Dalam mitologi Romawi, Janus, dewa gerbang dan transisi, digambarkan dengan dua wajah: satu menatap ke belakang, pada pelajaran dan pola masa lalu, dan yang lain menatap ke depan, pada perubahan di masa depan. Penglihatan ganda ini penting ketika membangun perangkat lunak dengan asisten coding AI. Saat ini, sebuah prototipe yang berfungsi dapat dibuat dalam beberapa jam, dan kode lebih murah untuk dihasilkan serta lebih mudah diubah. Namun kecepatan ini menciptakan risiko baru: ketika kode dihasilkan dengan cepat tanpa struktur yang jelas, proyek menjadi sulit dipahami, dirawat, dan dikembangkan.
Bagi data scientist, pergeseran ini sangat berarti. Aplikasi yang dulu membutuhkan dukungan rekayasa perangkat lunak yang besar kini dapat dibuat prototipenya melalui bahasa alami dan agen coding, sehingga perpindahan dari notebook ke API dan aplikasi yang diterapkan menjadi lebih mudah diakses. Namun, menghasilkan aplikasi yang berfungsi tidak sama dengan merekayasa sistem yang mampu berevolusi. Agen coding dapat menempatkan logika di tempat yang paling mudah pada saat itu, di dalam sebuah endpoint, objek khusus framework, atau fungsi pembantu, tanpa memperhatikan tanggung jawabnya.
Penulis berpendapat bahwa proyek AI membutuhkan perspektif seperti Janus ini. Dengan melihat ke belakang, tim harus merangkum pelajaran yang diperoleh dengan susah payah: memisahkan tanggung jawab, menghindari konfigurasi yang terduplikasi, menjaga kontrak tetap jelas, menguji logika inti, dan mencegah alat eksternal merembes ke setiap bagian aplikasi. Dengan melihat ke depan, proyek membutuhkan fleksibilitas untuk mengakomodasi kebutuhan, teknologi, dan kemampuan baru tanpa perancangan ulang secara menyeluruh.
Tujuannya bukan arsitektur demi arsitektur, melainkan membuat pengembangan yang cepat menjadi lebih aman dan dapat diulang. Sebuah baseline menentukan keputusan arsitektur minimum yang tidak perlu diciptakan ulang di setiap proyek, termasuk kode yang tidak bergantung pada alat tertentu, infrastruktur yang dapat diganti, dan logika inti yang dapat diuji. Ketika dikemas sebagai templat yang dapat digunakan kembali, baseline ini menjadi scaffold, memberi tim titik awal yang praktis dan membantu mereka bergerak lebih cepat tanpa membuat struktur sekali pakai setiap kali.
Sumber: Towards Data Science · Diringkas oleh HeadlinesBriefing