Pesquisa
Laboratório de Métodos de Aprendizado de Máquina em Engenharia de Software
As aplicações da ciência de dados estão cada vez mais populares em muitos campos de pesquisa e na indústria, inclusive na engenharia de software. Com esse grupo, pretendemos fundir as práticas atuais de última geração em ambas as áreas, melhorando as ferramentas de engenharia de software modernas e descobrindo novas formas de desenvolver e manter código.
Nossas áreas atuais de interesse:
- Detecção de defeitos na arquitetura orientada a objetos e recomendação automática de refatorações apropriadas que otimizem a estrutura do código.
- Detecção de clones de código e ferramentas para detecção automática e extração de fragmentos de código reutilizáveis.
- Construção de incorporações mais elaborados de código para detecção de plágio, previsão de nomes de métodos e variáveis e resumo de códigos.
- Análise da dinâmica do estilo de codificação dos desenvolvedores.
- Uso de dados históricos para ampliar as ferramentas de colaboração, por exemplo, por meio de sistemas recomendadores.
- Detecção de anomalias no código.
- Geração automatizada de código com base em descrições de linguagem natural, chamadas de API usadas etc.
- Assistência para codificação automatizada tanto para estudantes quanto para desenvolvedores experientes, incluindo localização/correção de erros típicos, detecção e adoção de recursos IDE, intenção do usuário e análise de contexto.
- Análise baseada em submissões de métodos de previsão de repositórios de código para alteração, localização de bugs e outros eventos.
- Métodos para detecção automatizada de bugs e reparo de programas.
Nossas áreas atuais de interesse:
- Detecção de defeitos na arquitetura orientada a objetos e sugestão automática de refatorações apropriadas que otimizem a estrutura do código.
- Detecção de clones de código e criação de ferramentas para detecção automática e extração de fragmentos de código reutilizáveis.
- Construção de incorporações mais elaboradas de código para detecção de plágio, previsão de nomes de métodos e variáveis, e resumo de código.
- Análise da dinâmica do estilo de codificação dos desenvolvedores.
- Uso de dados históricos para ampliar as ferramentas de colaboração, por exemplo, por meio de sistemas recomendadores.
- Detecção de anomalias no código.
- Geração automatizada de código com base em descrições de linguagem natural, chamadas de API usadas etc.
- Assistência para codificação automatizada tanto para estudantes quanto para desenvolvedores experientes, incluindo localização/correção de erros típicos, detecção e adoção de recursos IDE, intenção do usuário e análise de contexto.
- Análise baseada em submissões de previsão de alterações em repositórios de código, localização de bugs e outros eventos.
- Métodos para detecção automatizada de bugs e reparo de programas.
Publicações
Seminários
Realizamos seminários abertos e reuniões de clubes de leitura, onde apresentamos resultados interessantes, tanto nossos quanto de outros parceiros. Participe do grupo de meetups para manter-se informado sobre as próximas sessões.
Pode-se encontrar os registros dos seminários passados no nosso canal no YouTube.
Materiais
Curiosity-Driven Researchers: Between Industry and Academia, Parte 2
Esta é a segunda parte da entrevista com Timofey Bryksin, Chefe do Laboratório de Pesquisas, na qual ele compartilha seu pensamento sobre o futuro dos IDEs, as ferramentas de modelos grandes de linguagem e o papel em transformação dos desenvolvedores.