Explorando el Uso de Inteligencia Artificial en el Descubrimiento y Diseño de Microservicios

• Daniel Narváez UAI

DOI: https://doi.org/10.5753/cibse.2025.35305

Resumo

El diseño de microservicios es un desafío significativo en desarrollos desde cero, especialmente para garantizar cohesión interna y bajo acoplamiento. Este trabajo propone un enfoque basado en inteligencia artificial, particularmente en procesamiento de lenguaje natural (PLN) y aprendizaje profundo, para apoyar el descubrimiento y diseño de microservicios a partir de requisitos textuales. Utilizando la metodología de Design Science Research (DSR), la propuesta se centra en técnicas de ingeniería de prompts y validación arquitectónica para guiar y evaluar la calidad de diseños orientados a microservicios. Como parte de un proyecto doctoral, esta investigación busca optimizar la calidad arquitectónica, el tiempo de diseño y los costos, abordando retos y oportunidades identificados mediante un mapeo sistemático de la literatura (MSL) y una revisión sistemática de la literatura (SLR).

Palavras-chave: Ingeniería de Software, Diseño de Software, Microservicios, Inteligencia Artificial, Aprendizaje Automático, Procesamiento de Lenguaje Natural, Investigación en Ciencia del Diseño

Referências

Ait Said, M., Ezzati, A., Mihi, S., and Belouaddane, L. (2024). Microservices adoption: An industrial inquiry into factors influencing decisions and implementation strategies. International Journal of Computing and Digital Systems, 15:2210–142.

Bajaj, D., Bharti, U., Gupta, I., Gupta, P., and Yadav, A. (2024). Gtmicro—microservice identification approach based on deep nlp transformer model for greenfield developments. International Journal of Information Technology, pages 1–11.

Bajaj, D., Goel, A., and Gupta, S. C. (2022). Greenmicro: identifying microservices from use cases in greenfield development. IEEE Access, 10:67008–67018.

Booch, G., Maksimchuk, R. A., Engle, M. W., Young, B. J., Connallen, J., and Houston, K. A. (2008). Object-oriented analysis and design with applications. ACM SIGSOFT software engineering notes, 33(5):29–29.

Clements, P. C. (2002). Software architecture in practice. Diss. Software Engineering Institute.

Hevner, A. R., March, S. T., Park, J., and Ram, S. (2004). Design science in information systems research. MIS Quarterly, 28(1):75–105.

Kalia, A. K., Xiao, J., Lin, C., Sinha, S., Rofrano, J., Vukovic, M., and Banerjee, D. (2020). Mono2micro: an ai-based toolchain for evolving monolithic enterprise applications to a microservice architecture. In Proceedings of the 28th ACM Joint Meeting on European Software Engineering Conference and Symposium on the Foundations of Software Engineering, pages 1606–1610.

Li, Y., Li, Z., Bu, Y., Xiao, H., and Deng, Y. (2023). Pf4md: A microservice decomposition tool combining problem frames. In 2023 IEEE 31st International Requirements Engineering Conference (RE), pages 359–360. IEEE.

MAGABLEH, B. and ALMIANI23, M. (2019). Deep q learning for self adaptive distributed microservices architecture. IEEE Acess.

Narváez, D., Battaglia, N., Fernández, A., and Rossi, G. (2025). Designing microservices using ai: A systematic literature review. Software, 4(1):6.

Narváez, D., Rossi, G. H., and Battaglia, N. (2024). Aplicación de inteligencia artificial en el diseño de microservicios. In XXX Congreso Argentino de Ciencias de la Computación (CACIC)(La Plata, 7 al 11 de octubre de 2024).

Newman, S. (2015). Building Microservices: Designing Fine-Grained Systems. O’Reilly Media.

Taibi, D., Lenarduzzi, V., and Pahl, C. (2017). Processes, motivations, and issues for migrating to microservices architectures: An empirical investigation. IEEE Cloud Computing, 4(5):22–32.

Vera-Rivera, F. H., Cuadros, E. G. P., Perez, B., Astudillo, H., and Gaona, C. (2023). Semgromi—a semantic grouping algorithm to identifying microservices using semantic similarity of user stories. PeerJ Computer Science, 9:e1380.