Deep Reinforcement Learning in Software Engineering: Empirical Insights and Practical Guidelines

Le génie logiciel vise à développer des approches structurées et économiques pour garantir des logiciels de haute qualité et fiables, à travers les processus de conception, développement, assurance qualité et maintenance. Choisir la bonne approche est essentielle, car la technique inadéquates peut compromettre la qualité du produit final et retarder sa livraison. Les revues de code et les tests manuels contribuent à améliorer la qualité des logiciels, mais ils sont coûteux, prennent du temps et n’éliminent pas toujours les fautes dans les systèmes complexes. Pour faire face ces défis, l’apprentissage automatique offre des solutions prometteuses pour automatiser certaines tâches du génie logiciel. Cependant, il est souvent difficile de savoir quelles approches d’automatisation conviennent le mieux à une tâche donnée. De plus, les approches actuelles sont confrontées à des défis comme la gestion de données non stationnaire ou la complexité implicite des tâches, ce qui souligne la nécessité d’études pratiques pour mieux cerner les limites de ces approches et améliorer leurs utilisations. Dans cette thèse, nous avons mené plusieurs études empiriques et développés un outil pour explorer des tâches clés du génie logiciel et évaluer l’efficacité des approches d’automatisation actuelles. Ces travaux s’appuient sur trois constats majeurs : (1) Les performances des approches d’automatisation actuelles varient considérablement d’une tâche à l’autre, ce qui souligne l’importance d’orienter les professionnels du génie logiciel vers les approches les plus adaptées; (2) les solutions dites « généralistes », pré-entraînées sur des données variées, s’adaptent plus rapidement à de nouvelles situations et réduisent les efforts d’entraînement, ce qui les rend particulièrement utiles pour les tâches complexes ou dynamiques; et finalement (3) les techniques classiques d’automatisation peinent à s’adapter aux évolutions constantes des données, mais des approches basées sur l’apprentissage continu pourraient apporter des améliorations notables.