Asistencia AI para la Generación de código Imperativo mediante técnicas RAG - AI (Retrieval Augmented Generation - Artificial Intelligence), basado en Especificación de Algoritmos y Notación Estática de Tipos (AS&ST-Notation) en la facultad de Ingeniería de software de una Universidad Pública de Lima - Perú periodo 2024-2025

• Autor: Medianero Acosta, Jorge
• Formato: tesis de maestría
• Fecha de Publicación: 2025
• Institución: Universidad Tecnológica del Perú
• Repositorio: UTP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utp.edu.pe:20.500.12867/13579
• Enlace del recurso: https://hdl.handle.net/20.500.12867/13579
• Nivel de acceso: acceso abierto
• Materia: Modelo LLM; Lenguajes Imperativos; Modelo RAG; Prompt Engineering; https://purl.org/pe-repo/ocde/ford#5.03.01

El objetivo de esta investigación, es explorar la implementación y despliegue de modelos de Asistencia AI-Generativa para autogeneración de código imperativo mediante técnicas de Generación Aumentada por Recuperación (RAG), con el objetivo de aumentar la productividad en el desarrollo de software en escuelas de ingeniería de universidades públicas. Se utilizan modelos LLM Open Source como Llama de Meta y DeepSeek-R1 de High-Flyer, que ofrecen capacidades avanzadas para generación de código adaptables a entornos locales y móviles. La metodología analiza cómo la IA, a través de modelos RAG basados en Embeddings, optimiza las técnicas de construcción de software desde análisis y diseño hasta codificación y pruebas. El sistema está dirigido a estudiantes de pregrado en ingeniería de software de universidades públicas peruanas. La investigación, de enfoque cualitativo basado en teoría fundamentada, emplea Prompt Engineering con Especificación y Notaciones de Tipado Estático (AS&ST-Notation) para optimizar la generación de código imperativo. Se implementan prototipos de algoritmos que facilitan la interacción con modelos LLM-AI locales, utilizando notación AS&ST-Notation con reglas precisas para recuperar fragmentos de código relevantes sin errores. Se espera que este sistema optimice significativamente la eficiencia en generación de código, facilite la resolución de problemas algorítmicos complejos y promueva la integración temprana de IA en la formación de ingenieros de software.