Fugu-MT 論文翻訳(概要): Code Reborn AI-Driven Legacy Systems Modernization from COBOL to Java

論文の概要: Code Reborn AI-Driven Legacy Systems Modernization from COBOL to Java

arxiv url: http://arxiv.org/abs/2504.11335v1
Date: Tue, 15 Apr 2025 16:07:54 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-16 22:12:28.003451
Title: Code Reborn AI-Driven Legacy Systems Modernization from COBOL to Java
Title（参考訳）: コード修正によるAI駆動レガシーシステムのCOBOLからJavaへの近代化
Authors: Gopichand Bandarupalli,
Abstract要約: Legacy 2024 Corpusの活用 -- パブリックおよびエンタープライズソースから5万ファイル -- Javaはコードを解析し、AIはアップグレードを提案し、Reactは向上を視覚化する。このアプローチは、銀行や保険といった業界にとって不可欠な、システムを回復するためのスケーラブルなパスを提供する。
参考スコア（独自算出の注目度）: 0.4779196219827508
License:
Abstract: This study investigates AI-driven modernization of legacy COBOL code into Java, addressing a critical challenge in aging software systems. Leveraging the Legacy COBOL 2024 Corpus -- 50,000 COBOL files from public and enterprise sources -- Java parses the code, AI suggests upgrades, and React visualizes gains. Achieving 93% accuracy, complexity drops 35% (from 18 to 11.7) and coupling 33% (from 8 to 5.4), surpassing manual efforts (75%) and rule-based tools (82%). The approach offers a scalable path to rejuvenate COBOL systems, vital for industries like banking and insurance.
Abstract（参考訳）: 本研究では,旧来のCOBOLコードのJavaへのAIによる近代化について検討し,ソフトウェアシステムの老朽化における重要な課題に対処する。 Legacy COBOL 2024 Corpus(パブリックおよびエンタープライズソースから5万のCOBOLファイル)を活用することで、Javaはコードを解析し、AIはアップグレードを提案し、Reactは利益を視覚化する。 93%の精度を達成すると、複雑性は35%(18から11.7)、結合度は33%(8から5.4)、手作業(75%)、ルールベースのツール(82%)を超える。このアプローチは、銀行や保険といった業界にとって不可欠なCOBOLシステムを回復するためのスケーラブルなパスを提供する。

関連論文リスト

RepoGraph: Enhancing AI Software Engineering with Repository-level Code Graph [63.87660059104077]
RepoGraphは、現代のAIソフトウェアエンジニアリングソリューションのためのリポジトリレベルの構造を管理するプラグインモジュールである。 RepoGraphはすべてのシステムのパフォーマンスを大幅に向上させ、オープンソースフレームワークの間で新たな最先端技術を生み出している。
論文参考訳（メタデータ） (2024-10-03T05:45:26Z)
CRUXEval-X: A Benchmark for Multilingual Code Reasoning, Understanding and Execution [50.7413285637879]
CRUXEVAL-Xコード推論ベンチマークには19のプログラミング言語が含まれている。各言語に対して少なくとも600人の被験者で構成され、合計19Kのコンテンツ一貫性テストがある。 Pythonでのみトレーニングされたモデルでさえ、他の言語で34.4%のPass@1を達成することができる。
論文参考訳（メタデータ） (2024-08-23T11:43:00Z)
MapCoder: Multi-Agent Code Generation for Competitive Problem Solving [3.3856216159724983]
マルチエージェントプロンプトを利用したコード生成タスクに新たなアプローチを導入する。私たちのフレームワークであるMapCoderは、プログラム合成の段階をエミュレートするために設計された4つのLLMエージェントで構成されています。我々の手法は、様々なプログラミング言語で一貫して優れた性能を提供する。
論文参考訳（メタデータ） (2024-05-18T22:10:15Z)
OpenCodeInterpreter: Integrating Code Generation with Execution and Refinement [58.034012276819425]
我々はOpenCodeInterpreterを紹介した。OpenCodeInterpreterは、コードを生成、実行、反復的に精製するためのオープンソースのコードシステムのファミリーである。我々は,HumanEvalやMBPP,EvalPlusの強化バージョンなど,主要なベンチマークを対象としたOpenCodeInterpreterの総合評価を行った。
論文参考訳（メタデータ） (2024-02-22T16:06:23Z)
X-COBOL: A Dataset of COBOL Repositories [4.8342038441006805]
私たちはGitHubから発掘された84のリポジトリのデータセットを構築しました。私たちのデータセットは、マイニングされたリポジトリ内に存在する1255のファイルも提供しています。
論文参考訳（メタデータ） (2023-06-08T02:42:09Z)
Neuro-symbolic Zero-Shot Code Cloning with Cross-Language Intermediate Representation [13.881954273779403]
我々は,従来のプログラミング言語のコードに対して意味論的に類似したクローンを学習することなく発見するタスクに対処する,ニューロシンボリックなアプローチを定義した。 CodeNetデータセットで利用可能なC言語ペアのSBT IRによるコードクローンタスクに対して、クロスプログラミング言語検索の最高のパフォーマンスモデルであるUnixCoderを微調整する。この微調整されたUnixCoderでは、CodeNetから合成されたテストスプリットに基づいて、事前訓練されたUnixCoderモデルに対して12.85 MAP@2のパフォーマンスが改善される。
論文参考訳（メタデータ） (2023-04-26T07:41:26Z)
CodeGeeX: A Pre-Trained Model for Code Generation with Multilingual Benchmarking on HumanEval-X [50.008474888951525]
コード生成に130億のパラメータを持つ多言語モデルであるCodeGeeXを紹介する。 CodeGeeXは、23のプログラミング言語の8500億のトークンで事前訓練されている。
論文参考訳（メタデータ） (2023-03-30T17:34:01Z)
ReACC: A Retrieval-Augmented Code Completion Framework [53.49707123661763]
本稿では,語彙のコピーと類似したセマンティクスを持つコード参照の両方を検索により活用する検索拡張コード補完フレームワークを提案する。我々は,Python および Java プログラミング言語のコード補完タスクにおけるアプローチを評価し,CodeXGLUE ベンチマークで最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2022-03-15T08:25:08Z)
CoSQA: 20,000+ Web Queries for Code Search and Question Answering [63.92224685262063]
CoSQAデータセットには、自然言語クエリとコードのペア用の20,604ラベルが含まれている。本稿では,クエリコードマッチングを強化するために,CoCLRと呼ばれる対照的な学習手法を提案する。我々は,CodeXGLUEを同じCodeBERTモデルで評価し,CoSQAのトレーニングにより,コード質問応答の精度が5.1%向上したことを示す。
論文参考訳（メタデータ） (2021-05-27T15:37:21Z)
Project CodeNet: A Large-Scale AI for Code Dataset for Learning a Diversity of Coding Tasks [11.10732802304274]
Project CodeNetは、1400万のコードサンプルと55の異なるプログラミング言語で約5億行のコードで構成されている。 Project CodeNetは、その規模だけでなく、ベンチマークに役立つコーディングタスクの多様性にも特有である。
論文参考訳（メタデータ） (2021-05-25T00:13:29Z)

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。