A number of software effort estimations have been attempted using statistical models, case-based reasoning, and neural networks. The research results showed that the neural network models perform at least as good as the other approaches. However, since the computing environment changes so rapidly in terms of programming languages, development tools, and methodologies, it is very difficult to maintain the performance of estimation models for the new breed of projects. So we propose using the relevant cases for a neural network model, whose cost is the decreased number of cases.
To balance the relevance and data availability, the qualitative input factors are used as the criteria of data classification. With the data sets that have the same values for certain qualitative input factors, we can eliminate the factors from the model making the reduced neural network models. So we need to seek the optimally reduced neural network model among them. To find the best reduced model heuristically, we propose the ADD and DROP algorithms that add and drop individual qualitative factors one at a time in selecting the data set and associated reduced neural network model. According to our experiment with the factors that have been adopted in COCOMO model, the mean error rate was significantly reduced to 18.6%.
In order to increase the estimation performance, we design the neural network model and suggest a case-based approach with optimally similar cases selected by heuristic search algorithms. We could find the efficiency and effectiveness in reducing estimate errors and the computation time outstandingly by the empirical test. Also, we are required to redefine the variables that are used for the existing software effort estimation model compatible with the suggested model.
In this research, we define the input factors and design the neural network architecture of our software effort estimation model. We especially focus the research issues on finding the optimal cases for the neural network estimation model by analyzing the sensitivity of estimate errors. For the purpose of selecting optimally similar cases; First, we suggest two approaches of finding the input factors that classify case groups optimally. Second, we devise the heuristic search algorithms for the best combinations of input factors for grouping similar cases more efficiently. Finally, we suggest the estimation method and procedures and also show the prototype of SOFFORT systems for this architecture and we evaluate and validate the comparative performance of our model through an empirical test.
소프트웨어 개발공수 예측에 관해서 연구된 결과를 보면 수 많은 모델과 기법이 제시되고 있으나, 현재의 이러한 모델들은 급변하는 정보화 기술과 소프트웨어 개발환경의 패러다임에 부합되지 않는 측면이 많다. 특히 기존의 소프트웨어 공수 예측에 관한 모델들은 정보화 기술측면에서 모듈재사용, 4세대 언어, CASE도구 등의 환경변화와 객체지향형 시스템, 클라이언트-서버 중심의 분산 구조, 인터넷/인트라넷 시스템 등의 정보화 패러다임의 변화를 반영할 수 있는 융통성과 예측력의 결여가 문제가 되고 있다. 따라서, 소프트웨어 프로젝트의 공수예측에 상당한 어려움이 제기되고 있고, 또한 예측의 정확성 결여로 인해 효율적인 프로젝트관리가 이루어지지 못하고 있는 실정이다.
본 연구에서는 이와 같은 제약을 극복하기 위해 기본적으로 신경망을 이용한 예측모델을 설계하고, 이 모델의 최적화를 위해 최적 유사 사례 집단의 접근방법을 이용한 예측기법을 제안하고자 한다. 이러한 접근방법에 있어서, 우선 신경망 모델을 융통성있는 구조로 설계하기 위해 Reduced Neural Network Model과 Full Neural Network Model 유형으로 구분하여 설계하였다. 특히 전자는 본 연구의 핵심 이슈로서 기존의 신경망 모델의 효율성과 예측력을 높이기 위한 방안으로써 유사사례접근방법을 이용하여 최적의 모델구조를 선택할 수 있도록 한다. 또한 이에 사용되는 적정 데이터 포인트와 예측력 오차와의 관계사이에 최적점을 발견하기 위한 제방법론을 제시한다. 이를 위해 예측 모델에 사용될 기존 사례들을 선별하기 위한 유사도 측정함수를 정의하고, 이를 적용하여 유사도별 모델에 사용될 최적 사례 집단을 그룹화해서 사례베이스를 구축한다. 이들을 각 유사도 수준별로 평균 예측오차를 계산하고 최적의 유사도 수준을 결정한다. 실험을 통해 최종 예측값을 검색하기 위한 휴리스틱 알고리즘으로 ADD/DROP Algorithm과 Stopping Rule을 제시한다. 이 실험을 위해 국내의 기업체에서 수집된 50개의 소프트웨어 프로젝트의 사례들을 사용했다.
본 연구에서 제안된 방법론과 전통적인 신경망 모델 그리고 COCOMO등의 모델과 비교를 통해서 본 모델 및 접근방법이 우수함을 확인할 수 있었다.
본 연구의 제안 모델을 전통적인 신경망 모델 그리고 COCOMO와의 평균 예측 오차값과 비교하여 본 결과 본 연구에서 제안된 Reduced Neural Network Model은 예측오차가 18.6%, 전통적인 신경망 단독의 Full Neural Network Model은 25.8%로 COCOMO보다 예측력의 우위성을 확인할 수 있었다. 이 결과를 통해서 Reduced Neural Network Model의 예측력과 효율성이 확인 되었으므로 변화하는 정보기술 환경하에서도 보다 신뢰성 있고, 예측력이 좋으며 사용자가 쉽게 모델링하여 사용할 수 있는 소프트웨어 공수 예측모델로 활용이 가능해졌다.
본 연구에서는 사용자 인터페이스 측면에서 소프트웨어 공수 예측을 위한 자동화 시스템 구현을 위해, 시스템 아키텍춰와 예측절차를 제시하고, 이러한 시스템을 구현하기 위한 SOFFORT 시스템의 프로토타입을 개발하였다. 향후에는 보다 정교하고 자동화된 시스템을 구축하여 실무에서 수행될 프로젝트에 소요될 소프트웨어 개발공수 예측에 사용할 것을 제안한다.
