GitHub เผยผลสำรวจนักพัฒนากว่า 1,000 คน ต้องการซอฟต์แวร์ประสิทธิภาพสูง

นักพัฒนาซอฟต์แวร์ทราบดีว่าประสิทธิภาพของโปรแกรมมีความสำคัญ แต่หลายคนยังขาดแนวทางที่ชัดเจนในการระบุจุดสิ้นเปลือง การวัดผลการปรับปรุงที่มีประสิทธิภาพ และการหาเหตุผลสนับสนุนที่เพียงพอเพื่อลงมือแก้ไขปัญหาดังกล่าว

จากการสำรวจผู้ใช้ GitHub จำนวน 1,039 ราย โดยความร่วมมือกับ Yale Program on Climate Change Communication พบว่า 8 ใน 10 คนสนใจเครื่องมือที่ช่วยเขียนโค้ดที่ประหยัดพลังงานมากขึ้น ขณะที่เกือบ 75% ต้องการวิธีการวัดผลกระทบของซอฟต์แวร์หรือกระบวนการพัฒนาต่อสิ่งแวดล้อมที่ชัดเจน

นี่ถือเป็นโอกาสสำคัญในการเปลี่ยนความสนใจเรื่องความยั่งยืนให้กลายเป็นงานวิศวกรรมปกติ ตั้งแต่การระบุ compute ที่ไม่จำเป็น การเสนอแผนปรับปรุง การทดสอบ ไปจนถึงการตัดสินใจเลือกใช้งานโดยผู้ดูแลระบบ (maintainers)

นักพัฒนาใส่ใจเกี่ยวกับความเปลี่ยนแปลงสภาพภูมิอากาศและผลกระทบทางสิ่งแวดล้อมของ AI

การสำรวจนี้เก็บข้อมูลจากผู้ใช้ GitHub ในสหรัฐฯ เกี่ยวกับประเด็นสภาพภูมิอากาศ AI และความรับผิดชอบขององค์กรเทคโนโลยี ซึ่งผลลัพธ์แสดงให้เห็นถึงความกังวลที่ชัดเจน โดย 79% กังวลเรื่องภาวะโลกร้อน และ 71% กังวลเรื่องผลกระทบทางสิ่งแวดล้อมของ AI ทั้งการใช้พลังงาน น้ำ และการปล่อยคาร์บอน

นอกจากนี้ 75% ของผู้ตอบแบบสอบถามเห็นว่านายจ้างควรทำงานเชิงรุกเพื่อลดผลกระทบทางสิ่งแวดล้อมขององค์กรเอง ซึ่งสะท้อนให้เห็นว่านักพัฒนาจำนวนมากกำลังให้ความสำคัญกับผลกระทบจากระบบที่พวกเขาสร้างและใช้งานอยู่

อย่างไรก็ตาม ข้อมูลนี้อธิบายมุมมองของกลุ่มตัวอย่างที่เลือกรับการสื่อสารการตลาดของ GitHub จึงไม่สามารถใช้เป็นตัวแทนของนักพัฒนาทั้งหมดได้ แต่เป็นสัญญาณที่บ่งชี้ว่าเทรนด์ความยั่งยืนกำลังมาแรงในหมู่ผู้สร้างซอฟต์แวร์

ผู้ใช้ GitHub แตกต่างจากประชากรทั่วไปในสหรัฐฯ อย่างเห็นได้ชัด

เมื่อเปรียบเทียบกับแบบสำรวจ Climate Change in the American Mind พบว่าผู้ใช้ GitHub มีความตระหนักเรื่องสภาพภูมิอากาศสูงกว่าค่าเฉลี่ย โดย 86% เชื่อว่าภาวะโลกร้อนเกิดขึ้นจริง (เทียบกับค่าเฉลี่ยทั่วไปที่ 68%) และ 82% มองว่าเป็นเรื่องสำคัญส่วนตัว (เทียบกับ 65%)

ความแตกต่างนี้สะท้อนถึงทั้งด้านประชากรศาสตร์และการออกแบบการสำรวจ แต่ประเด็นสำคัญคือผู้ใช้กลุ่มนี้มองเห็นอันตรายที่จะเกิดขึ้นกับคนรุ่นอนาคตถึง 82% และมีความกังวลต่อสถานการณ์ปัจจุบันมากกว่าประชากรทั่วไปในทุกมิติ

ช่องว่างไม่ใช่เรื่องของความสนใจ แต่คือแนวทางปฏิบัติที่นำไปสู่การลงมือทำ

แม้จะมีความสนใจสูง แต่มีเพียง 10% เท่านั้นที่เชื่อว่าวิธีการเขียนซอฟต์แวร์ของตนส่งผลต่อการลดกระทบสิ่งแวดล้อมอย่างมาก ในขณะที่ 63% มองว่ามีผลเพียงเล็กน้อย ปัญหานี้จึงไม่ใช่เรื่องของความตระหนัก แต่เป็นเรื่องของ "วิธีการ" และ "เครื่องมือ"

ข้อมูลระบุว่า 80% สนใจเครื่องมือเขียนโค้ดประหยัดพลังงาน 78% ต้องการแนวทางปฏิบัติ (best practices) และ 70% พร้อมที่จะมีส่วนร่วมในโครงการโอเพนซอร์สที่เน้นความยั่งยืน

สิ่งที่นักพัฒนาร้องขอคือสิ่งที่ใช้ในวิศวกรรมทั่วไป ได้แก่ เครื่องมือที่ใช้ได้จริง การวัดผลที่เชื่อถือได้ และการตรวจสอบความเปลี่ยนแปลงที่เป็นรูปธรรม เช่น การประมาณรอยเท้าของ repository หรือการระบุ GitHub Actions ที่รันโดยไม่จำเป็น เพื่อหลีกเลี่ยงการกล่าวอ้างลอยๆ โดยไม่มีหลักฐานสนับสนุน

เริ่มต้นด้วยส่วนสูญเปล่าที่คุณสามารถมองเห็นและวัดผลได้

ประสิทธิภาพของซอฟต์แวร์เป็นหัวใจของวิศวกรรมที่ดี ซึ่งช่วยทั้งลดต้นทุนและลดความหน่วง (latency) การลด compute ที่ไม่จำเป็นจึงเท่ากับการลดการใช้พลังงาน โดยจุดเริ่มต้นที่ทำได้ทันทีมี 4 ด้านหลัก คือ:

1. Code: ลดการคำนวณซ้ำซ้อนและอัลกอริทึมที่ไม่มีประสิทธิภาพ
2. Data: ลดการดึงข้อมูลเกินจำเป็น (over-fetching) และเพิ่มการทำ caching
3. Network และ I/O: ลด request ที่ซ้ำซ้อนและใช้การส่งข้อมูลแบบ event-driven
4. Frontend: ลดการ rendering ที่ไม่จำเป็นและจัดการโหลด asset ให้เหมาะสม

การวัดผลควรใช้ตัวชี้วัดที่เหมาะสม เช่น execution time หรือการใช้งาน CPU โดยควรเปรียบเทียบค่ามาตรฐาน (baseline) ก่อนและหลังการปรับปรุง เพื่อให้มีข้อมูลสนับสนุนที่แข็งแกร่งกว่าการอ้างว่า "เป็นมิตรต่อสิ่งแวดล้อม" เพียงอย่างเดียว

ใช้ AI Agent ช่วยค้นหาโอกาส แต่ให้มนุษย์ตัดสินใจขั้นสุดท้าย

การตรวจสอบประสิทธิภาพในโปรเจกต์ขนาดใหญ่อาจล่าช้า GitHub Agentic Workflows จึงเข้ามาช่วยทำให้กระบวนการนี้เป็นอัตโนมัติ เช่น Daily Efficiency Improver workflow ที่จะช่วยหาจุดบกพร่องและสร้าง draft pull request พร้อมหลักฐานให้ผู้ดูแลระบบพิจารณา

นักพัฒนาสามารถติดตั้งเวิร์กโฟลว์นี้ผ่าน GitHub CLI ได้ด้วยคำสั่ง:

gh extension install github/gh-aw
 
gh aw add-wizard githubnext/agentics/efficiency-improver

อย่างไรก็ตาม AI ควรทำหน้าที่เพียงผู้ช่วยในการค้นหาและทดสอบ ส่วนการตัดสินใจสุดท้ายว่าการเปลี่ยนแปลงนั้นสมเหตุสมผลหรือควรอยู่ใน codebase หรือไม่ ยังคงต้องเป็นหน้าที่ของมนุษย์เพื่อให้มั่นใจในคุณภาพและผลกระทบที่เกิดขึ้นจริง

ทำให้ประสิทธิภาพเป็นส่วนหนึ่งของวงจรวิศวกรรม

งานด้านความยั่งยืนจะประสบความสำเร็จได้ต่อเมื่อถูกรวมเข้ากับเครื่องมือที่นักพัฒนาใช้งานอยู่แล้ว โดยการใช้ลูปทางวิศวกรรมตั้งแต่การระบุโอกาส การสร้าง pull request ไปจนถึงการทำ benchmark เพื่อให้ได้ข้อมูลที่จับต้องได้

สำหรับผู้ที่สนใจสามารถศึกษาข้อมูลเพิ่มเติมได้จากรายงานฉบับเต็ม Software Developers on Climate Change, AI, and Sustainable Software หรือเริ่มใช้งาน Daily Efficiency Improver บน repository ของคุณเพื่อค้นหาโอกาสในการปรับปรุงประสิทธิภาพตั้งแต่วันนี้