Projektbeschreibung
Kosten- und zeiteffizientes KI-Werkzeug minimiert Programmierfehler in Softwareprogrammen
Mit an Wahrscheinlichkeit grenzender Sicherheit schleichen sich beim Programmieren Fehler ein, denn jedes Softwareprogramm besteht aus Millionen Zeilen von Quellcode. Daher ist es nötig, jedes einzelne Programm unzählige Male zu überprüfen und entsprechend zu korrigieren. Das Verfahren, das derzeit bei der Quellcode-Überprüfung Anwendung findet, verursacht hohe Kosten, ist äußerst langwierig und führt nicht immer zum Erfolg bei der Quellcode-Korrektur. Das EU-finanzierte Projekt DC-IR wird eine Plattform bereitstellen, die unter Nutzung künstlicher Intelligenz (KI) automatisch Quellcode von Software überprüft. Die anschließend von der Plattform gelieferten Anregungen basieren auf einem Vergleich mit in der Vergangenheit gefundenen Lösungen für ähnliche Quellcode-Probleme. Die Plattform zeigt Programmiererinnen und Programmierern außerdem Möglichkeiten auf, wie sich Quellcode verbessern lässt, und bietet bei nahezu allen, mit Software in Verbindung stehenden Fragen Unterstützung. Schätzungen zufolge sollen Nutzende dank der Lösung etwa 20 % an Entwicklungszeit einsparen können.
Ziel
Software has become very complex with time, with each software program having millions of lines of code. With so many code lines, it is close to impossible not to make errors when coding. The number of code defects rises proportionally with more code lines, (approx. 10-20 defects per 1,000 lines of code). This necessitates millions of code reviews and code fixes for a single software program. The current code review process is very expensive, time consuming (with companies like Google spending >25% of their time on code reviews) and often does not guarantee success in fixing the code. The software industry needs a cost & time-effective code analysis tool that is unlimited in detectable code errors and programming languages.
Our solution is DeepCode AI Code Review (DC-IR), an Artificial Intelligence (AI) platform that automatically performs reviews on software code and provides suggestions based on Big Code learnings (how others solved similar code related problems). Our platform is trained from millions of Open Source repositories (billions of lines of code; thousands of frameworks & millions of code fixes) and uses these data sets to suggest code improvements for programmers. DC-IR integrates many levels of program code analysis into proprietary Machine Learning (ML) representations which are used by powerful ML techniques to create Data Sets that can answer almost any question about a software in a language independent manner. DC-IR offers a full set of services for code optimisation with solutions for code fixes & quality assurance. DC-IR enables developers to save 20% of development time, leading to savings of €11,856 annually per developer, which compounded globally can save the industry >€52Bn annually.
DC-IR is at an advanced stage of development with a Beta version already deployed and having more than 5k users, some using paid licenses. During Ph1, we will develop a road map to finalise DC-IR and Ph2 will see us developing and validating the market versión.
Wissenschaftliches Gebiet (EuroSciVoc)
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht. Siehe: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht. Siehe: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
- SozialwissenschaftenSoziologieindustrielle BeziehungenAutomatisierung
- NaturwissenschaftenInformatik und InformationswissenschaftenSoftwareSoftwareentwicklung
- NaturwissenschaftenInformatik und Informationswissenschaftenkünstliche Intelligenzmaschinelles Lernen
Sie müssen sich anmelden oder registrieren, um diese Funktion zu nutzen
Wir bitten um Entschuldigung ... während der Ausführung ist ein unerwarteter Fehler aufgetreten.
Sie müssen sich authentifizieren. Ihre Sitzung ist möglicherweise abgelaufen.
Vielen Dank für Ihr Feedback. Sie erhalten in Kürze eine E-Mail zur Übermittlungsbestätigung. Wenn Sie sich für eine Benachrichtigung über den Berichtsstatus entschieden haben, werden Sie auch im Falle einer Änderung des Berichtsstatus benachrichtigt.
Programm/Programme
Thema/Themen
Aufforderung zur Vorschlagseinreichung
(öffnet in neuem Fenster) H2020-EIC-SMEInst-2018-2020
Andere Projekte für diesen Aufruf anzeigenUnterauftrag
H2020-SMEInst-2018-2020-1
Finanzierungsplan
SME-1 -Koordinator
8032 ZURICH
Schweiz
Die Organisation definierte sich zum Zeitpunkt der Unterzeichnung der Finanzhilfevereinbarung selbst als KMU (Kleine und mittlere Unternehmen).