r2py: AI-Assisted Conversion of R Statistical Packages to Python

No mundo da análise de dados, duas linguagens distintas dominam o cenário há muito tempo. Uma, chamada R, é o lar histórico da estatística, onde novos métodos matemáticos para compreender o mundo são frequentemente escritos primeiro. É a biblioteca de referência para cientistas, detendo milhares de ferramentas especializadas que foram escrutinadas e confiadas por décadas. A outra, o Python, tornou-se o padrão para a computação moderna, aprendizado de máquina e construção de software que roda no mundo real. Durante anos, esses dois mundos existiram em paralelo. Quando um pesquisador em Python precisa de um método estatístico específico que existe apenas em R, ele enfrenta uma escolha difícil. Ele pode tentar executar ambas as linguagens lado a lado, o que é desajeitado e requer instalações de software pesadas, ou pode tentar reescrever o código R do zero em Python. Esta última é uma tarefa massiva e propensa a erros que frequentemente falha em capturar os comportamentos sutis da ferramenta original.

Uma equipe de pesquisadores desenvolveu agora uma nova maneira de preencher essa lacuna, não forçando as duas linguagens a coexistirem, mas traduzindo as próprias ferramentas estatísticas em código Python nativo. Eles criaram um sistema chamado r2py, que utiliza inteligência artificial para converter pacotes R em bibliotecas Python que funcionam sem a necessidade de ter o software R original instalado. Os pesquisadores testaram este sistema em dois grandes e complexos pacotes estatísticos que são amplamente utilizados na ciência. O resultado é um conjunto de ferramentas Python que se comportam quase exatamente como seus originais em R, permitindo que cientistas utilizem décadas de inovação estatística dentro do ambiente moderno do Python.

O desafio central neste trabalho é que R e Python não são apenas dialetos diferentes da mesma língua; são sistemas fundamentalmente distintos com suas próprias regras. Em R, um comando simples para calcular uma variância pode aplicar uma correção específica que o Python não utiliza por padrão. Em R, uma função pode retornar uma lista de resultados em uma ordem específica, enquanto o Python espera uma estrutura diferente. Se um humano tentar traduzir essas ferramentas manualmente, poderá perder essas diferenças sutis, levando a um código que parece correto, mas produz números ligeiramente errados. Na ciência, onde um erro numérico minúsculo pode mudar uma conclusão, isso é inaceitável. Além disso, muitos pacotes R dependem de códigos compilados mais antigos, escritos em linguagens como C ou Fortran, para realizar cálculos pesados. Simplesmente traduzir as instruções de alto nível não é suficiente; o sistema também deve descobrir como conectar o novo código Python a esses antigos motores de cálculo rápidos.

Para resolver isso, os pesquisadores construíram uma estrutura que divide o processo de tradução em sete etapas distintas, guiadas por especialistas humanos, mas executadas por agentes de inteligência artificial. Em vez de pedir a um computador para traduzir um livro inteiro de código de uma só vez, o sistema primeiro mapeia a estrutura do pacote, compreendendo quais funções dependem de outras. Em seguida, cria um guia detalhado para cada tipo de comando encontrado no código R, decidindo exatamente como cada um deve ser renderizado em Python antes que qualquer tradução real comece. Isso garante que o mesmo comando R seja sempre traduzido da mesma forma, evitando as inconsistências que surgem quando partes diferentes do código são tratadas separadamente.

Uma vez definido o plano, o sistema traduz o código função por função, na ordem correta. Crucialmente, ele não tenta reescrever os cálculos matemáticos pesados que já estão escritos em código compilado. Em vez disso, mantém o código original rápido exatamente como está e constrói uma nova ponte em Python que pode chamá-lo. Para um dos pacotes que testaram, isso foi direto. Para o outro, que utilizava uma forma mais complexa de se comunicar com seu código interno, o sistema teve que primeiro reconstruir uma versão pequena e autossuficiente da linguagem interna do sistema R para que o código antigo pudesse rodar sem a presença do software R original. Isso permitiu que o novo pacote Python utilizasse exatamente o mesmo motor de cálculo do original, garantindo que quaisquer diferenças nos resultados viessem apenas da tradução, e não de uma mudança na matemática.

Os pesquisadores então submeteram esses novos pacotes a uma série rigorosa de testes. Eles não verificaram apenas se o código funcionava; eles compararam os números produzidos pelas novas ferramentas Python contra os números produzidos pelas ferramentas R originais em centenas de cenários diferentes. Testaram casos padrão, casos de borda difíceis e até mesmo as mensagens de erro que as ferramentas produzem. Em um dos pacotes, executaram 846 testes separados. No outro, executaram 518. Os resultados mostraram que as novas ferramentas Python reproduziram os resultados originais de R com extrema precisão, correspondendo aos números dentro de uma margem de erro minúscula que é aceitável para o trabalho científico.

No entanto, o processo também revelou que a tradução não é perfeita em todos os detalhes. Em alguns casos específicos, as novas ferramentas produziram resultados que diferiam ligeiramente do original, mas apenas de formas que seriam impossíveis de corrigir sem alterar a natureza fundamental da ferramenta. Por exemplo, a ferramenta R original exibe o comando exatamente como o usuário o digitou, um recurso que depende da memória do sistema R sobre a entrada do usuário. A nova ferramenta Python, que vê apenas os valores calculados finais, não consegue recriar essa exibição de texto exata. Os pesquisadores identificaram essas diferenças e as documentaram claramente, em vez de tentar escondê-las. Eles também descobriram uma falha genuína no código R original que causava um pequeno erro em situações específicas; como o objetivo era criar uma cópia fiel, eles reproduziram essa falha exatamente na nova versão em Python, garantindo que os cientistas que utilizam a nova ferramenta obtenham os mesmos resultados que aqueles que utilizam a antiga.

A descoberta mais surpreendente veio do próprio processo de teste. Os pesquisadores descobriram que a melhor maneira de detectar erros ocultos não era escrever novos testes, mas sim traduzir os testes originais que acompanhavam os pacotes R. Esses testes antigos haviam sido escritos pelos autores originais para verificar condições muito específicas e incomuns que um tradutor novo poderia nunca pensar em testar. Ao executar esses testes traduzidos, o sistema encontrou bugs sutis que sobreviveram a todas as outras verificações, incluindo um erro oculto na forma como um parâmetro de controle era calculado, que só aparecia em cálculos muito profundos e complexos. Isso confirmou que as suítes de testes originais são uma parte essencial do processo de tradução, atuando como uma rede de segurança que captura problemas que nenhuma inspeção humana conseguiria encontrar.

O trabalho demonstra que converter software estatístico complexo de uma linguagem para outra é possível, mas requer uma abordagem disciplinada e passo a passo, em vez de uma simples tradução automatizada. Os pesquisadores não apenas converteram dois pacotes; eles construíram um método que pode ser aplicado a outros. Eles mostraram que, ao separar o planejamento, a tradução das regras e a verificação dos resultados, e ao manter os motores de cálculo pesados intactos, é possível criar ferramentas Python nativas que sejam fiéis às suas origens em R. Os pacotes convertidos estão agora disponíveis para qualquer pessoa usar, instalados como qualquer outro software Python, trazendo décadas de inovação estatística para o ambiente de computação moderno sem a necessidade de instalar o software pesado original. O sucesso deste projeto sugere que a barreira entre os métodos estatísticos do passado e as ferramentas de computação do futuro é mais superável do que se pensava anteriormente, desde que a tradução seja feita com cuidado, estrutura e compromisso com a precisão numérica.