Integración de estrategias de inteligencia artificial en procesos de ingeniería de software

Estado: 
Número de proyecto: 
834-C5-218
Vigencia:
De 01/Mar/2025 hasta 28/Feb/2028

Descripción:

La integración de la inteligencia artificial (IA) en la ingeniería de software ha surgido como una tendencia que puede transformar la industria de desarrollo y la manera como trabajan las personas ingenieras de software. Del mismo modo, puede impactar el cómo se realizan los procesos de formación de la enseñanza de la ingeniería de software. Este proyecto busca explorar, diseñar, integrar y evaluar estrategias que permitan la aplicación efectiva de la IA en procesos clave del ciclo de vida del desarrollo de software, incluyendo las relacionadas con ingeniería de requerimientos, generación de código y reparación automática, y análisis de la calidad y pruebas automatizadas. Lo anterior permite que la Universidad se posicione en un área de investigación que responde a los retos contemporáneos de la industria de desarrollo de software, y fomente la innovación en el campo de la ingeniería de software. El contexto actual de la ingeniería de software enfrenta múltiples desafíos, como la creciente complejidad de los sistemas, la necesidad de rapidez en el desarrollo y la demanda de productos de alta calidad. Esto ha impulsado la búsqueda de soluciones innovadoras, que incluyen la integración de la IA, como una solución posible para mejorar la efectividad de procesos de desarrollo de software. Este proyecto busca diseñar y evaluar estrategias de integración de la IA en distintos procesos ingeniería de software, considerando aspectos técnicos y organizacionales. Para esto se lleva a cabo una revisión de herramientas y técnicas de IA existentes que pueden ser aplicadas en estos procesos, incluyendo aprendizaje automático y procesamiento de lenguaje natural. Además, se diseñan, validan y evalúan las estrategias mediante pruebas piloto y estudios de caso. El proyecto fomentará también la innovación educativa, integrando estos conceptos en cursos del área y ofreciendo formación a personas estudiantes y profesionales del área. Este proyecto abarca varios ejes temáticos fundamentales. La automatización de tareas se presenta como una de las aplicaciones más inmediatas que se vinculan con proyectos previos, pero se exploran procesos de especificación, análisis y validación de requerimientos, generación de código y reparación automática, y análisis de la calidad y pruebas automatizadas, para la integración de las estrategias de inteligencia artificial. El impacto esperado de este proyecto incluye la eficiencia de la ingeniería de software, la incorporación de nuevas tecnologías que innovan las metodologías de desarrollo, y genera casos que pueden ser utilizados en la enseñanza de la ingeniería de software con herramientas de IA.

Investigador principal
Dr. Christian Quesada-López

Colaboradores
Dr. Marcelo Jenkins Coronas
Bach. Cristian Martínez Hernández
Bach. José Pablo Ramírez Méndez
Bach. Erik Kuhlmann Salazar
Dr. Christian Quesada-López

Unidad académica base
Centro de Investigaciones en Tecnologías de la Información y Comunicación (CITIC)

Unidades académicas colaboradoras
Escuela de Ciencias de la Computación e Informática (ECCI)

Publicaciones asociadas

A Comparative Evaluation of ChatGPT, DeepSeek and Gemini in Automatic Unit Test Generation: a Success Rate Analysis

Descripción:

The advancement of large-scale language models (LLMs) has opened up new possibilities for automating unit test generation, a traditionally manual and expensive task. This quantitative study evaluates the performance of three LLMs-ChatGPT 4o mini, DeepSeek v3, and Gemini 2.5 Flash Pro-in generating test cases for methods in C# developed in Unity. The execution success rate of the generated tests was measured using real and synthetic data. The synthetic data was intentionally created to represent common structures, while the real data came from existing project functions. The experimental design was controlled and included the factors LLM and data type and the blocks cyclomatic complexity and contextual memory with four replicates per combination, for a total of 96 experimental treatments. The results show that LLMs have a high potential to support the automatic generation of unit tests. Furthermore, it was evidenced that the choice of model has a significant effect on the success rate of the generated tests. These findings provide useful initial evidence to guide the selection and use of LLMs in test automation processes within software development environments

Tipo de publicación: Conference Paper

Publicado en: 2025 IEEE VIII Congreso Internacional en Inteligencia Ambiental, Ingenieria de Software y Salud Electronica y Movil (AmITIC)