الدكتور صالح بوكتيف

عنوان صفحة البحث: تعزيز توليد الشيفرات البرمجية عبر النماذج اللغوية الضخمة: تقييم منهجي لتعاون الوكلاء المتعددين وتصحيح الأخطاء أثناء التشغيل لتحسين الدقة والموثوقية وتقليل زمن الاستجابة.

إن دمج النماذج اللغوية الضخمة (LLMs) والذكاء الاصطناعي التوليدي (Gen AI) في مهام هندسة البرمجيات المعقدة يُعد واعدًا، إذ تسهم أتمتة توليد الشيفرات وإصلاح البرامج في إحداث تحول جذري في المجال. ومع ذلك، لا يزال تحقيق نتائج موثوقة تحديًا كبيرًا، لأن النماذج الحالية تفتقر إلى قدرات التفكير المنطقي وغالبًا ما تواجه صعوبة في توليد شيفرات ناجحة، خصوصًا للمهام البرمجية المعقدة، وقد تُنتج مخرجات غير منطقية أو ما يُعرف بـ"الهلوسة".

يرى الأستاذ الدكتور صالح بوكتيف من قسم علوم وهندسة الحاسوب أن تطبيق النماذج اللغوية الضخمة على الأنشطة المعقدة في هندسة البرمجيات على مستوى المستودعات يتطلب فهمًا عميقًا لعلاقات الاعتماد بين آلاف الوحدات البرمجية وخطوط الشيفرات، وهو مجال لم يُدرس بعمق بعد. ولمعالجة هذه القضايا المتعلقة بالموثوقية، يعمل الأستاذ الدكتور بوكتيف مع زملائه على تقييم أساليب جديدة لمساعدة النماذج اللغوية الضخمة على توليد شيفرات عالية الجودة باستخدام آلية تعاون الوكلاء المتعددين وتصحيح الأخطاء أثناء التشغيل (Runtime Debugging).

يقترح مشروعهم الأخير إطار عمل يجمع بين استراتيجيتين تكميليتين أثناء وقت الاستدلال: تعاون الوكلاء المتعددين (ACT) يتبعه تصحيح الأخطاء أثناء التشغيل (Debugger). تعتمد مرحلة ACT على مجموعة من الوكلاء المتخصصين في النماذج اللغوية (المحلل، المبرمج، المختبِر) الموجهين بأدوار محددة لمحاكاة تقسيم العمل التعاوني في فرق تطوير البرمجيات البشرية. بعد هذه العملية التعاونية، يتم تفعيل مرحلة Debugger عند فشل الشيفرة، حيث تُستخدم التغذية الراجعة من تنفيذ الشيفرة لتصحيح الحل. ويُصمم وكيل المصحح لاستخدام التحليلين الثابت والديناميكي لتحديد العيوب وإصلاحها.

أظهرت الدراسات التجريبية باستخدام 19 نموذجًا لغويًا ضخمًا فعالية الإطار المقترح، إذ حقق متوسط دقة بلغ 64.82٪ عبر جميع النماذج في اختبار HumanEval، متفوقًا على أسلوب التوجيه الأساسي بنسبة تزيد على 7.66٪. يقدم هذا الإطار نهجًا عمليًا وفعّالًا لتعزيز دمج توليد الشيفرات البرمجية ضمن دورة حياة هندسة البرمجيات