論文の概要: The Impact of AI-Generated Solutions on Software Architecture and Productivity: Results from a Survey Study
- arxiv url: http://arxiv.org/abs/2506.17833v1
- Date: Sat, 21 Jun 2025 22:03:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-24 19:06:36.606133
- Title: The Impact of AI-Generated Solutions on Software Architecture and Productivity: Results from a Survey Study
- Title（参考訳）: AI生成ソリューションがソフトウェアアーキテクチャと生産性に与える影響:調査結果から
- Authors: Giorgio Amasanti, Jasmin Jahic,
- Abstract要約: AIツールを使用するソフトウェア実践者の調査を行った。
結論として、AIツールはソフトウェアエンジニアの生産性を大幅に向上させる。
しかし、AIツールを使用することによる生産性の利点は、プロジェクトがより複雑になるにつれて減少します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: AI-powered software tools are widely used to assist software engineers. However, there is still a need to understand the productivity benefits of such tools for software engineers. In addition to short-term benefits, there is a question of how adopting AI-generated solutions affects the quality of software over time (e.g., maintainability and extendability). To provide some insight on these questions, we conducted a survey among software practitioners who use AI tools. Based on the data collected from our survey, we conclude that AI tools significantly increase the productivity of software engineers. However, the productivity benefits of using AI tools reduce as projects become more complex. The results also show that there are no significant negative influences of adopting AI-generated solutions on software quality, as long as those solutions are limited to smaller code snippets. However, when solving larger and more complex problems, AI tools generate solutions of a lower quality, indicating the need for architects to perform problem decomposition and solution integration.
- Abstract（参考訳）: AIを利用したソフトウェアツールは、ソフトウェアエンジニアを支援するために広く利用されている。
しかし、ソフトウェアエンジニアにとってそのようなツールの生産性の利点を理解する必要がある。
短期的なメリットに加えて、AI生成ソリューションの採用が時間の経過とともにソフトウェアの品質(保守性や拡張性など)に与える影響も疑問視されている。
これらの質問に対する洞察を得るために、私たちはAIツールを使用するソフトウェア実践者の調査を行った。
私たちの調査から収集したデータに基づいて、AIツールはソフトウェアエンジニアの生産性を大幅に向上させると結論付けています。
しかし、AIツールを使用することによる生産性の利点は、プロジェクトがより複雑になるにつれて減少します。
結果は、より小さなコードスニペットに制限されている限り、AI生成ソリューションがソフトウェア品質に悪影響を及ぼすことも示している。
しかし、より大規模で複雑な問題を解決する場合、AIツールはより低い品質のソリューションを生成し、アーキテクトが問題解決とソリューション統合を行う必要があることを示している。
関連論文リスト
- Controlling Context: Generative AI at Work in Integrated Circuit Design and Other High-Precision Domains [0.0]
本稿では、ハードウェアおよびソフトウェア技術者とその協力者へのインタビューを分析し、生成型AIツールの使用における精度の役割を明らかにする。
本論文は、コンテキストをインタラクティブに制御する能力を高めることで、このようなトラブルを緩和するための推奨事項で締めくくっている。
論文 参考訳（メタデータ） (2025-06-17T14:25:32Z) - Challenges and Paths Towards AI for Software Engineering [55.95365538122656]
ソフトウェア工学におけるAIの進歩を3倍に議論する。
まず、ソフトウェア工学のためのAIにおいて、具体的なタスクを構造化した分類法を提供する。
次に、現在のアプローチを制限するいくつかの重要なボトルネックを概説する。
論文 参考訳（メタデータ） (2025-03-28T17:17:57Z) - How Performance Pressure Influences AI-Assisted Decision Making [57.53469908423318]
我々は、プレッシャーと説明可能なAI(XAI)技術がAIアドバイステイク行動とどのように相互作用するかを示す。
我々の結果は、圧力とXAIの異なる組み合わせで複雑な相互作用効果を示し、AIアドバイスの行動を改善するか、悪化させるかのどちらかを示す。
論文 参考訳（メタデータ） (2024-10-21T22:39:52Z) - The Role of Artificial Intelligence and Machine Learning in Software Testing [0.14896196009851972]
人工知能(AI)と機械学習(ML)は様々な産業に大きな影響を与えている。
ソフトウェア開発ライフサイクル(SDLC)の重要な部分であるソフトウェアテストは、ソフトウェア製品の品質と信頼性を保証する。
本稿では、既存の文献をレビューし、現在のツールや技術を分析し、ケーススタディを提示することで、ソフトウェアテストにおけるAIとMLの役割について考察する。
論文 参考訳（メタデータ） (2024-09-04T13:25:13Z) - A Multi-Year Grey Literature Review on AI-assisted Test Automation [46.97326049485643]
テスト自動化(TA)技術は、ソフトウェアエンジニアリングの品質保証には不可欠だが、制限に直面している。
業界でAIが広く使われていることを考えると、真実の情報源はグレー文学だけでなく、専門家の心にも当てはまる。
この研究は、グレーの文献を調査し、AIがTAでどのように採用されているかを調査し、解決する問題、そのソリューション、利用可能なツールに焦点を当てる。
論文 参考訳（メタデータ） (2024-08-12T15:26:36Z) - Using Machine Learning To Identify Software Weaknesses From Software
Requirement Specifications [49.1574468325115]
本研究は、要求仕様からソフトウェア弱点を特定するための効率的な機械学習アルゴリズムを見つけることに焦点を当てる。
ProMISE_exp. Naive Bayes、サポートベクターマシン(SVM)、決定木、ニューラルネットワーク、畳み込みニューラルネットワーク(CNN)アルゴリズムをテストした。
論文 参考訳（メタデータ） (2023-08-10T13:19:10Z) - AI for IT Operations (AIOps) on Cloud Platforms: Reviews, Opportunities
and Challenges [60.56413461109281]
IT運用のための人工知能(AIOps)は、AIのパワーとIT運用プロセスが生成するビッグデータを組み合わせることを目的としている。
我々は、IT運用活動が発信する重要なデータの種類、分析における規模と課題、そしてどのように役立つかについて深く議論する。
主要なAIOpsタスクは、インシデント検出、障害予測、根本原因分析、自動アクションに分類します。
論文 参考訳（メタデータ） (2023-04-10T15:38:12Z) - A Large-Scale Survey on the Usability of AI Programming Assistants:
Successes and Challenges [23.467373994306524]
実際には、開発者はAIプログラミングアシスタントの最初の提案を高い頻度で受け入れない。
これらのツールを使用して開発者のプラクティスを理解するため、多数の開発者を対象に調査を実施しました。
開発者がAIプログラミングアシスタントを使用する動機は、開発者がキーストロークを減らしたり、プログラミングタスクを素早く終了したり、構文をリコールするのに役立つためである。
また、開発者がこれらのツールを使用しない最も重要な理由は、これらのツールが特定の機能的あるいは非機能的要件に対処するコードを出力していないためです。
論文 参考訳（メタデータ） (2023-03-30T03:21:53Z) - Automated Machine Learning: A Case Study on Non-Intrusive Appliance Load Monitoring [81.06807079998117]
非侵入的機器負荷モニタリング(NIALM)のための自動機械学習(AutoML)を実現する新しい手法を提案する。
NIALMは、電子機器や家電のエネルギー消費を測定するためのスマートメーターに代わる費用対効果を提供する。
論文 参考訳（メタデータ） (2022-03-06T10:12:56Z) - Explainable AI for Software Engineering [12.552048647904591]
まず、ソフトウェアエンジニアリングにおける説明可能なAIの必要性を強調します。
次に、上記の課題に対処するために、説明可能なAI技術をどのように利用できるか、という3つのケーススタディを要約する。
論文 参考訳（メタデータ） (2020-12-03T00:42:29Z)
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。
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。