Descripción del proyecto
Una herramienta de inteligencia artificial ahorra tiempo y dinero para minimizar los errores de codificación en programas informáticos
Que no existan errores de codificación es casi imposible, ya que cada programa informático tiene millones de líneas de código y, por lo tanto, un solo programa requiere incontables revisiones y correcciones de código. Hoy día, el proceso de revisión de código es muy caro, laborioso y no siempre logra subsanar los errores. En el proyecto DC-IR, financiado con fondos europeos, se desarrollará una plataforma que emplea inteligencia artificial para revisar el código de programas informáticos y proporcionar sugerencias basadas en cómo se resolvieron anteriormente problemas similares relacionados con el código. La plataforma también sugerirá a los programadores mejoras en el código y responderá a prácticamente todas las consultas de «software». Se prevé que los usuarios ahorren cerca de un 20 % en tiempo de desarrollo.
Objetivo
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.
Ámbito científico (EuroSciVoc)
CORDIS clasifica los proyectos con EuroSciVoc, una taxonomía plurilingüe de ámbitos científicos, mediante un proceso semiautomático basado en técnicas de procesamiento del lenguaje natural.
CORDIS clasifica los proyectos con EuroSciVoc, una taxonomía plurilingüe de ámbitos científicos, mediante un proceso semiautomático basado en técnicas de procesamiento del lenguaje natural.
- ciencias socialessociologíarelaciones laboralesautomatización
- ciencias naturalesinformática y ciencias de la informaciónsoftwaredesarrollo de software
- ciencias naturalesinformática y ciencias de la informacióninteligencia artificialaprendizaje automático
Para utilizar esta función, debe iniciar sesión o registrarse
Programa(s)
Convocatoria de propuestas
Consulte otros proyectos de esta convocatoriaConvocatoria de subcontratación
H2020-SMEInst-2018-2020-1
Régimen de financiación
SME-1 - SME instrument phase 1Coordinador
8032 ZURICH
Suiza
Organización definida por ella misma como pequeña y mediana empresa (pyme) en el momento de la firma del acuerdo de subvención.