Revisión sistemática sobre la integración de Inteligencia Artificial en procesos DevOps
Antecedentes: La creciente adopción de DevOps ha automatizado CI/CD y observabilidad, pero persisten cuellos de botella en calidad, velocidad y coste. La literatura sobre como integrar IA en las distintas fases del pipeline esta fragmentada, lo que dificulta extraer practicas consistentes y medir su...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2025 |
| País: | España |
| Institución: | Universidad de Alcalá (UAH) |
| Repositorio: | e_Buah Biblioteca Digital Universidad de Alcalá |
| Idioma: | español |
| OAI Identifier: | oai:ebuah.uah.es:10017/66217 |
| Acceso en línea: | http://hdl.handle.net/10017/66217 |
| Access Level: | acceso abierto |
| Palabra clave: | DevOps CI/CD AIOps MLOps Inteligencia artificial Observabilidad Detección de anomalías Automatización de pruebas Calidad del software LLM Informática Computer science |
| Sumario: | Antecedentes: La creciente adopción de DevOps ha automatizado CI/CD y observabilidad, pero persisten cuellos de botella en calidad, velocidad y coste. La literatura sobre como integrar IA en las distintas fases del pipeline esta fragmentada, lo que dificulta extraer practicas consistentes y medir su impacto real. Objetivos: Identificar donde se integra la IA en DevOps, para que fines, como se diseñan/entrenan/despliegan los modelos y que beneficios, limitaciones y sinergias se reportan. Métodos: Revisión sistemática siguiendo el método de Kitchenham y el enfoque PICOC (población, intervención, contexto, resultados). Búsqueda bilingüe en ACM Digital Library, IEEE Xplore, SpringerLink y ScienceDirect con cadenas derivadas de PICOC. Se identificaron 242 estudios, tras un cribado por título/resumen y lectura a texto completo quedaron 43 estudios. Se aplico una lista de verificación de calidad y una extracción con tablas y gráficos para comparar fases, técnicas de IA y métricas. Resultados: La evidencia se concentra en la fase Observe (detección de anomalías, autocaling predictivo, análisis de logs) y Test (oráculos y selección/generación de pruebas). Las fases de Build y Deploy muestran integraciones como gates de calidad y seguridad en CI/CD y controles previos al despliegue. Las fases de Discover y Plan presentan menor madurez. Predomina en muchos de los estudios Machine Learning, mientras que Deep Learning y NLP/LLM crecen con relevancia. GANs aparece mucho menos y sobre todo por escasez de datos. Los beneficios son recurrentes en mejoras en calidad, velocidad y costes. Las limitaciones vienen dadas por dependencia y calidad de datos, complejidad de integración, gobernanza y reproducibilidad. Se observan patrones repetidos, como agentes de monitorización de anomalías, QA gates en CI, asistentes NLP/LLM o digital twins. Conclusiones: La IA ya aporta valor tangible en DevOps, especialmente en Observe y Test, pero no existe un enfoque único y consolidado que cubra todas las fases. Se requieren marcos que fortalezcan sinergias entre fases, mejor gobernanza de datos/modelos y protocolos de evaluación reproducibles. |
|---|