ШІ-керовані системи розробки кросплатформних застосунків

Abstract

Дослідження присвячене аналізу сучасного стану та перспектив розвитку штучного інтелекту (ШІ) в системах розробки кросплатформних застосунків. Розглянуто ключові технології машинного навчання, які застосовуються у процесах автоматизації програмної інженерії, включаючи системи автоматичної генерації коду на основі великих мовних моделей, інтелектуальні середовища розробки та ШІ-керовані методології тестування. Проаналізовано архітектурні рішення сучасних кросплатформних фреймворків та їхню інтеграцію з технологіями штучного інтелекту. Досліджено застосування трансформерних моделей, зокрема GPT-4/Codex, Claude, CodeT5 та CodeBERT, у задачах розуміння та генерації програмного коду. Аналіз показав, що наразі GPT-4/Codex є найточнішою та найпотужнішою ШІ-моделлю, яка підходить для складної генерації коду. CodeT5 тримає баланс між розміром і продуктивністю, а тому добре підходить для завдань трансформації коду. InCoder спеціалізується на заповненні шаблонів у коді, але має нижчу точність. CodeBERT більше підходить для аналітики коду, ніж для генерації. Розглянуто методи оцінювання якості ШІ-генерованого коду, включаючи метрики функціональної коректності та структурної якості. Висвітлено виклики безпеки та надійності автоматично згенерованого програмного коду, включаючи проблеми вразливостей та потребу у додатковій верифікації. Представлено аналіз ефективності різних підходів до кросплатформної розробки з використанням інструментів штучного інтелекту. Наукова новизна роботи полягає у комплексному аналізі взаємодії технологій штучного інтелекту з кросплатформними фреймворками розробки, систематизації сучасних підходів до ШІ-керованої генерації коду та дослідженні специфічних викликів інтеграції машинного навчання у процеси багатоплатформної розробки програмного забезпечення. Результати дослідження показують значний потенціал інтеграції технологій штучного інтелекту для підвищення продуктивності розробників та покращення якості програмного забезпечення.

The study is devoted to the analysis of the current state and prospects for the development of artificial intelligence (AI) in cross-platform application development systems. The key machine learning technologies used in software engineering automation processes are considered, including automatic code generation systems based on large language models, intelligent development environments, and AI-driven testing methodologies. The architectural solutions of modern cross-platform frameworks and their integration with artificial intelligence technologies are analyzed. The application of transformer models, in particular GPT-4/Codex, Claude, CodeT5, and CodeBERT, in the tasks of understanding and generating software code is studied. The analysis showed that currently GPT-4/Codex is the most accurate and powerful AI model suitable for complex code generation. CodeT5 maintains a balance between size and performance and therefore is well suited for code transformation tasks. InCoder specializes in filling in code patterns but has lower accuracy. CodeBERT is more suitable for code analytics than for generation. Methods for assessing the quality of AI-generated code are considered, including metrics of functional correctness and structural quality. Challenges to the security and reliability of automatically generated software code are highlighted, including vulnerability issues and the need for additional verification. An analysis of the effectiveness of various approaches to cross-platform development using artificial intelligence tools is presented. The scientific novelty of the work lies in the comprehensive analysis of the interaction of artificial intelligence technologies with cross-platform development frameworks, the systematization of modern approaches to AI-driven code generation, and the study of specific challenges in integrating machine learning into multi-platform software development processes. The results of the study show the significant potential of integrating artificial intelligence technologies to increase developer productivity and improve software quality.