تعتبر أنظمة تتبع الأخطاء (Bug Tracking Systems) إحدى الدعائم الأساسية لصيانة البرمجيات، إلا أن المطورين يُواجهون غالباً تحديات كبيرة بسبب التقارير المُقدمة من المستخدمين التي تفتقر إلى التفاصيل الحيوية مثل خطوات إعادة الإنتاج (Steps to Reproduce - S2R) والسلوك الملاحظ (Observed Behavior - OB) والسلوك المتوقع (Expected Behavior - EB).
ما هو ImproBR؟
هنا يأتي دور **ImproBR**! نظام مبتكر يعتمد على نموذج لغوي كبير (LLM) يهدف إلى **تحسين تقارير الأخطاء** تلقائياً من خلال الكشف عن الأجزاء المفقودة والمكتملة وغير الواضحة. يستخدم ImproBR كاشفًا هجينيًا يجمع بين تحليلات دقيقة عبر نموذج **DistilBERT** وآخر يعتمد على التحليلات القاعدية، إضافةً إلى محلل يعتمد على نموذج LLM، مدعوماً بتوجيهات خاصة من **GPT-4o mini**.
نتائج مُبهرة
أظهرت التجارب التي أُجريت على تقارير **Mojira** تحسنًا هائلًا في جودة التقارير، حيث ارتفعت نسبة الاكتمال الهيكلي من 7.9% إلى 96.4%. كما زادت نسبة خطوات إعادة الإنتاج القابلة للتنفيذ من 28.8% إلى 67.6%، وارتفعت التقارير القابلة لإعادة الإنتاج بالكامل من 1 إلى 13 تقريراً ضمن 139 تقريرًا صعبًا.
لماذا يُعتبر هذا مُفاجئاً؟
يعكس هذا الإنجاز تحولًا فعليًا في كيفية معالجة تقارير الأخطاء، مما يُسهم في تعزيز جودة البرمجيات وتجربتنا كمستخدمين. هل تتطلع إلى استخدام تقنيات الذكاء الاصطناعي في مشاريعك البرمجية القادمة؟