En gruppe computerforskere fra University of Massachusetts Amherst har udviklet en innovativ metode kaldet Baldur, der udnytter kraften fra store sprogmodeller (LLM’er) til automatisk generering af beviser for fejlforebyggelse og kodeverifikation. Denne banebrydende teknik, kombineret med det avancerede værktøj Thor, har opnået en hidtil uset effektivitetsgrad på næsten 66%. Holdets forskning blev anerkendt med en pris for Distinguished Paper ved ACM Joint European Software Engineering Conference and Symposium on the Foundations of Software Engineering.
Fejlbehæftet software er blevet en almindelig bekymring i vores dagligdag, med problemer der spænder fra mindre irriterende problemer som formateringsfejl og nedbrud, til alvorlige sikkerhedsbrister eller funktionsfejl i kritiske systemer som rumforskning eller sundhedsudstyr. Traditionelle metoder til softwarekontrol involverer manuel kodeverifikation eller kørsel af koden mod forventede resultater, men disse tilgange er udsatte for menneskelige fejl og er tidskrævende for komplekse systemer.
En alternativ teknik, kaldet maskinkontrol, involverer generering af matematiske beviser for at demonstrere, at koden fungerer som tilsigtet. Manuelt at skabe disse beviser er imidlertid en besværlig og specialiseret opgave, der kræver betydelig tid og ekspertise. Emily First, hovedforfatteren af forskningen, forklarer, at disse beviser ofte kan være længere end selve softwarekoden.
For at imødekomme denne udfordring undersøgte holdet potentialet i store sprogmodeller som ChatGPT til automatisk generering af beviser. Store sprogmodeller er blevet stadig mere kraftfulde og kan forstå komplekse sammenhænge, hvilket gør dem velegnede til at hjælpe med fejlforebyggelse og kodeverifikation. Ved at integrere Baldur-metoden med værktøjet Thor opnåede forskerne en imponerende effektivitetsgrad på næsten 66%.
Kombinationen af naturlig sprogbehandling og kunstig intelligens muliggør generering af præcise og pålidelige beviser, hvilket signifikant reducerer risikoen for menneskelige fejl. Denne fremskridt har stor potentiale inden for software engineering-feltet og hjælper med at forbedre kvaliteten og pålideligheden af software-systemer. Som teknologien fortsætter med at udvikle sig, kunne udnyttelse af maskinkontrolmetoder drevet af AI blive en standardpraksis for at sikre fejlfri software med reduceret risiko for kritiske fejl.
The source of the article is from the blog coletivometranca.com.br