حذف کرنا، متغیر اسٹوریج کو بہتر بنانا، یا کمپریشن کے طریقے استعمال کرنا۔ یہ اصلاحیں میموری کی کھپت کی اصلاح میں مدد کر سکتی ہیں اور پیکیج کے سائز کو سکڑ کر سسٹم کی مجموعی کارکردگی کو بڑھاتی ہیں۔

پیداواری AI۔ وسائل کی تقسیم کو بہتر بنا کر پروگرامنگ کو مزید پائیدار بنانے کی صلاحیت رکھتا ہے۔ کسی ایپلیکیشن کے کاربن فوٹ پرنٹ کو مجموعی طور پر دیکھنا ضروری ہے۔ جیسے اوزار ایمیزون کوڈ گرو پروفائلر اجزاء کے درمیان تاخیر کو بہتر بنانے کے لیے کارکردگی کا ڈیٹا اکٹھا کر سکتا ہے۔ پروفائلنگ سروس کوڈ رنز کی جانچ کرتی ہے اور ممکنہ بہتری کی نشاندہی کرتی ہے۔ اس کے بعد ڈیولپرز ان نتائج کی بنیاد پر خود کار طریقے سے تیار کردہ کوڈ کو بہتر بنا سکتے ہیں تاکہ توانائی کی کارکردگی کو مزید بہتر بنایا جا سکے۔ جنریٹو AI، پروفائلنگ، اور انسانی نگرانی کا امتزاج ایک فیڈ بیک لوپ بناتا ہے جو کوڈ کی کارکردگی کو مسلسل بہتر بنا سکتا ہے اور ماحولیاتی اثرات کو کم کر سکتا ہے۔

درج ذیل اسکرین شاٹ آپ کو لیٹنسی موڈ میں CodeGuru Profiler سے تیار کردہ نتائج دکھاتا ہے، جس میں نیٹ ورک اور ڈسک I/O شامل ہیں۔ اس صورت میں، ایپلیکیشن اب بھی اپنا زیادہ تر وقت اندر گزارتی ہے۔ ImageProcessor.extractTasks (دوسری نیچے کی قطار)، اور اس کے اندر تقریباً ہر وقت چلنے کے قابل ہے، جس کا مطلب ہے کہ یہ کسی چیز کا انتظار نہیں کر رہا تھا۔ آپ ان تھریڈ سٹیٹس کو CPU موڈ سے لیٹنسی موڈ میں تبدیل کر کے دیکھ سکتے ہیں۔ اس سے آپ کو اچھی طرح سے اندازہ لگانے میں مدد مل سکتی ہے کہ ایپلی کیشن کے وال کلاک ٹائم پر کیا اثر پڑ رہا ہے۔ مزید معلومات کے لیے رجوع کریں۔ Amazon CodeGuru پروفائلر کے ساتھ آپ کی تنظیم کے کاربن فوٹ پرنٹ کو کم کرنا.

ٹیسٹ کیسز تیار کرنا

ایمیزون کوڈ وِسپرر باؤنڈری ویلیوز، ایج کیسز اور دیگر ممکنہ مسائل پر غور کر کے ٹیسٹ کیسز تجویز کرنے اور کوڈ کی فعالیت کی تصدیق کرنے میں مدد کر سکتے ہیں جن کی جانچ کی ضرورت ہو سکتی ہے۔ نیز، Amazon CodeWhisperer یونٹ ٹیسٹنگ کے لیے بار بار کوڈ بنانے کو آسان بنا سکتا ہے۔ مثال کے طور پر، اگر آپ کو INSERT بیانات کا استعمال کرتے ہوئے نمونہ ڈیٹا بنانے کی ضرورت ہے، تو Amazon CodeWhisperer پیٹرن کی بنیاد پر ضروری انسرٹس تیار کر سکتا ہے۔ سافٹ ویئر ٹیسٹنگ کے لیے وسائل کے مجموعی تقاضوں کو وسائل سے متعلق ٹیسٹ کیسز کی شناخت اور ان کو بہتر بنانے یا بے کار کو ہٹا کر بھی کم کیا جا سکتا ہے۔ بہتر ٹیسٹ سویٹس میں توانائی کی کارکردگی میں اضافہ، وسائل کی کھپت کو کم کرنے، فضلہ کو کم کرنے، اور کام کے بوجھ کاربن فوٹ پرنٹ کو کم کرکے ایپلیکیشن کو مزید ماحول دوست بنانے کی صلاحیت ہے۔

Amazon CodeWhisperer کے ساتھ مزید تجربات کے لیے، رجوع کریں۔ Amazon CodeWhisperer کے ساتھ سافٹ ویئر ڈویلپمنٹ کو بہتر بنائیں. پوسٹ میں Amazon CodeWhisperer کی طرف سے کوڈ کی سفارشات کی نمائش کی گئی ہے۔ ایمیزون سیج میکر اسٹوڈیو. یہ ڈیٹا سیٹ کو لوڈ کرنے اور تجزیہ کرنے کے تبصروں کی بنیاد پر تجویز کردہ کوڈ کو بھی ظاہر کرتا ہے۔

نتیجہ

اس پوسٹ میں، ہم نے سیکھا کہ کس طرح Amazon CodeWhisperer ڈویلپرز کو بہتر، زیادہ پائیدار کوڈ لکھنے میں مدد کر سکتا ہے۔ اعلی درجے کے ML ماڈلز کا استعمال کرتے ہوئے، Amazon CodeWhisperer آپ کے کوڈ کا تجزیہ کرتا ہے اور کارکردگی کو بہتر بنانے کے لیے ذاتی نوعیت کی سفارشات فراہم کرتا ہے، جو لاگت کو کم کر سکتا ہے اور کاربن فوٹ پرنٹ کو کم کرنے میں مدد کر سکتا ہے۔

معمولی ایڈجسٹمنٹ اور متبادل طریقوں کی تجویز دے کر، Amazon CodeWhisperer ڈویلپرز کو قابل بناتا ہے کہ وہ فعالیت کی قربانی کے بغیر وسائل کے استعمال اور اخراج میں نمایاں کمی کر سکے۔ چاہے آپ موجودہ کوڈ بیس کو بہتر بنانا چاہتے ہیں یا اس بات کو یقینی بنانا چاہتے ہیں کہ نئے پروجیکٹ وسائل کے موثر ہوں، Amazon CodeWhisperer ایک انمول امداد ہو سکتا ہے۔ کوڈ کی اصلاح کے لیے Amazon CodeWhisperer اور AWS پائیداری کے وسائل کے بارے میں مزید جاننے کے لیے، درج ذیل اگلے مراحل پر غور کریں:

---

مصنفین کے بارے میں

عشاء کی دعا سان فرانسسکو بے ایریا میں مقیم ایک سینئر سولیوشن آرکیٹیکٹ ہے۔ وہ AWS انٹرپرائز کے صارفین کو ان کے اہداف اور چیلنجوں کو سمجھ کر بڑھنے میں مدد کرتی ہے، اور ان کی رہنمائی کرتی ہے کہ وہ کس طرح اپنی ایپلی کیشنز کو کلاؤڈ-نیٹیو انداز میں آرکیٹیکٹ کر سکتے ہیں اور لچک اور توسیع پذیری کو یقینی بناتے ہیں۔ وہ مشین لرننگ ٹیکنالوجیز اور ماحولیاتی پائیداری کے بارے میں پرجوش ہے۔

اجے گووندرام AWS میں ایک سینئر سولیوشن آرکیٹیکٹ ہے۔ وہ اسٹریٹجک صارفین کے ساتھ کام کرتا ہے جو پیچیدہ کاروباری مسائل کو حل کرنے کے لیے AI/ML استعمال کر رہے ہیں۔ اس کا تجربہ تکنیکی سمت فراہم کرنے کے ساتھ ساتھ معمولی سے بڑے پیمانے پر AI/ML ایپلیکیشن کی تعیناتیوں کے لیے ڈیزائن مدد فراہم کرنے میں ہے۔ اس کا علم ایپلی کیشن آرکیٹیکچر سے لے کر بڑے ڈیٹا، تجزیات اور مشین لرننگ تک ہے۔ وہ آرام کرتے ہوئے موسیقی سننے، باہر کا تجربہ کرنے اور اپنے پیاروں کے ساتھ وقت گزارنے سے لطف اندوز ہوتا ہے۔

ایرک ایریگوئن ایمیزون ویب سروسز میں ایک حل آرکیٹیکٹ ہے جو سیمی کنڈکٹرز اور الیکٹرانکس انڈسٹری کے کلائنٹس پر توجہ مرکوز کرتا ہے۔ وہ گاہکوں کے ساتھ ان کے کاروباری چیلنجوں کو سمجھنے اور اس بات کی نشاندہی کرنے کے لیے قریب سے کام کرتا ہے کہ ان کے اسٹریٹجک اہداف کو حاصل کرنے کے لیے AWS کا کس طرح فائدہ اٹھایا جا سکتا ہے۔ اس کا کام بنیادی طور پر مصنوعی ذہانت اور مشین لرننگ (AI/ML) سے متعلق منصوبوں پر مرکوز ہے۔ AWS میں شامل ہونے سے پہلے، وہ ڈیلوئٹ کے ایڈوانسڈ اینالیٹکس پریکٹس میں ایک سینئر کنسلٹنٹ تھے جہاں انہوں نے پورے امریکہ میں متعدد مصروفیات میں ورک اسٹریم کی قیادت کی جس میں Analytics اور AI/ML پر توجہ مرکوز کی گئی۔ ایرک نے سان فرانسسکو یونیورسٹی سے بزنس میں بی ایس اور نارتھ کیرولینا اسٹیٹ یونیورسٹی سے تجزیات میں ایم ایس کی ڈگری حاصل کی ہے۔

• SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
• پلیٹو ڈیٹا ڈاٹ نیٹ ورک ورٹیکل جنریٹو اے آئی۔ اپنے آپ کو بااختیار بنائیں۔ یہاں تک رسائی حاصل کریں۔
• پلیٹوآئ اسٹریم۔ ویب 3 انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
• پلیٹو ای ایس جی۔ کاربن، کلین ٹیک، توانائی ، ماحولیات، شمسی، ویسٹ مینجمنٹ یہاں تک رسائی حاصل کریں۔
• پلیٹو ہیلتھ۔ بائیوٹیک اینڈ کلینیکل ٹرائلز انٹیلی جنس۔ یہاں تک رسائی حاصل کریں۔
• ماخذ: https://aws.amazon.com/blogs/machine-learning/optimize-for-sustainability-with-amazon-codewhisperer/