LLM-based Automated Architecture View Generation: Where Are We Now?
Hoewel LLM's en agentische benaderingen syntactisch geldige architectuurweergaves kunnen genereren, vertonen ze nog steeds significante granulariteitsproblemen en vereisen ze menselijke expertise, waardoor ze momenteel vooral als assistieve hulpmiddelen en niet als autonome architecten fungeren.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
De Bouwmeester die de Blauwdruk Vergeten Is: Wat Kunnen AI's Nu Eigenlijk?
Stel je voor dat je een enorme, oude stad hebt gebouwd. De straten zijn er, de huizen staan er, en de mensen leven er. Maar niemand heeft meer de blauwdruk (de architectonische tekening) van deze stad. De originele tekeningen zijn zoek, verrot of gewoon niet meer bijgewerkt. Als je nu wilt weten hoe de stad werkt, moet je elke steen, elk raam en elke deur één voor één bekijken. Dat is enorm veel werk en vaak leidt het tot fouten.
Dit is precies het probleem in de softwarewereld. Programmeurs schrijven code (de stenen en muren), maar de "architectuur" (het grote plaatje van hoe alles samenwerkt) is vaak vergeten of verouderd.
Drie onderzoekers van het IIIT Hyderabad in India hebben een experiment gedaan om te kijken of AI (specifiek Large Language Models of LLMs) deze blauwdrukken weer voor ons kan tekenen, puur door naar de code te kijken.
Hier is wat ze hebben ontdekt, vertaald in begrijpelijke taal:
1. Het Experiment: De "Kookpotten"
De onderzoekers hebben 340 verschillende software-projecten (zoals 340 verschillende steden) genomen. Ze hebben deze AI's laten proberen om de blauwdrukken te maken. Ze hebben het op drie manieren geprobeerd:
- De "Nieuwsgierige Leerling" (Prompting): Ze gaven de AI een simpele opdracht: "Kijk naar deze code en teken een kaart." Soms gaven ze een voorbeeld (een recept) mee, soms niet.
- De "Alleskunner" (General Agent): Ze gebruikten een slimme AI-assistent die gewend is om code te schrijven en fouten te vinden, maar die niet specifiek is getraind op architectuur.
- De "Speciale Architect" (Custom Agent - ArchView): Ze bouwden een slimme AI-assistent die speciaal was getraind om te denken als een architect. Deze AI kreeg niet alleen de code, maar ook een lijst met vragen: "Wie zijn de bewoners? Wat is de veiligheid? Hoe stroomt het verkeer?"
2. De Resultaten: Wie deed het goed?
De "Alleskunner" faalde:
De algemene AI-assistent (zoals een zeer slimme programmeur) probeerde de blauwdruk te tekenen, maar hij bleef hangen in de details. Hij tekende elke schroef en elke steen in plaats van de grote lijnen. Het resultaat was een rommelige tekening met te veel details en te weinig overzicht. Het was alsof je een kaart van de stad kreeg, maar dan met de positie van elke lantaarnpaal erop, waardoor je de hoofdstraten niet meer zag.
De "Nieuwsgierige Leerling" deed het redelijk:
Als je de AI een paar voorbeelden gaf (zoals een voorbeeld van een goede tekening), werd het resultaat iets beter. De tekeningen waren duidelijker, maar ze misten nog steeds de diepere betekenis van hoe de stad echt functioneert.
De "Speciale Architect" won het:
De speciale AI-assistent (ArchView) deed het het beste. Omdat deze AI wist waarom we een blauwdruk nodig hebben en welke vragen we moeten beantwoorden, kon hij de grote lijnen beter zien. Hij maakte de duidelijkste en meest bruikbare tekeningen.
3. De Grote Teleurstelling: De "Grijze Schaal"
Hoewel de AI's het redelijk goed deden, was er een groot probleem.
De AI's waren goed in het tekenen van lijnen en vakjes (de vorm van de blauwdruk), maar ze hadden moeite met het begrijpen van de betekenis.
- Vergelijking: Stel je voor dat de AI een tekening maakt van een brug. De AI tekent perfect de vorm van de brug, de pylonen en de weg. Maar als je vraagt: "Is deze brug sterk genoeg voor een vrachtwagen?", zegt de AI: "Ik weet het niet, ik heb alleen de vorm gezien."
- De AI's bleven vaak hangen in de code-niveau (de stenen) en konden niet goed springen naar het architecturale niveau (de hele stad). Ze misten vaak belangrijke details over veiligheid of hoe systemen met elkaar praten.
4. Wat betekent dit voor de toekomst?
De onderzoekers concluderen dat AI niet de nieuwe architect is die we volledig kunnen vertrouwen om het werk over te nemen.
- AI is een hulpmiddel, geen vervanger: Je kunt de AI gebruiken om een eerste versie van de blauwdruk te maken. Het bespaart je veel tijd.
- Mensen zijn nog steeds nodig: Een menselijke architect moet de tekening van de AI controleren, de grote lijnen corrigeren en beslissen of de brug wel veilig is. De AI is als een zeer snelle tekenaar, maar de mens is de denker die het plan maakt.
Kortom:
AI kan nu heel snel een schets maken van hoe software werkt, maar het is nog niet slim genoeg om het gehele plaatje te begrijpen zonder hulp. Het is een fantastische assistent die de lantaarnpaal opsteekt, maar de mens moet nog steeds het pad verkennen.
De belangrijkste les: Als je software wilt begrijpen, kun je AI gebruiken om een start te maken, maar vertrouw nooit blind op de tekening die hij maakt. Kijk altijd zelf ook even mee!
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.