گزارشهای مهندسی مبتنی بر تحقیق (RDEL) #127 به بررسی نحوه استفاده گوگل از هوش مصنوعی برای مهاجرت کد داخلی میپردازد. این مقاله به بررسی چالشهای مهاجرت کد در سازمانهای بزرگ نرمافزاری و راهحلهای مبتنی بر مدلهای زبانی بزرگ (LLM) میپردازد. هدف اصلی، تسریع فرآیند مهاجرت کد و کاهش بدهی فنی است.
در این مطالعه موردی، گوگل تجربه خود را در چهار مهاجرت کد بزرگ، از جمله تبدیل شناسه 32 بیتی به 64 بیتی در Google Ads و نوسازی هزاران فایل تست JUnit3، به اشتراک گذاشته است. یافتههای کلیدی نشان میدهد که 80% از کدهای اعمال شده در مهاجرت int32 به int64 به طور کامل توسط هوش مصنوعی نوشته شده و تخمین زده میشود که 50% صرفهجویی در زمان نسبت به روشهای سنتی ایجاد شده است. همچنین، 87% از کدهای تولید شده توسط هوش مصنوعی بدون تغییر اعمال شدهاند.
مهاجرت JUnit3 به JUnit4 نیز نتایج مثبتی نشان داد، با 89% تخمین صرفهجویی در زمان. مهندسان گزارش دادند که حتی در صورت بروز خطا توسط هوش مصنوعی، نسخه اولیه به آنها کمک میکند تا تمام مکانها و وابستگیهای مورد نیاز برای بهروزرسانی را شناسایی کنند. این نشان میدهد که هوش مصنوعی میتواند به عنوان یک ابزار قدرتمند برای شناسایی و درک وابستگیها در کدبیسهای بزرگ عمل کند.
با این حال، موفقیت در استفاده از هوش مصنوعی برای مهاجرت کد نیازمند زیرساختهای پشتیبان است. این شامل کشف فایلها با استفاده از AST، اعتبارسنجی چند مرحلهای (ساخت و آزمایش خودکار) و حلقههای تکراری برای رفع خطاها است. گوگل توانسته است با استفاده از این رویکرد، مهاجرتهایی را که سالها متوقف شده بودند، تکمیل کند و صدها مهندس را در این فرآیند صرفهجویی کند.
مشاهده مطلب اصلی