Фильтр Калмана улучшает оценку изменений кода в ИИ-разработке

В рамках исследования изучалась эффективность фильтра Калмана — алгоритма для оценки состояния динамической системы по серии неточных измерений. Его использовали для анализа правок кода, предложенных искусственным интеллектом, и отзывов от специалистов. Модель должна была объединять прогноз ИИ с мнением критика, чтобы принимать более взвешенные решения о внесении изменений.

Эксперимент включал симуляцию, в которой фильтр Калмана продемонстрировал улучшение оценки состояния проекта и уменьшение размера необходимых правок. Это особенно важно в условиях, когда есть коррелированные ошибки, выбросы или задержки в процессе разработки. Пилотный проект включал 144 ответа для калибровки и 576 для оценки эффективности на шести задачах оптимизации Python-кода.