論文の概要: The Current Challenges of Software Engineering in the Era of Large Language Models

• arxiv url: http://arxiv.org/abs/2412.14554v2
• Date: Fri, 27 Dec 2024 10:17:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-30 17:23:11.525354
• Title: The Current Challenges of Software Engineering in the Era of Large Language Models
• Title（参考訳）: 大規模言語モデルにおけるソフトウェア工学の現状と課題
• Authors: Cuiyun Gao, Xing Hu, Shan Gao, Xin Xia, Zhi Jin,
• Abstract要約: 本稿では,大規模言語モデル (LLM) の下でのソフトウェア開発ライフサイクル (SDLC) の見直しを目的とする。 ソフトウェア要件と設計、コーディングアシスト、コード生成のテスト、コードレビュー、コードメンテナンス、データ、トレーニング、評価を含む7つの側面から、26の重要な課題を達成しています。
• 参考スコア（独自算出の注目度）: 29.040350190602567
• License:
• Abstract: With the advent of large language models (LLMs) in the artificial intelligence (AI) area, the field of software engineering (SE) has also witnessed a paradigm shift. These models, by leveraging the power of deep learning and massive amounts of data, have demonstrated an unprecedented capacity to understand, generate, and operate programming languages. They can assist developers in completing a broad spectrum of software development activities, encompassing software design, automated programming, and maintenance, which potentially reduces huge human efforts. Integrating LLMs within the SE landscape (LLM4SE) has become a burgeoning trend, necessitating exploring this emergent landscape's challenges and opportunities. The paper aims at revisiting the software development life cycle (SDLC) under LLMs, and highlighting challenges and opportunities of the new paradigm. The paper first summarizes the overall process of LLM4SE, and then elaborates on the current challenges based on a through discussion. The discussion was held among more than 20 participants from academia and industry, specializing in fields such as software engineering and artificial intelligence. Specifically, we achieve 26 key challenges from seven aspects, including software requirement & design, coding assistance, testing code generation, code review, code maintenance, software vulnerability management, and data, training, and evaluation. We hope the achieved challenges would benefit future research in the LLM4SE field.
• Abstract（参考訳）: 人工知能(AI)分野における大規模言語モデル(LLM)の出現に伴い、ソフトウェア工学(SE)の分野もパラダイムシフトを目撃している。 これらのモデルは、ディープラーニングと大量のデータを活用することで、プログラミング言語を理解し、生成し、操作する前例のない能力を示している。 ソフトウェア設計や自動プログラミング、メンテナンスなど、幅広いソフトウェア開発活動の完了を支援することで、大きな人的労力を削減できます。 SE ランドスケープ(LLM4SE)に LLM を統合することは、この創発的なランドスケープの課題と機会を探究する必要性から、急成長するトレンドとなっている。 本稿は、LCMの下でソフトウェア開発ライフサイクル(SDLC)を再考することを目的としており、新しいパラダイムの課題と機会を強調している。 本稿はまず LLM4SE の全体プロセスについて概説し、その後、議論の要約に基づいて現在の課題について詳述する。 この議論は、ソフトウェア工学や人工知能といった分野に特化して、学術や産業から20人以上の参加者によって行われた。 具体的には、ソフトウェア要件と設計、コーディングアシスト、コード生成のテスト、コードレビュー、コードメンテナンス、ソフトウェア脆弱性管理、データ、トレーニング、評価を含む7つの側面から、26の重要な課題を達成しています。 LLM4SE分野における今後の研究の恩恵を期待する。

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)
• 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)
• Morescient GAI for Software Engineering (Extended Version) [2.4861619769660637]
  我々は,オープンサイエンスの原則に従って,GAIモデルを設計し,発展し,普及させる方法について,ビジョンとロードマップを提示する。
  論文  参考訳（メタデータ） (2024-06-07T07:38:33Z)
• Bridging Gaps, Building Futures: Advancing Software Developer Diversity and Inclusion Through Future-Oriented Research [50.545824691484796]
  我々はSEの多様性と包摂性に関する課題と解決策について、SE研究者や実践者から知見を提示する。 我々は,将来的なユートピアやディストピアのビジョンを共有し,今後の研究の方向性とアカデミックや産業への示唆を提供する。
  論文  参考訳（メタデータ） (2024-04-10T16:18:11Z)
• A Survey of Neural Code Intelligence: Paradigms, Advances and Beyond [84.95530356322621]
  この調査は、コードインテリジェンスの発展に関する体系的なレビューを示す。 50以上の代表モデルとその変種、20以上のタスクのカテゴリ、および680以上の関連する広範な研究をカバーしている。 発達軌道の考察に基づいて、コードインテリジェンスとより広範なマシンインテリジェンスとの間の新たな相乗効果について検討する。
  論文  参考訳（メタデータ） (2024-03-21T08:54:56Z)
• Dealing with Data for RE: Mitigating Challenges while using NLP and Generative AI [2.9189409618561966]
  本章では、ソフトウェア工学全般の進化する展望、特に要件工学(RE)について論じている。 自然言語処理(NLP)と生成AIをエンタープライズクリティカルなソフトウェアシステムに統合する際に生じる課題について論じる。 本は、読者に必要な知識とツールを提供するために、実践的な洞察、解決策、例を提供する。
  論文  参考訳（メタデータ） (2024-02-26T19:19:47Z)
• Competition-Level Problems are Effective LLM Evaluators [121.15880285283116]
  本稿では,Codeforcesにおける最近のプログラミング問題の解決において,大規模言語モデル(LLM)の推論能力を評価することを目的とする。 まず,問題の発生時間,難易度,遭遇したエラーの種類など,様々な側面を考慮して,GPT-4の望ましくないゼロショット性能を総合的に評価する。 驚くべきことに、GPT-4のTheThoughtivedのパフォーマンスは、2021年9月以降、あらゆる困難と種類の問題に対して一貫して問題が減少するような崖を経験している。
  論文  参考訳（メタデータ） (2023-12-04T18:58:57Z)
• The Transformative Influence of Large Language Models on Software Development [0.0]
  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。
  論文  参考訳（メタデータ） (2023-11-28T02:18:54Z)
• 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)
• SoTaNa: The Open-Source Software Development Assistant [81.86136560157266]
  SoTaNaはオープンソースのソフトウェア開発アシスタントだ。 ソフトウェア工学の分野のための高品質な命令ベースのデータを生成する。 オープンソースの基盤モデルであるLLaMAを強化するためにパラメータ効率のよい微調整アプローチを採用している。
  論文  参考訳（メタデータ） (2023-08-25T14:56:21Z)

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。