- ES Español (Latinoamérica)

- EN English

3.66. AI266 Inteligencia Artificial para Ingenieria de Software (Electivo)
- Créditos: 4
- Horas del curso: Teoría: 2 horas; Laboratorio: 4 horas;
- Sílabo:


Español (Latinoamérica)

English - Prerrequisitos:
- ES Español (Latinoamérica)

- EN English

3.66.1. Justificación Volver arriba


Este curso integra técnicas de IA en el ciclo de vida del desarrollo de software, cubriendo aplicaciones prácticas como generación de código, depuración automática y optimización de sistemas software mediante aprendizaje automático.
- ES Español (Latinoamérica)

- EN English

3.66.2. Objetivos Generales Volver arriba


- Implementar pipelines de MLOps en entornos de desarrollo tradicionales
- Diseñar sistemas que integren modelos de IA en aplicaciones software
- Evaluar implicaciones éticas en la automatización de procesos de desarrollo
- ES Español (Latinoamérica)

- EN English

3.66.3. Contribución a los resultados (Outcomes) Volver arriba


- AG-C09) Diseño y Desarrollo de Soluciones: Diseña, implementa y evalúa soluciones para problemas complejos de computación. (Usage)
- AG-C12) Aplica la teoría de la ciencia de la computación y los fundamentos de desarrollo de software para producir soluciones basadas en computadora. (Usage)
- ES Español (Latinoamérica)

- EN English

3.66.4. Contenido Volver arriba


- ES Español (Latinoamérica)

- EN English

3.66.4.1. Fundamentos de IA para SE (12 horas) [Habilidades AG-C09,AG-C12] Volver arriba


Referencias Bibliográficas: (Zhang and Chen, 2022)
Temas
- Patrones de diseño para sistemas AI-SE
- Arquitecturas de sistemas híbridos (IA + software tradicional)
- Métricas de calidad para componentes inteligentes
Aprendizaje esperado (Learning Outcomes)
- Diseñar arquitecturas software que incorporen componentes de IA [Evaluar]
- Evaluar trade-offs en sistemas híbridos [Usar]
- ES Español (Latinoamérica)

- EN English

3.66.4.2. Aplicaciones Avanzadas (24 horas) [Habilidades AG-C09,AG-C12] Volver arriba


Referencias Bibliográficas: (Allamanis et al., 2018; Chen et al., 2021)
Temas
- Generación automática de código (Codex, CodeT5)
- Depuración inteligente
- Optimización automática de rendimiento
Aprendizaje esperado (Learning Outcomes)
- Implementar herramientas de generación de código asistido por IA [Usar]
- Integrar sistemas de recomendación en IDEs [Evaluar]
- ES Español (Latinoamérica)

- EN English

3.66.4.3. Ética en Automatización (8 horas) [Habilidades AG-C09,AG-C12] Volver arriba


Referencias Bibliográficas: (Zhang and Chen, 2022)
Temas
- Riesgos de la generación automática de código
- Sesgos en sistemas de recomendación para desarrolladores
- Responsabilidad legal en sistemas autónomos
Aprendizaje esperado (Learning Outcomes)
- Identificar puntos críticos éticos en AI-SE [Familiarizarse]
- Proponer protocolos de mitigación [Usar]
- ES Español (Latinoamérica)

- EN English

3.66.5. Referencias Bibliográficas Volver arriba


Zhang, M. and Chen, S. (2022). AI Engineering: Applying AI in Software Development. O'Reilly.
Allamanis, M., Barr, E., Devanbu, P., and Sutton, C. (2018). A survey of machine learning for big code and naturalness. ACM Computing Surveys, 51(4).
Chen, Y., Liu, X., and Shi, Z. (2021). Codet5: Identifier-aware unified pre-trained encoder-decoder models for code understanding and generation. In EMNLP.