la inteligencia artificial como herramienta efectiva en el desarrollo de sistemas para la generación y optimización automática
Palabras clave:
inteligencia artificial, desarrollo de software, generación automática de código, optimización de código, aprendizaje automático, programación asistidaResumen
La inteligencia artificial (IA) se ha convertido en una de las tecnologías más influyentes del siglo XXI, transformando diversos sectores gracias a su capacidad para procesar grandes cantidades de información, identificar patrones y automatizar tareas complejas. En el campo del desarrollo de software, los avances en modelos de lenguaje, aprendizaje profundo y sistemas inteligentes han permitido la creación de herramientas capaces de generar, analizar y optimizar código de manera automática, ofreciendo nuevas oportunidades para mejorar la eficiencia de los procesos de programación. Actualmente, tanto estudiantes como profesionales enfrentan desafíos relacionados con la creciente complejidad de los sistemas informáticos, la reducción de tiempos de desarrollo, la detección de errores y la optimización del rendimiento de las aplicaciones. Frente a esta situación, la presente investigación tuvo como objetivo proponer el desarrollo de un sistema basado en inteligencia artificial orientado a la generación, análisis y optimización automática de código, con el fin de apoyar las actividades de programación y fortalecer las competencias técnicas de sus usuarios. Para ello, se empleó una metodología de enfoque mixto y alcance descriptivo, integrando técnicas cuantitativas y cualitativas que permitieron analizar el impacto de la IA en el contexto del desarrollo de software. El estudio incluyó una revisión documental de literatura científica especializada, el diseño conceptual del sistema propuesto y la aplicación de encuestas a 87 participantes entre estudiantes, docentes y desarrolladores de software de la ciudad de Cúcuta. Los resultados evidenciaron una percepción ampliamente positiva sobre el uso de herramientas de inteligencia artificial en programación, destacando que el 78 % de los encuestados conoce al menos una herramienta de asistencia inteligente y que más del 70 % considera que estas tecnologías mejoran significativamente la productividad, reducen los tiempos de desarrollo y facilitan la detección de errores. Asimismo, la generación automática de código fue identificada como la funcionalidad más utilizada y valorada, seguida de la corrección de errores y el apoyo al aprendizaje de la programación.
Referencias
Chen, M., Tworek, J., Jun, H., Yuan, Q., de Oliveira Pinto, H. P., Kaplan, J., … Brockman, G. (2021). Evaluating large language models trained on code. arXiv preprint arXiv:2107.03374. https://arxiv.org/abs/2107.03374
Copeland, B. J. (2023). Artificial intelligence: A philosophical introduction (2nd ed.). Wiley-Blackwell.
Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. Proceedings of NAACL-HLT 2019, 4171–4186. https://doi.org/10.18653/v1/N19-1423
Fan, A., Gokkaya, B., Harman, M., Lyubarskiy, M., Sengupta, S., Yoo, S., & Zhang, J. M. (2023). Large language models for software engineering: Survey and open problems. arXiv preprint arXiv:2310.03533. https://arxiv.org/abs/2310.03533
Guo, D., Zhu, Q., Yang, D., Xie, Z., Dong, K., Zhang, W., … Liu, T. (2024). DeepSeek-Coder: When the large language model meets programming – the rise of code intelligence. arXiv preprint arXiv:2401.14196. https://arxiv.org/abs/2401.14196
Hernández Sampieri, R., Fernández Collado, C., & Baptista Lucio, P. (2014). Metodología de la investigación (6.ª ed.). McGraw-Hill / Interamericana Editores.
Jimenez, C., Yang, J., Wettig, A., Yao, S., Pei, K., Press, O., & Narasimhan, K. (2024). SWE-bench: Can language models resolve real-world GitHub issues? Proceedings of ICLR 2024. https://openreview.net/forum?id=VTF8yNQM66
Li, Y., Choi, D., Chung, J., Kushman, N., Schrittwieser, J., Leblond, R., … Vinyals, O. (2022). Competition-level code generation with AlphaCode. Science, 378(6624), 1092–1097. https://doi.org/10.1126/science.abq1158
Lozano, A., Margolis, M., & Chaudhuri, S. (2022). Clover: Closed-loop verifiable code generation. arXiv preprint arXiv:2208.08467. https://arxiv.org/abs/2208.08467
OpenAI. (2023). GPT-4 technical report. arXiv preprint arXiv:2303.08774. https://arxiv.org/abs/2303.08774
Prensky, M. (2001). Digital natives, digital immigrants. On the Horizon, 9(5), 1–6. https://doi.org/10.1108/10748120110424816
Talamantes-Álvarez, A., Torres-Huitzil, C., & Bribiesca-Correa, G. (2022). Revisión de técnicas de generación automática de código fuente asistidas por inteligencia artificial. Revista Iberoamericana de Inteligencia Artificial, 25(69), 44–61. https://doi.org/10.4114/intartif.vol25iss69pp44-61
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., … Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30, 5998–6008.
Wei, J., Wang, X., Schuurmans, D., Bosma, M., Ichter, B., Xia, F., … Zhou, D. (2022). Chain-of-thought prompting elicits reasoning in large language models. Advances in Neural Information Processing Systems, 35, 24824–24837.
Zheng, L., Chiang, W.-L., Sheng, Y., Zhuang, S., Wu, Z., Zhuang, Y., … Stoica, I. (2023). Judging LLM-as-a-judge with MT-bench and chatbot arena. Advances in Neural Information Processing Systems, 36, 46595–46623.
Publicado
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
