Aplicación de Técnicas de Machine Learning para la Predicción Temprana de Defectos en Proyectos de Software

Resumen

Este artículo analiza la aplicación de técnicas de Machine Learning para la predicción temprana de defectos en proyectos de software, con el propósito de mejorar la calidad del producto y optimizar los procesos de desarrollo. El objetivo central consiste en evaluar la eficacia de algoritmos supervisados y de aprendizaje profundo para identificar componentes propensos a fallas antes de su despliegue, reduciendo los costos asociados a correcciones tardías. Metodológicamente, se empleó un enfoque cuantitativo basado en la recopilación y depuración de métricas de código, del historial de cambios y de atributos del proceso, utilizando conjuntos de datos ampliamente validados en la literatura, como NASA, PROMISE y Jureczko. Se implementaron modelos como Random Forest, Support Vector Machines, Gradient Boosting y redes neuronales profundas, y se evaluaron mediante métricas de desempeño como F1‑score, AUC y MCC. Los resultados evidencian que los modelos basados en ensemble learning y en arquitecturas profundas alcanzan una mayor capacidad predictiva, especialmente en escenarios de alta dimensionalidad y desequilibrio de clases. Asimismo, se confirma que la integración temprana de predicciones en el ciclo de desarrollo permite priorizar las revisiones, fortalecer la gestión de riesgos y mejorar la toma de decisiones técnicas. Estos hallazgos respaldan el uso sistemático del Machine Learning como herramienta estratégica en la ingeniería de software contemporánea.