Aplicaciones de la Inteligencia Artificial en el campo de la programación
DOI:
https://doi.org/10.47230/Journal.TechInnovation.v4.n1.2025.4-12Palabras clave:
Automatización, Depuración, Ética, Inteligencia artificial, ProgramaciónResumen
El estudio abordó la relevancia de las aplicaciones actuales y emergentes de la inteligencia artificial (IA) en el campo de la programación, destacando su impacto en la automatización del desarrollo de software, la optimización del código, la depuración y los procesos de prueba. El objetivo principal fue analizar cómo estas herramientas han transformado las prácticas tradicionales de programación y qué implicaciones éticas surgen de su implementación en entornos reales de desarrollo. Para cumplir con este propósito, se empleó una metodología de tipo documental-descriptiva con enfoque cualitativo. Se realizó una revisión de literatura científica actualizada, un análisis comparativo de herramientas de IA aplicadas al desarrollo de software y una sistematización de los desafíos técnicos y éticos que estas tecnologías implican. Como resultado, se evidenció que la IA ha permitido automatizar tareas repetitivas, generar código eficiente, detectar errores con mayor precisión y reducir los tiempos de prueba, aumentando así la productividad y calidad del software. Sin embargo, también se identificaron riesgos asociados a la opacidad algorítmica, la responsabilidad compartida en caso de fallos y la necesidad de regulación ética. Se concluyó que las herramientas de inteligencia artificial constituyen una innovación disruptiva en la programación moderna. No obstante, su adopción debe estar acompañada de una supervisión humana crítica, criterios éticos sólidos y formación profesional continua que garantice su uso responsable y equitativo.
Descargas
Citas
Alzubaidi, L., Zhang, J., Humaidi, A. J., Al-Dujaili, A., Duan, Y., Al-Shamma, O., ... & Farhan, L. (2021). Review of deep learning: Concepts, CNN architectures, challenges, applications, future directions. Journal of Big Data, 8(1), 1-74. https://journalofbigdata.springeropen.com/articles/10.1186/s40537-021-00444-8
Fernández Miranda, M., Román Acosta, D., Jurado Rosas, A. A., Limón Domínguez, D., & Torres Fernandez, C. (2024). Artificial Intelligence in Latin American Universities: Emerging Challenges. Computación y Sistemas, 28(2). https://doi.org/10.13053/CyS-28-2-48222
Goodfellow, I., McDaniel, P., & Papernot, N. (2018). Making machine learning robust against adversarial inputs. Communications of the ACM, 61(7), 56-66. https://dl.acm.org/doi/10.1145/3134599
Gulwani, S. (2017). Automating programming education: A step towards meeting society’s tech challenges. Communications of the ACM, 61(8), 28-30. Leeds, D., West, J., Lee, L. (2020). Object Oriented Learning Assistant: Using NLP to Help Novices While They Code. arXiv preprint arXiv:2010.12697.
Mishra, A., y Singh, V. (2021). Natural language programming. In Proceedings of the 29th ACM Joint Meeting on European Software Engineering Conference and Symposium on the Foundations of Software Engineering (pp. 1650-1654)
Pommier Gallo, EP (2024). Metodología para Mejorar la Programación con Inteligencia Artificial. Actas Iberoamericanas En Ciencias Sociales , 2 (1), 86-97. https://doi.org/10.69821/AICIS.v2i1.16
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. https://proceedings.neurips.cc/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf
Zhu, J., Li, H., Nie, L., Xu, X., Yu, J., & Zhang, B. (2019). Learning to generate comprehensive program comments from source code. Proceedings of the 42nd International Conference on Software Engineering, 752-764. https://dl.acm.org/doi/10.1145/3377811.3380418
Descargas
Publicado
Cómo citar
Número
Sección
