في عالم تطوير البرمجيات، تظل مشكلات تحديد الأخطاء وإصلاح البرامج من أكبر التحديات التي تواجه المطورين. ومع ظهور تقنيات الذكاء الاصطناعي، أصبح من الممكن تحسين هذه العمليات بشكل كبير.

أحدثت ARISE (محرك حل مشاكل المستودعات الذكية) ثورة في هذا المجال من خلال تقديم نموذج غرافي فريد يُعزز قدرات الوكلاء الذكاء الاصطناعي في التعرف على وحدات الكود ذات الصلة عبر الملفات المختلفة، ومتابعة التبعيات الخاصة بالنداءات والبيانات، وإنتاج تصحيحات فعالة.

تتمتع ARISE بتقديم تمثيل هيكلي شامل للمستودعات يشمل الملفات والفئات والوظائف، لكنها تذهب إلى ما هو أبعد من ذلك لتطوير تمثيل تدفق البيانات على مستوى الجملة. يتم ربط نقاط الاتصال في هذا التمثيل بواسطة حواف تعريف-استخدام داخل الإجراء، مما يمنح الوكلاء الدقة اللازمة في تحديد الأخطاء على مستوى الوظائف والسطور.

تتميز ARISE أيضًا بوجود واجهة برمجة تطبيقات (API) ثلاثية المستويات، حيث تجعل من تقطيع تدفق البيانات عنصرًا محوريًا قابلاً للاستعلام، مما يمكّن النموذج من تتبع البيانات بنقرة واحدة.

أظهرت الاختبارات على مجموعة بيانات SWE-bench Lite، التي تحتوي على 300 مشكلة حقيقية من GitHub ضمن 11 مستودع Python، أن ARISE تقدم تحسينات ملحوظة. فقد زادت نسبة دقة تحديد الوظائف بمقدار 17.0 نقطة، ونسبة دقة تحديد السطور بمقدار 15.0 نقطة مقارنةً بالنموذج التقليدي. وبفضل هذه التحسينات، ارتفعت نسبة نجاح الإصلاح إلى 22.0%، مما يعكس فعالية هذه الأداة الجديدة.

من الجدير بالذكر أن ARISE تم تصميمها كأداة غير مرتبطة بإطار عمل محدد، مما يجعلها مثالية لأي بحوث مستقبلية في مجال إصلاح البرامج. لم يشهد المجال مثل هذا الابتكار من قبل، مما يمهد الطريق لعصر جديد من تطوير البرمجيات الذكية والمفيدة للمطورين.