Yapay Zeka Tabanlı Kaynak Kod Analizi ile İyileştirme, Optimizasyon ve Kod Kalitesinin Artırılmasına Yönelik Öneriler

Abstract

Bu tez, yazılım geliştirme süreçlerinde yapay zeka (YZ) temelli kaynak kod analizi yöntemlerinin kullanımını ve bu yöntemlerin yazılım kalitesini iyileştirme, optimizasyon ve hata tespitine yönelik etkilerini incelemektedir. Araştırmada, iki farklı yapay zeka aracı olan ChatGPT (GPT-4 modeli) ve Google'ın Gemini modeli kullanılarak GitHub platformundan toplanan JavaScript projeleri ve yapay zekaya yazdırılan kodlar analiz edilmiştir. Çalışma kapsamında üç ana problem ele alınmıştır: Kaynak Kodun İnsan veya Yapay Zeka Tarafından Yazıldığının Tespiti, kaynak koddaki hataların tespit edilmesi ve kaynak kodun optimizasyona ihtiyacı olup olmadığının belirlenmesi.

Bu problemleri çözmek amacıyla, kaynak kodların hata durumu ve çeşitli yazılım metrikleri (Cohesion Metrics, Cyclomatic Complexity, Maintainability Index gibi) hesaplanmış ve bu veriler yapay zeka öğrenimi için kullanılmıştır. Ayrıca, veri toplama ve analiz süreçleri detaylı bir şekilde ele alınmış, sınıflandırma algoritmaları (Logistic Regression, Support Vector Machines, Random Forest) ve derin öğrenme modelleri (Convolutional Neural Networks, Gated Recurrent Unit, Long Short-Term Memory) kullanılarak elde edilen sonuçlar karşılaştırılmıştır. Deneysel sonuçlar bölümünde, bu problemlere yönelik analizler ve bu analizlerin sonuçları tablo ve grafiklerle sunulmuş, elde edilen bulguların detaylı bir tartışması yapılmıştır.

Elde edilen bulgular, yapay zeka tabanlı kaynak kod analizinin yazılım projelerinin genel başarısını artırmada önemli bir rol oynayabileceğini göstermektedir. Ayrıca, ChatGPT ve Gemini modellerinin performansları karşılaştırılmış ve her iki modelin de belirli alanlarda üstünlükleri olduğu belirlenmiştir. Sonuç olarak, yapay zeka tabanlı kaynak kod analiz araçlarının yazılım geliştirme süreçlerine entegrasyonu, hataların daha hızlı tespit edilmesi, kod kalitesinin artırılması ve yazılım projelerinin genel başarısının sağlanması açısından büyük bir potansiyele sahiptir. Bu tez, bu potansiyeli ortaya koymayı ve bu alanda gelecekte yapılacak çalışmalara katkıda bulunmayı amaçlamaktadır.

Alternate abstract:

This thesis examines the use of artificial intelligence (AI) based source code analysis methods in software development processes and their impact on improving software quality, optimization, and error detection. The research analyzes JavaScript projects collected from the GitHub platform and code generated by AI tools using two different AI models: ChatGPT (GPT-4) and Google's Gemini model. The study addresses three main problems: Determining whether the source code was written by a human or AI, detecting errors in the source code, and determining whether the source code requires optimization.

To solve these problems, the error status of the source code and various software metrics (such as Cohesion Metrics, Cyclomatic Complexity, Maintainability Index) were calculated and used for AI learning. Additionally, data collection and analysis processes were detailed, and the results obtained from classification algorithms (Logistic Regression, Support Vector Machines, Random Forest) and deep learning models (Convolutional Neural Networks, Gated Recurrent Unit, Long Short-Term Memory) were compared. In the experimental results section, analyses related to these problems and their outcomes were presented in tables and graphs, followed by a detailed discussion of the findings.

The findings demonstrate that AI-based source code analysis can play a significant role in enhancing the overall success of software projects. Additionally, the performances of the ChatGPT and Gemini models were compared, revealing that each model has specific strengths in certain areas. In conclusion, the integration of AI-based source code analysis tools into software development processes has great potential for faster error detection, improved code quality, and overall project success. This thesis aims to highlight this potential and contribute to future research in this field.