Όταν το Σχήμα της Βάσης Δεν Παίρνει Άλλο

Ας το πούμε ευθέως: όλοι έχουμε βρεθεί μπροστά σε μια βάση δεδομένων που δεν αντέχει άλλο. Αυτό που ίσως δεν ξέρεις είναι ότι οι παλαιοανθρωπολόγοι ζουν ακριβώς το ίδιο πρόβλημα — εδώ και πάνω από εκατό χρόνια.

Μια πρόσφατη έρευνα από το Πανεπιστήμιο Monash φέρνει στο φως κάτι που θα ανησυχούσε κάθε αρχιτέκτονα λογισμικού: το σύστημα που χρησιμοποιούμε για να ονομάζουμε και να ταξινομούμε τους ανθρώπινους προγόνους μας σχεδιάστηκε σε μια εποχή με πολύ λιγότερα δεδομένα. Σήμερα, οι νέες ανακαλύψεις έρχονται βροχή, και η παλιά δενδρική δομή της ταξινόμησης αρχίζει να σπάει.

Το Πρόβλημα που Κανείς δεν Συζητάει

Όταν σκεφτόμαστε την ανθρώπινη εξέλιξη, οι περισσότεροι έχουμε στο μυαλό μας μια ευθεία γραμμή. Homo habilis, μετά Homo erectus, μετά Homo sapiens. Απλό. Καθαρό. Λάθος.

Η πραγματικότητα είναι πολύ πιο περίπλοκη — ένα τεράστιο δίκτυο συγγενικών ειδών, πολλά που επικαλύπτονταν χρονικά και γεωγραφικά, κάποια που διασταυρώνονταν, άλλα που απλά εξαφανίστηκαν. Σου θυμίζει κάτι; Αντικατέστησε τα "είδη" με "microservices" και τη "γεωγραφία" με "cloud regions", και έχεις περιγράψει ένα κατανεμημένο σύστημα.

Οι κανόνες ονοματοδοσίας που κληρονομήσαμε από τους παλαιοοντολόγους του early 20th century υποθέτουν ότι η εξέλιξη ακολουθεί καθαρά διακλαδιζόμενα μοτίβα. Όμως κάθε νέα ανακάλυψη δείχνει ότι οι πρόγονοί μας διακλαδίζονταν, συγκλίνανε, και κάποιες φορές γύριζαν πίσω. Δεν είναι δυαδικό δέντρο — είναι graph database.

Τι Μπορούν να Πάρουν οι Developers από την Αρχαία Ταξινόμηση

Εδώ γίνεται ενδιαφέρον. Οι προκλήσεις που αντιμετωπίζουν οι ταξινομητές της εξέλιξης μοιάζουν απίστευτα με αυτές που αντιμετωπίζουμε όταν χτίζουμε σύγχρονα συστήματα:

Εφιάλτες versioning: Όπως το "Homo erectus" σημαίνει διαφορετικά πράγματα ανάλογα με τον ειδικό, έτσι και το REST API σου στο /v1/users μπορεί να σημαίνει διαφορετικά πράγματα για διαφορετικές ομάδες έξι μήνες αργότερα.

Schema drift: Όταν νέα απολιθώματα αμφισβητούν υπάρχουσες ταξινομήσεις, οι ερευνητές πρέπει να αποφασίσουν αναδρομικά αν θα επεκτείνουν ορισμούς, θα δημιουργήσουν υποκατηγορίες, ή θα παραδεχτούν ότι οι αρχικές κατηγορίες ήταν θεμελιωδώς λανθασμένες. Σου θυμίζει το legacy codebase σου;

Το πρόβλημα του "is-a": Είναι ο Homo naledi άμεσος πρόγονος του σύγχρονου ανθρώπου, ένα παράπλευρο κλαδί, ή κάτι εντελώς διαφορετικό; Η απάντηση μπορεί να είναι "όλα τα παραπάνω". Αυτό ακριβώς αντιμετωπίζουμε όταν προσπαθούμε να μοντελοποιήσουμε πολύπλοκες σχέσεις σε object hierarchies.

Χτίζοντας Συστήματα που Αγκαλιάζουν την Αμφιβολία

Η έρευνα του Monash προτείνει ότι οι εξελικτικοί επιστήμονες χρειάζονται νέα πλαίσια — τέτοια που να αναγνωρίζουν την αβεβαιότητα αντί να προσπαθούν να χωρέσουν τα δεδομένα σε άκαμπτες κατηγορίες. Αυτό μοιάζει εκπληκτικά με αυτό που ανακαλύψαμε στην αρχιτεκτονική λογισμικού όταν μάθαμε να χτίζουμε ευέλικτα, προσαρμοστικά συστήματα.

Σκέψου το: αντί για αυστηρά ταξινομικά δέντρα, τι θα γινόταν αν χρησιμοποιούσαμε confidence intervals και κατανομές πιθανότητας; Τι θα γινόταν αν το "Homo erectus" δεν ήταν μια δυαδική κατηγορία αλλά ένα fuzzy set με διαφορετικούς βαθμούς συμμετοχής;

Αυτό ακριβώς ανακάλυψε η τεχνολογία όταν πέρασε από τις άκαμπτες μεθοδολογίες Waterfall στο Agile, από τα monoliths στα microservices, από τα synchronous στα event-driven architectures. Δεν προσπαθούμε πια να χωρέσουμε την πραγματικότητα στις δικές μας κατηγορίες — χτίζουμε συστήματα που μπορούν να φιλοξενήσουν την αταξία της πραγματικότητας.

Το Συμπέρασμα

Αυτή είναι η άβολη αλήθεια που αντιμετωπίζουν τόσο η εξελικτική βιολογία όσο και η ανάπτυξη λογισμικού: οι κατηγορίες μας είναι ανθρώπινες κατασκευές, και πάντα προσωρινές. Το αρχείο απολιθωμάτων δεν νοιάζεται για τις συμβάσεις ονοματοδοσίας μας, και οι χρήστες δεν νοιάζονται για το database schema μας.

Οι ερευνητές που ζητούν επικαιροποιημένα συστήματα ταξινόμησης δεν είναι απλά περίεργοι — αναγνωρίζουν ότι τα πλαίσιά μας διαμορφώνουν αυτό που βλέπουμε και τι ερωτήσεις μπορούμε να κάνουμε. Μια καλύτερη ταξινόμηση δεν αφορά μόνο ακρίβεια — αφορά τη δυνατότητα νέων ανακαλύψεων.

Για τους developers, το μάθημα είναι παρόμοιο. Κάθε φορά που κλειδώνουμε ένα data model, ποντάρουμε ότι η τρέχουσα κατανόησή μας θα σταθεί. Κάποιες φορές ισχύει. Κάποιες φορές, καταλήγουμε με ένα πρόβλημα Homo erectus.

Ίσως τα καλύτερα συστήματα — είτε πρόκειται για εξελικτικές ταξινομήσεις είτε για αρχιτεκτονικές λογισμικού — είναι αυτά που σχεδιάστηκαν με γνώμονα την ομαλή εξέλιξη. Γιατί το μόνο σταθερό και στις δύο περιπτώσεις είναι η αλλαγή.

Τα απολιθώματα συνεχίζουν να έρχονται. Ο κώδικας συνεχίζει να φεύγει. Και οι ταξινομήσεις χρειάζονται διαρκώς ενημερώσεις.

Ποιες προκλήσεις frameworks αντιμετωπίζεις στα τρέχοντα project σου; Μερικές από τις πιο ενδιαφέρουσες λύσεις προέρχονται από το να βλέπεις πώς άλλοι κλάδοι αντιμετωπίζουν παρόμοια προβλήματα.