Modelo de red neuronal artificial para la generación automática de código en aplicaciones de interfaces gráficas

Introducción— En la actualidad, la industria del desarrollo de software vive su época dorada debido al avance en áreas relacionadas con el aprendizaje máquina el cual es parte de las técnicas de IA, estos avances han permitido que tareas consideradas exclusivamente del ser humano sean resueltas utilizando un equipo de cómputo. Sin embargo, la complejidad y la extensa área que están abarcando los nuevos proyectos que deben ser desarrollados utilizando lenguajes de programación han generado que los tiempos de entrega de los proyectos se vean ralentizados y la productividad de la empresa afectada. Objetivo— Esta investigación presenta la metodología que se llevó a cabo para la construcción de un modelo de red neuronal recurrente para la generación automática de código fuente relacionado con interfaces gráficas de usuario utilizando lenguaje de programación Python. Metodología— Mediante la construcción de un conjunto de datos relacionado con el lenguaje natural para la descripción de interfaces gráficas programadas en Python se construye un modelo de red neuronal profunda para generar código fuente automático. Resultados— El modelo entrenado logra alcanzar valores de pérdida y perplejidad de 1.57 y 4.82 respectivamente en la etapa de validación evitando el sobreajuste en el entrenamiento del modelo. Conclusiones— Un modelo de red neuronal es entrenado logrando procesar el lenguaje natural relacionado con la petición de creación de interfaces gráficas utilizando el lenguaje de programación Python para generar automáticamente código fuente que puede ser ejecutado a través del intérprete de Python.

• Autores: Arenas-Varela, Daniel Esteban; Muñoz-Ordóñez, Julián Fernando
• Tipo de recurso: Article of journal
• Fecha de publicación: 2022
• Institución: Corporación Universidad de la Costa
• Repositorio: REDICUC - Repositorio CUC
• Idioma: eng
• OAI Identifier: oai:repositorio.cuc.edu.co:11323/12369
• Acceso en línea: https://hdl.handle.net/11323/12369; https://doi.org/10.17981/ingecuc.19.1.2023.04
• Palabra clave: Machine learning; Natural language processing; Graphical interface; Transfotmers; Tkinter; Deep learning; Automatic code generation; Aprendizaje automático; procesamiento de lenguaje natural; interfaz gráfica; transformadores; Tkinter; aprendizaje profundo; generación automática de código
• Rights: openAccess
• License: INGE CUC - 2022