論文の概要: Autonomous Intelligent Software Development

• arxiv url: http://arxiv.org/abs/2208.06393v1
• Date: Fri, 12 Aug 2022 17:39:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-15 13:36:47.196643
• Title: Autonomous Intelligent Software Development
• Title（参考訳）: 自律的インテリジェントソフトウェア開発
• Authors: Mark Alan Matties
• Abstract要約: AIDAは、スクラッチからソフトウェアを開発する、自律的なインテリジェントな開発者エージェントである。 AIDAはソフトウェア要件仕様を採用し、セマンティックナレッジグラフに対する推論を使用して要件を解釈する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present an overview of the design and first proof-of-concept implementation for AIDA, an autonomous intelligent developer agent that develops software from scratch. AIDA takes a software requirements specification and uses reasoning over a semantic knowledge graph to interpret the requirements, then designs and writes software to satisfy them. AIDA uses both declarative and procedural knowledge in the core domains of data, algorithms, and code, plus some general knowledge. The reasoning codebase uses this knowledge to identify needed components, then designs and builds the necessary information structures around them that become the software. These structures, the motivating requirements, and the resulting source code itself are all new knowledge that are added to the knowledge graph, becoming available for future reasoning. In this way, AIDA also learns as she writes code and becomes more efficient when writing subsequent code.
• Abstract（参考訳）: ソフトウェアをスクラッチから開発する自律型インテリジェント開発者エージェントであるAIDAの設計と最初の概念実証の実装について概説する。 AIDAは、ソフトウェア要件仕様を採用し、セマンティックナレッジグラフに対する推論を使用して、要求を解釈し、それを満たすためにソフトウェアを設計し、記述する。 AIDAは、データ、アルゴリズム、コードのコアドメインにおける宣言的および手続き的知識に加えて、いくつかの一般的な知識を使用する。 推論コードベースは、この知識を使って必要なコンポーネントを特定し、ソフトウェアとなる必要な情報構造を設計し構築する。 これらの構造、モチベーション要件、そして結果として得られるソースコードは、すべて知識グラフに追加される新しい知識であり、将来の推論のために利用できるようになる。 このようにして、AIDAはコードを書きながら学習し、その後のコードを書くときにより効率的になる。

関連論文リスト

• Deep Learning for Code Intelligence: Survey, Benchmark and Toolkit [63.82016263181941]
  コードインテリジェンスは、機械学習技術を活用して、広範なコードコーパスから知識を抽出する。 現在、コードインテリジェンスに重点を置く研究コミュニティは活発です。
  論文  参考訳（メタデータ） (2023-12-30T17:48:37Z)
• Towards Trustworthy AI Software Development Assistance [0.599251270168187]
  現在のソフトウェア開発アシスタントは信頼できない傾向があり、しばしば誤った、安全でない、あるいは品質の低いコードを生成する。 我々は、信頼できるAIソフトウェア開発アシスタントの構築、トレーニング、使用のための全体的アーキテクチャを導入することで、これらの問題を解決することを目指している。
  論文  参考訳（メタデータ） (2023-12-14T16:59:49Z)
• When Do Program-of-Thoughts Work for Reasoning? [51.2699797837818]
  本稿では,コードと推論能力の相関性を測定するために,複雑性に富んだ推論スコア(CIRS)を提案する。 具体的には、抽象構文木を用いて構造情報をエンコードし、論理的複雑性を計算する。 コードはhttps://github.com/zjunlp/EasyInstructのEasyInstructフレームワークに統合される。
  論文  参考訳（メタデータ） (2023-08-29T17:22:39Z)
• Building Interoperable Electronic Health Records as Purpose-Driven Knowledge Graphs [4.391603054571585]
  我々は、データと知識の再利用を可能にするiTelosと呼ばれる統合手法を提案する。 提案手法は大規模ケーススタディへの適用を通じて検証されている。
  論文  参考訳（メタデータ） (2023-05-10T12:11:42Z)
• UNTER: A Unified Knowledge Interface for Enhancing Pre-trained Language Models [100.4659557650775]
  構造化知識と非構造化知識の両方を活用する統一的な視点を提供するために、統一知識インターフェイスUNTERを提案する。 どちらの形態の知識も注入され、UNTERは一連の知識駆動NLPタスクの継続的な改善を得る。
  論文  参考訳（メタデータ） (2023-05-02T17:33:28Z)
• Learning by Applying: A General Framework for Mathematical Reasoning via Enhancing Explicit Knowledge Learning [47.96987739801807]
  本稿では,既存のモデル(バックボーン)を明示的な知識学習によって原則的に拡張する枠組みを提案する。 LeApでは,新しい問題知識表現パラダイムで知識学習を行う。 LeApはすべてのバックボーンのパフォーマンスを改善し、正確な知識を習得し、より解釈可能な推論プロセスを実現する。
  論文  参考訳（メタデータ） (2023-02-11T15:15:41Z)
• Towards Top-Down Automated Development in Limited Scopes: A Neuro-Symbolic Framework from Expressibles to Executables [4.844958528198992]
  我々は、コードデータ、すなわちコード分類に基づいて分類を構築し、コード情報の分類を利用する。 テキストデータとコードデータを関連付ける3層セマンティックピラミッド(SP)を導入する。 本稿では,高モジュール性と低複雑性のソフトウェアに焦点を当てたセマンティックピラミッドフレームワーク(SPF)をアプローチとして提案する。
  論文  参考訳（メタデータ） (2022-09-04T08:35:16Z)
• Knowledge Infused Decoding [46.09844215234235]
  Knowledge Infused Decoding (KID)は、生成言語モデル(LM)のための新しい復号アルゴリズムである。 KIDはLMデコーディングの各ステップに外部知識を動的に注入する。 人間の評価は、入力コンテキストに対してより関連性があり、現実的な言語を生成するKIDの能力を確認する。
  論文  参考訳（メタデータ） (2022-04-06T20:58:32Z)
• The ILASP system for Inductive Learning of Answer Set Programs [79.41112438865386]
  我々のシステムは、通常の規則、選択規則、厳しい制約を含むアンサーセットプログラムを学習する。 まず、ILASPの学習フレームワークとその機能の概要を説明します。 続いて、ILASPシステムの進化を概観する。
  論文  参考訳（メタデータ） (2020-05-02T19:04:12Z)

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。