Kod üretimi için derin öğrenme yöntemlerinin karşılaştırılması: java dilinde uygulamalar

İnsanlar, duygu ve düşüncelerini diğer insanlara aktarma isteği insanın doğasında bulunur. Bu aktarımları sağlayabilmek için araçlar kullanmaya çalışır. Bu araçlardan en önemli olanı dildir. Dil, insanların birbirlerini anlamasını sağlayan araçtır. İnsanların iletişim kurma isteği, birbirleriyle iletişim kurmanın ötesine geçerek çevreyle iletişim kurma isteğini de artırmıştır. İnsanların çevresindeki makinelerle iletişim kurma çabası da artmıştır. Özellikle insanların duygu ve düşüncelerini makinelere aktarma isteğiyle programlama dillerinin ortaya çıkması sağlanmıştır. Programlama dillerinin doğal dillere göre farklı yapılarda olsalar da insanlar bir dil olarak düşünmüşlerdir. Bu düşünceler, programlama dilleriyle doğal diller arasında çeviri uygulamaları fikrini geliştirmiştir. Günümüzde teknolojinin ve yapay zekanın gelişmesiyle birlikte bu çalışmalar üzerinde önemli ilerlemeler yapılmıştır. Özellikle donanımsal anlamda gelişmeler sağlanması, derin öğrenme yöntemlerine olan ilginin tekrar artmasını sağlamıştır. Bu tez çalışmasında, doğal dillerden programlama dillerine otomatik kod üretimi süreçlerinde derin öğrenme modellerinin rolü kapsamlı bir şekilde ele alınmıştır. Çalışmanın temel amacı, metin tabanlı kod üretimi için kullanılan Uzun Kısa Süreli Bellek (LSTM) modeli ile dikkat mekanizmasına sahip LSTM tabanlı kodlayıcı-kod çözücü (encoder-decoder) mimarisini karşılaştırarak bu modellerin etkinliğini analiz etmektir. Kod üretim süreci, günümüzde yazılım mühendisliğinde otomasyonu artırarak verimliliği yükselten önemli bir alan olarak öne çıkmaktadır. Çalışmada, temel olarak LSTM modeli kullanılarak kod üretimi süreçleri simüle edilmiş ve performans analizleri gerçekleştirilmiştir. LSTM modeli, sıralı verilerle çalışabilme kapasitesi ve uzun vadeli bağımlılıkları öğrenme yeteneği ile bilinmektedir. Ancak, uzun ve karmaşık metinlerden kod üretiminde yetersiz kalabilmektedir. Bu eksikliklerin giderilmesi amacıyla, LSTM tabanlı kodlayıcı-kod çözücü mimarisine dikkat mekanizması eklenmiştir. Dikkat mekanizması, modelin önemli girdilere odaklanmasını sağlayarak daha doğru ve tutarlı kod üretimine katkıda bulunmaktadır. Bu çalışmada, her iki modelin performansı belirli ölçütler çerçevesinde analiz edilmiştir. Karşılaştırmalar sonucunda, dikkat mekanizmasına sahip LSTM tabanlı kodlayıcı-kod çözücü mimarisinin kod üretimi süreçlerinde daha etkili olduğu görülmüştür. Bu çalışma, derin öğrenme modellerinin yazılım geliştirme süreçlerinde sunduğu potansiyeli ortaya koymakta ve doğal dilden programlama diline dönüşüm gibi yenilikçi uygulamalara dikkat çekmektedir. Tez kapsamında elde edilen bulgular, kod üretimi ve yazılım geliştirme alanlarında derin öğrenme modellerinin kullanımını teşvik edecek nitelikte olup, bu alanda yürütülecek gelecekteki araştırmalara katkı sağlamayı amaçlamaktadır. Bu doğrultuda çalışma, yapay zeka ve yazılım mühendisliği disiplinlerinde araştırmacılar için yeni bakış açıları sunmaktadır.