Comparación Mediante Indicadores de Gestión de Desempeño Entre Sistemas de Producción Artificial Llms y Humanos para la Creación de un Sistema de Inventarios L & M

Abstract

El objetivo del proyecto es comparar el desempeño en el desarrollo de software entre sistemas de producción artificial (IA) y humana. Se busca identificar indicadores clave que permitan medir y contrastar la calidad, eficiencia, productividad y sostenibilidad entre ambos sistemas de producción de software. El proyecto adopta un marco conceptual basado en los modelos de lenguaje de gran tamaño (LLMs), como GPT-4, que representan el poder de la inteligencia artificial para comprender y generar lenguaje humano. Estos modelos han revolucionado el procesamiento del lenguaje natural al mejorar significativamente el rendimiento en diversas tareas de PLN(Procesamiento del Lenguaje Natural), como la generación de texto coherente y contextualmente relevante, la traducción automática, el análisis de opinión, sistemas de preguntas y respuestas, chatbots y agentes conversacionales. La definición de variables e indicadores de desempeño en el estudio se basa en revisiones documentales que se fundamentan en fuentes teóricas y empíricas sobre la evaluación de sistemas híbridos de producción de software. Esta estrategia permite aprovechar el vasto conocimiento y comprensión del lenguaje que poseen los LLMs para mejorar la investigación científica y la generación de respuestas precisas en diversos campos. La fase de trabajo de campo consiste en la aplicación de los indicadores definidos sobre casos de estudio de sistemas de desarrollo de software con participación humana y artificial, empleando técnicas cuantitativas y cualitativas para analizar los datos obtenidos.

The objective of the project is to compare software development performance between artificial intelligence (AI) and human production systems. The goal is to identify key indicators that allow for measuring and comparing the quality, efficiency, productivity, and sustainability of both software production systems. The project adopts a conceptual framework based on large language models (LLMs), such as GPT-4, which represent the power of artificial intelligence to understand and generate human language. These models have revolutionized natural language processing by significantly improving performance in various NLP (Natural Language Processing) tasks, such as the generation of coherent and contextually relevant text, machine translation, sentiment analysis, question-and-answer systems, chatbots, and conversational agents. The definition of variables and performance indicators in the study is based on documentary reviews grounded in theoretical and empirical sources on the evaluation of hybrid software production systems. This strategy allows LLMs to leverage their vast knowledge and understanding of language to enhance scientific research and generate precise answers in various fields. The fieldwork phase consists of applying the defined indicators to case studies of software development systems involving human and artificial input, using quantitative and qualitative techniques to analyze the data obtained.