論文の概要: AI for Low-Code for AI

• arxiv url: http://arxiv.org/abs/2305.20015v1
• Date: Wed, 31 May 2023 16:44:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-01 15:12:25.714590
• Title: AI for Low-Code for AI
• Title（参考訳）: ローコードAIのためのAI
• Authors: Nikitha Rao, Jason Tsay, Kiran Kate, Vincent J. Hellendoorn, Martin Hirzel
• Abstract要約: LowCoderは、ビジュアルプログラミングインターフェースとAI駆動の自然言語インターフェースの両方をサポートするAIパイプラインを開発するための、最初のローコードツールである。 私たちは、LowCoderを使用して4つのMLパイプラインを実装することで、さまざまなレベルのAI専門知識を持つ20人の開発者をタスクします。 参加者はLowCoder_NLを使用して、75%のタスクで新しい演算子を発見しました。
• 参考スコア（独自算出の注目度）: 8.379047663193422
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Low-code programming allows citizen developers to create programs with minimal coding effort, typically via visual (e.g. drag-and-drop) interfaces. In parallel, recent AI-powered tools such as Copilot and ChatGPT generate programs from natural language instructions. We argue that these modalities are complementary: tools like ChatGPT greatly reduce the need to memorize large APIs but still require their users to read (and modify) programs, whereas visual tools abstract away most or all programming but struggle to provide easy access to large APIs. At their intersection, we propose LowCoder, the first low-code tool for developing AI pipelines that supports both a visual programming interface (LowCoder_VP) and an AI-powered natural language interface (LowCoder_NL). We leverage this tool to provide some of the first insights into whether and how these two modalities help programmers by conducting a user study. We task 20 developers with varying levels of AI expertise with implementing four ML pipelines using LowCoder, replacing the LowCoder_NL component with a simple keyword search in half the tasks. Overall, we find that LowCoder is especially useful for (i) Discoverability: using LowCoder_NL, participants discovered new operators in 75% of the tasks, compared to just 32.5% and 27.5% using web search or scrolling through options respectively in the keyword-search condition, and (ii) Iterative Composition: 82.5% of tasks were successfully completed and many initial pipelines were further successfully improved. Qualitative analysis shows that AI helps users discover how to implement constructs when they know what to do, but still fails to support novices when they lack clarity on what they want to accomplish. Overall, our work highlights the benefits of combining the power of AI with low-code programming.
• Abstract（参考訳）: ローコードプログラミングにより、シチズンディベロッパーは通常、ビジュアルインターフェース(ドラッグ&ドロップなど)を介して、最小限のコーディング労力でプログラムを作成できる。 並行して、CopilotやChatGPTといった最近のAIツールが、自然言語命令からプログラムを生成する。 ChatGPTのようなツールは大きなAPIを覚える必要を大幅に減らしますが、ユーザはプログラムを読み(そして変更)なければなりません。 それらの交差点では、ビジュアルプログラミングインタフェース(LowCoder_VP)とAIを利用した自然言語インターフェース(LowCoder_NL)の両方をサポートするAIパイプラインを開発するための、最初のローコードツールであるLowCoderを提案する。 このツールを活用して、これらの2つのモダリティがプログラマにユーザスタディを実行することで、プログラマにどのように役立つか、という最初の洞察を提供する。 我々は、LowCoder_NLコンポーネントを単純なキーワード検索で半分に置き換え、LowCoderを使用して4つのMLパイプラインを実装することで、さまざまなレベルのAI専門知識を持つ20人の開発者をタスクします。 全体として、LowCoderは特に役に立ちます。 (i)発見可能性:lowcoder_nlを使用して、被験者は、キーワード検索条件でそれぞれ32.5%と27.5%と、タスクの75%で新しいオペレータを発見した。 (ii)反復構成:タスクの82.5%が成功し、多くの初期パイプラインがさらに改善された。 質的な分析は、AIがユーザーが何をすべきかを知りながら、達成したいことを明確にしていないときに初心者をサポートする方法を見つけるのに役立っていることを示している。 全体として、私たちの研究はAIのパワーとローコードプログラミングを組み合わせることの利点を強調しています。

関連論文リスト

• Using AI-Based Coding Assistants in Practice: State of Affairs, Perceptions, and Ways Forward [9.177785129949]
  我々は、AIアシスタントの使用方法に関する大規模な調査を行った。 我々は5つの幅広い活動について481人のプログラマの意見を収集した。 その結果,AIアシスタントの利用状況は,活動やステージによって異なることがわかった。
  論文  参考訳（メタデータ） (2024-06-11T23:10:43Z)
• How Far Have We Gone in Stripped Binary Code Understanding Using Large Language Models [51.527805834378974]
  バイナリコード理解におけるLarge Language Models(LLM)の有効性を評価するためのベンチマークを提案する。 評価の結果、既存のLLMはバイナリコードをある程度理解でき、それによってバイナリコード解析の効率が向上することが明らかとなった。
  論文  参考訳（メタデータ） (2024-04-15T14:44:08Z)
• Genetic Auto-prompt Learning for Pre-trained Code Intelligence Language Models [54.58108387797138]
  コードインテリジェンスタスクにおける即時学習の有効性について検討する。 既存の自動プロンプト設計手法は、コードインテリジェンスタスクに限られている。 本稿では、精巧な遺伝的アルゴリズムを用いてプロンプトを自動設計する遺伝的オートプロンプト(GenAP)を提案する。
  論文  参考訳（メタデータ） (2024-03-20T13:37:00Z)
• Generating Java Methods: An Empirical Assessment of Four AI-Based Code Assistants [5.32539007352208]
  私たちは、人気のあるAIベースのコードアシスタントであるGitHub Copilot、Tabnine、ChatGPT、Google Bardの4つの有効性を評価します。 その結果、Copilotは他のテクニックよりも正確であることが多いが、他のアプローチによって完全に仮定されるアシスタントは存在しないことが判明した。
  論文  参考訳（メタデータ） (2024-02-13T12:59:20Z)
• Developer Experiences with a Contextualized AI Coding Assistant: Usability, Expectations, and Outcomes [11.520721038793285]
  この研究は、コンテキスト化されたコーディングAIアシスタントであるStackSpot AIを制御された環境で使用した62人の参加者の初期体験に焦点を当てる。 アシスタントの使用は、大幅な時間を節約し、ドキュメントへのアクセスを容易にし、内部APIの正確なコードを生成する結果となった。 コーディングアシスタントが、複雑なコードを扱う際の変数応答や制限と同様に、よりコンテキスト情報にアクセスできるようにするために必要な知識ソースに関連する課題が観察された。
  論文  参考訳（メタデータ） (2023-11-30T10:52:28Z)
• Guess & Sketch: Language Model Guided Transpilation [59.02147255276078]
  学習されたトランスパイレーションは、手作業による書き直しやエンジニアリングの取り組みに代わるものだ。 確率的ニューラルネットワークモデル(LM)は、入力毎に可塑性出力を生成するが、正確性を保証するコストがかかる。 Guess & Sketch は LM の特徴からアライメントと信頼性情報を抽出し、意味的等価性を解決するためにシンボリック・ソルバに渡す。
  論文  参考訳（メタデータ） (2023-09-25T15:42:18Z)
• A Large-Scale Survey on the Usability of AI Programming Assistants: Successes and Challenges [23.467373994306524]
  実際には、開発者はAIプログラミングアシスタントの最初の提案を高い頻度で受け入れない。 これらのツールを使用して開発者のプラクティスを理解するため、多数の開発者を対象に調査を実施しました。 開発者がAIプログラミングアシスタントを使用する動機は、開発者がキーストロークを減らしたり、プログラミングタスクを素早く終了したり、構文をリコールするのに役立つためである。 また、開発者がこれらのツールを使用しない最も重要な理由は、これらのツールが特定の機能的あるいは非機能的要件に対処するコードを出力していないためです。
  論文  参考訳（メタデータ） (2023-03-30T03:21:53Z)
• How Generative AI models such as ChatGPT can be (Mis)Used in SPC Practice, Education, and Research? An Exploratory Study [2.0841728192954663]
  生成人工知能(AI)モデルは、統計的プロセス制御(SPC)の実践、学習、研究に革命をもたらす可能性がある。 これらのツールは開発の初期段階にあり、簡単に誤用されるか、誤解される可能性がある。 コードを提供し、基本的な概念を説明し、SPCの実践、学習、研究に関する知識を創造するChatGPTの能力を探求する。
  論文  参考訳（メタデータ） (2023-02-17T15:48:37Z)
• Interactive Code Generation via Test-Driven User-Intent Formalization [60.90035204567797]
  大きな言語モデル(LLM)は、非公式な自然言語(NL)の意図からコードを生成する。 自然言語は曖昧であり、形式的な意味論が欠けているため、正確性の概念を定義するのは難しい。 言語に依存しない抽象アルゴリズムと具体的な実装TiCoderについて述べる。
  論文  参考訳（メタデータ） (2022-08-11T17:41:08Z)
• Competition-Level Code Generation with AlphaCode [74.87216298566942]
  より深い推論を必要とする問題に対する新しいソリューションを作成することができるコード生成システムであるAlphaCodeを紹介する。 Codeforcesプラットフォームにおける最近のプログラミングコンペティションのシミュレーション評価において、AlphaCodeは平均54.3%のランキングを達成した。
  論文  参考訳（メタデータ） (2022-02-08T23:16:31Z)
• BUSTLE: Bottom-Up Program Synthesis Through Learning-Guided Exploration [72.88493072196094]
  プログラムのボトムアップ検索に学習を活用する新しい合成手法を提案する。 特に、入力出力例のセットに基づいて、探索条件中の中間値の合成を優先順位付けするようにモデルを訓練する。 単純な教師付き学習アプローチであっても,学習とボトムアップ検索の組み合わせは極めて効果的であることを示す。
  論文  参考訳（メタデータ） (2020-07-28T17:46:18Z)

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。