論文の概要: Lost in Code Generation: Reimagining the Role of Software Models in AI-driven Software Engineering
- arxiv url: http://arxiv.org/abs/2511.02475v1
- Date: Tue, 04 Nov 2025 11:03:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-05 18:47:05.963271
- Title: Lost in Code Generation: Reimagining the Role of Software Models in AI-driven Software Engineering
- Title（参考訳）: コード生成の損失:AI駆動ソフトウェアエンジニアリングにおけるソフトウェアモデルの役割を再考する
- Authors: Jürgen Cito, Dominik Bork,
- Abstract要約: このシフトは、ソフトウェアモデルの再構築を動機付けている、と私たちは主張する。
事前の青写真としてのみ機能するのではなく、AI生成コードからモデルを取り出すことができる。
この役割では、モデルは人間の意図、AI生成、長期システムの進化の間の仲介者として機能する。
- 参考スコア（独自算出の注目度）: 1.3124479769761592
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative AI enables rapid ``vibe coding," where natural language prompts yield working software systems. While this lowers barriers to software creation, it also collapses the boundary between prototypes and engineered software, leading to fragile systems that lack robustness, security, and maintainability. We argue that this shift motivates a reimagining of software models. Rather than serving only as upfront blueprints, models can be recovered post-hoc from AI-generated code to restore comprehension, expose risks, and guide refinement. In this role, models serve as mediators between human intent, AI generation, and long-term system evolution, providing a path toward sustainable AI-driven software engineering.
- Abstract（参考訳）: ジェネレーティブAIは、自然言語が動作するソフトウェアシステムの帰結を促す、高速な‘バイブコーディング’を可能にする。
これは、ソフトウェア作成の障壁を低くする一方で、プロトタイプとエンジニアリングされたソフトウェアの境界を崩壊させ、堅牢性、セキュリティ、保守性に欠ける脆弱なシステムにつながります。
このシフトは、ソフトウェアモデルの再構築を動機付けている、と私たちは主張する。
事前の青写真としてのみ機能するのではなく、AI生成コードからモデルを取り出すことで、理解の回復、リスクの公開、改善のガイドが可能になる。
この役割では、モデルは人間の意図、AI生成、長期システムの進化の間の仲介者として機能し、持続可能なAI駆動ソフトウェアエンジニアリングへの道筋を提供する。
関連論文リスト
- AI-Driven Self-Evolving Software: A Promising Path Toward Software Automation [6.38492008798679]
現在のAIは、主に人間の開発者のアシスタントとして機能する。
AIは、ソフトウェアの中核的なコンポーネントになるために、アシスタントの役割を超えて動けるだろうか?
AI駆動の自己進化ソフトウェア(Self-Evolving Software)を紹介します。
論文 参考訳（メタデータ） (2025-10-01T07:17:51Z) - On the Future of Software Reuse in the Era of AI Native Software Engineering [1.4310278966797794]
我々は,AIによる生成ソフトウェア再利用の意義を論じ,関連する疑問を提起し,この新たなアプローチにかかわる中心的な問題に取り組むための研究課題を定義する。
論文 参考訳（メタデータ） (2025-08-27T12:38:33Z) - Software Reuse in the Generative AI Era: From Cargo Cult Towards AI Native Software Engineering [2.7808182112731537]
新たな"AIネイティブ"ソフトウェアエンジニアリングの文脈において,AIによる生成ソフトウェア再利用がもたらす意味について論じる。
本稿は、暫定的な研究課題を定義し、このアプローチにかかわるいくつかの中心的な課題に取り組むための行動を呼びかける。
論文 参考訳（メタデータ） (2025-06-22T08:09:25Z) - A Path Less Traveled: Reimagining Software Engineering Automation via a Neurosymbolic Paradigm [9.900581015679935]
本稿では,ニューロシンボリック・ソフトウェア・エンジニアリングを,ニューラルネットワークとシンボリック(ルールベース)推論を組み合わせた有望なパラダイムとして提案する。
このハイブリッド方法論は、AI駆動ソフトウェアエンジニアリングの効率性、信頼性、透明性を高めることを目的としている。
論文 参考訳（メタデータ） (2025-05-04T22:10:21Z) - 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) - Optimizing AI-Assisted Code Generation [0.8901073744693314]
AI支援のコード生成ツールは、ソフトウェア開発を大きく変えた。
生成されたコードのセキュリティ、信頼性、機能、品質が保証されなければならない。
本稿では,これらの目標の現在までの実施について検討し,最適化戦略について検討する。
論文 参考訳（メタデータ） (2024-12-14T20:14:44Z) - 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) - Grounded Decoding: Guiding Text Generation with Grounded Models for
Embodied Agents [111.15288256221764]
グラウンデッドデコーディングプロジェクトは、両方のモデルの知識を活用することで、ロボット環境で複雑な長期タスクを解決することを目的としている。
我々はこれを確率的フィルタリングに類似した問題として、言語モデルの下で高い確率を持つシーケンスをデコードし、基底モデル対象のセットで高い確率を示す。
本研究では,3つのシミュレーション領域と実世界の領域にまたがって,そのような基底モデルがどのように得られるのかを実証し,両モデルの知識を活用して,ロボット環境での複雑な長期的タスクを解くことができることを示す。
論文 参考訳（メタデータ） (2023-03-01T22:58:50Z) - AI Maintenance: A Robustness Perspective [91.28724422822003]
我々は、AIライフサイクルにおけるロバストネスの課題を強調し、自動車のメンテナンスに類似させることで、AIのメンテナンスを動機付ける。
本稿では,ロバストネスリスクの検出と軽減を目的としたAIモデル検査フレームワークを提案する。
我々のAIメンテナンスの提案は、AIライフサイクル全体を通して堅牢性評価、状態追跡、リスクスキャン、モデル硬化、規制を促進する。
論文 参考訳（メタデータ） (2023-01-08T15:02:38Z) - 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) - Data-Driven and SE-assisted AI Model Signal-Awareness Enhancement and
Introspection [61.571331422347875]
モデルの信号認識性を高めるためのデータ駆動型手法を提案する。
コード複雑性のSE概念とカリキュラム学習のAIテクニックを組み合わせる。
モデル信号認識における最大4.8倍の改善を実現している。
論文 参考訳（メタデータ） (2021-11-10T17:58:18Z)
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。