儘管單次執行的能源消耗相對較低,但持續整合(CI)流水線由於頻繁觸發,會產生顯著的總體能源消耗和碳排放,應鼓勵開發者在實施DevOps實務時,重視並設法減輕其環境影響。
CI 파이프라인의 개별 에너지 소비량은 적지만, 빈번한 실행으로 인해 누적 에너지 소비량과 탄소 배출량이 상당히 높아질 수 있다.
CIパイプラインは、個々の実行ではエネルギー消費量が比較的少ないものの、頻繁な実行により、集積すると無視できないエネルギー消費量となり、持続可能なソフトウェア開発のためには、その影響を意識し、対策を講じる必要がある。
딥러닝과 데이터 증강 기법을 활용하여 소스 코드 주석, 이슈 트래커, 풀 리퀘스트, 커밋 메시지와 같은 다양한 소프트웨어 개발 산출물에서 자가 인정 기술 부채(SATD)를 효과적으로 식별하고 분류할 수 있다.
本稿では、ソフトウェア開発における自己言及的な技術的負債(SATD)を効果的に検出するために、深層学習とデータ拡張技術を組み合わせた新しいアプローチを提案しています。
Deep learning models, enhanced by data augmentation techniques, can significantly improve the identification and categorization of self-admitted technical debt (SATD) in software artifacts like code comments, issue trackers, pull requests, and commit messages.
데이터 부족 문제를 해결하기 위해 데이터 합성과 모델 미세 조정을 결합한 자기 진화 프레임워크인 SAFE를 통해 Rust 코드의 자동 증명 생성을 가능하게 한다.
データ不足という課題を抱えるRustコードの自動証明生成において、自己進化型フレームワークSAFEは、データ合成とモデルのファインチューニングを組み合わせることで、GPT-4o のような大規模言語モデルのみに依存するよりも優れた効率性と精度を実現する。
SAFE, a self-evolving framework, effectively automates proof generation for Rust code by overcoming the challenge of data scarcity in formal verification through a novel cycle of data synthesis and model fine-tuning.
大規模言語モデル(LLM)を用いて、与えられた仕様を満たすCプログラムを自動生成し検証するフレームワーク「SynVer」を提案する。