{"id":513740,"date":"2025-10-20T17:01:13","date_gmt":"2025-10-20T17:01:13","guid":{"rendered":"https:\/\/www.europesays.com\/de\/513740\/"},"modified":"2025-10-20T17:01:13","modified_gmt":"2025-10-20T17:01:13","slug":"apple-ki-modell-erkennt-softwarefehler-mit-98-prozent-genauigkeit","status":"publish","type":"post","link":"https:\/\/www.europesays.com\/de\/513740\/","title":{"rendered":"Apple: KI-Modell erkennt Softwarefehler mit 98 Prozent Genauigkeit"},"content":{"rendered":"<ol class=\"a-toc__list\">\n<li class=\"a-toc__item&#10;          &#10;            a-toc__item--counter&#10;          &#10;            a-toc__item--current\">\n<p>              Apple: KI-Modell erkennt Softwarefehler mit 98 Prozent Genauigkeit<\/p>\n<\/li>\n<\/ol>\n<p>Apple hat ein neues Machine-Learning-Modell zur Vorhersage von Softwarefehlern vorgestellt. Wie der iPhone-Hersteller auf seiner Blogseite zur <a href=\"https:\/\/machinelearning.apple.com\/research\/software-defect-prediction\" rel=\"external noopener nofollow\" target=\"_blank\">Machine-Learning-Forschung<\/a> mitteilt, kombiniert das als ADE-QVAET bezeichnete System verschiedene KI-Techniken und erreichte in Tests eine Genauigkeit von 98,08 Prozent. Das Modell k\u00f6nnte die Qualit\u00e4tssicherung in der Softwareentwicklung erheblich verbessern.<\/p>\n<p>        Weiterlesen nach der Anzeige<\/p>\n<p>Entwickelt haben ADE-QVAET die Apple-Forscher Seshu Barma, Mohanakrishnan Hariharan und Satish Arvapalli. Die Abk\u00fcrzung steht f\u00fcr Adaptive Differential Evolution based Quantum Variational Autoencoder-Transformer Model. Das System soll bestehende Probleme bei der automatischen Fehlererkennung l\u00f6sen.<\/p>\n<p>Mehrere Ans\u00e4tze kombiniert<\/p>\n<p>Die Besonderheit des Systems liegt in der Kombination mehrerer fortschrittlicher Machine-Learning-Ans\u00e4tze: Der Quantum Variational Autoencoder (QVAE) ist auf Mustererkennung in den Daten spezialisiert, die Transformer-Komponente kann Code-Zusammenh\u00e4nge verstehen und die Adaptive Differential Evolution (ADE) dient zur automatischen Optimierung w\u00e4hrend des Lernens.<\/p>\n<p>In praktischen Tests zeigte ADE-QVAET gute Ergebnisse: Bei einem Trainingsanteil von 90 Prozent erreichte das Modell eine Genauigkeit von 98,08 Prozent, eine Pr\u00e4zision von 92,45 Prozent, einen Recall-Wert von 94,67 Prozent und einen F1-Score von 98,12 Prozent. Diese Werte liegen deutlich \u00fcber denen herk\u00f6mmlicher Differential-Evolution-Modelle, die Apple zum Vergleich heranzog.<\/p>\n<p>Quantencomputing-Ans\u00e4tze f\u00fcr klassische Hardware<\/p>\n<p>Das ADE-QVAET-Modell nutzt einen Trick: Es verwendet Ideen aus der Quantencomputer-Forschung, l\u00e4uft aber auf klassischen Computern. Dadurch kann es Muster in Daten besser erkennen. Die Transformer-Architektur, die urspr\u00fcnglich f\u00fcr die Verarbeitung nat\u00fcrlicher Sprache entwickelt wurde, kann Abh\u00e4ngigkeiten \u00fcber l\u00e4ngere Code-Sequenzen hinweg erfassen. Auf diese Weise kann sie typische Fehlermuster erkennen, die bei isolierter Betrachtung einzelner Code-Zeilen leicht zu \u00fcbersehen sind.<\/p>\n<p>        Weiterlesen nach der Anzeige<\/p>\n<p>F\u00fcr Softwareentwickler und Qualit\u00e4tssicherungsteams k\u00f6nnte ADE-QVAET erhebliche Effizienzgewinne bringen. Normalerweise erfordert die Fehlersuche in gro\u00dfen Codebases viel manuelle Arbeit und Expertise. Ein KI-System, das potenzielle Fehlerquellen mit hoher Genauigkeit identifiziert, w\u00fcrde es Entwicklern erm\u00f6glichen, ihre Ressourcen gezielter einzusetzen und kritische Probleme fr\u00fchzeitig zu erkennen.<\/p>\n<p>Integration in Xcode noch ungewiss<\/p>\n<p>Ob und wann Apples Forschung aber in die Entwicklungsumgebung Xcode einflie\u00dft, ist noch unklar. Bislang hat sich Apple dazu nicht ge\u00e4u\u00dfert. Die Ver\u00f6ffentlichung als Research-Paper deutet jedoch darauf hin, dass Apple aktiv an der Verbesserung von Entwicklerwerkzeugen durch Machine Learning arbeitet.<\/p>\n<p>Trotz der guten Ergebnisse bleiben Herausforderungen bestehen. Laut Apple Research k\u00e4mpfen ML-Modelle trotz der Fortschritte durch das ADE-QVAET-Modell weiterhin mit verschiedenen Datentypen und der Generalisierung auf unbekannte Codebases. Vereinfacht gesagt: Das Modell wird unsicher, wenn es Code analysieren soll, der ganz anders aufgebaut ist, als es dies von seinen Trainingsdaten kennt. Aus diesem Grund komme es darauf an, dass die KI mit qualitativ hochwertigen Daten trainiert wird.<\/p>\n<p>(<a class=\"redakteurskuerzel__link\" href=\"https:\/\/www.heise.de\/news\/mailto:mki@heise.de\" title=\"Malte Kirchner\" rel=\"nofollow noopener\" target=\"_blank\">mki<\/a>)<\/p>\n<p>\n      Dieser Link ist leider nicht mehr g\u00fcltig.\n    <\/p>\n<p>Links zu verschenkten Artikeln werden ung\u00fcltig,<br \/>\n      wenn diese \u00e4lter als 7\u00a0Tage sind oder zu oft aufgerufen wurden.\n    <\/p>\n<p><strong>Sie ben\u00f6tigen ein heise+ Paket, um diesen Artikel zu lesen. Jetzt eine Woche unverbindlich testen \u2013 ohne Verpflichtung!<\/strong><\/p>\n","protected":false},"excerpt":{"rendered":"Apple: KI-Modell erkennt Softwarefehler mit 98 Prozent Genauigkeit Apple hat ein neues Machine-Learning-Modell zur Vorhersage von Softwarefehlern vorgestellt.&hellip;\n","protected":false},"author":2,"featured_media":513741,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":"","_share_on_mastodon":"0"},"categories":[135],"tags":[231,29,47841,30,196,1256,27707,190,189,445,194,191,193,192,127788],"class_list":["post-513740","post","type-post","status-publish","format-standard","has-post-thumbnail","category-wissenschaft-technik","tag-apple","tag-deutschland","tag-developer","tag-germany","tag-it","tag-kuenstliche-intelligenz","tag-machine-learning","tag-science","tag-science-technology","tag-softwareentwicklung","tag-technik","tag-technology","tag-wissenschaft","tag-wissenschaft-technik","tag-xcode"],"share_on_mastodon":{"url":"https:\/\/pubeurope.com\/@de\/115407571162534432","error":""},"_links":{"self":[{"href":"https:\/\/www.europesays.com\/de\/wp-json\/wp\/v2\/posts\/513740","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.europesays.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.europesays.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/de\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/de\/wp-json\/wp\/v2\/comments?post=513740"}],"version-history":[{"count":0,"href":"https:\/\/www.europesays.com\/de\/wp-json\/wp\/v2\/posts\/513740\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/de\/wp-json\/wp\/v2\/media\/513741"}],"wp:attachment":[{"href":"https:\/\/www.europesays.com\/de\/wp-json\/wp\/v2\/media?parent=513740"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.europesays.com\/de\/wp-json\/wp\/v2\/categories?post=513740"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.europesays.com\/de\/wp-json\/wp\/v2\/tags?post=513740"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}