JAKARTA – Apple belum lama ini menerbitkan tiga studi penelitian menarik mengenai bagaimana teknologi Kecerdasan Buatan (AI) dapat meningkatkan alur kerja, kualitas, dan produktivitas perangkat lunak.
Studi ini dikerjakan oleh sejumlah peneliti Apple. Dalam studi tersebut, Apple memberikan pengetahuan penting tentang seberapa canggih AI dapat bekerja. Berikut ini rincian dari hasil studinya, melansir dari 9to5mac.
Memprediksi Cacat pada Perangkat Lunak
Studi pertama dilakukan pada model AI baru bernama ADE-QVAET yang dirancang untuk memprediksi cacat perangkat lunak atau bug. Model ini dirancang khusus untuk mengatasi keterbatasan Large Language Model (LLM) dalam menganalisis basis kode berskala besar.
BACA JUGA:
-
| TEKNOLOGI
Perjanjian Lisensi Algoritma TikTok Dinilai Mengkhawatirkan Keamanan AS
17 Oktober 2025, 16:05 -
| TEKNOLOGI
Microsoft Luncurkan Pembaruan Berbasis AI di Windows 11, Copilot Makin Canggih
17 Oktober 2025, 15:30 -
| TEKNOLOGI
Digimap Optimis Penjualan iPhone Air Berbasis eSIM Akan Sukses di Indonesia
17 Oktober 2025, 14:05 -
| TEKNOLOGI
Komdigi Umumkan Pemenang Seleksi Lelang Frekuensi 1,4 GHz, Telkom Kalah
17 Oktober 2025, 13:05
Model ADE-QVAET ini menggabungkan empat teknik AI untuk meningkatkan akurasi prediksi bug. Teknik yang digunakan antara lain Adaptive Differential Evolution, Quantum Variational Autoencoder, lapisan Transformer, dan Adaptive Noise Reduction and Augmentation.
LLM ini tidak menganalisis kode secara langsung, melainkan menganalisis metrik dan data tentang kode tersebut. Dalam sebuah pengujian, ADE-QVAET mencapai akurasi, presisi, recall, dan skor F1 yang tinggi, masing-masing melebihi 98 persen dibandingkan model tradisional.
Otomatisasi Pengujian Perangkat Lunak
Studi kedua membahas tentang bagaimana AI dapat menyederhanakan waktu para engineer dengan mengotomatisasi seluruh proses pengujian. Para peneliti mengembangkan sistem yang memanfaatkan LLM dan Agen AI otonom.
Sistem ini dirancang untuk menghasilkan dan mengelola artefak pengujian, mulai dari rencana hingga laporan validasi, secara otomatis. Hasil studi ini dinilai menjanjikan dengan peningkatan akurasi pengujian dari 65 persen menjadi 94,8 persen.
Pelatihan Agen untuk Perbaikan Bug
Studi ketiga didasarkan pada SWE-Gym, model AI yang dirancang untuk melatih agen AI agar dapat memperbaiki bug secara mandiri. Agen ini dilatih untuk membaca, mengedit, dan memverifikasi kode nyata.
SWE-Gym dibangun menggunakan 2.438 tugas Python dunia nyata dari repositori sumber terbuka. Agen yang dilatih menggunakan SWE-Gym berhasil menyelesaikan 72,5 persen tugas dengan benar melampaui tolok ukur sebelumnya lebih dari 20 poin persentase.
