Projetos do Laboratório de IA

Detalhes técnicos da experiência Code Defect AI

O treinamento supervisionado em machine learning permite que algoritmos prevejam uma saída com base em exemplos históricos de pares de entrada/saída, ou seja, dados rotulados. O aprendizado supervisionado é designado como um problema de classificação quando a variável de saída é uma variável discreta. Determinados padrões na base do código do projeto de software têm um risco mais elevado de introduzir bugs. Por exemplo, se um novo desenvolvedor fizer alterações em um arquivo que historicamente tem uma maior incidência de bugs, uma confirmação envolverá arquivos de vários diretórios ou a atualização de código será distribuída entre várias regiões no arquivo. Esses padrões podem ser aprendidos por um algoritmo de aprendizado de classificação para prever o potencial de bug em uma confirmação. Isso permite usar a abordagem shift-left de detecção de defeitos, minimizando assim o custo da correção.

Foram criados três modelos de classificação personalizados para três projetos do GitHub com base nos metadados associados a confirmações históricas. Os dados rotulados para treinar o modelo foram criados usando os metadados coletados do repositório do GitHub. Quando o Code Defect AI descobre novas confirmações dos desenvolvedores, obtém os metadados de cada uma delas e os arquivos na confirmação. Em seguida, ele prevê se algum dos arquivos na confirmação corre o risco de ter um bug usando o modelo específico do projeto. Os modelos tradicionais de machine learning são caixas pretas, e a lógica por trás da previsão do modelo não está disponível. Apresentamos a lógica por trás da previsão usando LIME (Local Interpretable Model-Agnostic Explanations) para que os usuários desenvolvam maior confiança na previsão.

Recursos:

• Explore a experiência Code Defect AI no GitHub
• Saiba mais sobre machine learning na AI School
• Saiba mais sobre o reconhecimento óptico de caracteres (OCR) na AI School