KeynoteSpeech-2024上海站_QECon全球软件质量效能大会-橙柚科技

点击抢票

即将售罄

深圳站 · 2024年5月24-25日

上海站 · 2024年9月20-21日

北京站 · 2024年10月25-26日

优惠倒计时

Keynote Speech

免费预约直播

肖仰华

复旦大学计算机科学技术学院教授

上海市数据科学重点实验室主任

复旦大学教授、博导，上海市数据科学重点实验室主任。长期从事大数据、知识图谱研究。发表 CCF-A 、B 类等论文 200 余篇。出版学术专著与教材三部。荣获ICDE 2024十年最有影响力论文奖、ACL 2023杰出论文奖。担任 Applied Intelligence 等多个国际期刊副主编或编委。

待定

代码大模型改进的双引擎：数据增强和知识增强

生成式大模型已经成为代码智能化重要底座，但是发展代码大模型要充分考虑代码语言与自然语言的异同，从语言模型到代码模型仍然存在巨大鸿沟。当前生成模型难以处理代码的严格性要求、代码间复杂依赖、代码结构、高质量代码评估等挑战，需要关注到多环节软件工程、多轮交互试错反馈、人机协作、风险管控、代码更新等特点上，要从数据增强、知识增强、领域适配、评测体系、反馈优化以及认知增强等角度全面提升当前代码大模型的能力。

梁广泰

华为云软件分析lab负责人

代码智能分析技术专家

CCF高级会员，CCF软工专委常委，CCF开源发展委员会供应链安全工作组秘书。24年初获北京大学计算系博士学位，毕业后曾入职IBM中国研究院担任研究员职位。16年5月加入华为工作至今，已带领团队先后围绕代码缺陷检测与修复、开源成分分析与治理、代码智能同步/重构/移植/生成/剖析等方向成功孵化一系列智能化研发技术并规模化落地。至今已发表技术专利50+及学术论文35+（含ICSE/FSE/ASE/OOPSLA/ISSTA等），曾获FSE 2021、ISSTA 2023等杰出论文奖等，先后担任一系列软工Top会议或期刊PC Member/Chair等角色（含ICSE/OOPSLA/WWW/ISSRE/ICSME/软件学报等）。

待定

大模型时代下代码智能分析及生成技术研究与实践

生成式语言大模型在自然语言和代码语言理解与处理能力上已得到显著提升。

如何利用LLM技术进一步提升智能化研发场景有效性也得到了学术界和工业界的广泛关注并已初步形成了一系列的落地进展。

本报告聚焦智能化研发场景，首先围绕大模型时代下的软件开发趋势及软件研发工具发展方向进行分析与展望，随后针对产业届与学术界相关最新技术工作进行介绍与背后技术剖析，之后依次分享华为云围绕该方向的最新系列技术研究与实践进展、华为云智能编程助手服务CodeArts Snap相关特性演示、华为内部实际落地效果及案例展示。最后围绕智能编程助手的未来落地场景、技术路线演进趋势、核心技术挑战以及有效性统计等维度进行讨论交流。

内容大纲

1. 发展趋势与挑战：依次介绍大模型时代下的软件交付形态、研发交付组织将带来哪些变化、基于LLM的智能化研发技术将如何改变开发人员的未来、当前智能化研发技术发展现状、趋势与局限性如何等。
2. 产品/技术洞察（企业界&学术界）：会围绕智能编程助手（含代码生成、UT生成等场景）最新学术成果&agent技术进行重点剖析，提炼总结技术发展方向与挑战点
3. 产品介绍、关键特性及背后核心黑科技技术方案：会围绕华为云围绕基于LLM的代码自动续写/生成、单元测试用例代码自动生成、基于LLM的项目级Issue Resolving等技术进行技术方案、实现效果等进行介绍与分享；
4. 最佳实践案例：结合公司内外部客户实际落地效果进行案例分享，同时对当前能力不足与未来提升点进行总结。

5. 未来技术趋势思考：围绕基于LLM的代码自动续写/生成、单元测试用例代码自动生成、基于LLM的项目级Issue Resolving等智能化研发场景的当前技术挑战、未来发展方向、技术趋势等进行总结与展望并引导听众共同探讨思考。

听众收益

了解基于LLM的智能化研发技术最新进展及企业落地效果
了解如何深度融合软件分析技术与LLM技术来打造实用化智能编程技术
通过实际案例showcase，了解如何在企业开发场景中高效应用智能编程助手实现效能提升

王俊涛

华为资深工程工具专家

OpenHarmony测试团队技术负责人

测试SIG成员

2012年加入华为，先后负责过终端设备的平台与应用软件开发、测试与认证、工程工具的设计与研发项目，2019年带领团队参与操作系统的设计、开发和测试工作，从0构建起OpenHarmony的DT测试工具，SmartPerf系列性能调测调优工具集等，建立了从开发自验，测试到调优的一整套工程工具体系。

待定

大模型在OpenHarmony软件工程领域的创新实践

本议题主要介绍OpenHarmony在软件工程方面利用大模型开展的探索与实践。

内容大纲
1. 大模型时代下软件工程的机遇和挑战
1.1 大模型为软件工程带来的变化
1.2 大模型为软件工程带来的挑战
2. OpenHarmony软件工程能力的探索和实践
2.1 OpenHarmony软件工程能力概述
2.2 AI辅助代码生成
2.3 AI辅助用例生成
2.3 AI辅助代码检视
2.4 AI数据分析
3. 未来展望

刘靖毅

JFrog 华东区技术负责人

多年一线国内中大型企业 DevOps 实施建设经验，专注于企业 DevOps 转型建设。
在 JFrog 中国负责客户 DevOps 建设咨询整体解决方案，最佳实践推广等工作。
拥有 DevOps Master、CKA 等认证。

待定

浅谈 MLSecOps 中大模型的软件供应链管理

生成式人工智能和大型语言模型(llm)是人工智能的新革命，为世界带来了不到两年前我们只能梦想的能力。随着 AI技术在企业应用的逐渐普及 MLSecOps 的建设也成为企业每一位工程化工作者必将面对的挑战。
大模型、数据集等作为 MLSecOps 的核心数据在企业正处于爆发增长的阶段，开源大模型在短短几年内已达到上百万规模，同时也成为黑客重点攻击对象。本次议题将和大家聊聊企业如何打造和管理统一安全可信的大模型软件供应链。

内容大纲
1. AI 时代如何正确理解 MLSecOps
MLSecOps = DataSecOps + DevSecOps + ModelSecOps，数据集和模型需要和传统开发一样，在统一的交付流程解决方案中进行管理和治理。
2. MLSecOps 相对于 DevSecOps 建设遇到哪些新的挑战
大模型 size 大，传输、移动带来很大的效率问题。模型和数据集的管理又回到了原始存储管理时代（FTP OSS）。
大模型研发交付过程中涉及 Python Huggingface Docker Helm 等多种技术栈，如何做好关联性管理，更好的追溯。
黑客利用大模型注入恶意代码，供应链安全管理难度升级，huggingface 有一些恶意风险提示，但并没有进行阻断，作为企业如何管控开发人员开放引入的大模型。
3.基于大模型的 MLSecOps 建设实践
大模型技术栈的唯一可信源建设。
大模型安全管控，遇到有供应链风险的模型数据如何及时阻断。