Foto 65.jpg
La IA lo automatiza todo, ¿podrá reemplazar a los programadores? Foto: Midjourney

Un equipo de investigadores acaba de publicar un mapa exhaustivo de los desafíos a los que se enfrenta la inteligencia artificial (IA) en el desarrollo de software, y ha propuesto una hoja de ruta de investigación para impulsar aún más este campo.

Imagina un futuro donde la IA se encargue discretamente de las tareas rutinarias del desarrollo de software: refactorizar código complejo, migrar sistemas heredados y detectar condiciones de carrera, para que los ingenieros de software humanos puedan centrarse en la arquitectura del sistema, el diseño y la resolución de problemas creativos que las máquinas aún no pueden solucionar. Los recientes avances en IA parecen acercar esa visión.

Sin embargo, un nuevo estudio realizado por científicos del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT y sus institutos de investigación asociados ha demostrado que: para hacer realidad ese futuro, primero debemos mirar directamente a los desafíos muy reales del presente.

«Mucha gente dice que los programadores ya no son necesarios porque la IA lo automatiza todo», afirmó Armando Solar-Lezama, profesor de ingeniería eléctrica e informática del MIT, investigador sénior del CSAIL y autor principal del estudio. «En realidad, hemos avanzado considerablemente. Las herramientas son mucho más potentes que antes. Pero aún queda mucho camino por recorrer para aprovechar todo el potencial de la automatización».

El profesor Armando Solar-Lezama sostiene que la visión predominante reduce la ingeniería de software a algo parecido a una tarea de programación para estudiantes: tomar una pequeña función y escribir código para implementarla, o realizar un ejercicio al estilo LeetCode. Sin embargo, la realidad es mucho más compleja: desde refactorizaciones de código para optimizar diseños, hasta migraciones a gran escala con millones de líneas de código que pasan de COBOL a Java, transformando por completo la base tecnológica de una empresa.

La medición y la comunicación siguen siendo problemas difíciles

Las optimizaciones de código a escala industrial —como los ajustes del núcleo de la GPU o las mejoras multicapa en el motor V8 de Chrome— aún son difíciles de evaluar. Las pruebas de rendimiento actuales se centran principalmente en problemas pequeños y específicos. La métrica más práctica, SWE-Bench, simplemente le pide a un modelo de IA que corrija un error en GitHub: un ejercicio de programación de bajo nivel que implica unos cientos de líneas de código, que potencialmente expone datos, e ignora una amplia gama de escenarios del mundo real, como la refactorización asistida por IA, la programación en parejas humano-máquina o la reescritura de sistemas de alto rendimiento con millones de líneas de código. Hasta que las pruebas de rendimiento se amplíen para abarcar escenarios de mayor riesgo, medir el progreso —y, por lo tanto, acelerarlo— seguirá siendo un desafío pendiente.

Además, la comunicación entre humanos y máquinas también representa una gran barrera. Alex Gu, estudiante de doctorado y autor principal del estudio, afirmó que, actualmente, la interacción con la IA se asemeja a una comunicación inestable. Al solicitarle a la IA que genere código, suele recibir archivos grandes y desestructurados, junto con conjuntos de prueba simples y poco precisos. Esta deficiencia se refleja también en la incapacidad de la IA para aprovechar eficazmente herramientas de software familiares para los humanos, como depuradores y analizadores estáticos.

Llamado a la acción de la comunidad

Los autores sostienen que no existe una solución mágica para estos problemas y abogan por esfuerzos a escala comunitaria: crear datos que reflejen el proceso de desarrollo real de los programadores (qué código conservar, qué código eliminar, cómo se refactoriza el código a lo largo del tiempo, etc.); conjuntos de herramientas de evaluación comunes para la calidad de la refactorización, la durabilidad de los parches y la precisión de la migración del sistema; y crear herramientas transparentes que permitan a la IA expresar incertidumbre e invitar a la intervención humana.

Alex Gu, estudiante de doctorado, considera esto un llamado a la acción para las comunidades de código abierto a gran escala, algo que ningún laboratorio por sí solo puede lograr. Solar-Lezama prevé que el progreso se dé mediante pequeños pasos incrementales: «hallazgos de investigación que resuelven partes del problema una a la vez», transformando la IA de una «herramienta de sugerencia de código» a un verdadero socio tecnológico.

“¿Por qué es esto importante? El software ya es la base de las finanzas, el transporte, la sanidad y prácticamente todas las actividades cotidianas. Pero el esfuerzo humano para crearlo y mantenerlo de forma segura se está convirtiendo en un cuello de botella”, afirmó Gu. “Una IA capaz de realizar el trabajo pesado sin cometer errores ocultos permitiría a los programadores centrarse en la creatividad, la estrategia y la ética. Pero para lograrlo, debemos comprender: terminar un fragmento de código es la parte fácil; lo difícil es todo lo demás”.

(Traducción breve de MIT News)

Fuente: https://vietnamnet.vn/hanh-trinh-dai-cua-ai-trong-ky-thuat-phan-mem-tu-dong-hoa-2426456.html