في عالم البرمجيات المتطور، يواجه المطورون تحديات كبيرة في تحسين أداء المستودعات البرمجية (repositories) الكبرى أثناء الحفاظ على دقة البرنامج. وهنا يأتي دور معيار SWE-fficiency، وهو معيار جديد يهدف إلى تقييم أداء تحسين المستودعات البرمجية في ظل ظروف العمل الحقيقية.

هذا المعيار الجديد يتضمن 498 مهمة موزعة عبر تسعة مستودعات شائعة الاستخدام في مجالات علم البيانات (data science) والتعلم الآلي (machine learning) و HPC (الحوسبة عالية الأداء)، مثل numpy وpandas وscipy. يعتمد المعيار على تحليل كود البرنامج، وتحديد نقاط الضعف، وإنتاج تحديثات (patches) تعادل أو تتفوق على تحسينات الخبراء.

تقوم العملية الآلية الخاصة بهذا المعيار بجمع طلبات التغيير (pull requests) من GitHub، مما يجمع بين تحليل الكلمات الرئيسية والتحليل الثابت وأدوات التغطية، والتأكد من صحة العمليات. لكن الأبحاث تشير إلى أن الأنظمة المتقدمة لم تحقق الأداء المطلوب حيث حققت هذه الأنظمة ما يقل عن 0.23 من تحسين الخبراء. يواجه هذا المجال تحديات في تحديد فرص التحسين، والاستدلال حول الأداء عبر الوظائف، والحفاظ على دقة الاقتراحات.

في النهاية، يتطلع SWE-fficiency إلى تحقيق تقدم في مجال هندسة الأداء الآلي والتفكير البرمجي على المدى الطويل، مما يفتح آفاقاً جديدة لتحسين الجودة والسرعة في تطوير البرمجيات.