Artificial intelligence for software development — the present and the challenges for the future - Publikacja - MOST Wiedzy

Wyszukiwarka

Artificial intelligence for software development — the present and the challenges for the future

Abstrakt

Since the time when first CASE (Computer-Aided Software Engineering) methods and tools were developed, little has been done in the area of automated creation of code. CASE tools support a software engineer in creation the system structure, in defining interfaces and relationships between software modules and, after the code has been written, in performing testing tasks on different levels of detail. Writing code is still the task of a skilled human, which makes the whole software development a costly and error-prone process. It seems that recent advances in AI area, particularly in deep learning methods, may considerably improve the matters. The paper presents an extensive survey of recent work and achievements in this area reported in the literature, both from the theoretical branch of research and from engineer-oriented approaches. Then, some challenges for the future work are proposed, classified into Full AI, Assisted AI and Supplementary AI research fields.

Cytowania

  • 1

    CrossRef

  • 0

    Web of Science

  • 0

    Scopus

Cytuj jako

Pełna treść

pobierz publikację
pobrano 126 razy
Wersja publikacji
Accepted albo Published Version
Licencja
Creative Commons: CC-BY-NC-ND otwiera się w nowej karcie

Słowa kluczowe

Informacje szczegółowe

Kategoria:
Publikacja w czasopiśmie
Typ:
artykuły w czasopismach recenzowanych i innych wydawnictwach ciągłych
Opublikowano w:
Biuletyn Wojskowej Akademii Technicznej nr 68, strony 15 - 32,
ISSN: 1234-5865
Język:
angielski
Rok wydania:
2019
Opis bibliograficzny:
Korzeniowski Ł., Goczyła K.: Artificial intelligence for software development — the present and the challenges for the future// Biuletyn Wojskowej Akademii Technicznej. -Vol. 68., iss. 1 (2019), s.15-32
DOI:
Cyfrowy identyfikator dokumentu elektronicznego (otwiera się w nowej karcie) 10.5604/01.3001.0013.1464
Bibliografia: test
  1. Gottschlich J., Solar-Lezama A., Tatbul N., Carbin M., Rinard M., Barzilay R., Amara- singhe S., Tenenbaum J.B. and Mattson T., The Three Pillars of Machine-Based Programming, arXiv:1803.07244v1, https://arxiv.org/pdf/1803.07244.pdf, 2018 [accessed: 25.10.2018]. otwiera się w nowej karcie
  2. Kant N., Recent Advances in Neural Program Synthesis, arXiv:1802.02353v1, https://arxiv.org/ pdf/1802.02353.pdf, 2018 [accessed: 25.10.2018].
  3. Gulwani S., Automating String Processing in Spreadsheets Using Input-Output Examples, PoPL'11, https://www.microsoft.com/en-us/research/wp-content/uploads/2016/12/popl11-synthesis.pdf, 2011 [accessed: 25.10.2018]. otwiera się w nowej karcie
  4. Chen X., Liu C., Shin R., Song D., Chen M., Latent Attention For If-Then Program Synthesis, NIPS'16 Proceedings of the 30th International Conference on Neural Information Processing Systems, 2016, 4581-4589. otwiera się w nowej karcie
  5. Solar-Lezama A., Program Synthesis By Sketching, PhD thesis, EECS Dept., UC Berkeley, 2008. otwiera się w nowej karcie
  6. Xu X., Liu C., Song D., SQLNet: Generating Structured Queries From Natural Language Without Reinforcement Learning, arXiv:1711.04436, https://arxiv.org/pdf/1711.04436, 2017 [accessed: 25.10.2018].
  7. Zhong V., Xiong C., Socher R., Seq2SQL: Generating Structured Queries from Natural Lan- guage using Reinforcement Learning, arXiv:1709.00103, https://arxiv.org/pdf/1709.00103, 2017 [accessed: 25.10.2018]. otwiera się w nowej karcie
  8. Yaghmazadeh N., Wang Y., Dillig I., Dillig T., SQLizer: Query Synthesis from Natural Lan- guage, Proceedings of the ACM on Programming Languages, vol. 1, Issue OOPSLA, Article no. 63, 2017. otwiera się w nowej karcie
  9. Neelakantan A., Le Q.V., Sutskever I., Neural Programmer: Inducing Latent Programs with Gradient Descent, arXiv:1511.04834, https://arxiv.org/pdf/1511.04834, 2016 [accessed: 25.10.2018]. otwiera się w nowej karcie
  10. Reed S., de Freitas N., Neural Programmer-Interpreters, arXiv:1511.06279, https://arxiv.org/ pdf/1511.06279, 2016 [accessed: 25.10.2018].
  11. Pavlinovic Z., Babic D., Interactive Code Snippet Synthesis Through Repository Mining, https:// www.semanticscholar.org/paper/Interactive-Code-Snippet-Synthesis-Through-Mining- Pavlinovic-Babic/1d02c510216726dc31b2b4c9d5e0ed446d7f5c76, 2013 [accessed: 25.10.2018].
  12. Xin Q., Reiss S.P., Krishnamurthi S., Program Repair Using Code Repositories, https://www. semanticscholar.org/paper/Program-Repair-Using-Code-Repositories-Xin-Reiss/6c2e2805855 40773cca5e4e988610647d9e0f4aa, 2016 [accessed: 25.10.2018]. otwiera się w nowej karcie
  13. Bornholt J., Torlak E., Scaling Program Synthesis by Exploiting Existing Code, https://www. semanticscholar.org/paper/Scaling-Program-Synthesis-by-Exploiting-Existing-Bornholt-Torla k/0a7879e50b69d4146cfa616d0be4bebd7bb47d41, 2015 [accessed: 25.10.2018]. otwiera się w nowej karcie
  14. Gulwani S., Polozov O., Singh R., Program Synthesis. Foundations and Trends® in Programming Languages, 2017. otwiera się w nowej karcie
  15. Manna Z., Waldinger R., Synthesis: Dreams => Programs, IEEE Transactions on Software Engineering, vol. SE-5, no. 4, 1979. otwiera się w nowej karcie
  16. Manna Z., Waldinger R., A Deductive Approach to Program Synthesis, ACM Transactions on Programming Languages and Systems (TOPLAS), vol. 2, issue 1, 90-121, 1980. otwiera się w nowej karcie
  17. Barrett C., Sebastiani R., Seshia S., Tinelli C., Satisfiability Modulo Theories, Handbook of Satisfiability, vol. 185 of Frontiers in Artificial Intelligence and Applications, 825-885, 2009. otwiera się w nowej karcie
  18. Balog M., Gaunt A.L., Brockschmidt M., Nowozin S., Tarlow D., DeepCoder: Learning to Write Programs, arXiv:1611.01989, https://arxiv.org/abs/1611.01989, 2017 [accessed: 25.10.2018].
  19. Hochreiter S., Schmidhuber J., Long Short-term Memory, Neural Computation, 9(8): 1735- 1780, 1997. otwiera się w nowej karcie
  20. Lecun Y., Bottou L., Bengio Y., Haffner P., Gradient-Based Learning Applied to Document Recognition, Proceedings of the IEEE. 86. 2278-2324, 1998. otwiera się w nowej karcie
  21. Kaiser Ł., Sutskever I., Neural GPUs Learn Algorithms, arXiv:1511.08228, https://arxiv.org/ pdf/1511.08228, 2015 [accessed: 25.10.2018].
  22. Graves A., Wayne G., Danihelka I., Neural Turing Machines, arXiv:1410.5401, https://arxiv. org/pdf/1410.5401, 2014 [accessed: 25.10.2018].
  23. Vinyals O., Fortunato M., Jaitly N., Pointer Networks, arXiv:1506.03134, https://arxiv.org/ pdf/1506.03134, 2017 [accessed: 25.10.2018].
  24. Zeiler M.D., Fergus R., Visualizing and Understanding Convolutional Networks, arXiv:1311.2901, https://arxiv.org/pdf/1311.2901, 2013 [accessed: 25.10.2018].
  25. Bach S., Binder A., Montavon G., Klauschen F., Müller K.R., Sam W., On Pixel-Wise Expla- nations for Non-Linear Classifier Decisions by Layer-Wise Relevance Propagation, PLoS ONE, 10(7): e0130140. https://doi.org/10.1371/journal.pone.0130140, 2015 [accessed: 25.10.2018]. otwiera się w nowej karcie
  26. Montavon G., Bach S., Binder A., Samek W., Müller K.R., Explaining NonLinear Classification Decisions with Deep Taylor Decomposition, arXiv:1512.02479, https://arxiv.org/pdf/1512.02479, 2015 [accessed: 25.10.2018]. otwiera się w nowej karcie
Weryfikacja:
Politechnika Gdańska

wyświetlono 218 razy

Publikacje, które mogą cię zainteresować

Meta Tagi