論文の概要: Towards an AI Software Factory for Data Systems
- arxiv url: http://arxiv.org/abs/2609.36323v1
- Date: Mon, 28 Sep 2026 21:55:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.038353
- Title: Towards an AI Software Factory for Data Systems
- Title（参考訳）: データシステムのためのAIソフトウェアファクトリを目指して
- Abstract要約: AI支援コーディングツールは、コーディングの大幅な加速を提供するが、エンドツーエンドソフトウェア開発ライフサイクル(SDLC)に限られた影響しか与えない。
本稿では,SDLC-Targeting, Coding, Reviewing, Opsのすべての段階を加速するAI SW Factoryの構築に向けた進展について論じる。
- 参考スコア（独自算出の注目度）: 8.613875164541682
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: AI-assisted coding tools deliver significant acceleration of coding, but only limited impact across the end-to-end software development lifecycle (SDLC)--an Amdahl's law effect! In this paper, we discuss our progress towards building an AI SW Factory that accelerates all the stages of SDLC-Targeting, Coding, Reviewing, and Ops. The AI SW Factory produces a metadata exhaust that enables self-improvement by fine-tuning model weights and updating our World Model (a rich data substrate). We focus on Data Systems and the important class of Evolutionary Coding Tasks (i.e., those with a measurable objective to hill-climb) and report on 1) scaled deployments at Microsoft (tens of repositories) leading to 3x engineering efficiency above agentic coding and up to 22x token efficiency, and 2) several open challenges.
- Abstract（参考訳）: AI支援コーディングツールは、コーディングの大幅な加速を提供するが、エンドツーエンドのソフトウェア開発ライフサイクル(SDLC)、すなわちAmdahlの法的な効果に限られた影響しか与えない。
本稿では,SDLC-Targeting, Coding, Reviewing, Opsのすべての段階を加速するAI SW Factoryの構築に向けた進展について論じる。
AI SW Factoryは、モデルウェイトを微調整し、World Model(リッチなデータ基板)を更新することで、自己改善を可能にするメタデータ排気を生成する。
我々は,データシステムと進化的符号化タスクの重要クラス(すなわち,丘登りに対する測定可能な目標を持つもの)に注目し,報告する。
1) エージェントコーディングよりも3倍のエンジニアリング効率、最大22倍のトークン効率をもたらすMicrosoft(リポジトリ数)でのスケールドデプロイメント。
2) オープンな課題がいくつかある。
関連論文リスト
- Customizing an LLM for Enterprise Software Engineering [35.9413356526649]
Gemini for Google (GfG)は、Googleの内部ソフトウェアエンジニアリングエコシステムに特化したGeminiの適応である。
29,000人の開発者を対象にした大規模な盲目A/B調査では、GoogleのGeminiがベースラインを大幅に上回った。
この方法論は、他の組織が社内エンジニアリングデータの潜在能力を最大限に活用するための、レプリケートなパスを提供する、と私たちは信じています。
論文 参考訳（メタデータ） (2026-05-15T18:11:55Z) - FrontierSmith: Synthesizing Open-Ended Coding Problems at Scale [73.57353294235223]
既存のクローズドエンドコーディングタスクからオープンエンドの問題を進化させる自動化システムであるFrontierSmithを紹介する。
2つのオープンエンドコーディングベンチマークでは、我々の合成データに対するトレーニングはベースモデルよりも大幅に向上する。
合成された問題は、エージェントがもっと回転してトークンを使うようにもなっています。
論文 参考訳（メタデータ） (2026-05-14T06:39:42Z) - SWE-AGI: Benchmarking Specification-Driven Software Construction with MoonBit in the Era of Autonomous Agents [21.8776989802963]
SWE-AGIはMoonBitで書かれたソフトウェアシステムのエンドツーエンド、仕様駆動の構築を評価するためのオープンソースのベンチマークである。
それぞれのタスクには1000～10,000行のコアロジックを実装する必要がある。
論文 参考訳（メタデータ） (2026-02-10T06:31:47Z) - Advances and Frontiers of LLM-based Issue Resolution in Software Engineering: A Comprehensive Survey [59.3507264893654]
課題解決は、現実世界の開発に不可欠な複雑なソフトウェアエンジニアリングタスクです。
SWE-benchのようなベンチマークでは、このタスクは大規模言語モデルでは極めて困難であることが判明した。
本稿では,この新興領域を体系的に調査する。
論文 参考訳（メタデータ） (2026-01-15T18:55:03Z) - From Code Foundation Models to Agents and Applications: A Practical Guide to Code Intelligence [150.3696990310269]
大規模言語モデル(LLM)は、自然言語記述を直接関数コードに変換することによって、自動ソフトウェア開発を変革した。
コードLLMに関する総合的な合成と実践的ガイド(一連の解析および探索実験)を提供する。
一般LLM(GPT-4, Claude, LLaMA)とコード特殊化LLM(StarCoder, Code LLaMA, DeepSeek-Coder, QwenCoder)のコード機能の解析を行う。
論文 参考訳（メタデータ） (2025-11-23T17:09:34Z) - A Survey on Code Generation with LLM-based Agents [61.474191493322415]
大規模言語モデル(LLM)を利用したコード生成エージェントは、ソフトウェア開発パラダイムに革命をもたらしている。
LLMは3つのコア特徴によって特徴づけられる。
本稿では,LLMに基づくコード生成エージェントの分野を体系的に調査する。
論文 参考訳（メタデータ） (2025-07-31T18:17:36Z) - A Machine Learning Approach Towards SKILL Code Autocompletion [6.586356094533907]
本研究は,ハードウェア設計技術者の生産性向上に向けて,SKILLコードオートコンプリートにトランスフォーマーを適用した最初の事例である。
ラベル付きデータとラベル付きデータの両方で高品質なSKILLデータセットを作成するための新しい手法を提案する。
提案手法を用いて訓練されたモデルは,人間の判断スコアとBLEUスコアにおいて,ベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-12-04T14:29:28Z) - 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。