Algoritmos en low-code-no-code para aplicaciones de investigación: una revisión práctica
Autores: Sufi, Fahim
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
Categoría
Ingeniería y Tecnología
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 25
Citaciones: Sin citaciones
Los algoritmos han evolucionado desde el código de máquina hasta el código bajo-nulo (LCNC) en los últimos 20 años. Observando el crecimiento del desarrollo de algoritmos basados en LCNC, el CEO de GitHub mencionó que el futuro de la codificación es no codificar en absoluto. Este documento revisó sistemáticamente varios de los estudios recientes que utilizan plataformas LCNC principales para comprender el área de investigación, las plataformas LCNC utilizadas en estos estudios y las características de LCNC utilizadas para resolver preguntas de investigación individuales. Identificamos 23 trabajos de investigación que utilizan plataformas LCNC, como SetXRM, la plataforma vf-OS, Aure-BPM, CRISP-DM y Microsoft Power Platform (MPP). Aproximadamente el 61% de estos estudios existentes recurrieron a MPP como su elección principal. Los problemas críticos de investigación resueltos por estos trabajos de investigación estaban dentro del área de análisis de noticias globales, análisis de redes sociales, deslizamientos de tierra, tornados, COVID-19, digitalización de procesos, fabricación, logística y desarrollo de software/aplicaciones. Las principales razones identificadas para resolver problemas de investigación con algoritmos LCNC fueron las siguientes: (1) obtener datos de investigación de múltiples fuentes en completa automatización; (2) generar ideas impulsadas por inteligencia artificial sin tener que codificarlas manualmente. En el transcurso de describir esta revisión, este documento también demuestra un enfoque práctico para implementar un algoritmo de monitoreo de ciberataques con la plataforma LCNC más popular.
Descripción
Los algoritmos han evolucionado desde el código de máquina hasta el código bajo-nulo (LCNC) en los últimos 20 años. Observando el crecimiento del desarrollo de algoritmos basados en LCNC, el CEO de GitHub mencionó que el futuro de la codificación es no codificar en absoluto. Este documento revisó sistemáticamente varios de los estudios recientes que utilizan plataformas LCNC principales para comprender el área de investigación, las plataformas LCNC utilizadas en estos estudios y las características de LCNC utilizadas para resolver preguntas de investigación individuales. Identificamos 23 trabajos de investigación que utilizan plataformas LCNC, como SetXRM, la plataforma vf-OS, Aure-BPM, CRISP-DM y Microsoft Power Platform (MPP). Aproximadamente el 61% de estos estudios existentes recurrieron a MPP como su elección principal. Los problemas críticos de investigación resueltos por estos trabajos de investigación estaban dentro del área de análisis de noticias globales, análisis de redes sociales, deslizamientos de tierra, tornados, COVID-19, digitalización de procesos, fabricación, logística y desarrollo de software/aplicaciones. Las principales razones identificadas para resolver problemas de investigación con algoritmos LCNC fueron las siguientes: (1) obtener datos de investigación de múltiples fuentes en completa automatización; (2) generar ideas impulsadas por inteligencia artificial sin tener que codificarlas manualmente. En el transcurso de describir esta revisión, este documento también demuestra un enfoque práctico para implementar un algoritmo de monitoreo de ciberataques con la plataforma LCNC más popular.