Towards Sustainable AI for Continuous Integration Quality Gates
Notice bibliographique
Résumé
Continuous Integration (CI) is the concept of continuously incorporating new code changes in the project's main codebase. To ensure the quality of the integrated changes, two types of quality gates are typically considered by most software development companies: automated gates, leveraging the build process, which invokes compilation commands and runs tests, and manual gates, based on peer reviews. With projects scaling up in size, the cost required for maintaining CI quality gates can be considerable (in terms of computational/manual effort). To assist or improve CI quality gates, the Software Engineering (SE) community has proposed a wide range of software analytics models. However, most of prior work focuses on the initial deployment of such models, without considering the different factors involved in their long-term sustainability: automated gates require smart retraining processes to maintain performance, while manual gates require synergy with reviewers’ workflows. In this thesis, we study sustainable AI for CI quality gates. For automated gates, we explore how to improve the learning process of software analytics models using (1) dynamic training scheduling strategies, where we evaluate different ways to dynamically adapt the training time for Retraining-From-Scratch (RFS) setups, and (2) Lifelong Learning (LL) training setups, where we change the fundamental learning algorithms toward an incremental setup. For the manual CI quality gates, we perform user studies to evaluate the impact on reviewers' productivity of (3) hotspot-based file-ordering, where problematic changes are shown first to the reviewers, and of (4) reviewers’ interaction with generated review comments. We were able to optimize the trade-off between model performance and the computational effort of model retraining, with our best heuristics recommending retraining only once every 5-6 weeks without losing performance to weekly retrained models. Yet, LL substantially reduces computational effort even further by 2-40x compared to RFS. Through large-scale industrial user studies, we also observe that reviewers benefit from ML-based assistance, as file-reordering led to more (+23%) and better (precision +13%, recall +8%) review comments compared to the default alpha-numeric file-ordering, while generative AI-based review comment generation obtains promising results regarding acceptance (8.1% and 7.2%) and appreciation (23% and 28.3%).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,006 | 0,011 |
| Science ouverte | 0,004 | 0,009 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».