論文の概要: Assessing the Impact of Refactoring Energy-Inefficient Code Patterns on Software Sustainability: An Industry Case Study
- arxiv url: http://arxiv.org/abs/2506.09370v1
- Date: Wed, 11 Jun 2025 03:34:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-13 06:35:02.307895
- Title: Assessing the Impact of Refactoring Energy-Inefficient Code Patterns on Software Sustainability: An Industry Case Study
- Title（参考訳）: エネルギー非効率コードパターンのリファクタリングがソフトウェアサステナビリティに与える影響を評価する:産業ケーススタディ
- Authors: Rohit Mehra, Priyavanshi Pathania, Vibhu Saujanya Sharma, Vikrant Kaulgud, Sanjay Podder, Adam P. Burden,
- Abstract要約: 本稿では,自動ソフトウェアサステナビリティ評価ツールを用いて,エネルギー非効率なコードパターンの持続可能性への影響を評価する産業ケーススタディを提案する。
予備的な結果は、アプリケーションのサステナビリティーのリファクタリング後への影響を浮き彫りにしており、ユーザ毎のエネルギー消費は29%減少している。
- 参考スコア（独自算出の注目度）: 9.521952718902973
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Advances in technologies like artificial intelligence and metaverse have led to a proliferation of software systems in business and everyday life. With this widespread penetration, the carbon emissions of software are rapidly growing as well, thereby negatively impacting the long-term sustainability of our environment. Hence, optimizing software from a sustainability standpoint becomes more crucial than ever. We believe that the adoption of automated tools that can identify energy-inefficient patterns in the code and guide appropriate refactoring can significantly assist in this optimization. In this extended abstract, we present an industry case study that evaluates the sustainability impact of refactoring energy-inefficient code patterns identified by automated software sustainability assessment tools for a large application. Preliminary results highlight a positive impact on the application's sustainability post-refactoring, leading to a 29% decrease in per-user per-month energy consumption.
- Abstract（参考訳）: 人工知能やメタバースといった技術の進歩は、ビジネスや日常生活におけるソフトウェアシステムの急増につながっている。
この普及により、ソフトウェアの二酸化炭素排出量も急速に増加し、環境の長期的な持続可能性にも悪影響を及ぼす。
したがって、サステナビリティの観点からソフトウェアを最適化することが、これまで以上に重要になります。
コード内のエネルギー非効率なパターンを特定し、適切なリファクタリングをガイドする自動化ツールの採用は、この最適化に大いに役立ちます。
本稿では,大規模なアプリケーションを対象とした自動ソフトウェア持続可能性評価ツールによって同定された,エネルギー効率の低いコードパターンのリファクタリングによる持続可能性への影響を評価する産業ケーススタディを提案する。
予備的な結果は、アプリケーションのサステナビリティーのリファクタリング後への影響を浮き彫りにしており、ユーザ毎のエネルギー消費は29%減少している。
関連論文リスト
- Towards a Knowledge Base of Common Sustainability Weaknesses in Green Software Development [9.521952718902973]
本稿では,コードに一般的に発生する持続可能性弱点の標準的な知識基盤の開発の必要性を動機づける。
ソフトウェア弱点に関する既存の知識が、重大なデューディリジェンスを伴わずに持続可能性に"as is"をタグ付けできない理由を実証する。
論文 参考訳（メタデータ） (2025-06-10T14:03:58Z) - ORMind: A Cognitive-Inspired End-to-End Reasoning Framework for Operations Research [53.736407871322314]
ORMindは認知にインスパイアされたフレームワークで、反ファクト推論を通じて最適化を強化する。
提案手法は,要求を数学的モデルや実行可能なコードに変換するエンド・ツー・エンドのワークフローを実装し,人間の認識をエミュレートする。
現在はLenovoのAIアシスタントで内部でテストされており、ビジネスとコンシューマの両方の最適化機能を強化する予定である。
論文 参考訳（メタデータ） (2025-06-02T05:11:21Z) - Towards Effective Code-Integrated Reasoning [89.47213509714578]
モデルが必要に応じてコードを生成するコード統合推論について検討し、コードインタプリタを通じてそれを実行することによってフィードバックを統合する。
ツール強化強化学習は、学習力学における潜在的な不安定さに悩まされる可能性がある。
我々は、探索と安定性のバランスをとるための強化されたトレーニング戦略を開発し、推論性能を改善しながら、ツールの利用能力を徐々に構築する。
論文 参考訳（メタデータ） (2025-05-30T11:30:18Z) - Optimizing Token Consumption in LLMs: A Nano Surge Approach for Code Reasoning Efficiency [5.044393644778693]
Chain of Thought (CoT)推論は、コードの自動修復に欠かせないアプローチとなっている。
CoTはトークン消費を大幅に増加させ、推論効率を低下させ、計算コストを上昇させる。
本稿では,コンテキスト認識,責任調整,コスト感の3つの最適化手法を提案する。
論文 参考訳（メタデータ） (2025-04-22T15:51:00Z) - Carbon Footprint Evaluation of Code Generation through LLM as a Service [5.782162597806532]
グリーンコーディングとAIモデルはエネルギー効率を向上させることができると主張している。
本稿では,AIモデルの持続可能性意識を測定するためのグリーンコーディングとメトリクスの概要を紹介する。
論文 参考訳（メタデータ） (2025-03-30T15:27:04Z) - The Dual-use Dilemma in LLMs: Do Empowering Ethical Capacities Make a Degraded Utility? [54.18519360412294]
大きな言語モデル(LLM)は、安全のための有害な要求を拒否することと、ユーティリティのための正当な要求を収容することのバランスをとる必要がある。
本稿では,DPO(Direct Preference Optimization)に基づくアライメントフレームワークを提案する。
我々は,DeepSeek-R1をベンチマークでテストした結果を解析し,この高い評価を得たモデルがもたらす批判的倫理的懸念を明らかにする。
論文 参考訳（メタデータ） (2025-01-20T06:35:01Z) - Addressing the sustainable AI trilemma: a case study on LLM agents and RAG [7.6212949300713015]
大規模言語モデル(LLM)は重要な機能を示しているが、その広範なデプロイメントとより高度なアプリケーションによって、重要な持続可能性の課題が提起されている。
本稿では、持続可能なAIトリレムマの概念を提案し、AI能力、デジタルエクイティ、環境サステナビリティの緊張関係を強調する。
論文 参考訳（メタデータ） (2025-01-14T17:21:16Z) - Learn to Code Sustainably: An Empirical Study on LLM-based Green Code
Generation [7.8273713434806345]
生成型商用AI言語モデルにより生成された自動生成符号の持続可能性を評価する。
3つのAI言語モデルによって生成された人為的なコードとコードのパフォーマンスとグリーンキャパシティを比較した。
論文 参考訳（メタデータ） (2024-03-05T22:12:01Z) - Efficiency Pentathlon: A Standardized Arena for Efficiency Evaluation [82.85015548989223]
Pentathlonは、モデル効率の総合的で現実的な評価のためのベンチマークである。
Pentathlonは、モデルライフサイクルにおける計算の大部分を占める推論に焦点を当てている。
レイテンシ、スループット、メモリオーバーヘッド、エネルギー消費など、さまざまな効率面をターゲットにしたメトリクスが組み込まれている。
論文 参考訳（メタデータ） (2023-07-19T01:05:33Z) - A Comparative Study of Machine Learning Algorithms for Anomaly Detection
in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。
Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。
しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
論文 参考訳（メタデータ） (2023-07-01T15:18:00Z)
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。