نشرت شركة Apple ثلاث دراسات مثيرة للاهتمام تقدم نظرة ثاقبة حول كيفية قيام التطوير القائم على الذكاء الاصطناعي بتحسين سير العمل والجودة والإنتاجية. وهنا التفاصيل.

التنبؤ بالعيوب البرمجية باستخدام نموذج محول التشفير التلقائي

في هذه الدراسة، يقدم باحثو Apple نموذجًا جديدًا للذكاء الاصطناعي يتغلب على القيود المفروضة على ماجستير إدارة الأعمال اليوم (مثل “الهلوسة، وتوليد السياق السيئ، وفقدان علاقات العمل المهمة أثناء الاسترجاع”)، عند تحليل قواعد التعليمات البرمجية واسعة النطاق لاكتشاف الأخطاء والتنبؤ بها.

يهدف النموذج، المسمى ADE-QVAET، إلى تحسين دقة التنبؤ بالأخطاء من خلال الجمع بين أربع تقنيات للذكاء الاصطناعي: التطور التفاضلي التكيفي (ADE)، والمشفر الآلي المتغير الكمي (QVAE)، وطبقة المحولات، وتقليل الضوضاء التكيفية وتعزيزها (ANRA).

باختصار، بينما يقوم ADE بضبط كيفية تعلم النموذج، فإن QVAE يساعده على فهم الأنماط الأعمق في البيانات. وفي الوقت نفسه، تضمن طبقة المحول أن يتتبع النموذج كيفية ارتباط هذه الأنماط ببعضها البعض، وتقوم ANRA بتنظيف البيانات وموازنتها للحفاظ على نتائج متسقة.

ومن المثير للاهتمام أن هذه ليست شهادة LLM تقوم بتحليل الكود مباشرة. وبدلاً من ذلك، فإنه يبحث في المقاييس والبيانات المتعلقة بالتعليمات البرمجية، مثل التعقيد والحجم والبنية، ويبحث عن الأنماط التي قد تشير إلى المكان الذي من المحتمل أن تحدث فيه الأخطاء.

وفقًا للباحثين، كانت هذه هي النتائج عندما قاموا بقياس أداء النموذج على مجموعة بيانات Kaggle المصممة خصيصًا للتنبؤ بالأخطاء البرمجية:

“أثناء التدريب بنسبة تدريب 90%، يحقق ADE-QVAET دقة عالية وإحكام واستدعاء ودرجة F1 تبلغ 98.08% و92.45% و94.67% و98.12% على التوالي، عند مقارنتها بنموذج التطور التفاضلي (DE) ML.”

وهذا يعني أن النموذج كان موثوقًا للغاية بشكل عام، وفعالًا جدًا في تحديد الأخطاء الحقيقية بشكل صحيح، مع تجنب النتائج الإيجابية الخاطئة.

اقرأ الدراسة الكاملة على مدونة أبحاث التعلم الآلي من Apple

Agentic RAG لاختبار البرامج باستخدام الرسم البياني المتجه المختلط والتنسيق متعدد الوكلاء

تم إجراء هذه الدراسة من قبل أربعة باحثين من شركة Apple، ثلاثة منهم عملوا على نموذج ADE-QVAET. وهنا، يقومون بمعالجة مهمة ثانية تستغرق وقتًا طويلاً ويواجهها مهندسو الجودة، وهي إنشاء وصيانة خطط وحالات اختبار تفصيلية لمشاريع البرامج الكبيرة.

في هذه الدراسة، قاموا بتطوير نظام يستخدم LLMs ووكلاء الذكاء الاصطناعي المستقلين لإنشاء وإدارة عناصر الاختبار تلقائيًا، بدءًا من خطط الاختبار إلى تقارير التحقق من الصحة، مع الحفاظ على إمكانية التتبع الكامل بين المتطلبات ومنطق الأعمال والنتائج.

بمعنى آخر، قاموا ببناء نظام ذكاء اصطناعي يمكنه تخطيط وكتابة وتنظيم اختبارات البرامج من تلقاء نفسه، مما يمكن أن يساعد في تبسيط سير عمل مهندسي الجودة، الذين “يقضون 30-40٪ من وقتهم في إنشاء أدوات الاختبار التأسيسية، مثل خطط الاختبار والحالات والبرامج النصية للتشغيل الآلي”.

كما هو الحال مع نموذج ADE-QVAET، كانت النتائج هنا واعدة جدًا:

“يحقق النظام تحسينات ملحوظة في الدقة من 65% إلى 94.8% مع ضمان إمكانية التتبع الشامل للمستندات طوال دورة حياة هندسة الجودة. يُظهر التحقق التجريبي من مشاريع هندسة الأنظمة المؤسسية وترحيل SAP انخفاضًا بنسبة 85% في الجدول الزمني للاختبار، وتحسينًا بنسبة 85% في كفاءة مجموعة الاختبار، وتوفيرًا متوقعًا في التكاليف بنسبة 35%، مما يؤدي إلى تسريع بدء التشغيل لمدة شهرين.”

من ناحية أخرى، لاحظ الباحثون أيضًا أن الإطار يمثل قيودًا، بما في ذلك حقيقة أن عملهم ركز فقط على “أنظمة الموظفين، والتمويل، وبيئات SAP”، مما يحد من قدرات تعميمه.

اقرأ الدراسة الكاملة على مدونة أبحاث التعلم الآلي من Apple

تدريب وكلاء هندسة البرمجيات والمتحققين مع SWE-Gym

ربما تكون هذه هي الدراسة الأكثر إثارة للاهتمام والطموح بين الدراسات الثلاث.

في حين ركزت الدراستان السابقتان على توقع الأماكن التي من المحتمل أن تظهر فيها الأخطاء وكيفية اختبارها والتحقق من صحتها، فإن الفكرة وراء SWE-Gym هي تدريب عملاء الذكاء الاصطناعي الذين يمكنهم في الواقع إصلاح الخلل من خلال تعلم قراءة التعليمات البرمجية الحقيقية وتحريرها والتحقق منها.

تم إنشاء SWE-Gym باستخدام 2438 مهمة Python في العالم الحقيقي من 11 مستودعًا مفتوح المصدر، يحتوي كل منها على بيئة قابلة للتنفيذ ومجموعة اختبار حتى يتمكن الوكلاء من ممارسة كتابة التعليمات البرمجية وتصحيح الأخطاء في ظروف واقعية.

قام الباحثون أيضًا بتطوير SWE-Gym Lite، والذي يتضمن 230 مهمة أبسط وأكثر استقلالية مصممة لجعل التدريب والتقييم أسرع وأقل تكلفة من الناحية الحسابية.

وفقًا للدراسة، قام العملاء الذين تم تدريبهم باستخدام SWE-Gym بحل 72.5% من المهام بشكل صحيح، متفوقين على المعايير السابقة بأكثر من 20 نقطة مئوية.

وفي الوقت نفسه، خفض SWE-Gym Lite وقت التدريب بمقدار النصف تقريبًا مقارنة بالإعداد الكامل، مع تقديم نتائج مماثلة. من ناحية أخرى، يشتمل الإصدار Lite على مهام ترميز أقل بكثير وأبسط بكثير، مما يجعله أقل فعالية لاختبار النماذج على المشكلات الأكبر والأكثر تعقيدًا.

اقرأ الدراسة الكاملة على مدونة أبحاث التعلم الآلي من Apple

عروض الإكسسوارات على أمازون