論文の概要: The Transformative Influence of Large Language Models on Software
Development
- arxiv url: http://arxiv.org/abs/2311.16429v1
- Date: Tue, 28 Nov 2023 02:18:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-29 20:38:27.347799
- Title: The Transformative Influence of Large Language Models on Software
Development
- Title(参考訳): ソフトウェア開発における大規模言語モデルの変容的影響
- Authors: Sajed Jalil
- Abstract要約: Generalized Large Language Models (LLM) は様々な分野に進出している。
LLMはAIペアプログラミングアシスタントとしての役割をますます高めており、重要な課題やオープンな問題も提示している。
予備的な調査結果は、データのプライバシー、偏見、誤報に関する懸念を浮き彫りにしている。
調査で確認した12のオープンな問題を特定し、これらの領域をカバーしています。
- 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: The increasing adoption and commercialization of generalized Large Language
Models (LLMs) have profoundly impacted various aspects of our daily lives.
Initially embraced by the computer science community, the versatility of LLMs
has found its way into diverse domains. In particular, the software engineering
realm has witnessed the most transformative changes. With LLMs increasingly
serving as AI Pair Programming Assistants spurred the development of
specialized models aimed at aiding software engineers. Although this new
paradigm offers numerous advantages, it also presents critical challenges and
open problems. To identify the potential and prevailing obstacles, we
systematically reviewed contemporary scholarly publications, emphasizing the
perspectives of software developers and usability concerns. Preliminary
findings underscore pressing concerns about data privacy, bias, and
misinformation. Additionally, we identified several usability challenges,
including prompt engineering, increased cognitive demands, and mistrust.
Finally, we introduce 12 open problems that we have identified through our
survey, covering these various domains.
- Abstract(参考訳): 一般化されたLarge Language Models(LLM)の採用と商業化が、私たちの日常生活の様々な側面に大きな影響を与えています。
当初はコンピュータサイエンスコミュニティに受け入れられていたが、LLMの汎用性は様々な分野に浸透した。
特に、ソフトウェアエンジニアリングの領域は、最も変革的な変化を目の当たりにしている。
LLMがAIペアプログラミングアシスタントとして機能するようになり、ソフトウェアエンジニアを支援する専門モデルの開発が加速した。
この新しいパラダイムには多くの利点があるが、重要な課題やオープンな問題も提示する。
可能性と普及する障害を特定するため,同時代の学術誌を体系的にレビューし,ソフトウェア開発者とユーザビリティの懸念点を強調した。
予備的な調査結果は、データのプライバシー、偏見、誤報に関する懸念を浮き彫りにしている。
さらに,プロンプトエンジニアリング,認知的要求の増大,不信感など,ユーザビリティの課題をいくつか特定した。
最後に、これらの領域について、調査を通じて確認した12のオープンな問題を紹介します。
関連論文リスト
- A Comprehensive Study of Knowledge Editing for Large Language Models [83.73538305784763]
大規模言語モデル(LLM)は、人間のコミュニケーションを忠実に反映したテキストの理解と生成の素晴らしい能力を示している。
本稿では,知識編集の問題を定義し,最先端アプローチの包括的レビューを行う。
我々は,代表的知識編集アプローチの総合的評価のための新しいベンチマークであるKnowEditを紹介した。
論文 参考訳(メタデータ) (2024-01-02T16:54:58Z) - Large Language Models for Software Engineering: Survey and Open Problems [35.29302720251483]
本稿では,ソフトウェア工学(SE)におけるLarge Language Models(LLMs)の新しい領域について調査する。
本調査では,ハイブリッド技術(従来のSE+LLM)が,信頼性,効率,効率のよいLLMベースのSEの開発と展開において果たすべき重要な役割を明らかにした。
論文 参考訳(メタデータ) (2023-10-05T13:33:26Z) - Machine Unlearning: A Survey [56.79152190680552]
プライバシ、ユーザビリティ、および/または忘れられる権利のために、特定のサンプルに関する情報をマシンアンラーニングと呼ばれるモデルから削除する必要がある特別なニーズが生まれている。
この新興技術は、その革新と実用性により、学者と産業の両方から大きな関心を集めている。
この複雑なトピックを分析したり、さまざまなシナリオで既存の未学習ソリューションの実現可能性を比較したりした研究はない。
この調査は、未学習のテクニックに関する卓越した問題と、新しい研究機会のための実現可能な方向性を強調して締めくくった。
論文 参考訳(メタデータ) (2023-06-06T10:18:36Z) - Domain Specialization as the Key to Make Large Language Models
Disruptive: A Comprehensive Survey [90.81725789120534]
大規模言語モデル(LLM)は自然言語処理(NLP)の分野を著しく進歩させた。
広範囲のアプリケーションに対して、非常に有用でタスクに依存しない基盤を提供する。
しかし、特定の領域における洗練された問題を解決するために直接LLMを適用することは、多くのハードルを満たす。
論文 参考訳(メタデータ) (2023-05-30T03:00:30Z) - Selected Trends in Artificial Intelligence for Space Applications [69.3474006357492]
この章は、差別化可能なインテリジェンスとオンボード機械学習に焦点を当てている。
欧州宇宙機関(ESA)Advanced Concepts Team(ACT)から選ばれたいくつかのプロジェクトについて論じる。
論文 参考訳(メタデータ) (2022-12-10T07:49:50Z) - Machine Learning Application Development: Practitioners' Insights [18.114724750441724]
MLアプリケーション開発の課題とベストプラクティスを理解することを目的とした調査について報告する。
80人の実践者から得られた結果を17の発見にまとめ、MLアプリケーション開発の課題とベストプラクティスを概説する。
報告された課題が、MLベースのアプリケーションのエンジニアリングプロセスと品質を改善するために調査すべきトピックについて、研究コミュニティに知らせてくれることを期待しています。
論文 参考訳(メタデータ) (2021-12-31T03:38:37Z) - Understanding the Usability Challenges of Machine Learning In
High-Stakes Decision Making [67.72855777115772]
機械学習(ML)は、多種多様な成長を続ける一連のドメインに適用されている。
多くの場合、MLやデータサイエンスの専門知識を持たないドメインの専門家は、ML予測を使用してハイステークな意思決定を行うように求められます。
児童福祉スクリーニングにおけるMLユーザビリティの課題について,児童福祉スクリーニング者との一連のコラボレーションを通じて検討する。
論文 参考訳(メタデータ) (2021-03-02T22:50:45Z) - 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) - Knowledge as Invariance -- History and Perspectives of
Knowledge-augmented Machine Learning [69.99522650448213]
機械学習の研究は転換点にある。
研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。
このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
論文 参考訳(メタデータ) (2020-12-21T15:07:19Z)
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。