Katsetasin natukene teistsugust lähenemist tehisaru kasutamiseks tarkvara täiendamisel. Kirjeldasin soovitud muudatust kahele erinevale tehisaru agendile - Claude Opus 4.5 ja ChatGPT 5.2 Codex. Lasin mõlemal agendil teha omaette vajalikud muudatused, ning lükkasin mõlema agendi lahendus eraldi Git'i harusse. Seejärel palusin mõlemal agendil võrrelda muudatusi nende kahe haru vahel ning valida välja parem lahendus ning põhjendada valikut. Selgus, et nii Opus kui Codex jõudsid samale järeldusele - Opuse lahendus oli parem. Codex piirdus ainult andmete kasutajale õigesti kuvamisega, aga andmebaasis jäeti andmed uuendamata. Opuse lahendus muutis ka andmebaasis olevad andmed korrektseks.
Seejärel palusin Opusel viia enda koodiharus sisse täienduste ideed, mis tekkisid Codexi haruga võrdlemisel. Kui need said tehtud, palusin Codex'il teha koodiülevaatuse Opuse harule. Koodiülevaatuse tulemused andin omakorda tagasi Opusele ja palusin teha need ainult parandused, mis tunduvad mõistlikud. Opus kasutas kolmest Codexi ettepanekust kahte, ning täiendas koodi vastavalt.
Lahenduse evolutsioon
See, mida ma tegin, ei ole midagi uut. Põhimõtteliselt oli tegemist evolutsiooniga - nö "tugevad jäävad ellu" algoritm. Erinevad tehisaru mudelid pakuvad välja enda lahenduse, ning siis koos arvustavad ja valivad välja parima lahenduse. Seejärel valivad parimad lisamõtted, millega veel arvestada või mida rakendada. Ehk siis parimad lahendused liiguvad edasi, ning halvemad visatakse kõrvale. Tegin seda küll ainult 2 mudeliga, aga sama asja võiks teha ka 10 või 20 erineva keelemudeliga. Variant on ka varieerida sisendpäringut selliselt, et lahendused läheneksid probleemile erineva nurga alt.
Tööaja investeering või kvaliteet
Tegmist oli võrdlemisi kalli katsega - hetkel küll ainult ajaliselt. Codex töötab enamike ülesannetega ca 15min. Kuid tulevikus ilmselt ka rahaliselt kalli lahendusega, kuna sama tööd tehakse korduvalt. Samas see tundub suund kuhu on võimalik lihtsalt edasi liikuda või kust oleks võimalik saavutada järgmine kvalitatiivne hüpe. Evolutsioonilise lähenemise mustreid saaks kasutada ka ühe tehisaru mudeli raamides. Tööd erinevates permutatsioonides korrates oleks võimalik vahetada tööaeg (raha) töökvaliteedi vastu. Vähemalt statistiliselt võiks mitme lahenduse võrdlemisel olla suurem võimalus leida piisavalt hea lõpptulem. Kui see toimib loodudes, siis ilmselt toimiks see hästi ka tõenäosuslike tulemustega tehisarude töö juhtimisel.