| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Informācijas tehnoloģija |
| Nosaukums |
Mākslīgā intelekta rīku empīrisks salīdzinājums un efektivitātes novērtējums Salesforce izstrādes uzdevumos |
| Nosaukums angļu valodā |
Empirical Comparison and Efficiency Assessment of Artificial Intelligence Tools in Salesforce Development Tasks |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Vitālijs Teže |
| Recenzents |
Ginta Majore |
| Anotācija |
Salesforce platformas izstrāde apvieno deklaratīvus zema koda risinājumus ar tradicionālu programmēšanu — Apex valodu, Lightning Web Components un Flow Builder. Mākslīgā intelekta rīku spēja korekti izprast platformas specifiskās īpatnības - governor limits, CRUD/FLS drošības mehānismus un metadatu vadīto izstrādes modeli - nav pietiekami izpētīta. Darba mērķis ir empīriski novērtēt sešu mākslīgā intelekta rīku - Cursor, GitHub Copilot, OpenAI Codex, Gemini CLI, Claude Code un Agentforce Vibes - efektivitāti tipisku Salesforce izstrādes uzdevumu izpildē, izmantojot sešus kvantitatīvus un trīs kvalitatīvus vērtēšanas kritērijus. Neviens rīks nespēj pilnīgi aizstāt Salesforce izstrādātāja zināšanas bez papildu koda pārskatīšanas. Rīku efektivitāte ir atkarīga no uzdevuma sarežģītības - metadatu izveides uzdevumā visi rīki sniedza pieņemamus rezultātus, Apex un LWC integrācijā tikai Claude Code nodrošināja veiksmīgus testus ar 88% koda pārklājumu, bet REST API integrācijā četri no sešiem rīkiem nenodrošināja funkcionējošu risinājumu. Agentforce Vibes neuzrādīja sistemātiskas priekšrocības salīdzinājumā ar vispārēja tipa rīkiem. Kvalitatīvā analīze identificēja trīs hallucināciju veidus - platformas arhitektūras nezināšanu, leksisko un kontekstuālo hallucināciju. Metadatu izveides uzdevumiem ieteicams GitHub Copilot vai Gemini CLI, Apex un LWC integrācijām Claude Code, REST API integrācijām Gemini CLI vai OpenAI Codex. Neatkarīgi no izvēlētā rīka ieteicams verificēt ģenerēto kodu ar PMD Analyzer un Salesforce Code Analyzer pirms izvietošanas produkcijai vidē.
Darbā ir 80 lpp., 18 attēli, 127 tabulas, 29 pielikumi, 35 informācijas avoti. |
| Atslēgas vārdi |
Salesforce, mākslīgais intelekts, koda ģenerēšana, Apex, governor limits, koda hallucinācijas, izstrādes efektivitāte |
| Atslēgas vārdi angļu valodā |
Salesforce, artificial intelligence, code generation, Apex, governor limits, code hallucinations, development efficiency |
| Valoda |
lv |
| Gads |
2026 |
| Darba augšupielādes datums un laiks |
26.05.2026 23:57:28 |
