ЗАСТОСУВАННЯ СУЧАСНОГО МАШИННОГО НАВЧАННЯ ДЛЯ ВДОСКОНАЛЕННЯ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ

Анотація

У статті досліджено сучасні підходи машинного навчання (ML), спрямовані на підвищення якості програмного коду на різних етапах життєвого циклу програмного забезпечення. Розглянуто потенціал використання великих мовних моделей (LLM), графових нейронних мереж (GNN), методів навчання з підкріпленням (RL), гібридних стратегій та багатоагентних систем для автоматизації типових завдань програмної інженерії: аналізу коду, виявлення вразливостей і дефектів, рефакторингу та генерації юніт-тестів. Проведено експериментальне дослідження ефективності розглянутих підходів на основі доступних відкритих рішень і датасетів, що охоплюють різні мови програмування. Результати оцінено за метриками CodeBLEU та F1-score. Окреслено ключові виклики практичного впровадження таких ML-рішень: недостатня якість навчальних даних, складність архітектур та низька інтерпретованість моделей. Отримані результати підтверджують доцільність інтеграції сучасних ML-технологій у практики програмної інженерії з метою покращення якості коду.