Investigación
Laboratorio de métodos de aprendizaje automático en ingeniería de software
Las aplicaciones de ciencia de datos son cada vez más populares en muchos campos de investigación y del mundo profesional, incluida la ingeniería de software. Con este grupo, nuestro objetivo es fusionar las prácticas actuales de última generación en ambas áreas, mejorando las herramientas modernas de ingeniería de software y descubriendo nuevas formas de desarrollar y mantener el código.
Áreas de interés actuales:
- Detección de defectos en la arquitectura orientada a objetos y recomendación automática de refactorizaciones adecuadas que optimizan la estructura del código.
- Detección de clones de código y herramientas para la detección y extracción automáticas de fragmentos de código reutilizables.
- Creación de incrustaciones de código más ricas para la detección de plagio, la predicción de nombres de métodos y variables, y la integración de código.
- Análisis de la dinámica del estilo de codificación de los desarrolladores.
- Utilización de datos históricos para aumentar las herramientas de colaboración, por ejemplo, a través de sistemas de recomendación.
- Detección de anomalías en el código.
- Generación automatizada de código a partir de descripciones de lenguaje natural, llamadas a API utilizadas, etc.
- Asistencia automatizada a la codificación tanto para estudiantes como para desarrolladores experimentados, incluidos errores típicos de búsqueda/corrección, detección y adopción de características del IDE, intención del usuario y análisis de contexto.
- Análisis basado en la confirmación de repositorios de código que predicen métodos para cambiar, ubicación de errores y otros eventos.
- Métodos para la detección automatizada de errores y la reparación de programas.
Áreas de interés actuales:
- Detección de defectos en la arquitectura orientada a objetos y sugerencia automática de refactorizaciones adecuadas que optimizan la estructura del código.
- Detección de clones de código y creación de herramientas para la detección y la extracción automáticas de fragmentos de código reutilizables.
- Creación de incrustaciones de código más ricas para la detección del plagio, la predicción de nombres de métodos y variables, y la integración de código.
- Análisis de la dinámica del estilo de codificación de los desarrolladores.
- Utilización de datos históricos para aumentar las herramientas de colaboración, por ejemplo, a través de sistemas de recomendación.
- Detección de anomalías en el código.
- Generación automatizada de código a partir de descripciones de lenguaje natural, llamadas a API utilizadas, etc.
- Asistencia automatizada a la codificación tanto para estudiantes como para desarrolladores experimentados, incluidos errores típicos de búsqueda/corrección, detección y adopción de características del IDE, intención del usuario y análisis de contexto.
- Análisis basado en la confirmación de repositorios de código que predicen cambios, ubicación de errores y otros eventos.
- Métodos para la detección automatizada de errores y la reparación de programas.
Publicaciones
Seminarios
Organizamos seminarios abiertos y clubs de lectura donde presentamos resultados interesantes, tanto propios como de otras personas. Únase a nuestro grupo de meetup para no perderse las próximas sesiones.
Las grabaciones de los seminarios anteriores están disponibles en el canal de YouTube.
Materiales
Curiosity-Driven Researchers: Between Industry and Academia, Parte 2
Esta es la segunda parte de la entrevista a Timofey Bryksin, Head of the Research Lab, donde nos traslada sus impresiones acerca del futuro de los IDE, las herramientas LLM y el rol del desarrollador en continuo cambio.