اپل به کارگیری هوش مصنوعی برای بهبود روند توسعه نرمافزار و شناسایی نقصها را آغاز کرده است
اخیراً، شرکت اپل سه مقاله پژوهشی جدید منتشر کرده است که به تشریح روشهای کاربرد هوش مصنوعی در جوانب کلیدی توسعه نرمافزار و برنامهنویسی میپردازد. این تحقیقات به روشنی نشان میدهد که اپل در حال طراحی ایجنتهای هوش مصنوعی به منظور خودکارسازی فرایندهای متداولی است که همیشه زمانبر، پرهزینه و مستعد خطاهای انسانی بودهاند.
در یکی از این تحقیقات جدید، اپل بر روی یکی از بزرگترین چالشها در توسعه نرمافزار یعنی تضمین کیفیت (QE) تمرکز کرده است. بهطور معمول، مهندسان حدود ۳۰ تا ۴۰ درصد از زمان خود را به نوشتن آزمونها و اسکریپتهای اتوماسیون به صورت دستی اختصاص میدهند. اپل برای فائق آمدن بر این مشکل، یک چارچوب چندلایه به نام «Agentic RAG» را معرفی کرده است.
این سیستم بهجای اتکا به یک مهندس منفرد، از شش ایجنت هوش مصنوعی بهره میبرد که هر کدام وظیفه خاصی را بر عهده دارند: یکی از ایجنتها مسئول انطباق با مقررات است؛ ایجنت دیگر به بررسی آزمونهای پیشین برای یادگیری الگوها میپردازد. ایجنت سوم بر اساس متدهای موجود، به تولید آزمونهای جدید میپردازد. ایجنت چهارم اختلافها و تداخلها را مدیریت میکند و دو ایجنت باقیمانده، ارتباط میان ماژولها و سیستمها را برقرار میسازند.
نتایج بهدستآمده از این رویکرد بسیار چشمگیر است. این سیستم توانسته است دقت را از ۶۵ درصد به ۹۴.۸ درصد افزایش دهد، زمان انجام کار را تا ۸۵ درصد کاهش دهد و کیفیت شناسایی نقصها را ۳۵ درصد بهبود بخشد.
تحقیقات اپل در زمینه هوش مصنوعی برای توسعه و کشف باگها
<pتحقیق دوم اپل به مسأله دیگری اختصاص یافته است: ساماندهی باگهای موجود در کد. به همین منظور، پژوهشگران محیط آموزشی خاصی به نام «SWE-Gym» را طراحی کردهاند.
این «باشگاه ورزشی» برای ایجنتهای هوش مصنوعی تشکیل شده است و شامل ۲,۴۳۸ وظیفه واقعی مهندسی نرمافزار میباشد که مستقیماً از گزارشهای مشکلات گیتهاب در ۱۱ مخزن محبوب پایتون استخراج شدهاند. در این محیط، ایجنت هوش مصنوعی باید بیاموزد که با استفاده از ابزارهای موجود، این چالشهای واقعی را رفع کند. این فرایند این امکان را به مدل میدهد تا از طریق آزمایش و خطا، تواناییهای خود را در حل باگها بهبود بخشد.
دادهها نشان میدهند که مدلهای زبانی آموزشدیده با این روش توانستهاند ۷۲.۵ درصد از وظایف را بهدرستی انجام دهند که یک موفقیت قابل توجه به شمار میرود و پتانسیل بزرگی برای افزایش بهرهوری توسعهدهندگان دارد.
مقاله سوم اپل بسیار شگفتانگیز است؛ این شرکت توضیح داده است که چگونه قصد دارد بهجای شناسایی باگها، آنها را پیش از آغاز فرایند توسعه پیشبینی کند. این تحقیق یک مدل جدید و پیچیده تحت عنوان «ADE-QVAET» را معرفی میکند. این مدل با استفاده از تکنیکهای پیشرفته بهینهسازی و مدلهای ترنسفورمر کوانتومی، قادر است الگوهایی که میتوانند منجر به بروز باگ در نرمافزارها شوند را شناسایی کند.
در مجموع، این سه مقاله نشان میدهند که رویکرد اپل در حوزه هوش مصنوعی فراتر از قابلیتهای همچون Apple Intelligence است و این شرکت بهطور جدی در حال بهرهبرداری از هوش مصنوعی برای بهینهسازی و تسریع در فرایندهای مهندسی داخلی خود میباشد. اگرچه هنوز مشخص نیست که آیا این فناوریها به ابزارهای توسعهدهندهای مانند Xcode وارد خواهند شد یا خیر، اما این احتمال چندان دور از ذهن به نظر نمیرسد.
