М.А. Панов1, Д.Т. Имранова2, С.А. Красилов3

1–3 Уральский государственный экономический университет (г. Екатеринбург, Россия)

1 panov79@ya.ru, 2 imranovadt@gmail.com, 3 sergey.krasilov.dev@gmail.com

Постановка проблемы. Существует необходимость оценки перспектив использования полностью автоматизированных методов разработки средств тестирования кода и их соотношения с традиционными подходами, основанными на участии разработчика. Это вызвано рядом вопросов и проблем, таких как эффективность, стоимость, скорость разработки и надежность итогового программного продукта.

Цель. Оценить перспективы использования полностью автоматизированных методов разработки средств тестирования кода и их соотношение с традиционными подходами, основанными на участии разработчика.

Результаты. Сформирован эталонный результат запроса в нейросеть с помощью компетенции опытного Java-разработчика. Проведен эксперимент, полученные данные с которого были достаточными для формирования среднего результата покрытия кода Unit-тестами. Выполнены сравнения и высчитаны средние показатели результатов разработчика и нейронной сети.

Практическая значимость. Результаты данного исследования могут помочь разработчикам определить наиболее эффективные методы тестирования и внедрения автоматизации, что позволит ускорить процесс разработки программного обеспечения. Использование более надежных и эффективных методов тестирования может улучшить качество конечного продукта и снизить количество ошибок и дефектов.

Панов М.А., Имранова Д.Т., Красилов С.А. Исследование и разработка методов оценки и оптимизации информационных процессов на основе обмена информацией пользователя и нейронной сети при написании Unit-тестов // Нейрокомпьютеры: разработка, применение. 2024. T. 26. № 3. С. 22-35. DOI: https://doi.org/10.18127/j19998554-202403-03

1. Добровольская Е.А., Яхин И.Э. Когнитивное моделирование и нейронные сети // Материалы II Междунар. науч. форума «Шаг в будущее: искусственный интеллект и цифровая экономика. Революция в управлении: новая цифровая экономика или новый мир машин». М.: Государственный университет управления. 2018. Т. 3. С. 135–141.
2. Князева Е.Г., Курбакова С.Н., Мурог И.А. Особенности языкового моделирования действительности в рекламном тексте // Вопросы психолингвистики. 2018. № 37. С. 36–49. DOI 10.30982/2077-5911-2018-37-3-36-49.
3. Панов М.А. Влияние больших данных на мировой фондовый рынок // Сборник материалов национального научного форума магистрантов, аспирантов и молодых учёных «Наука, меняющая жизнь». Владивосток: Владивостокский государственный университет. 2023. С. 239–243.
4. Добрина М.В. Методы анализа данных с использованием искусственных нейронных сетей // Нейрокомпьютеры: разработка, применение. 2023. T. 25. № 4. С. 45–53. DOI 10.18127/j19998554-202304-06.
5. Gokul Y., Ramalingam M., Chemmalar S.G., Supriya Y., Gautam S., Praveen K.R.M., Deepti R.G., Rutvij H.J., Prabadevi B., Weizheng W., Athanasios V.V., Thippa R.G. GPT (Generative Pre-trained Transformer) – A Comprehensive Review on Enabling Technologies, Potential Applications, Emerging Challenges, and Future Directions. [Электронный ресурс] – Режим доступа: https://arxiv.org/pdf/2305.10435, дата обращения 16.12.2023.
6. Кумратова А.М., Морозова Н.В., Василенко А.И., Когай И.E. Анализ возможностей нейронной сети на основе языковой модели GPT-3 и способы ее применения на производстве // Вестник Адыгейского государственного университета. Серия 4: Естественно-математические и технические науки. 2023. № 1(316). С. 80–85. DOI 10.53598/2410-3225-2023-1-316-80-85.
7. Galassi A., Lippi M., Torroni P. Attention in Natural Language Processing // IEEE Transactions on Neural Networks and Learning Systems. 2021. V. 32. № 10. P. 4291–4308. DOI 10.1109/TNNLS.2020.3019893.
8. Chou J.-S., Chong P.-L., Liu C.-Y. Deep learning-based chatbot by natural language processing for supportive risk management in river dredging projects // Engineering Applications of Artificial Intelligence. 2024. V. 131. P. 107744. DOI 10.1016/j.engap-pai.2023.107744.
9. Otter D.W., Medina J.R., Kalita J.K. A Survey of the Usages of Deep Learning for Natural Language Processing // IEEE Transactions on Neural Networks and Learning Systems. 2021. V. 32. № 2. P. 604–624. DOI 10.1109/TNNLS.2020.2979670.
10. Сирбиладзе К.К. ChatGPT и его возможности для продвижения продукции компаний // Практический маркетинг. 2023. № 7(313). С. 47–52. DOI 10.24412/2071-3762-2023-7313-47-52.
11. JDK 17 Documentation. [Электронный ресурс] – Режим доступа: https://docs.oracle.com/en/java/javase/17/, дата обращения 16.12.2023.
12. GitHub – spring-projects/spring-petclinic: A sample Spring-based application. [Электронный ресурс] – Режим доступа: https://github.com/spring-projects/spring-petclinic, дата обращения 16.12.2023.
13. Brown T.B., Mann B., Ryder N., Subbiah M., Kaplan J., Dhariwal P., Neelakantan A., Shyam P., Sastry G., Askell A., Agarwal S., Herbert-Voss A., Krueger G., Henighan T., Child R., Ramesh A., Ziegler D.M., Wu J., Winter C., Hesse C., Chen M., Sigler E., Litwin M., Gray S., Chess B., Clark J., Berner C., McCandlish S., Radford A., Sutskever I., Amodei D. Language models are few-shot learners. [Электронный ресурс] – Режим доступа: https://arxiv.org/pdf/2005.14165, дата обращения 16.12.2023.
14. Ziegler D.M., Stiennon N., Wu J., Brown T.B., Radford A., Amodei D., Christiano P., Irving G. Fine-Tuning Language Models from Human Preferences. [Электронный ресурс] – Режим доступа: https://arxiv.org/pdf/1909.08593v1, дата обращения 16.12.2023.
15. Keskar N.S., McCann B., Varshney L.R., Xiong C., Socher R. Ctrl: A Conditional Transformer Language Model for Controllable Generation. [Электронный ресурс] – Режим доступа: https://arxiv.org/pdf/1909.05858, дата обращения 16.12.2023.
16. Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A.N., Kaiser L., Polosukhin I. Attention Is All You Need. [Электронный ресурс] – Режим доступа: https://arxiv.org/pdf/1706.03762, дата обращения 16.12.2023.
17. Шидаева Р.З., Магомедов И.А. ChatGPT: сферы применения и возможности // Материалы III Всерос. науч.-практич. конф. «Digital Era». Грозный: Чеченский государственный университет им. А.А. Кадырова. 2023. С. 235–237. DOI 10.36684/93-1-2023-235-237.
18. Jaimovitch-López G., Ferri C., Hernández-Orallo J., Martínez-Plumed F., Ramírez-Quintana M.J. Can language models automate data wrangling? // Machine Learning. 2023. V. 112. № 6. P. 2053–2082. DOI 10.1007/s10994-022-06259-9.
19. Красочкин С.Г. Чем ChatGPT отличается от текущих нейросетей // Евразийский Союз Ученых. Серия: технические и физико-математические науки. 2023. № 4(107). С. 30–35. DOI 10.31618/ESU.2413-9335.2023.1.107.1798.
20. Любимова Т.В., Евсеенко И.Н., Рымарь А.Н. Технология ChatGPT // Университетская наука. 2023. № 2(16). С. 174–177.
21. Намиот Д.Е., Зубарева Е.В. О работе AI Red Team // International Journal of Open Information Technologies. 2023. Т. 11. № 10. С. 130–139.
22. Ayupov R.H., Baltabaeva G.R. Application directions of artificial intelligence methods and tools in education // Интернаука. 2023. № 13-5(283). P. 44–47. DOI 10.32743/26870142.2023.13.283.354779.
23. Насиров Э.Ф., Кириллов Д.С., Мертинс Г.Р., Молостов Д.Д. UNIT тестирование // Сборник статей XXVI Междунар. науч.-практич. конф. «Наука и инновации в XXI веке: актуальные вопросы, открытия и достижения». Пенза: Наука и Просвещение. 2021. С. 96–98.
24. Spring Boot. [Электронный ресурс] – Режим доступа: https://spring.io/projects/spring-boot, дата обращения 16.12.2023.
25. JUnit 5 User Guide. [Электронный ресурс] – Режим доступа: https://junit.org/junit5/docs/current/user-guide/, дата обращения 16.12.2023.
26. Mockito framework site. [Электронный ресурс] – Режим доступа: https://site.mockito.org/, дата обращения 16.12.2023. 
27. Spadini D., Aniche M., Bruntink M., Bacchelli A. Mock objects for testing java systems // Empirical Software Engineering. 2019. V. 24. № 3. P. 1461–1498. DOI 10.1007/s10664-018-9663-0.
28. API Reference – OpenAI API. [Электронный ресурс] – Режим доступа: https://platform.openai.com/docs/api-reference/introduc­tion, дата обращения 16.12.2023.