論文の概要: Experimenting a New Programming Practice with LLMs
- arxiv url: http://arxiv.org/abs/2401.01062v1
- Date: Tue, 2 Jan 2024 06:50:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-03 14:33:33.010823
- Title: Experimenting a New Programming Practice with LLMs
- Title(参考訳): LLMによる新しいプログラミング実践の実験
- Authors: Simiao Zhang, Jiaping Wang, Guoliang Dong, Jun Sun, Yueling Zhang,
Geguang Pu
- Abstract要約: AISD (AI-Aided Software Development) というプロトタイプを開発している。
高いレベルの(潜在的に曖昧な)ユーザ要求を入力として取り込むことができる。
詳細なユースケース、プロトタイプシステム設計、そしてその後のシステム実装を生成する。
- 参考スコア(独自算出の注目度): 6.8035637735756715
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The recent development on large language models makes automatically
constructing small programs possible. It thus has the potential to free
software engineers from low-level coding and allow us to focus on the perhaps
more interesting parts of software development, such as requirement engineering
and system testing. In this project, we develop a prototype named AISD
(AI-aided Software Development), which is capable of taking high-level
(potentially vague) user requirements as inputs, generates detailed use cases,
prototype system designs, and subsequently system implementation. Different
from existing attempts, AISD is designed to keep the user in the loop, i.e., by
repeatedly taking user feedback on use cases, high-level system designs, and
prototype implementations through system testing. AISD has been evaluated with
a novel benchmark of non-trivial software projects. The experimental results
suggest that it might be possible to imagine a future where software
engineering is reduced to requirement engineering and system testing only.
- Abstract(参考訳): 近年の大規模言語モデルの開発により,プログラムの自動構築が可能になった。
したがって、低レベルのコーディングからソフトウェアエンジニアを解放する可能性があり、要件工学やシステムテストといったソフトウェア開発のより興味深い部分に集中することができます。
本プロジェクトでは,高度な(潜在的に曖昧な)ユーザ要件を入力として,詳細なユースケース,プロトタイプシステム設計,システム実装を生成できるaisd(ai-aided software development)というプロトタイプを開発した。
既存の試みとは違って、AISDはユーザをループに維持するために設計されており、ユースケース、高レベルのシステム設計、システムテストによるプロトタイプ実装に対するユーザのフィードバックを繰り返し受けている。
AISDは、非自明なソフトウェアプロジェクトの新しいベンチマークで評価されている。
実験結果は、ソフトウェア工学が要件工学とシステムテストのみに還元される未来を想像できる可能性を示唆している。
関連論文リスト
- 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) - Exploring and Characterizing Large Language Models For Embedded System
Development and Debugging [10.967443876391611]
大規模言語モデル (LLM) は、コードを生成する際、顕著な能力を示しているが、組み込みシステム用のソフトウェアを開発する能力は研究されていない。
我々は,組込みシステム開発におけるLLMの能力と限界を評価するためのオープンソースフレームワークを開発した。
この発見を利用して、人間のプログラマがこれらのツールとどのように相互作用するかを研究し、組み込みシステムを構築するためのヒューマンAIベースのソフトウェアエンジニアリングワークフローを開発する。
論文 参考訳(メタデータ) (2023-07-07T20:14:22Z) - Genetic Micro-Programs for Automated Software Testing with Large Path
Coverage [0.0]
既存のソフトウェアテスト技術は、検索アルゴリズムを利用して、高い実行パスカバレッジを実現する入力値を見つけることに重点を置いている。
本稿では、進化したソリューションが入力値ではなく、繰り返し入力値を生成するマイクロプログラムである新しい遺伝的プログラミングフレームワークの概要を述べる。
我々のアプローチは多くの異なるソフトウェアシステムに適用できるような一般化が可能であり、そのため、トレーニングされた特定のソフトウェアコンポーネントのみに特化していない、と我々は主張する。
論文 参考訳(メタデータ) (2023-02-14T18:47:21Z) - Fault-Aware Neural Code Rankers [64.41888054066861]
サンプルプログラムの正しさを予測できる故障認識型ニューラルネットワークローダを提案する。
我々のフォールト・アウェア・ローダは、様々なコード生成モデルのpass@1精度を大幅に向上させることができる。
論文 参考訳(メタデータ) (2022-06-04T22:01:05Z) - 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) - A Model-Driven Engineering Approach to Machine Learning and Software
Modeling [0.5156484100374059]
モデルは、ソフトウェア工学(SE)と人工知能(AI)のコミュニティで使われている。
主な焦点はIoT(Internet of Things)とCPS(Smart Cyber-Physical Systems)のユースケースである。
論文 参考訳(メタデータ) (2021-07-06T15:50:50Z) - 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) - Software engineering for artificial intelligence and machine learning
software: A systematic literature review [6.681725960709127]
本研究は,AI/MLシステムの開発において,ソフトウェア工学がどのように応用されてきたかを検討することを目的とする。
プロフェッショナルが直面する主な課題は、テスト、AIソフトウェアの品質、データ管理といった分野だ。
論文 参考訳(メタデータ) (2020-11-07T11:06:28Z) - 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) - Evaluating Sequence-to-Sequence Learning Models for If-Then Program
Synthesis [0.0]
プロセス自動化のビルディングブロックは、if-thenプログラムです。
コンシューマの世界では、IFTTTのようなサイトでは、グラフィカルインターフェースを使用してif-Thenプログラムを定義することで、ユーザが自動化を作成することができる。
Seq2Seqアプローチは(シーケンスのレシピに強く依存する)高いポテンシャルを持ち、より複雑なプログラム課題を合成するための有望なアプローチとして機能する。
論文 参考訳(メタデータ) (2020-02-10T00:45:03Z)
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。