Semantycznie poprawne transformacje danych

Poprawna składniowo transformacja nie gwarantuje zachowania znaczenia danych.

Pole danych może reprezentować pojedynczą wartość, listę, zakres lub regułę cykliczną. Poprawne przekształcenie wymaga interpretacji jego znaczenia, a nie wyłącznie operacji na zapisie. Proste działanie arytmetyczne na takim zapisie może dać wynik formalnie poprawny, a mimo to oznaczający coś innego. Dodatkowo przekroczenie granicy zakresu w jednym polu może zmieniać wartość innego pola.

Opracowałem podejście oparte na czterech zasadach:

• Zbiór wartości zamiast liczby — każde pole jest interpretowane jako zbiór wartości, które opisuje, a transformacja działa na tym zbiorze, nie na samym zapisie.
• Jawne zależności między polami — przekroczenie granicy zakresu w jednym polu jest przenoszone na pola, których znaczenie od niego zależy.
• Ponowna interpretacja wyniku — wygenerowany zapis jest odczytywany ponownie i porównywany z oczekiwanym zbiorem wartości, zamiast zakładać poprawność przekształcenia.
• Świadoma odmowa — przypadki, których nie można przekształcić jednoznacznie, nie są zgadywane — trafiają do decyzji operatora.

Zaprojektowałem i wdrożyłem mechanizm transformacji działający na modelu znaczenia danych, który zachowuje niezmieniane elementy zapisu, w tym formatowanie i komentarze.

Każdy wynik jest weryfikowany przez ponowną interpretację, a przypadki niejednoznaczne są jawnie wskazywane zamiast przekształcane.

Mechanizm przeszedł 109 testów automatycznych obejmujących transformacje, przypadki graniczne i świadome odmowy wykonania.

Wartość: wynik odpowiada zamierzonej transformacji, bez niezamierzonych zmian znaczenia danych. Przypadki niejednoznaczne trafiają do świadomej decyzji zamiast być zgadywane.