ШІ-КЕРОВАНІ СИСТЕМИ РОЗРОБКИ КРОСПЛАТФОРМНИХ ЗАСТОСУНКІВ

Сергій Юрійович Манаков, Олена Григорівна Трофименко, Павло Олександрович Чикунов, Володимир Ігорович Гура

Abstract


Дослідження присвячене аналізу сучасного стану та перспектив розвитку штучного інтелекту (ШІ) в системах розробки кросплатформних застосунків. Розглянуто ключові технології машинного навчання, які застосовуються у процесах автоматизації програмної інженерії, включаючи системи автоматичної генерації коду на основі великих мовних моделей, інтелектуальні середовища розробки та ШІ-керовані методології тестування. Проаналізовано архітектурні рішення сучасних кросплатформних фреймворків та їхню інтеграцію з технологіями штучного інтелекту. Досліджено застосування трансформерних моделей, зокрема GPT-4/Codex, Claude, CodeT5 та CodeBERT, у задачах розуміння та генерації програмного коду. Аналіз показав, що наразі GPT-4/Codex є найточнішою та найпотужнішою ШІ-моделлю, яка підходить для складної генерації коду. CodeT5 тримає баланс між розміром і продуктивністю, а тому добре підходить для завдань трансформації коду. InCoder спеціалізується на заповненні шаблонів у коді, але має нижчу точність. CodeBERT більше підходить для аналітики коду, ніж для генерації. Розглянуто методи оцінювання якості ШІ-генерованого коду, включаючи метрики функціональної коректності та структурної якості. Висвітлено виклики безпеки та надійності автоматично згенерованого програмного коду, включаючи проблеми вразливостей та потребу у додатковій верифікації. Представлено аналіз ефективності різних підходів до кросплатформної розробки з використанням інструментів штучного інтелекту. Наукова новизна роботи полягає у комплексному аналізі взаємодії технологій штучного інтелекту з кросплатформними фреймворками розробки, систематизації сучасних підходів до ШІ-керованої генерації коду та дослідженні специфічних викликів інтеграції машинного навчання у процеси багатоплатформної розробки програмного забезпечення. Результати дослідження показують значний потенціал інтеграції технологій штучного інтелекту для підвищення продуктивності розробників та покращення якості програмного забезпечення

Keywords


кросплатформна розробка, штучний інтелект, генерація коду, великі мовні моделі, інженерія програмного забезпечення, тестування, інтегроване середовище розробки

References


AI Trends Report 2024: AI’s Growing Role in Software Development. URL: https://www.docker.com/blog/ai-trends-report-2024/

Wang Y., Wang W., Joty S., Hoi St. CodeT5: Identifier-aware Unified Pre-trained Encoder-Decoder Models for Code Understanding and Generation. Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing. 2021. P. 8696-8708. DOI: https://doi.org/10.18653/v1/2021.emnlp-main.685

Lu S., Guo D., Ren S., et al. CodeXGLUE: A Machine Learning Benchmark Dataset for Code Understanding and Generation. arXiv. 2021. Vol. 2102.04664. DOI: https://doi.org/10.48550/arXiv.2102.04664

Feng Z., Guo D., Tang D., et al. CodeBERT: A Pre-Trained Model for Programming and Natural Languages. Findings of the Association for Computational Linguistics: EMNLP 2020. P. 1536-1547. DOI: https://doi.org/10.18653/v1/2020.findings-emnlp.139

Fried D., Aghajanyan A., Lin J., et al. InCoder: A Generative Model for Code Infilling and Synthesis. arXiv. 2022. Vol. 2204.05999. DOI: https://doi.org/10.48550/arXiv.2204.05999

Negri-Ribalta C., Geraud-Stewart R., Sergeeva A., Lenzini G. A systematic literature review on the impact of AI models on the security of code generation. Frontiers in Big Data. 2024. Vol. 7. Article 1386720. P. 1-20. DOI: https://doi.org/10.3389/fdata.2024.1386720

Martinović B., Rozić R. Impact of AI Tools on Software Development Code Quality. Communications in Computer and Information Science. 2024. Vol. 2124. P. 202-216. DOI: https://doi.org/10.1007/978-3-031-62058-4_15

Ukrainian Catholic University Machine Learning Lab. Research Portfolio 2020-2025. Lviv: UCU, 2025. URL: https://apps.ucu.edu.ua/en/mllab/

Ma L., Wang H., Yang K, et al. An empirical study of AI techniques in mobile applications. Journal of Systems and Software. 2024. Vol. 220. Article 112233. DOI: https://doi.org/10.1016/j.jss.2024.112233

Blanco J. Z., Lucrédio D. A holistic approach for cross-platform software development. Journal of Computer Languages. 2021. Vol. 65. Article 101049. DOI: https://doi.org/10.48550/arXiv.2104.14614

Alenezi M., Akour M. AI-Driven Innovations in Software Engineering: A Review of Current Practices and Future Directions. Applied Sciences. 2025. Vol. 15, No. 3. Article 1344. DOI: https://doi.org/10.3390/app15031344

Peng S., Kalliamvakou E., Cihon P., Demirer M. The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv. 2023. Vol. 2302.06590. DOI: https://doi.org/10.48550/arXiv.2302.06590

Chen M., Tworek J., Jun H., et al. Evaluating Large Language Models Trained on Code. arXiv. 2021. Vol. 2107.03374. DOI: https://doi.org/10.48550/arXiv.2107.03374

Fu Ju., Liang P., Tahir A., et al. Security Weaknesses of Copilot-Generated Code in GitHub Projects: An Empirical Study. arXiv. 2025. Vol. 2310:02059v4. DOI: https://doi.org/10.48550/arXiv.2310.02059

CodeScene ACE: Auto-Refactor Code. Technical Documentation. 2025. URL: https://codescene.io/docs/auto-refactor/index.html#codescene-ace-auto-refactor-code

Maltseva A. JetBrains AI Assistant: Smarter, More Capable, and a New Free Tier. 2025. URL: https://blog.jetbrains.com/ai/2025/04/jetbrains-ai-assistant-2025-1/

Трофименко О. Г., Дика А. І., Лобода Ю. Г. Аналіз інструментів тестування вебзастосунків. Кібербезпека: освіта, наука, техніка. 2023. № 4(20). С. 62-71. DOI: https://doi.org/10.28925/2663-4023.2023.20.6271

Ramchand S., Shaikh S., Alam I. Role of Artificial Intelligence in Software Quality Assurance. Lecture Notes in Networks and Systems. 2022. Vol. 295. P. 89 102. DOI: https://doi.org/10.1007/978-3-030-82196-8_10

Ren S., Guo D., Lu S., et al. CodeBLEU: a Method for Automatic Evaluation of Code Synthesis. arXiv. 2020. Vol. 2009.10297. DOI: https://doi.org/10.48550/arXiv.2009.10297

Bhatt M. et al. CyberSecEval 2: A Wide-Ranging Cybersecurity Evaluation Suite for Large Language Models. arXiv. 2024. Vol. 2404.13161. DOI: https://doi.org/10.48550/arXiv.2404.13161

Трофименко, О. Г., Лобода, Ю. Г., Гура, В. І., Дика, А. І., Стрілець, М. І. Інструменти штучного інтелекту для системного аналізу. Вісник Херсонського національного технічного університету. 2024. № 4. С. 349–357. DOI: https://doi.org/10.35546/kntu2078-4481.2024.4.46




DOI: https://doi.org/10.32620/oikit.2025.105.15

Refbacks

  • There are currently no refbacks.