اپل از ایجنت‌های هوش مصنوعی برای توسعه نرم‌افزار و شکار باگ‌ها استفاده می‌کند

اپل به‌تازگی سه مقاله تحقیقاتی جدید منتشر کرد که در آنها توضیح می‌دهد چگونه از هوش مصنوعی در بخش‌های مهم توسعه نرم‌افزار و کدنویسی استفاده می‌کند. این تحقیقات نشان می‌دهند که اپل درحال ساخت ایجنت‌های هوش مصنوعی برای خودکارسازی فرایندهایی است که همیشه زمان‌بر، پرهزینه و مستعد خطای انسانی بوده‌اند.

اپل در یکی از تحقیقات جدید خود روی یکی از بزرگ‌ترین گلوگاه‌ها در توسعه نرم‌افزار متمرکز است: تضمین کیفیت (QE). به‌طور سنتی مهندسان برای سنجش کیفیت بین ۳۰ تا ۴۰ درصد از زمان خود را صرف نوشتن دستی آزمون‌ها و اسکریپت‌های اتوماسیون می‌کنند. اپل برای حل این مشکل، یک چارچوب چندلایه به نام «Agentic RAG» را توسعه داده است.

این سیستم به‌جای یک مهندس، از شش ایجنت هوش مصنوعی استفاده می‌کند که هر کدام وظیفه مشخصی دارند: یک ایجنت مسئول اطمینان از انطباق با مقررات است؛ ایجنت دیگری تست‌های قبلی را برای یادگیری الگوها می‌سنجد. ایجنت سوم براساس متدولوژی‌های فعلی، تست‌های جدید ایجاد می‌کند. ایجنت چهارم اختلاف‌ها و تداخل‌ها را مدیریت می‌کند و دو ایجنت دیگر، ارتباط بین ماژول‌ها و سیستم‌ها را برقرار می‌کنند.

نتایج این رویکرد خیره‌کننده است. این سیستم توانسته است دقت را از ۶۵ درصد به ۹۴.۸ درصد افزایش دهد، زمان انجام کار را ۸۵ درصد کاهش دهد و کیفیت شناسایی نقص را ۳۵ درصد بهبود ببخشد.

تحقیقات اپل برای استفاده از هوش مصنوعی در توسعه و شکار باگ

تحقیق دوم اپل روی مسئله دیگری متمرکز است: رفع باگ‌های موجود در کد. برای این منظور، محققان یک محیط آموزشی خاص به نام «SWE-Gym» را ایجاد کرده‌اند.

این «باشگاه ورزشی» برای ایجنت‌های هوش مصنوعی است و در آن ۲,۴۳۸ وظیفه مهندسی نرم‌افزار واقعی وجود دارد که مستقیماً از گزارش مشکلات گیت‌هاب در ۱۱ مخزن محبوب پایتون استخراج شده‌اند. در این محیط ایجنت هوش مصنوعی باید یاد بگیرد که با استفاده از ابزارهای موجود، این مشکلات دنیای واقعی را حل کند. این فرایند به مدل امکان می‌دهد تا از طریق آزمون و خطا توانایی‌های خود را در زمینه رفع باگ بهبود بدهد.

نتایج نشان می‌دهد که مدل‌های زبانی آموزش‌دیده با این روش موفق شدند ۷۲.۵ درصد از وظایف را به صورت صحیح حل کنند که یک نتیجه بسیار قوی محسوب می‌شود و پتانسیل بزرگی برای افزایش بهره‌وری توسعه‌دهندگان دارد.

مقاله سوم اپل بسیار جالب است؛ اپل توضیح داده که چگونه می‌خواهد به‌جای پیداکردن باگ‌ها، آنها را اصلاً پیش از شروع فرایند توسعه پیش‌بینی کند. این تحقیق یک مدل جدید و پیچیده به نام «ADE-QVAET» را معرفی می‌کند. این مدل با ترکیب تکنیک‌های بهینه‌سازی پیشرفته و مدل‌های ترنسفورمر کوانتومی یاد می‌گیرد که الگوهایی را که باعث باگ در نرم‌افزارها می‌شوند، شناسایی کند.

درکل این سه مقاله نشان می‌دهند که تمرکز اپل در حوزه هوش مصنوعی فقط روی قابلیت‌هایی مانند Apple Intelligence نیست، بلکه این شرکت به‌طور جدی درحال استفاده از هوش مصنوعی برای بهبود و تسریع فرایندهای مهندسی داخلی خود است. اگرچه هنوز مشخص نیست که آیا این فناوری‌ها به محصولات توسعه‌دهندگان مانند Xcode راه پیدا خواهند کرد یا خیر، اما این احتمال دور از ذهن به نظر نمی‌رسد.