ArkTS-CodeSearch: A Open-Source ArkTS Dataset for Code Retrieval
تقدم هذه الورقة البحثية ArkTS-CodeSearch، وهي أول مجموعة بيانات ومعيار مفتوح المصدر واسع النطاق مصمم لتعزيز أبحاث استرجاع وذكاء الأكواد للغة البرمجة ArkTS.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول العثور على وصفة محددة في مكتبة ضخمة وغير منظمة. أنت تعلم أنك تريد شيئاً مثل "طبق مكرونة حار بالثوم،" ولكن المكتبة لا تحتوي على شريط بحث. بدلاً من ذلك، عليك التجول عبر الممرات، وقراءة كل ملاحظة مكتوبة بخط اليد ملصقة على أغلفة كتب الطهي، على أمل أن يطابق أحدها ما تشتهيه.
هذه هي بالضبط المشكلة التي يواجهها المطورون مع لغة ArkTS، وهي لغة برمجة جديدة تُستخدم لبناء تطبيقات للأجهزة الذكية (مثل تلك الموجودة في نظام OpenHarmony البيئي). ولأن ArkTS لغة جديدة نسبياً، فلا يوجد لها "جوجل" خاص بها. لا توجد مجموعات بيانات منظمة لمساعدة الذكاء الاصطعي على تعلم كيفية فهمها، ولا توجد طريقة سهلة للبحث في الأكواد البرمجية باستخدام اللغة الإنجليزية البسيطة.
لقد قام الباحثون وراء هذه الورقة البحثية ببناء ما يمكن تسميته بـ "المخطط النهائي لمحرك البحث" لهذه اللغة. وإليكم كيف فعلوا ذلك، مقسماً إلى ثلاث خطوات بسيطة:
1. رحلة البحث الرقمي الكبرى (جمع البيانات)
قام الباحثون بعملية بحث واسعة النطاق عبر الإنترنت (تحديداً في مواقع مثل GitHub وGitee). لم يكونوا يبحثون عن مجرد أكواد برمجية؛ بل كانوا يبحثون عن "الزوج المثالي".
فكر في الأمر كالبحث عن صورة وتعليق توضيحي لها. لقد بحثوا عن قطعة من الكود (التي تمثل "الصورة") والتعليق الذي كتبه الإنسان ليشرح ما تفعله (الذي يمثل "التعليق التوضيحي"). واستخدموا أداة متخصصة (تسمى "المحلل" أو parser) لتعمل بمثابة عدسة مكبرة عالية التقنية، لضمان الحصول فقط على مقتطفات نظيفة ومنظمة جيداً. وانتهى بهم المطاف بامتلاك أكثر من 24,000 زوج مثالي من هذه الأزواج.
2. تعليم "الدماغ" فهم السياق (الضبط الدقيق)
حتى لو امتلكت البيانات، فأنت بحاجة إلى "دماغ" (نموذج ذكاء اصطناعي) لفهمها. معظم أدمغة الذكاء الاصطناعي الموجودة حالياً تم تدريبها على لغات شائعة مثل Python أو Java. واستخدامها مع لغة ArkTS يشبه مطالبة طاهٍ فرنسي عالمي بطهي طبق نادر ومحدد جداً من جزيرة نائية؛ قد يفهم الفكرة، لكنه سيعاني مع التوابل الفريدة.
ولإصلاح ذلك، أخذ الباحثون نماذج ذكاء اصطناعي موجودة وأعطوها "تدريباً متخصصاً". لقد استخدموا طريقة ذكية مكونة من خطوتين:
- الخطوة أ: علموا الذكاء الاصطناعي لغة TypeScript (وهي لغة "ابنة عم" لـ ArkTS) لكي يتمكن من تعلم السمات الأساسية للعائلة.
- الخطوة ب: ثم علموه لغة ArkTS تحديداً.
الأمر يشبه تعليم طالب اللغة الإسبانية أولاً، ثم تعليمه لهجة إقليمية محددة. هذا يجعل عملية التعلم أسرع وأكثر دقة بكثير.
3. اختبار "الخاطبة" (التقييم)
أخيراً، اختبروا مدى جودة هذه "الأدمغة" الاصطناعية في عملية التوفيق بين الأشياء. أعطوا الذكاء الاصطناعي وصفاً (على سبيل المثال: "دالة تحسب عمر المستخدم") وشاهدوا ما إذا كان بإمكان الذكاء الاصطناعي العثور على قطعة الكود الدقيقة التي تقوم بذلك.
استخدموا عدة "بطاقات تقييم" (مقاييس) لمعرفة عدد المرات التي قام فيها الذكاء الاصطناعي بـ:
- وضع الإجابة الصحيحة في أعلى القائمة تماماً.
- وضع الإجابة الصحيحة في مكان ما ضمن الخيارات الخمسة الأولى.
لماذا يهمك هذا الأمر؟
حتى لو لم تكن مبرمجاً، فهذه خطوة كبيرة للأمام. فبينما يمتلئ عالمنا بكل شيء "ذكي" — الساعات، السيارات، الأجهزة المنزلية — فإن البرمجيات التي تشغلها تحتاج أن تكون أكثر ذكاءً وموثوقية.
من خلال إنشاء هذه المجموعة من البيانات وهذه النماذج، وضع هؤلاء الباحثون الأساس لـ مساعدي البرمجة بالذكاء الاصطناعي (مثل "Grammarly للأكواد البرمجية") خصيصاً للجيل القادم من الأجهزة الذكية. وهذا يعني أن المطورين يمكنهم العمل بشكل أسرع، وارتكاب أخطاء أقل، وبناء تكنولوجيا أفضل للجميع.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.