تعتبر نظم تتبع الأخطاء (Bug Tracking Systems) عنصرًا أساسيًا في صيانة البرمجيات، لكن يُعاني المطورون في كثير من الأحيان من تقارير المستخدمين ذات الجودة المنخفضة. تلك التقارير غالبًا ما تفتقر إلى تفاصيل هامة مثل خطوات إعادة التشغيل (Steps to Reproduce - S2R)، السلوك الملحوظ (Observed Behavior - OB)، والسلوك المتوقع (Expected Behavior - EB).
لذا، جاء مشروع ImproBR ليقدم حلاً مبتكرًا، حيث يعتمد على نماذج اللغات الضخمة (Large Language Models - LLMs) لتحسين جودة تقارير الأخطاء بشكل تلقائي. يقوم ImproBR بالكشف عن التقريرات الناقصة، غير المكتملة، أو الغامضة، ويعمل على تعزيزها.
يعتمد ImproBR على كاشف هجين يجمع بين نموذج DistilBERT المحسن، تحليل حدسي، ومحلل LLM، تحت إشراف نموذج GPT-4o mini مع تعليمات خاصة لكل قسم، بالإضافة إلى استخدام تقنية Generation المعززة بالاسترجاع (Retrieval-Augmented Generation - RAG) المستندة إلى معرفة مجال Minecraft Wiki.
أظهرت تقييمات نموذج ImproBR على منصة Mojira تحسنًا ملحوظًا في اكتمال البنية، حيث ارتفعت نسبة الاكتمال من 7.9% إلى 96.4%. كما زادت النسبة القابلة للتنفيذ من خطوات إعادة التشغيل من 28.8% إلى 67.6%، ووصلت عدد التقارير التي يمكن إعادة إنتاجها بالكامل من 1 إلى 13 عبر 139 تقريرًا حقيقيًا مُعقدًا.
إن تحسين جودة تقارير الأخطاء من خلال استخدام نماذج الذكاء الاصطناعي يُعزز التواصل بين المطورين والمستخدمين، مما يؤدي إلى تحديثات برمجية أسرع وأكثر دقة. كيف ترى تأثير هذه التكنولوجيا على صناعة البرمجيات؟ شاركونا آراءكم!
تحسين تقارير الأخطاء: كيف تُغيّر نماذج الذكاء الاصطناعي قواعد اللعبة؟
يقدم مشروع ImproBR تقنية مبتكرة لتحسين تقارير الأخطاء باستخدام نماذج اللغات الضخمة (LLMs). حيث يساهم في رفع جودة التقارير بشكل ملحوظ، مما يعزز فعالية صيانة البرمجيات.
المصدر الأصلي:أركايف للذكاء
زيارة المصدر الأصلي ←جاري تحميل التفاعلات...