Resumo Técnico: Tradução de Código Neural de Código Legado de APL para C#

Declaração do Problema

A migração de sistemas legados de linguagens especializadas, orientadas a arrays, para linguagens modernas, estaticamente tipadas e orientadas a objetos, apresenta desafios significativos para a manutenibilidade e integração. Este artigo aborda o problema específico de traduzir APL (A Programming Language) para C#. A tarefa é inerentemente difícil devido a três fatores principais:

1. Disparidade Sintática: O APL utiliza uma sintaxe esparsa com glifos únicos e opera em arrays multidimensionais sem loops explícitos, enquanto o C# depende de lógica procedural verbosa e explícita e de assinaturas de tipo distintas.
2. Escassez de Dados: Há uma falta de corpora paralelos em grande escala contendo pares de código APL e C# funcionalmente equivalentes, o que limita o treinamento de modelos padrão de tradução neural.
3. Ambiguidade Semântica: A tipagem dinâmica do APL e suas funções polimórficas de rank (onde uma única função opera em escalares, vetores e matrizes) criam ambiguidade ao mapear para o sistema de tipos estrito do C#, exigindo frequentemente sobrecarga complexa de métodos ou verificação de tipo em tempo de execução para preservar a funcionalidade.

Metodologia

O estudo trata a tradução de código como um problema de geração sequência-a-sequência usando Modelos de Linguagem Grandes (LLMs). Para superar limitações de dados e ambiguidades estruturais, os autores propõem e avaliam um framework comparando quatro estratégias de tradução distintas contra uma linha de base:

1. Tradução Direta (Linha de Base): Ajuste fino de um LLM para traduzir código APL diretamente para C# sem orientação intermediária.
2. Mediação por Linguagem Natural (NL): Uma abordagem em duas etapas onde um LLM gera primeiro uma descrição de alto nível em linguagem natural do código APL, que é então combinada com o código-fonte para gerar a tradução em C#.
3. Geração Aumentada por Recuperação (RAG): O sistema recupera documentação e idiomas relevantes de APL de bibliotecas externas (por exemplo, APL2 Idiom Library) para fornecer contexto ao modelo durante a geração.
4. Refinamento Iterativo: Um loop automatizado onde o código C# gerado é compilado e executado contra casos de teste. Erros de compilação, exceções em tempo de execução e incompatibilidades funcionais são alimentados de volta ao modelo como contexto para iterações subsequentes de refinamento.

Construção do Conjunto de Dados:
Devido à escassez de dados existentes, os autores construíram múltiplos conjuntos de dados:

• Conjunto de Dados A: 800 pares fundamentais APL-C# curados manualmente.
• Conjunto de Dados B: 143 funções utilitárias complexas derivadas de ambientes de produção.
• Conjunto de Dados C: 320 implementações entre linguagens do Rosetta Code.
• Conjunto de Dados I: 45 idiomas de APL com descrições.
  Um total de 1.066 amostras foi utilizado para o ajuste fino, com o Conjunto de Dados B servindo como o principal campo de testes para generalização orientada à produção.

Implementação Técnica:

• Tokenização: O estudo analisou a eficiência do tokenizador para glifos de APL, identificando Qwen3-32B e Gemma-4-31b-it como os modelos mais eficientes para lidar com caracteres de APL sem falhas de ida e volta.
• Ajuste Fino: O Ajuste Fino Eficiente em Parâmetros (LoRA) com quantização de 8 bits foi empregado para ajustar os modelos dentro das restrições de memória de GPU H100 disponíveis.
• Pipeline de Avaliação: Um pipeline automatizado verificou a qualidade da tradução, checando a compilação bem-sucedida e a equivalência funcional contra casos de teste de entrada-saída.

Principais Contribuições

• Primeira Investigação Sistemática: Este trabalho apresenta o primeiro estudo sistemático e conjunto de dados especializado para tradução neural de código de APL para uma linguagem moderna (C#).
• Framework de Tradução Guiada: O artigo introduz e valida empiricamente um framework que combina assinaturas de método (extraídas via um parser F#), descrições em linguagem natural e loops de feedback iterativo para fechar a lacuna de paradigma entre APL e C#.
• Avaliação Automatizada: O desenvolvimento de um pipeline de avaliação rigoroso que mede tanto a correção sintática (compilação) quanto a correção funcional (execução) para o código gerado.

Resultados Experimentais

Os experimentos foram conduzidos em um conjunto de teste de 49 funções APL de nível de produção (do Conjunto de Dados B). As principais descobertas incluem:

• Impacto da Orientação: A inclusão de assinaturas de método C# melhorou significativamente as taxas de compilação em todos os modelos. Por exemplo, adicionar assinaturas ao modelo Gemma-4-31b-it aumentou a taxa de aprovação total de 22,45% para 46,94%.
• Eficácia da Iteração: A estratégia de Tradução Iterativa produziu o melhor desempenho. A combinação de descrições em NL e feedback iterativo alcançou uma Taxa de Aprovação Total de 79,59% usando Claude Opus 4, seguida de perto por 77,55% usando Gemma-4-31b-it.
• Desempenho do Modelo: Modelos de pesos abertos ajustados (Gemma-4-31b-it, Qwen3-32B) com estratégias de orientação alcançaram desempenho competitivo com modelos de pesos fechados (GPT-5, Claude Opus 4).
• Análise de Erros: A principal causa de falha mudou de erros de compilação/tempo de execução em iterações iniciais para erros funcionais em iterações posteriores. Isso indica que, embora os modelos possam aprender a gerar C# sintaticamente válido, preservar a intenção matemática específica dos idiomas de APL permanece o aspecto mais desafiador.
• Escala de Dados: As métricas de desempenho mostraram uma tendência de alta consistente com o aumento do tamanho dos dados de treinamento, sugerindo que os resultados atuais são limitados pela escala do conjunto de dados e não pela arquitetura do modelo.

Significado e Alegações

O artigo afirma que a tradução neural de código pode fechar com sucesso a lacuna entre sistemas legados de APL e arquiteturas modernas de C#, desde que estratégias de orientação apropriadas sejam empregadas. Os autores afirmam que:

1. Viabilidade: A tradução automatizada é viável para uma ampla gama de programas, indo além da simples conversão de sintaxe para equivalência funcional.
2. Custo-Efetividade: Ao utilizar modelos de pesos abertos ajustados combinados com refinamento iterativo, as organizações podem alcançar resultados comparáveis a modelos de código fechado caros, oferecendo uma solução escalável para a modernização de legados.
3. Aplicabilidade Prática: A metodologia reduz o esforço manual necessário para depurar e refinar código migrado, abordando o pool diminuto de especialistas em APL.

Os autores mantêm uma postura modesta, observando que, embora a abordagem seja eficaz, a maioria das falhas remanescentes decorre de um mal-entendido da intenção original do APL, e não de erros de geração de código de baixo nível. Eles concluem que trabalhos futuros devem focar na expansão dos corpora de treinamento e na transição da tradução de programas únicos para sistemas multiagentes capazes de lidar com dependências em nível de projeto.