Google Brain IA predice cambios en el código
Este nuevo enfoque pretende hacer una inteligencia artificial que pueda predecir cambios en el código fuente en función de cambios en el pasado. En sus propias palabras, el enfoque ofrece el mejor rendimiento y la escalabilidad de todas las opciones probadas hasta la fecha.
Crear una IA de este tipo es un desafío, ya que un desarrollador a menudo realiza cambios con uno o más objetivos en mente. "Los patrones de cambio no solo pueden entenderse en términos del cambio (que se ha agregado o eliminado) o su resultado (el estado del código después de aplicar el cambio)", dijeron los investigadores, informa Venturebeat .
"Un ajuste debe entenderse en términos de la relación entre el cambio y el estado en el que se realizó". Si desea que una IA pueda predecir una serie de operaciones, los investigadores deben tener una representación de la anterior. Operaciones con las que el modelo puede generalizar el patrón y predecir futuras operaciones.
Por lo tanto, el equipo primero desarrolló dos representaciones para registrar información intencional que se amplía con la longitud de la serie de códigos en el tiempo. Estas son representaciones explícitas que "muestran" ediciones en la serie como tokens en una cuadrícula 2D, y representaciones implícitas que confirman ediciones adicionales.
El equipo luego creó un modelo de aprendizaje automático que puede registrar la relación entre los cambios y el contexto en el que se realizaron, específicamente mediante la codificación del código inicial y los cambios, compilando el contexto y determinando los siguientes cambios y sus posiciones. para poner
Para medir la generalización del sistema, los investigadores desarrollaron una serie de datos sintéticos inspirados en cambios que pueden ocurrir en datos reales, pero se han simplificado para permitir una interpretación más clara de los resultados. Además, han copilado un gran conjunto de datos con la edición de secuencias de instantáneas de una base de código de Google con ocho millones de cambios de 5.700 desarrolladores, y los dividieron en conjuntos para capacitación, desarrollo y pruebas.
Los investigadores afirman que los experimentos muestran que el modelo predijo de forma fiable y precisa las posiciones en las que se debe hacer un cambio, así como el contenido de ese cambio. Los investigadores creen que el modelo se puede modificar para mejorar los sistemas de autocompletado que ignoran el historial de cambios, o para predecir las búsquedas de código que los desarrolladores realizarán.
