論文の概要: Morescient GAI for Software Engineering
- arxiv url: http://arxiv.org/abs/2406.04710v1
- Date: Fri, 7 Jun 2024 07:38:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-10 15:09:53.861432
- Title: Morescient GAI for Software Engineering
- Title（参考訳）: ソフトウェアエンジニアリングのための高度なGAI
- Authors: Marcus Kessel, Colin Atkinson,
- Abstract要約: ソフトウェアエンジニアリングタスクにジェネレーティブAI(GAI)を使用することは、ソフトウェアエンジニアリング研究の最も急速に拡大している分野の1つである。
我々は,オープンサイエンスの原則に従って,そのような「科学的」なGAIモデルをいかに設計し,発展し,普及させるか,というビジョンを提示する。
- 参考スコア（独自算出の注目度）: 2.4861619769660637
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The ability of Generative AI (GAI) technology to automatically check, synthesize and modify software engineering artifacts promises to revolutionize all aspects of software engineering. Using GAI for software engineering tasks is consequently one of the most rapidly expanding fields of software engineering research, with dozens of LLM-based code models having been published since 2021. However, the overwhelming majority of existing code models share a major weakness - they are exclusively trained on the syntactic facet of software, significantly lowering their trustworthiness in tasks dependent on software semantics. To address this problem, a new class of "Morescient" GAI is needed that is "aware" of (i.e., trained on) both the semantic and static facets of software. This, in turn, will require a new generation of software observation platforms capable of generating ultra-large quantities of execution observations in a structured and readily analyzable way. In this paper, we present a vision for how such "Morescient" GAI models can be engineered, evolved and disseminated according to the principles of open science.
- Abstract（参考訳）: 生成AI(GAI)技術がソフトウェアエンジニアリングの成果物を自動的にチェックし、合成し、修正できることは、ソフトウェアエンジニアリングのあらゆる側面に革命をもたらすことを約束する。
従って、ソフトウェアエンジニアリングタスクにGAIを使用することは、ソフトウェアエンジニアリング研究の最も急速に発展した分野の1つであり、2021年以来、多くのLLMベースのコードモデルが発行されている。
しかし、既存のコードモデルの圧倒的多数は、大きな弱点を共有している。それらはソフトウェアの統語的側面にのみ訓練されており、ソフトウェアセマンティクスに依存するタスクに対する信頼性を著しく低下させています。
この問題に対処するためには、ソフトウェアのセマンティックな面と静的な面の両方を(すなわち、訓練された)「認識する」新しいクラスである"Morescient" GAIが必要である。
これにより、構造化され、容易に分析可能な方法で、非常に大量の実行観察を生成できる、新しい世代のソフトウェア観測プラットフォームが必要になります。
本稿では,オープンサイエンスの原則に則って,そのような「モレサイエント」なGAIモデルをいかに開発・発展・普及させるか,というビジョンを提示する。
関連論文リスト
- LLMs: A Game-Changer for Software Engineers? [0.0]
GPT-3やGPT-4のような大規模言語モデル(LLM)は、従来のAIアプリケーションを超えた機能を備えた画期的なイノベーションとして登場した。
ソフトウェア開発に革命をもたらす潜在能力は、ソフトウェアエンジニアリング(SE)コミュニティを魅了している。
この記事では、LCMはソフトウェアの開発方法を変えるだけでなく、開発者の役割を再定義するものである、と論じる。
論文 参考訳（メタデータ） (2024-11-01T17:14:37Z) - Lingma SWE-GPT: An Open Development-Process-Centric Language Model for Automated Software Improvement [62.94719119451089]
Lingma SWE-GPTシリーズは、現実世界のコード提出活動から学び、シミュレーションする。
Lingma SWE-GPT 72BはGitHubの30.20%の問題を解決する。
論文 参考訳（メタデータ） (2024-11-01T14:27:16Z) - Overview of Current Challenges in Multi-Architecture Software Engineering and a Vision for the Future [0.0]
提示されたシステムアーキテクチャは、動的な知識グラフベースのWebAssembly Twinsの概念に基づいている。
結果として得られるシステムは、エンドユーザによる完全な透明性とコントロール性を備えた、高度な自律能力を持つことになる。
論文 参考訳（メタデータ） (2024-10-28T13:03:09Z) - Next-Gen Software Engineering: AI-Assisted Big Models [0.0]
本稿では,ソフトウェア工学におけるモデルとAIの合成を容易にすることを目的とする。
本稿では,AI支援ソフトウェア工学の現状について概説する。
SEにおけるAI支援ビッグデータのビジョンは、両方のアプローチに固有のアドバンテージを活用することを目的としている。
論文 参考訳（メタデータ） (2024-09-26T16:49:57Z) - Abstraction Engineering [6.091612632147657]
抽象化はすでに、ソフトウェア開発に関わる多くの分野で使われています。
本稿では、これらの新しい課題を考察し、抽象のレンズを通してそれらに取り組むことを提案する。
抽象化エンジニアリングの基礎について議論し、主要な課題を特定し、これらの課題に対処するための研究課題を強調し、将来の研究のロードマップを作成します。
論文 参考訳（メタデータ） (2024-08-26T07:56:32Z) - Agent-Driven Automatic Software Improvement [55.2480439325792]
本提案は,Large Language Models (LLMs) を利用したエージェントの展開に着目して,革新的なソリューションの探求を目的とする。
継続的学習と適応を可能にするエージェントの反復的性質は、コード生成における一般的な課題を克服するのに役立ちます。
我々は,これらのシステムにおける反復的なフィードバックを用いて,エージェントの基盤となるLLMをさらに微調整し,自動化されたソフトウェア改善のタスクに整合性を持たせることを目指している。
論文 参考訳（メタデータ） (2024-06-24T15:45:22Z) - A Systematic Literature Review on the Use of Machine Learning in Software Engineering [0.0]
本研究は,ソフトウェア工学プロセスに機械学習技術を適用する際の技術の現状を探るため,その目的と研究課題に従って実施された。
レビューでは、ソフトウェア品質保証、ソフトウェア保守、ソフトウェア理解、ソフトウェアドキュメントなど、MLが適用されたソフトウェアエンジニアリングにおける重要な領域を特定している。
論文 参考訳（メタデータ） (2024-06-19T23:04:27Z) - Embedded Software Development with Digital Twins: Specific Requirements
for Small and Medium-Sized Enterprises [55.57032418885258]
デジタル双生児は、コスト効率の良いソフトウェア開発とメンテナンス戦略の可能性を秘めている。
私たちは中小企業に現在の開発プロセスについてインタビューした。
最初の結果は、リアルタイムの要求が、これまでは、Software-in-the-Loop開発アプローチを妨げていることを示している。
論文 参考訳（メタデータ） (2023-09-17T08:56:36Z) - 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) - 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) - 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。