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
- 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) - AI in Software Engineering: A Survey on Project Management Applications [3.156791351998142]
機械学習(ML)はデータセットでトレーニングを行うアルゴリズムを採用しており、特定のタスクを自律的に実行することができる。
AIは、特にプロジェクト管理と計画において、ソフトウェアエンジニアリングの分野で大きな可能性を秘めている。
論文 参考訳(メタデータ) (2023-07-27T23:02:24Z) - Communicative Agents for Software Development [79.86905471184195]
ChatDevはチャットを利用した仮想ソフトウェア開発会社で、確立したウォーターフォールモデルを反映している。
各ステージは、プログラマ、コードレビュアー、テストエンジニアといった"ソフトウェアエージェント"のチームが参加し、協調的な対話を促進する。
ChatDevは潜在的な脆弱性を特定し、信頼できる効率とコスト効率を維持しながら幻覚を正す。
論文 参考訳(メタデータ) (2023-07-16T02:11:34Z) - 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) - Machine Learning Model Development from a Software Engineering
Perspective: A Systematic Literature Review [0.0]
データサイエンティストは、しばしば、業界やアカデミーの様々な問題を解決するために機械学習モデルを開発した。
本稿では,ソフトウェア工学の観点からMLモデルの開発において生じる課題と実践について考察する。
論文 参考訳(メタデータ) (2021-02-15T14:25:13Z) - 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) - 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。