論文の概要: Understanding What Software Engineers Are Working on -- The Work-Item Prediction Challenge

• arxiv url: http://arxiv.org/abs/2004.06174v1
• Date: Mon, 13 Apr 2020 19:59:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-14 00:36:52.682784
• Title: Understanding What Software Engineers Are Working on -- The Work-Item Prediction Challenge
• Title（参考訳）: ソフトウェアエンジニアが取り組んでいることを理解する -- 作業項目予測チャレンジ
• Authors: Ralf L\"ammel, Alvin Kerber, and Liane Praza
• Abstract要約: ソフトウェアエンジニア(開発者、インシデント対応者、プロダクションエンジニアなど)が何に取り組んでいるのかを理解することは、難しい問題です。 本稿では,代表的シナリオを前提として,それに対応する「ワーク・イテム予測問題」について説明する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding what a software engineer (a developer, an incident responder, a production engineer, etc.) is working on is a challenging problem -- especially when considering the more complex software engineering workflows in software-intensive organizations: i) engineers rely on a multitude (perhaps hundreds) of loosely integrated tools; ii) engineers engage in concurrent and relatively long running workflows; ii) infrastructure (such as logging) is not fully aware of work items; iv) engineering processes (e.g., for incident response) are not explicitly modeled. In this paper, we explain the corresponding 'work-item prediction challenge' on the grounds of representative scenarios, report on related efforts at Facebook, discuss some lessons learned, and review related work to call to arms to leverage, advance, and combine techniques from program comprehension, mining software repositories, process mining, and machine learning.
• Abstract（参考訳）: ソフトウェアエンジニア(開発者、インシデント対応者、プロダクションエンジニアなど)が何に取り組んでいるのかを理解することは難しい問題です。 i) エンジニアは,多数の疎結合ツール(おそらく数百)に依存している。 二 エンジニアが並行かつ比較的長時間のワークフローに従事すること。 ii) インフラストラクチャ(ログなど)は作業項目を完全に認識していないこと,iv) エンジニアリングプロセス(インシデント応答など)が明示的にモデル化されていないこと。 本稿では,代表的なシナリオに基づいて対応する「作業項目予測課題」を説明し,facebookにおける関連する取り組みを報告し,学習した教訓について議論し,プログラム理解,ソフトウェアリポジトリのマイニング,プロセスマイニング,マシンラーニングの手法を活用し,前進させ,組み合わせるための関連する作業についてレビューする。

関連論文リスト

• Overview of Current Challenges in Multi-Architecture Software Engineering and a Vision for the Future [0.0]
  提示されたシステムアーキテクチャは、動的な知識グラフベースのWebAssembly Twinsの概念に基づいている。 結果として得られるシステムは、エンドユーザによる完全な透明性とコントロール性を備えた、高度な自律能力を持つことになる。
  論文  参考訳（メタデータ） (2024-10-28T13:03:09Z)
• Abstraction Engineering [6.091612632147657]
  抽象化はすでに、ソフトウェア開発に関わる多くの分野で使われています。 本稿では、これらの新しい課題を考察し、抽象のレンズを通してそれらに取り組むことを提案する。 抽象化エンジニアリングの基礎について議論し、主要な課題を特定し、これらの課題に対処するための研究課題を強調し、将来の研究のロードマップを作成します。
  論文  参考訳（メタデータ） (2024-08-26T07:56:32Z)
• Building Your Own Product Copilot: Challenges, Opportunities, and Needs [16.710056957807353]
  さまざまな企業でプロダクトコラボレートを構築する責任を負う,26人のプロフェッショナルソフトウェアエンジニアにインタビューした。 エンジニアリングプロセスのすべてのステップと、既存の開発プラクティスを歪ませる課題に、痛点を見つけました。
  論文  参考訳（メタデータ） (2023-12-21T18:37:43Z)
• Defining and executing temporal constraints for evaluating engineering artifact compliance [56.08728135126139]
  プロセスコンプライアンスは、実際のエンジニアリング作業が記述されたエンジニアリングプロセスに可能な限り密接に従うことを保証することに焦点を当てます。 これらのプロセスの制約をチェックすることは、依然として大変な作業であり、多くの手作業を必要とし、プロセスの後半にエンジニアにフィードバックを提供する。 関連するエンジニアリングアーティファクト間の時間的制約を,アーティファクトの変更毎に段階的にチェックする,自動制約チェックアプローチを提案する。
  論文  参考訳（メタデータ） (2023-12-20T13:26:31Z)
• Artificial Intelligence Impact On The Labour Force -- Searching For The Analytical Skills Of The Future Software Engineers [0.0]
  この体系的な文献レビューは、人工知能がソフトウェア工学における労働力に与える影響を調査することを目的としている。 それは、将来のソフトウェアエンジニアに必要なスキル、ソフトウェアエンジニアリングスキルの需要に対するAIの影響、そしてソフトウェアエンジニアの仕事の未来に焦点を当てている。
  論文  参考訳（メタデータ） (2023-02-26T03:49:53Z)
• Enabling Automated Machine Learning for Model-Driven AI Engineering [60.09869520679979]
  モデル駆動型ソフトウェアエンジニアリングとモデル駆動型AIエンジニアリングを実現するための新しいアプローチを提案する。 特に、私たちはAutomated MLをサポートし、AI集約システムの開発において、AIの深い知識のないソフトウェアエンジニアを支援します。
  論文  参考訳（メタデータ） (2022-03-06T10:12:56Z)
• On the validity of pre-trained transformers for natural language processing in the software engineering domain [78.32146765053318]
  ソフトウェア工学データを用いて訓練されたBERT変換器モデルと一般領域データに基づく変換器との比較を行った。 ソフトウェアエンジニアリングのコンテキストを理解するために必要なタスクに対しては,ソフトウェアエンジニアリングデータの事前学習が重要であることを示す。
  論文  参考訳（メタデータ） (2021-09-10T08:46:31Z)
• Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
  機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。 私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。 当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
  論文  参考訳（メタデータ） (2021-01-11T15:54:48Z)
• Explainable AI for Software Engineering [12.552048647904591]
  まず、ソフトウェアエンジニアリングにおける説明可能なAIの必要性を強調します。 次に、上記の課題に対処するために、説明可能なAI技術をどのように利用できるか、という3つのケーススタディを要約する。
  論文  参考訳（メタデータ） (2020-12-03T00:42:29Z)
• Technology Readiness Levels for AI & ML [79.22051549519989]
  機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。 エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。 我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-21T17:14:34Z)
• Machine Learning for Software Engineering: A Systematic Mapping [73.30245214374027]
  ソフトウェア開発業界は、現代のソフトウェアシステムを高度にインテリジェントで自己学習システムに移行するために、機械学習を急速に採用している。 ソフトウェアエンジニアリングライフサイクルの段階にわたって機械学習の採用について、現状を探求する包括的な研究は存在しない。 本研究は,機械学習によるソフトウェア工学(MLSE)分類を,ソフトウェア工学ライフサイクルのさまざまな段階に適用性に応じて,最先端の機械学習技術に分類するものである。
  論文  参考訳（メタデータ） (2020-05-27T11:56:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。