Tak Perlu Lagi Teknisi, Apple Kini Pelajari AI untuk Perbaiki Bug Perangkat Lunak

JAKARTA – Apple tengah melakukan tiga studi baru untuk mengungkap penggunaan kecerdasan buatan (AI) dalam memperbaiki bug, menulis tes secara otomatis, hingga memperbaiki kode perangkat lunak. Studi ini memberikan pengetahuan penting mengenai kecanggihan AI dalam bekerja, bahkan memperbaiki kerusakan perangkat lunak.

Melansir 9to5mac, studi pertama yang dikerjakan sejumlah peneliti Apple berfokus pada prediksi bug menggunakan model bernama ADE-QVAET, yang memadukan teknik Adaptive Differential Evolution (ADE), Quantum Variational Autoencoder (QVAE), lapisan Transformer, serta Adaptive Noise Reduction and Augmentation (ANRA).

Alih-alih membaca kode secara langsung, sistem ini menganalisis metrik dan data struktural dari basis kode, misalnya ukuran, kompleksitas, dan struktur, kemudian mencari pola yang mungkin menandakan kemungkinan munculnya bug.

Hasilnya menjanjikan, di mana pada dataset Kaggle khusus prediksi bug, model ini mencapai akurasi 98,08 persen, presisi 92,45 persen, recall 94,67 persen, dan F1-score 98,12 persen.

Studi kedua membahas bagaimana AI dapat menyederhanakan waktu para engineer dengan mengotomatisasi seluruh proses pengujian. Para peneliti mengembangkan sistem yang memanfaatkan LLM dan agen AI otonom.

Sistem ini dirancang untuk menghasilkan dan mengelola artefak pengujian, mulai dari rencana hingga laporan validasi, secara otomatis. Hasil studi ini dinilai menjanjikan dengan peningkatan akurasi pengujian dari 65 persen menjadi 94,8 persen.

Penelitian ketiga, yang disebut SWE-Gym, adalah platform latihan bagi agen AI agar mampu membaca, mengedit, dan memverifikasi kode nyata. Platform ini dibangun menggunakan 2.438 tugas Python dunia nyata dari repositori sumber terbuka.

Agen yang dilatih menggunakan SWE-Gym berhasil menyelesaikan 72,5 persen tugas dengan benar, melampaui tolok ukur sebelumnya lebih dari 20 poin persentase. Namun, varian Lite memiliki keterbatasan dalam skala dan kompleksitas tugas, sehingga efektivitasnya di skenario besar belum optimal.

(Rahman Asmardika)