人工智能和机器学习的广泛应用导致公司难以招聘深入了解这些技术的员工，在此背景下，自动机器学习 (AutoML) 正以一种有希望的解决方案迅速崛起，旨在自动化构建端到端的人工智能 / 机器学习流水线，这通常会由专门的团队成员进行工程设计。本文通过对 12 个端到端自动机器学习工具在两个软件工程数据集上的基准测试和用户调查以及随后的访谈构成的混合方法研究，填补了这些信息缺口，并且发现 AutoML 解决方案可以在软件工程领域的分类任务中生成超过研究人员训练和优化的模型，并且当前可用的 AutoML 解决方案并不能完全支持 ML 开发工作流程的自动化和团队成员的需求。本研究结果为软件工程研究界提供了有关如何利用 AutoML 促进其活动以及工具构建者如何设计下一代 AutoML 技术的见解。

Jul, 2023

本研究旨在提出一种综合方法，将软件工程和人工智能社区的模型结合起来，实现驱动智能系统的模型驱动软件开发，主要着重于物联网领域，并通过案例研究和用户评估验证了该方法的可行性和性能提升。

Jul, 2021

研究指出，现有的机器学习开发环境和 API 缺乏足够的指导及软件工程最佳实践，需要在专门开发的机器学习应用程序开发方面扩展和适应软件工程概念、工具和技术，并为机器学习特定的软件工程提供充足的研究机会。

Mar, 2022

应用机器学习技术研究软件工程领域的现状，特别关注软件质量保证、软件维护、软件理解和软件文档等方面。

Jun, 2024

介绍了人工智能技术的广泛应用和存在的问题，并提出了对 “AI 工程” 学科的需求，探讨了相关概念和需要解决的关键挑战。

Oct, 2019

研究发现 MDE 对 AI 的使用仍处于早期阶段，并且没有广泛应用的单一工具或方法，当前的方法主要注重具体的开发阶段而非整个开发过程，因此，该研究提出了几个研究方向，以进一步改进 MDE 在 AI 方面的应用，并引导未来的研究。

Jul, 2023

人工智能和软件工程是计算机科学中的两个重要领域。近年来，研究人员试图应用人工智能技术在软件开发的各个阶段，提高软件产品的整体质量。本文分析、评估和比较了两个使用不同人工智能技术解决现实世界难题的案例研究：IBM Watson 和 Google AlphaGo。根据这两个案例研究的分析，将深度学习和机器学习等人工智能技术应用于软件系统有助于智能系统的发展。然而，要在机器中复制人脑并将计算机视为思考者仍然存在很长的路要走。希望计算机和软件系统能够变得越来越智能，以帮助人类解决那些无法完成的现实世界难题。

Sep, 2023

本文提出了一种通过将模型转换集成到形式化机器学习任务中，以生成可执行代码来扩展以前的工作的方法，以便在不需要修改代码生成器的情况下集成代码生成的扩展和更改。通过对天气预报的案例研究进行可行性评估，并评估和讨论模型转换的质量属性，表明了该方法的灵活性和简单性，减少了实施的工作量，并为标准化实践中的数据驱动工程实现建立了理论基础。

Jul, 2023

软件工程领域正在经历一场范式转变，人工智能系统如 LLMs 日益重要，提高软件开发生产力，未来五年，人类开发者与人工智能之间将会有日益增长的共生伙伴关系，软件工程研究社区必须重视这一趋势，我们需要解决将人工智能融入软件开发过程带来的关键研究挑战，本文提出我们对于 AI 主导软件开发领域未来的愿景，并探讨了研究社区在实现这一愿景上应该解决的关键挑战。

Jun, 2024

AI 系统需要数据，而 AI 数据工程可以为组织提供帮助。本文通过进行数据工程的映射研究，总结了 AI 数据工程活动的论文，包括各个生命周期阶段、技术解决方案和教训，为从业者和研究人员提供了知识概览。

Feb, 2024