Taxonomía de algoritmos basados en Machine Learning aplicados en la Ingeniería de Software

Abstract

El constante crecimiento de la industria del software ha impulsado a las empresas a explorar nuevas formas de mejorar sus procesos, lo que ha generado la necesidad de implementar técnicas novedosas para optimizar las tareas de ingeniería de software, con el fin de aumentar la eficacia de estos procesos. Paralelamente, los términos ’Inteligencia Artificial’ y ’Machine Learning’ están siendo cada vez más utilizados, pero aún persiste un cierto desconocimiento con relación a estos conceptos. Dado este contexto, nuestro objetivo principal es establecer una conexión entre estos dos desafíos y buscar soluciones que beneficien a ambos. En este trabajo, nos proponemos presentar el Machine Learning como una herramienta potencialmente valiosa para mejorar los procesos de ingeniería de software. Para alcanzar este objetivo, hemos llevado a cabo un análisis sistemático con la finalidad de crear una taxonomía de algoritmos de Machine Learning aplicados a diversas tareas en el campo de la ingeniería de software. Los resultados más destacados indican que la fase de pruebas en el ciclo de desarrollo de software es una de las áreas más investigadas con relación a los desafíos mencionados. Además, se ha observado que algoritmos como el de Random Forest demuestran un rendimiento aceptable al optimizar las tareas de la ingeniería de software. Proponemos como continuación de este trabajo la elaboración de nuevas taxonomías centradas en las fases no abordadas en este estudio, especialmente en la fase de desarrollo. También, consideramos explorar otros métodos de aprendizaje, como el aprendizaje no supervisado y el aprendizaje por refuerzo, para ampliar las posibilidades de optimización de los procesos de ingeniería de software. Estas investigaciones adicionales pueden proporcionar nuevas ideas y desafíos en la mejora continua de los procesos de desarrollo de software en el contexto de la Inteligencia Artificial y el Machine Learning.