Стажировки и образовательные проекты. JetBrains

JetBrains сегодня —

10 000 000+
пользователей по всему миру

...
успешной работы

...
офисов
в Санкт-Петербурге,
Москве и

JetBrains сегодня —

10 000 000+
пользователей по всему миру

21
год успешной работы

9
офисов
в Санкт-Петербурге,
Москве,

JetBrains сегодня —

JetBrains сегодня —

Образовательные продукты JetBrains —

проектно-ориентированная обучающая платформа

бесплатные и опенсорсные образовательные IDE

совместим с IntelliJ

Образование: полезные ссылки
—

jetbrains.com/edu-products
jb.gg/academy/student_offer
compscicenter.ru
research.jetbrains.org
jb.gg/student
lp.jetbrains.com/internships/

— Все образовательные продукты
— Бесплатный

Индивидуальный интересный вам проект
Улучшение инструментов разработчика
Погружение в жизнь команды
Обучение и cамостоятельность
Результат

Стажировки:

Стажировки: треки
—

Разработчики

Исследователи

Тестеры

Продакт-менеджмент

Дизайн

Маркетниг

HR

Юристы

...

Стажировки: конкурс
—

Заполнение профиля в приложении internship. jetbrains.com

Выполнение тестовых заданий: 2 недели

Собеседование с ментором проекта

Стажировка!

Этап 1

Этап

Срочный трудовой договор / стипендия
Техника (при необходимости)
Фултайм, свободный рабочий график
Участие во

Более 2000 заявок
232 стажировки для разработчиков, тестеров, научных исследователей, маркетологов, продакт-менеджеров,

Как будет этим летом?
—

Спасибо за внимание!
—

Веб-приложение internship.jetbrains.com
Задавайте вопросы internship@jetbrains.com
Следите за новостями vk.com/jetbrains4students

Зачем ML в SE?
Что мы делаем в лаборатории ML4SE
Егор Богомолов
Лаборатория ML4SE

Немного обо мне

Учился в Академическом Университете (1-3 курс), затем в НИУ

О чем мы будем говорить?

JetBrains Research и лаборатория ML4SE
Зачем машинное обучение

JetBrains Research

/35

ML4SE Lab*

* Лаборатория “Методов машинного обучения в области программной инженерии”
~20 исследователей
20+

Машинное обучение

Распознавание изображений
Автоматический перевод
Распознавание речи
Рекомендательные системы
Персональные ассистенты
Автопилоты
…

/35

Машинное обучение в SE

Зачем?
Помогать разработчикам!
Разработчикам нужны инструменты:
IDE
CI / CD
Отслеживание issue
Общение

На каких этапах разработки поможет ML?

Написание кода:
Улучшение структуры кода и

На каких этапах разработки поможет ML?

Написание кода: автодополнение, генерация фрагментов кода,

На каких этапах разработки поможет ML?

Написание кода: автодополнение, генерация фрагментов кода,

На каких этапах разработки поможет ML?

Написание кода: автодополнение, генерация фрагментов кода,

На каких этапах разработки поможет ML?

Написание кода: автодополнение, генерация фрагментов кода,

Особенности ML4SE

Код это не то же самое, что и текст
Доступная информация

Особенности ML4SE

= Plain text

+ Syntax tree

+ Data flow

+ Control flow

+ ...

/35

Какие методы применяются?

Классический ML
Все что есть в NLP
Модификации моделей из NLP

Использование ML4SE моделей

Сбор исторических данных
Оффлайн-эксперименты
Обучение хорошей модели
Интеграция в плагин
Тестирование на пользователях
Передача

Использование ML4SE моделей

Сбор исторических данных
Оффлайн-эксперименты
Обучение хорошей модели
Интеграция в плагин
Тестирование на пользователях
Передача

Майнинг данных из кода

Мы разрабатываем инструменты для получения данных из кода.

Использование ML4SE моделей

Сбор исторических данных
Оффлайн-эксперименты
Обучение хорошей модели
Интеграция в плагин
Тестирование на пользователях
Передача

Обучение и тестирование моделей

Дообучение моделей для работы с конкретными проектами
Анализ метрик

Дообучение моделей для конкретного проекта

/35

Использование ML4SE моделей

Сбор исторических данных
Оффлайн-эксперименты
Обучение хорошей модели
Интеграция в плагин
Тестирование на пользователях
Передача

Запуск моделей в плагинах

KInference: библиотека для запуска сложных ML-моделей на чистом

Использование ML4SE моделей

Сбор исторических данных
Оффлайн-эксперименты
Обучение хорошей модели
Интеграция в плагин
Тестирование на пользователях
Передача

Практические применения

Предложение имен методов и переменных
Рекомендация рефакторингов
Определение устаревших комментариев
Определение типов переменных

IRen: предложение имен переменных

/35

Плагин модифицирует стандартный рефакторинг, добавляя имена переменных на

IntelliJDeodorant: рекомендация рефакторингов

GitHub: IntelliJDeodorant

/35

Спин-офф: large-scale анализ кода

Поиск аномалий в коде на Kotlin
Поиск паттернов в

Revizor: паттерны в изменениях кода

GitHub: Revizor

/35

Исследование лицензирования кода

Violation types

Most violated licenses

Most violating licenses

/35

Спин-офф: и не только ML!

GitHub: Reflekt

GitHub: Kotless

GitHub: Hyperstyle

/35

Практики и стажировки

Мы проводим:
Стажировки – лето
Практики – осень и весна
Процедура отбора:
Выбор

Практики и стажировки

Стажировки – фулл-тайм, 2 месяца
Практики – работа над НИРами,

Еженедельные семинары

Каждый понедельник у нас проходит семинар или встреча читательского клуба
Разборы