Riepilogo Tecnico: Traduzione del Codice Neurale di Codice Legacy da APL a C#

Enunciato del Problema

La migrazione di sistemi legacy da linguaggi specializzati orientati agli array a linguaggi moderni, staticamente tipizzati e orientati agli oggetti presenta sfide significative per la manutenibilità e l'integrazione. Questo lavoro affronta il problema specifico della traduzione di APL (A Programming Language) in C#. Il compito è intrinsecamente difficile a causa di tre fattori principali:

1. Disparità Sintattica: APL utilizza una sintassi sparsa con glifi unici e opera su array multidimensionali senza cicli espliciti, mentre C# si basa su logica procedurale verbosa ed esplicita e su firme di tipo distinte.
2. Scarsità di Dati: Manca un corpus parallelo su larga scala contenente coppie di codice APL e C# funzionalmente equivalenti, il che limita l'addestramento di modelli di traduzione neurale standard.
3. Ambiguità Semantica: La tipizzazione dinamica di APL e le funzioni polimorfe per rango (dove una singola funzione opera su scalari, vettori e matrici) creano ambiguità quando si mappano al sistema di tipi rigoroso di C#, richiedendo spesso un sovraccarico di metodi complesso o il controllo dei tipi a runtime per preservare la funzionalità.

Metodologia

Lo studio tratta la traduzione del codice come un problema di generazione sequenza-sequenza utilizzando Modelli Linguistici di Grandi Dimensioni (LLM). Per superare le limitazioni dei dati e le ambiguità strutturali, gli autori propongono e valutano un framework che confronta quattro strategie di traduzione distinte rispetto a una baseline:

1. Traduzione Diretta (Baseline): Fine-tuning di un LLM per tradurre direttamente il codice APL in C# senza guida intermedia.
2. Mediazione in Linguaggio Naturale (NL): Un approccio a due stadi in cui un LLM genera prima una descrizione ad alto livello in linguaggio naturale del codice APL, che viene poi combinata con il codice sorgente per generare la traduzione in C#.
3. Generazione Aumentata dal Recupero (RAG): Il sistema recupera documentazione APL e idiomi rilevanti da librerie esterne (ad es. APL2 Idiom Library) per fornire contesto al modello durante la generazione.
4. Raffinamento Iterativo: Un ciclo automatizzato in cui il codice C# generato viene compilato ed eseguito rispetto a casi di test. Errori di compilazione, eccezioni a runtime e disallineamenti funzionali vengono restituiti al modello come contesto per iterazioni di raffinamento successive.

Costruzione del Dataset:
A causa della scarsità di dati esistenti, gli autori hanno costruito più dataset:

• Dataset A: 800 coppie fondamentali APL-C# curate manualmente.
• Dataset B: 143 funzioni di utilità complesse derivate da ambienti di produzione.
• Dataset C: 320 implementazioni cross-linguaggio da Rosetta Code.
• Dataset I: 45 idiomi APL con descrizioni.
  Un totale di 1.066 campioni è stato utilizzato per il fine-tuning, con il Dataset B che funge da banco di prova principale per la generalizzazione orientata alla produzione.

Implementazione Tecnica:

• Tokenizzazione: Lo studio ha analizzato l'efficienza del tokenizzatore per i glifi APL, identificando Qwen3-32B e Gemma-4-31b-it come i modelli più efficienti per gestire i caratteri APL senza fallimenti di andata e ritorno.
• Fine-Tuning: È stato impiegato il Fine-Tuning Efficiente dei Parametri (LoRA) con quantizzazione a 8 bit per adattare i modelli ai vincoli di memoria GPU H100 disponibili.
• Pipeline di Valutazione: Una pipeline automatizzata ha verificato la qualità della traduzione controllando la compilazione riuscita e l'equivalenza funzionale rispetto ai casi di test input-output.

Contributi Chiave

• Prima Indagine Sistematica: Questo lavoro presenta il primo studio sistematico e un dataset specializzato per la traduzione neurale del codice da APL a un linguaggio moderno (C#).
• Framework di Traduzione Guidata: Il lavoro introduce e convalida empiricamente un framework che combina firme di metodi (estratte tramite un parser F#), descrizioni in linguaggio naturale e loop di feedback iterativi per colmare il divario di paradigma tra APL e C#.
• Valutazione Automatizzata: Lo sviluppo di una pipeline di valutazione rigorosa che misura sia la correttezza sintattica (compilazione) sia la correttezza funzionale (esecuzione) per il codice generato.

Risultati Sperimentali

Gli esperimenti sono stati condotti su un set di test di 49 funzioni APL di livello produzione (dal Dataset B). Le scoperte chiave includono:

• Impatto della Guida: L'inclusione di firme di metodi C# ha migliorato significativamente i tassi di compilazione in tutti i modelli. Ad esempio, l'aggiunta di firme al modello Gemma-4-31b-it ha aumentato il tasso di successo completo dal 22,45% al 46,94%.
• Efficacia dell'Iterazione: La strategia di Traduzione Iterativa ha prodotto le prestazioni più elevate. La combinazione di descrizioni NL e feedback iterativo ha raggiunto un Tasso di Successo Completo di 79,59% utilizzando Claude Opus 4, seguito da vicino dal 77,55% utilizzando Gemma-4-31b-it.
• Prestazioni del Modello: I modelli open-weight fine-tuned (Gemma-4-31b-it, Qwen3-32B) con strategie di guida hanno raggiunto prestazioni competitive rispetto ai modelli closed-weight (GPT-5, Claude Opus 4).
• Analisi degli Errori: La causa principale del fallimento è passata dagli errori di compilazione/runtime nelle prime iterazioni agli errori funzionali nelle iterazioni successive. Ciò indica che, sebbene i modelli possano imparare a generare C# sintatticamente valido, preservare l'intento matematico specifico degli idiomi APL rimane l'aspetto più difficile.
• Scalabilità dei Dati: Le metriche di prestazione hanno mostrato una tendenza costante al rialzo con l'aumento della dimensione dei dati di addestramento, suggerendo che i risultati attuali sono limitati dalla scala del dataset piuttosto che dall'architettura del modello.

Significato e Affermazioni

Il lavoro afferma che la traduzione neurale del codice può colmare con successo il divario tra i sistemi legacy APL e le architetture moderne C#, a condizione che vengano impiegate strategie di guida appropriate. Gli autori affermano che:

1. Fattibilità: La traduzione automatizzata è fattibile per un'ampia gamma di programmi, andando oltre la semplice conversione sintattica verso l'equivalenza funzionale.
2. Economicità: Utilizzando modelli open-weight fine-tuned combinati con raffinamento iterativo, le organizzazioni possono ottenere risultati comparabili a modelli closed-source costosi, offrendo una soluzione scalabile per la modernizzazione del legacy.
3. Applicabilità Pratica: La metodologia riduce lo sforzo manuale richiesto per il debug e il raffinamento del codice migrato, affrontando il ridursi del pool di esperti APL.

Gli autori mantengono una posizione modesta, notando che, sebbene l'approccio sia efficace, la maggior parte dei fallimenti rimanenti deriva da un incomprensione dell'intento originale APL piuttosto che da errori di generazione del codice a basso livello. Concludono che il lavoro futuro dovrebbe concentrarsi sull'espansione dei corpus di addestramento e sulla transizione dalla traduzione di singoli programmi a sistemi multi-agente capaci di gestire le dipendenze a livello di progetto.