Una revisión sistemática de la literatura para la detección de vulnerabilidades de software basada en Transformers

La creciente dependencia del software en sectores críticos como salud, finanzas y gobierno ha convertido la detección temprana de vulnerabilidades en una prioridad estratégica. Los modelos basados en Transformers, conocidos por su capacidad de modelado contextual, han abierto nuevas vías para identificar fallos de seguridad en código fuente, contratos inteligentes y registros de sistema. Sin embargo, la investigación en este campo enfrenta desafíos como el desbalance de datos, la falta de interpretabilidad y la necesidad de escalar a múltiples lenguajes de programación. Una revisión sistemática de la literatura publicada recientemente analiza ochenta estudios entre 2021 y 2025, clasificando arquitecturas de codificador, decodificador y combinadas, y destacando la importancia de conjuntos de datos de referencia y líneas base. Para las organizaciones que buscan implementar soluciones robustas, combinar estas técnicas con servicios especializados en ciberseguridad resulta esencial, ya que permite integrar modelos de inteligencia artificial con prácticas de auditoría y pentesting. Además, la adopción de ia para empresas facilita la automatización del análisis de vulnerabilidades, liberando a los equipos técnicos para tareas de mayor valor. En este contexto, Q2BSTUDIO ofrece desarrollo de aplicaciones a medida y software a medida que incorporan agentes IA para monitorizar entornos en servicios cloud aws y azure, así como servicios inteligencia de negocio con power bi para visualizar métricas de seguridad. La clave está en construir sistemas que no solo detecten, sino que también expliquen sus hallazgos, mejorando la confianza y la capacidad de respuesta ante amenazas.