إعلان PRIN 2022D. D. N. 104 بتاريخ 2 فبراير 2022

عنوان المشروع: TRex-SE: الموصون الموثوقون × مهندسو البرمجيات 

CODICE CUP:  D53D23008730006

الميزانية:  € 87.060,00

P.I. أو مسؤول U.R.: Fedelucio Narducci

وحدات بحث أخرى أو وحدات فرعية محتملة: 
جامعة سانّيو في بينيفينتو (Unisannio) 
جامعة لاكويلا (Univaq) 

وصف موجز للمشروع
تدعم أنظمة التوصية لمهندسي البرمجيات (RSSEs) مهام التطوير من خلال اقتراح واجهات برمجة التطبيقات (APIs) أو مقتطفات برمجية أو خبراء لإدارة التغييرات. وقد أدى توافر البيانات من منصات مثل GitHub وStack Overflow، إلى جانب التقدم في تعلّم الآلة، إلى تحسين قدراتها بشكل ملحوظ. غير أن وفرة بيانات التدريب هذه تنطوي أيضًا على مخاطر. فقد تكون الشيفرات المقترحة عرضةً للثغرات أو خبيثة، لا سيما عندما يجري التلاعب بالمقاييس القائمة على الشعبية عبر مشاريع زائفة أو نقاشات مضللة. علاوة على ذلك، يحتاج المطورون إلى الشفافية بشأن مصدر التوصيات ومدى موثوقيتها، إذ تزداد أهمية الاعتبارات الأمنية والخصوصية والقانونية، أيضًا في ضوء اللوائح الناشئة المتعلقة بالذكاء الاصطناعي. 
إضافةً إلى ذلك، نادرًا ما تدمج أنظمة RSSEs ملاحظات المستخدمين بفعالية. وينبغي أن يتمكن المطورون من قبول التوصيات أو رفضها أو تعديلها، بما يتيح سيناريوهات مشاركة الإنسان في حلقة اتخاذ القرار، وهو ما يعزز دقة النظام وموثوقيته. 

الغرض
يهدف مشروع TRex-SE (الموصون الموثوقون × مهندسو البرمجيات) إلى معالجة هذه التحديات من خلال تطوير أساليب لتعزيز موثوقية أنظمة RSSEs. 

النتائج المتوقعة
تحديد الثغرات والتحيز في توصيات أنظمة RSSEs: 
بعد تقييم وجود توصيات عرضة للثغرات (أو محفوفة بالمخاطر على أي حال) تقدمها أنظمة RSSEs، وكذلك التوصيات المتأثرة بالتحيز، يهدف هذا المحور إلى تطوير أدوات تنقيب لأنظمة RSSEs تراعي الثغرات والتحيز. 
تصميم أنظمة RSSEs موثوقة وتقييمها: بعد تحليل التقنيات والمنهجيات المستخدمة لتصميم أنظمة توصية (RSs) منصفة وغير متحيزة وآمنة، يهدف هذا المحور إلى تصميم أساليب توصية لأنظمة RSSEs موثوقة وتقييمها. مشاركة الإنسان في حلقة اتخاذ القرار ضمن أنظمة RSSEs: بعد تحليل أنظمة RSs الحالية التي تتيح مشاركة الإنسان في حلقة اتخاذ القرار، يهدف هذا المحور إلى تطوير تقنيات وأدوات لإدارة ملاحظات المستخدمين في سياق أنظمة RSSEs.

النتائج المحققة (لن يُستكمل هذا القسم بالنسبة إلى مشاريع PRIN 2022 المشمولة بعملية الترتيب، لأنها لا تزال قيد التنفيذ) 
تحديد الثغرات والتحيز في أنظمة RSSEs 

• تطوير أدوات تنقيب وكشف قائمة على نماذج اللغة الكبيرة (LLMs) (مثل الكشف عن البرمجيات الخبيثة متعدد الوكلاء، وتصفية الضوضاء الدلالية) لتحديد البيانات المعرضة للثغرات أو المسمومة أو غير المتسقة.
• تحليل مشكلات التحيز والموثوقية في مخرجات نماذج اللغة الكبيرة ومعايير التقييم (مثل حساسية الموجّهات، والتحيز متعدد اللغات، وتسرب البيانات).
• إنشاء تصنيفات وإجراء دراسات تجريبية لفهم المخاطر في التطوير المدعوم بالذكاء الاصطناعي ومدخلات أنظمة RSSEs. 
   

تصميم أنظمة RSSEs موثوقة وتقييمها 

• تصميم أساليب توصية موثوقة تعالج الخصوصية (الخصوصية التفاضلية) والإنصاف (الحد من التحيز) وقابلية إعادة الإنتاج (DataRec).
• تطوير أدوات ونماذج أولية قائمة على نماذج اللغة الكبيرة (مثل تصنيف الديون التقنية المصرح بها ذاتيًا (SATD)، والتوصية بالتكامل والتسليم المستمرين (CI/CD)، وتوليد الاختبارات).
• إجراء تحقق تجريبي واسع النطاق، مع تسليط الضوء على فعالية أنظمة استرجاع البرمجيات وهندستها (RSSEs) القائمة على نماذج اللغة الكبيرة ومحدودياتها على حد سواء. 
   

إشراك الإنسان في الحلقة ضمن أنظمة استرجاع البرمجيات وهندستها (RSSEs) 

• إنشاء أدوات تراعي الملاحظات وتستفيد من مدخلات المطورين (مثل اكتشاف الديون التقنية المصرح بها ذاتيًا (SATD) وتحسين استرجاع المعرفة).
• تصميم آليات لدمج ملاحظات المستخدمين والتحقق منها ضمن سير عمل أنظمة استرجاع البرمجيات وهندستها (RSSE).
• تعزيز الشفافية والثقة، مثل اكتشاف الشيفرات البرمجية المولّدة بالذكاء الاصطناعي (GPTSniffer) وتحسين التفاعل مع نماذج اللغة الكبيرة.