لقد أثبتت النماذج اللغوية العملاقة (LLMs) قدرتها على تغيير مشهد تطوير البرمجيات، وذلك من خلال تسهيل عمليات التنبؤ بدقة كبيرة. في دراسة جديدة تم نشرها على موقع arXiv، تم تسليط الضوء على كيفية استخدام هذه النماذج في الكشف عن مخاطر تغييرات الشفرات البرمجية.

يعتبر التنبؤ بدقة المخاطر من أهم التحديات التي تواجه المطورين. وعادةً ما تُلقى الشكوك على تنبؤات نماذج تعلم الآلة ما لم يصحبها تفسيرات واضحة تدعم صحة التوقعات. في هذا السياق، حثت الدراسة على تسليط الضوء على الأجزاء الصغيرة من تغييرات الشفرات البرمجية (diff) التي قد تركز فيها المخاطر، وهو مجال لم يُحقق فيه الكثير من البحث حتى الآن.

تستند الدراسة إلى نموذج مخاطر تغيير الشفرات (Diff Risk Score - DRS) المستند إلى النماذج اللغوية العملاقة، حيث يتم استخدام أوزان الانتباه لتحديد الأجزاء الأكثر أهمية في تلك التغييرات. قام الباحثون بتجميع انتباه الرموز إلى وحدات تفسيرية، مثل الأسطر والمجموعات والملفات، ليتم تقديمها كمرشدات خفيفة الوزن أثناء عملية مراجعة الشفرات.

تظهر نتائج البحث أن النقاط المُعلمة تغطي تغييرات الشفرات التي تسببت في مشكلات فعلية بنسبة 53.85% عند التركيز على أفضل مجموعتين. يجدر بالذكر أن الطريقة تتطلب من المطورين مراجعة 26.28% فقط من الأسطر المتغيرة، مما يجعلها فعالة وسهلة الاستخدام. وبما أن الانتباه يُنتج خلال عملية الاستدلال النموذجي القياسية، فإن هذه الاستراتيجية قابلة للتطوير بسهولة ضمن سير العمل الكبير.

مع مرور الوقت، قد تُحدث مثل هذه الأساليب تأثيرًا كبيرًا على كيفية مراجعة الشفرات البرمجية ورفع مستوى الكفاءة في الفرق التقنية. فما رأيكم في تأثير الذكاء الاصطناعي على تطوير البرمجيات؟ شاركونا آراءكم في التعليقات!