AI-Augmented Software Engineering: A Holistic Approach to Reliability, Security, and Lifecycle Optimization
Notice bibliographique
Résumé
Software engineering has entered a period in which reliability, security, delivery speed, and operational efficiency can no longer be optimized in isolation. Modern software systems are distributed, continuously deployed, highly instrumented, and increasingly dependent on data intensive services, cloud platforms, and automated decision logic. In this setting, artificial intelligence is being applied not only to code generation but also to defect prediction, vulnerability analysis, observability, testing, and architectural governance. Existing studies, however, often examine these capabilities as disconnected point solutions. Foundational reviews of defect prediction show the long standing value of data driven quality estimation [1], while recent domain specific implementations demonstrate the practical importance of secure microservice design in regulated environments [2]. At the same time, survey work on large language models for software engineering highlights both the breadth of automation opportunities and the substantial risks associated with hallucination, over trust, and weak evaluation [3]. Empirical defect prediction work continues to show that model choice matters for actionable quality management [4], and software security surveys indicate that deep learning based vulnerability analysis has matured into a serious engineering capability rather than a purely experimental technique [5]. This paper proposes a holistic research framework for AI augmented software engineering that integrates reliability engineering, software security, and lifecycle optimization into a unified operating model. Rather than treating intelligence as a late stage assistant layered on top of development, the paper argues for embedding AI across planning, coding, testing, release, monitoring, and feedback loops. The framework organizes evidence and methods into three tightly coupled layers: predictive reliability, security aware reasoning, and lifecycle optimization. For each layer, the paper synthesizes prior research, defines architectural building blocks, identifies measurable outcomes, and outlines an evaluation agenda appropriate for industrial environments. The contribution is therefore twofold: first, a rigorous synthesis of relevant streams of literature and practice; second, a conceptual blueprint for how enterprises can align AI driven software engineering with measurable operational quality. The resulting perspective is intended to support researchers designing next generation quality engineering methods and practitioners building dependable, secure, and economically sustainable delivery systems.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,008 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».