Apple: KI-Modell erkennt Softwarefehler mit 98 Prozent Genauigkeit

Apple hat ein neues Machine-Learning-Modell zur Vorhersage von Softwarefehlern vorgestellt. Wie der iPhone-Hersteller auf seiner Blogseite zur Machine-Learning-Forschung mitteilt, kombiniert das als ADE-QVAET bezeichnete System verschiedene KI-Techniken und erreichte in Tests eine Genauigkeit von 98,08 Prozent. Das Modell könnte die Qualitätssicherung in der Softwareentwicklung erheblich verbessern.

Entwickelt haben ADE-QVAET die Apple-Forscher Seshu Barma, Mohanakrishnan Hariharan und Satish Arvapalli. Die Abkürzung steht für Adaptive Differential Evolution based Quantum Variational Autoencoder-Transformer Model. Das System soll bestehende Probleme bei der automatischen Fehlererkennung lösen.

Mehrere Ansätze kombiniert

Die Besonderheit des Systems liegt in der Kombination mehrerer fortschrittlicher Machine-Learning-Ansätze: Der Quantum Variational Autoencoder (QVAE) ist auf Mustererkennung in den Daten spezialisiert, die Transformer-Komponente kann Code-Zusammenhänge verstehen und die Adaptive Differential Evolution (ADE) dient zur automatischen Optimierung während des Lernens.

In praktischen Tests zeigte ADE-QVAET gute Ergebnisse: Bei einem Trainingsanteil von 90 Prozent erreichte das Modell eine Genauigkeit von 98,08 Prozent, eine Präzision von 92,45 Prozent, einen Recall-Wert von 94,67 Prozent und einen F1-Score von 98,12 Prozent. Diese Werte liegen deutlich über denen herkömmlicher Differential-Evolution-Modelle, die Apple zum Vergleich heranzog.

Quantencomputing-Ansätze für klassische Hardware

Das ADE-QVAET-Modell nutzt einen Trick: Es verwendet Ideen aus der Quantencomputer-Forschung, läuft aber auf klassischen Computern. Dadurch kann es Muster in Daten besser erkennen. Die Transformer-Architektur, die ursprünglich für die Verarbeitung natürlicher Sprache entwickelt wurde, kann Abhängigkeiten über längere Code-Sequenzen hinweg erfassen. Auf diese Weise kann sie typische Fehlermuster erkennen, die bei isolierter Betrachtung einzelner Code-Zeilen leicht zu übersehen sind.

Für Softwareentwickler und Qualitätssicherungsteams könnte ADE-QVAET erhebliche Effizienzgewinne bringen. Normalerweise erfordert die Fehlersuche in großen Codebases viel manuelle Arbeit und Expertise. Ein KI-System, das potenzielle Fehlerquellen mit hoher Genauigkeit identifiziert, würde es Entwicklern ermöglichen, ihre Ressourcen gezielter einzusetzen und kritische Probleme frühzeitig zu erkennen.

Integration in Xcode noch ungewiss

Ob und wann Apples Forschung aber in die Entwicklungsumgebung Xcode einfließt, ist noch unklar. Bislang hat sich Apple dazu nicht geäußert. Die Veröffentlichung als Research-Paper deutet jedoch darauf hin, dass Apple aktiv an der Verbesserung von Entwicklerwerkzeugen durch Machine Learning arbeitet.

Trotz der guten Ergebnisse bleiben Herausforderungen bestehen. Laut Apple Research kämpfen ML-Modelle trotz der Fortschritte durch das ADE-QVAET-Modell weiterhin mit verschiedenen Datentypen und der Generalisierung auf unbekannte Codebases. Vereinfacht gesagt: Das Modell wird unsicher, wenn es Code analysieren soll, der ganz anders aufgebaut ist, als es dies von seinen Trainingsdaten kennt. Aus diesem Grund komme es darauf an, dass die KI mit qualitativ hochwertigen Daten trainiert wird.

(mki)