| Abstract: | Dans un contexte où les systèmes logiciels deviennent de plus en plus complexes et interconnectés,
la génération automatique de code rencontre des défis majeurs. Bien que des
avancées significatives aient été réalisées, les approches actuelles peinent à capturer la logique
métier spécifique et à générer du code robuste, adapté aux architectures complexes. Les solutions
existantes se concentrent principalement sur la génération de code syntaxiquement
correct, mais manquent souvent de la compréhension contextuelle nécessaire pour produire
un code conforme aux exigences fonctionnelles et métier.
Face à ces limites, cette recherche propose une approche innovante pour la génération
automatique de code, en exploitant des modèles de langage avancés et une ingénierie des
prompts basée sur des modèles logiciels abstraits. L’objectif est de structurer les prompts de
manière à ce qu’ils intègrent des informations contextuelles riches et détaillées, permettant
ainsi aux modèles de langage de mieux appréhender le cadre technique et fonctionnel des
systèmes. Cette méthode permet d’améliorer la qualité du code généré, tant en termes de
précision que de pertinence par rapport aux spécifications métier.
Notre approche repose sur l’utilisation de modélisation logicielle via des méta-modèles
et l’ingénierie inverse, offrant une représentation abstraite des logiciels qui guide la génération
de prompts parfaits. Les expérimentations réalisées sur divers systèmes ont montré des
améliorations significatives, validées par des métriques telles que CodeBLEU, CodeBERTScore,
et l’évaluation fonctionnelle. Cependant, des défis subsistent dans les environnements
complexes et privés, où l’intégration d’informations supplémentaires s’avère nécessaire pour
capter pleinement la logique métier.
En conclusion, cette recherche propose une méthode innovante qui combine la modélisation
logicielle et les modèles de langage, ouvrant de nouvelles perspectives pour améliorer
l’efficacité de la génération de code dans des environnements variés. Elle pose les bases d’une
optimisation future pour adapter cette approche aux besoins spécifiques des systèmes industriels
complexes, tout en explorant de nouvelles formes d’enrichissement des prompts. ***
In a context where software systems are becoming increasingly complex and interconnected,
automatic code generation faces major challenges. While significant advances have been
made, current approaches struggle to capture specific business logic and generate robust code
suited to complex architectures. Existing solutions focus mainly on generating syntactically
correct code but often lack the contextual understanding necessary to produce code that
meets functional and business requirements.
In response to these limitations, this research proposes an innovative approach to automatic
code generation by leveraging advanced language models and prompt engineering
based on abstract software models. The goal is to structure prompts in such a way that they
incorporate rich, detailed contextual information, allowing language models to better grasp
the technical and functional framework of systems. This method improves the quality of the
generated code, both in terms of accuracy and relevance to business specifications.
Our approach relies on software modeling through meta-models and reverse engineering,
providing an abstract representation of software that guides the generation of optimal
prompts. Experiments conducted on various systems have shown significant improvements,
validated by metrics such as CodeBLEU, CodeBERTScore, and functional evaluation. However,
challenges remain in complex and private environments, where integrating additional
information is necessary to fully capture business logic.
In conclusion, this research proposes an innovative method that combines software modeling
and language models, opening up new perspectives for improving the efficiency of code
generation in various environments. It lays the foundation for future optimization to adapt
this approach to the specific needs of complex industrial systems, while exploring new ways
of enriching prompts. |
