Apple недавно опубликовала три значимых исследования, которые демонстрируют, как искусственный интеллект (ИИ) может повысить качество и эффективность разработки программного обеспечения. Эти проекты показывают, что Apple серьезно продвигается в интеграции ИИ для автоматизации и улучшения сложных этапов программирования и тестирования, что особенно важно для индустрии техники и программного обеспечения.
Модель предсказания багов с AI
В первом исследовании описана новая AI-модель под названием ADE-QVAET, которая решает проблему неточностей и потери контекста при анализе больших кодовых баз. Она сочетает четыре технологии: адаптивную дифференциальную эволюцию (ADE), квантовый вариационный автокодировщик (QVAE), трансформер и методы адаптивного шумоподавления (ANRA). Вместо анализа кода напрямую, модель изучает метрики кода (сложность, структура и размер) и выявляет закономерности, указывающие на вероятные ошибки. По данным тестов на специализированном датасете, модель достигает высокой точности в предсказании багов (F1-score 98.12%), что значительно лучше по сравнению с предыдущими методами.
Автоматизация тестирования ПО с помощью AI
Второе исследование направлено на автоматизацию создания и поддержки тест-планов и тест-кейсов, которые традиционно занимают 30-40% времени инженеров по качеству. В разработанной системе используются большие языковые модели (LLM) и автономные AI-агенты, которые могут планировать, писать и управлять тестовой документацией, обеспечивая связь между требованиями, бизнес-логикой и результатами тестов. Результаты экспериментов показывают значительное улучшение точности (с 65% до 94.8%) и сокращение времени тестирования на 85%, что приводит к сокращению затрат на 35% и ускорению вывода продукта на рынок на 2 месяца.
Обучение AI-агентов исправлять баги
Самое амбициозное исследование — SWE-Gym — направлено на тренинг AI-агентов, которые могут самостоятельно читать, исправлять и проверять программный код. Для этого были использованы реальные задачи из открытых проектов на Python, что позволяет моделям обучаться в реалистичных условиях. Агентам удалось успешно решать 72.5% задач, что на 20% выше предыдущих результатов. Легкая версия SWE-Gym Lite позволила вдвое сократить время обучения, сохраняя высокую эффективность на простых задачах.
Эти исследования Apple открывают перспективы для качественного изменения разработки ПО и тестирования в отрасли, что напрямую влияет на развитие техники Apple, включая iPhone, MacBook и их программное обеспечение, делая процессы более быстрыми, точными и экономичными.
Данные исследования можно рассматривать как шаг к более автоматизированной и интеллектуальной разработке, где ИИ берет на себя рутинные и трудоемкие задачи, освобождая время инженеров для более креативной работы.
