Noticias de AIbase - El equipo de investigación de Apple presentó en su última publicación, "UICoder: Generando código de interfaz de usuario mediante el ajuste fino automático de modelos de lenguaje grandes", un avance tecnológico notable: lograron entrenar un modelo de código abierto para que aprenda de forma autónoma el desarrollo de interfaces de usuario SwiftUI.
Aunque los modelos de lenguaje grandes muestran un buen desempeño en escritura creativa y programación, aún tienen una clara debilidad al generar "código de interfaz de usuario con sintaxis correcta y diseño adecuado". El equipo de investigación señaló que incluso en conjuntos de datos cuidadosamente seleccionados, los ejemplos de código de interfaz de usuario son muy escasos, representando menos del 1% en algunos conjuntos de datos de código.
El equipo de investigación utilizó como base el modelo de programación de código abierto StarChat-Beta, empleando un método único de retroalimentación automática:Generación de datos: se le proporcionó al modelo una lista de descripciones de UI, indicándole que generara un conjunto de datos sintético de programas SwiftUI en gran cantidadFiltrado de calidad: se validó la ejecutabilidad del código mediante el compilador de Swift, y se comparó la interfaz con la descripción original utilizando el modelo visual GPT-4VOptimización iterativa: se eliminaron las salidas que no compilaron, eran irrelevantes o repetidas, conservando solo los datos de entrenamiento de alta calidad para el ajuste fino del modelo.
Después de cinco iteraciones, el equipo obtuvo un conjunto de datos extenso que incluye 996.000 programas SwiftUI, y logró entrenar con éxito el modelo UICoder.
Los resultados de las pruebas mostraron que UICoder supera significativamente al modelo base StarChat-Beta tanto en indicadores automatizados como en evaluaciones realizadas por humanos, alcanzando una calidad general cercana a la de GPT-4, e incluso superando a GPT-4 en la tasa de éxito de compilación.
Una importante observación del estudio surgió del análisis de datos: los datos de entrenamiento originales de StarChat-Beta casi no contenían contenido de SwiftUI. Durante la creación del conjunto de datos TheStack, las bibliotecas de código Swift fueron excluidas accidentalmente, y en el conjunto de datos OpenAssistant-Guanaco solo había una proporción de una diezmilésima de ejemplos de código Swift.
Esta observación demuestra que el aumento de rendimiento de UICoder no proviene de la reorganización de datos existentes, sino de un verdadero avance en el aprendizaje logrado mediante un conjunto de datos auto-generados y seleccionados a través de un ciclo de retroalimentación automática.
El equipo de investigación señaló que el éxito de este método demuestra su potencial aplicación en otros lenguajes de programación y herramientas de interfaz de usuario, abriendo nuevas posibilidades para el desarrollo de software con asistencia de IA.
Enlace al artículo: https://arxiv.org/html/2406.07739v1
