[논문 리뷰] An Intelligent Approach to Software Cost Prediction

Xishi Huang, Luiz Fernando Capretz외 2명|arXiv (Cornell University)|2015. 07. 31.

Software Engineering Research참고 문헌 10인용 수 4

한 줄 요약

이 논문은 정확도, 해석 가능성 및 강건성을 향상시키기 위해 신경-퍼지 시스템을 COCOMO 프레임워크와 통합한 지능형 소프트웨어 비용 예측 모델을 제안한다. 전문 지식과 역량 있는 프로젝트 데이터를 결합함으로써, 산업 데이터를 바탕으로 검증된 결과, 기존의 COCOMO 모델에 비해 예측 성능이 크게 향상됨을 확인하였다.

ABSTRACT

Good software cost prediction is important for effective project management such as budgeting, project planning and control. In this paper, we present an intelligent approach to software cost prediction. By integrating the neuro-fuzzy technique with the well-accepted COCOMO model, our approach can make the best use of both expert knowledge and historical project data. Its major advantages include learning ability, good interpretability, and robustness to imprecise and uncertain inputs. The validation using industry project data shows that the model greatly improves prediction accuracy in comparison with the COCOMO model.

연구 동기 및 목표

• 효율적인 프로젝트 관리를 위한 소프트웨어 비용 예측 정확도 향상.
• 불확실성과 모호한 입력을 다루는 데에서 기존 COCOMO 모델의 한계를 해결하기 위해.
• 더 나은 예측 성능을 위해 전문 지식과 역량 있는 프로젝트 데이터를 융합하기 위해.
• 실제 환경 조건에서 강력한 해석 가능성과 강건성을 갖춘 모델 개발을 위해.
• 실제 산업 프로젝트 데이터를 활용하여 모델의 효과성을 검증하기 위해.

제안 방법

• 전문 지식과 역량 있는 프로젝트 데이터를 활용하기 위해 신경-퍼지 시스템을 COCOMO 모델과 통합하는 접근 방식을 채택한다.
• 소프트웨어 프로젝트에서 흔히 발생하는 모호하고 불확실한 입력을 모델링하기 위해 퍼지 논리를 사용한다.
• 이전 프로젝트 데이터를 기반으로 신경망을 훈련시어 비용 예측 패턴을 학습한다.
• 입력 데이터에 따라 매개변수를 동적으로 조정하면서도, 동시에 해석 가능성을 유지하는 하이브리드 모델을 구성한다.
• 역전파를 통해 학습이 가능한 규칙 기반 퍼지 추론 엔진을 사용한다.
• 최종 모델은 불확실성 인식 추론을 통해 예측된 소프트웨어 비용을 출력한다.

실험 결과

연구 질문

• RQ1 신경-퍼지 시스템은 기존의 COCOMO 모델에 비해 소프트웨어 비용 예측 정확도를 향상시킬 수 있는가?
• RQ2 하이브리드 모델은 실제 소프트웨어 프로젝트에서 모호하고 불확실한 입력 데이터를 얼마나 잘 처리할 수 있는가?
• RQ3 전문 지식과 역사적 데이터를 융합함으로써 예측 성능이 얼마나 향상되는가?
• RQ4 더 높은 정확도를 달성하면서도 모델은 여전히 해석 가능성을 유지하는가?
• RQ5 다양한 입력 조건 하에서 모델의 강건성은 COCOMO에 비해 어떻게 비교되는가?

주요 결과

• 제안된 모델은 기존의 전통적 COCOMO 모델에 비해 예측 정확도가 크게 향상됨을 확인하였다.
• 신경-퍼지 기법의 통합으로 모호하고 불확실한 입력에 대한 강건성이 향상됨을 입증하였다.
• 규칙 기반 퍼지 추론 구조 덕분에 높은 해석 가능성을 유지함을 확인하였다.
• 역사적 프로젝트 데이터를 기반으로 한 훈련을 통해 강력한 학습 능력을 보였다.
• 실제 산업 데이터를 활용한 검증을 통해 COCOMO에 비해 모델의 우수한 성능을 확인하였다.
• 더 나은 비용 추정을 위해 전문 지식과 데이터 기반 학습 간의 균형을 효과적으로 달성하였다.