Pe scurt, vrem să afișăm doar sugestiile pe care le veți folosi cu adevărat. Asta înseamnă mai puține sugestii irelevante – cele pe care le anulați, editați sau ștergeți – fără a pierde din eficiența funcției de completare a codului.

Din punct de vedere al performanței, ne concentrăm pe:

✅ Creșterea ratei de acceptare.

✅ Reducerea ratei de anulare explicită și a procentului de sugestii editate/șterse.

✅ Menținerea sau îmbunătățirea procentului de cod completat.

Soluția: Modelul local de filtrare

Cum putem obține aceste îmbunătățiri? Răspunsul evident ar fi îmbunătățirea modelului de completare.

Însă această abordare are dezavantaje:

• Este costisitoare și consumă timp – antrenarea unui model mai bun necesită multe resurse.

• Nu putem analiza unde apar erorile – nu stocăm codul utilizatorilor, deci nu putem examina sugestiile slabe.

• Contextul singur nu este suficient – trebuie luat în considerare și comportamentul utilizatorului, precum și modul în care sugestiile se integrează în codul existent.

În loc să îmbunătățim modelul de completare LLM, am adoptat o abordare diferită: un model local de filtrare, ușor și eficient.

Acest model rulează peste modelul de completare AI și este antrenat folosind jurnale anonimizate.

Modelul analizează trei factori principali:

1️⃣ Contextul: Tipul limbajului, numărul și tipul importurilor, poziția cursorului.

2️⃣ Comportamentul utilizatorului: Viteza de tastare, timpul scurs de la ultima tastare.

3️⃣ Sugestia în sine: Dacă face referințe valide, dacă se repetă sau dacă este similară cu liniile învecinate.