[论文解读] AI in Software Engineering: A Survey on Project Management Applications

Talia Crawford, Scott Duong+6 more|arXiv (Cornell University)|Jul 27, 2023

Software Engineering Techniques and Practices被引用 5

一句话总结

本综述调查了人工智能与机器学习在软件工程项目管理中的应用，分析了1992年至2022年间的11项研究。研究发现，人工智能可通过自动化分析显著提升风险缓解、成本估算和需求分配的效率，同时指出了模型训练、数据质量及伦理整合方面的挑战。

ABSTRACT

Artificial Intelligence (AI) refers to the intelligence demonstrated by machines, and within the realm of AI, Machine Learning (ML) stands as a notable subset. ML employs algorithms that undergo training on data sets, enabling them to carry out specific tasks autonomously. Notably, AI holds immense potential in the field of software engineering, particularly in project management and planning. In this literature survey, we explore the use of AI in Software Engineering and summarize previous works in this area. We first review eleven different publications related to this subject, then compare the surveyed works. We then comment on the possible challenges present in the utilization of AI in software engineering and suggest possible further research avenues and the ways in which AI could evolve with software engineering in the future.

研究动机与目标

• 考察1992年至2022年间人工智能与机器学习在软件工程项目管理中的演变过程与当前状态。
• 识别人工智能在风险评估、工作量估算和需求分配等核心项目管理任务中的重复性应用。
• 分析在实施人工智能系统时面临的技术与伦理挑战，包括对数据的依赖性、输入参数的主观性以及伦理问题。
• 探索人工智能在软件开发中集成的未来研究方向，特别是在敏捷与分布式环境中的应用。
• 对比历史视角与当前基于人工智能的框架，评估该领域取得的进展与持续存在的差距。

提出的方法

• 对11篇关于人工智能在软件工程中应用的同行评审出版物进行系统性文献综述，涵盖1992年的奠基性研究及近期研究（2018–2022年）。
• 对人工智能在项目管理中的应用进行主题分析，重点关注风险缓解、成本估算、需求分配及敏捷支持。
• 采用人工神经网络（ANNs）与正交数组模型以提高软件工作量估算的准确性。
• 评估能够自动化重复性任务并在敏捷与分布式开发环境中支持决策的人工智能框架。
• 对比人工与人工智能驱动的风险管理方法，强调依赖人工经验方法的局限性。
• 结合实践者调查（如Zohair, 2023）以预测未来30年中人工智能采纳的趋势。

Figure 1: This figure shows how current AI and ML work with software engineering.

实验结果

研究问题

• RQ1 从1992年到2022年，人工智能在软件项目管理中的应用如何演变？
• RQ2 在软件工程中，人工智能在风险缓解、成本估算和需求分配方面的核心应用有哪些？
• RQ3 在软件开发项目管理中部署人工智能时面临的关键技术与伦理挑战是什么？
• RQ4 当前的人工智能框架与传统人工方法相比，在准确性与可扩展性方面有何差异？
• RQ5 人工智能在软件工程项目管理中未来的研究方向与集成策略有哪些？

主要发现

• 人工智能与机器学习在提升风险评估与成本估算的准确性方面展现出显著潜力，有助于降低项目失败率。
• 人工神经网络结合正交数组可显著降低软件项目工作量与成本预测中的估算误差。
• 自动化风险管理系统优于人工方法，减少了对个人经验的依赖，并实现了可扩展的优先级排序。
• 人工智能驱动的需求分配工具通过综合考虑优先级、依赖关系与开发时间，提升了版本规划效率，但输入值的主观性仍是主要限制。
• 敏捷与分布式开发环境最受益于人工智能的集成，尤其在动态任务分配与实时分析方面。
• 尽管已取得进展，但数据质量、模型可解释性及伦理问题仍是阻碍广泛采用的关键障碍。

Figure 2: This figure shows how current AI and ML work with software engineering.