Grant: Alliance Grants
Université de Montréal
$25,000.00
Efficient Support of Code Review Process with Deep Learning
EF 2023-24
Résumé
Deep learning (DL), an artificial intelligence (AI) technique, has revolutionized data analysis by uncovering intricate patterns, representations, and relationships from existing datasets. This capability facilitates the automation of tasks, ranging from image recognition to software development. In the context of software engineering, many tasks are deemed complex, labor-intensive, and time-consuming. These challenges can be alleviated through task automation by harnessing the power of data and the capabilities of deep learning models. A critical phase in software development is code review, encompassing issue identification, description, and code refinement. Various AI-based tools have been proposed for these tasks, yet their interdependence has been inadequately addressed. Although striving for complete automation, existing methods fall short due to high error rates, hindering usability and efficiency. In our collaborative research, we propose advanced DL architectures to address two goals: comprehensively handle the code review process, considering task interdependence, and integrate developer knowledge and real-time feedback. Achieving these objectives will harmonize DL-driven efficiency with developer insights. This research diverges from the push for full DL automation, emphasizing the impact on tool users. It also contributes to addressing the shortage of software developers, crucial for meeting societal needs. In the Canadian context, efficient and reliable software development is essential for leading the charge in technological advancement. L'apprentissage profond (AP), une technique d'intelligence artificielle (IA), a révolutionné l'analyse des données en permettant d'abstraire des motifs, des représentations et des relations complexes à partir d'ensembles de données existants. Cette capacité facilite l'automatisation de tâches, allant de la reconnaissance d'images au développement logiciel. Dans le contexte du génie logiciel, de nombreuses tâches sont considérées comme complexes, exigeantes et chronophages. Ces défis peuvent être atténués grâce à l'automatisation des tâches en exploitant la puissance des données et les capacités des modèles d'apprentissage profond. Une phase cruciale du développement logiciel est la revue de code, englobant l'identification des problèmes, leur description et le raffinement du code. Divers outils basés sur l'IA ont été proposés pour ces tâches, mais leur interdépendance a été insuffisamment considérée. Bien que visant une automatisation complète, les méthodes existantes présentent des lacunes en raison de taux d'erreur élevés, entravant la convivialité et l'efficacité. Dans le cadre de notre projet collaboratif, nous proposons des architectures avancées d'AP pour atteindre deux objectifs : gérer de manière exhaustive le processus de revue de code, en tenant compte de l'interdépendance des tâches, et intégrer les connaissances des développeurs et leur feedback en temps réel. Atteindre ces objectifs permettra d'harmoniser l'efficacité des assistants pilotés par l'AP avec les connaissances des développeurs. Cette recherche s'éloigne de la tendance à l'automatisation complète de l'AP, en considérant l'impact d'outils à base d'IA sur les utilisateurs. Elle contribue également à remédier à la pénurie de développeurs de logiciels, qui sont nécessaires pour répondre aux besoins de la société. Dans le contexte canadien, un développement logiciel efficace et fiable est essentiel pour le Canada d'être à l'avant-garde de l'avancement technologique.
Programme
Alliance Grants
Bénéficiaire
Emplacement
Quebec, Canada
Type de bénéficiaire
Academia
Type
Grant
Source
NSERC's Awards Data
Tel que publié
Application id
589280-2023
Name nom
Sahraoui, Houari HA
Department département
Informatique et recherche opérationnelle
Organization id
63
Institution établissement
Université de Montréal
Province en
Québec
Province fr
Québec
Country en
CANADA
Country fr
CANADA
Fiscal year exercice financier
2023
Competition year année de concours
2023
Award amount
25000
Program id
ALLRP
Program name en
Alliance Grants
Program name fr
Subventions Alliance
Group en
RESEARCH PARTNERSHIPS
Group fr
PARTENARIATS DE RECHERCHE
Committee code
96
Committee name en
RPP Internal Decision Cttee
Committee name fr
Cté de décision interne - PPR
Area of application code
801
Area of application group en
Information and communication services
Area of application group fr
Services d'information et de télécommunications
Area of application en
Computer software
Area of application fr
Logiciel
Research subject code
2805
Research subject group en
Artificial intelligence
Research subject group fr
Learning and inference theories
Research subject en
Intelligence artificielle
Research subject fr
Théories de l'apprentissage et l'inférence
Application title
Efficient Support of Code Review Process with Deep Learning
Keyword
code review; Deep learning; Recommending systems; Software engineering
Application summary
Deep learning (DL), an artificial intelligence (AI) technique, has revolutionized data analysis by uncovering intricate patterns, representations, and relationships from existing datasets. This capability facilitates the automation of tasks, ranging from image recognition to software development. In the context of software engineering, many tasks are deemed complex, labor-intensive, and time-consuming. These challenges can be alleviated through task automation by harnessing the power of data and the capabilities of deep learning models. A critical phase in software development is code review, encompassing issue identification, description, and code refinement. Various AI-based tools have been proposed for these tasks, yet their interdependence has been inadequately addressed. Although striving for complete automation, existing methods fall short due to high error rates, hindering usability and efficiency. In our collaborative research, we propose advanced DL architectures to address two goals: comprehensively handle the code review process, considering task interdependence, and integrate developer knowledge and real-time feedback. Achieving these objectives will harmonize DL-driven efficiency with developer insights. This research diverges from the push for full DL automation, emphasizing the impact on tool users. It also contributes to addressing the shortage of software developers, crucial for meeting societal needs. In the Canadian context, efficient and reliable software development is essential for leading the charge in technological advancement. L'apprentissage profond (AP), une technique d'intelligence artificielle (IA), a révolutionné l'analyse des données en permettant d'abstraire des motifs, des représentations et des relations complexes à partir d'ensembles de données existants. Cette capacité facilite l'automatisation de tâches, allant de la reconnaissance d'images au développement logiciel. Dans le contexte du génie logiciel, de nombreuses tâches sont considérées comme complexes, exigeantes et chronophages. Ces défis peuvent être atténués grâce à l'automatisation des tâches en exploitant la puissance des données et les capacités des modèles d'apprentissage profond. Une phase cruciale du développement logiciel est la revue de code, englobant l'identification des problèmes, leur description et le raffinement du code. Divers outils basés sur l'IA ont été proposés pour ces tâches, mais leur interdépendance a été insuffisamment considérée. Bien que visant une automatisation complète, les méthodes existantes présentent des lacunes en raison de taux d'erreur élevés, entravant la convivialité et l'efficacité. Dans le cadre de notre projet collaboratif, nous proposons des architectures avancées d'AP pour atteindre deux objectifs : gérer de manière exhaustive le processus de revue de code, en tenant compte de l'interdépendance des tâches, et intégrer les connaissances des développeurs et leur feedback en temps réel. Atteindre ces objectifs permettra d'harmoniser l'efficacité des assistants pilotés par l'AP avec les connaissances des développeurs. Cette recherche s'éloigne de la tendance à l'automatisation complète de l'AP, en considérant l'impact d'outils à base d'IA sur les utilisateurs. Elle contribue également à remédier à la pénurie de développeurs de logiciels, qui sont nécessaires pour répondre aux besoins de la société. Dans le contexte canadien, un développement logiciel efficace et fiable est essentiel pour le Canada d'être à l'avant-garde de l'avancement technologique.