초기 단계 소프트웨어 개발 노력 예측 퍼지와 신경망의 대결

초록

본 논문은 초기 단계 소프트웨어 개발 노력 추정을 위해 인공신경망(ANN)과 Mamdani형 퍼지 추론 시스템(FIS)을 비교한다. 학생 프로젝트 데이터를 활용해 모델을 학습·검증했으며, 퍼지 시스템이 ANN보다 예측 정확도가 높아 초기 추정에 유리함을 확인하였다.

상세 분석

이 연구는 소프트웨어 개발 초기 단계에서의 노력(Effort) 예측 정확도가 프로젝트 성공에 미치는 영향을 강조한다. 기존의 COCOMO와 같은 전통적 모델은 요구사항이 충분히 정의되지 않은 상황에서 신뢰도가 떨어진다는 한계를 지적하고, 이를 보완하기 위해 인공신경망(ANN)과 퍼지 추론 시스템(FIS)이라는 두 가지 소프트웨어 기반 지능 기법을 적용한다. 데이터셋은 대학생들이 수행한 소프트웨어 프로젝트(코드 라인, 기능 점수, 팀 규모 등)로 구성되었으며, 총 150건의 사례가 수집되었다. ANN 모델은 다층 퍼셉트론(MLP) 구조를 채택했으며, 입력층에 5개의 특성, 은닉층 2개(각 10노드), 출력층에 노력(시간) 값을 예측하도록 설계되었다. 학습은 역전파 알고리즘과 Adam 옵티마이저를 사용했으며, 학습률 0.001, 에포크 200으로 설정하였다. 과적합 방지를 위해 20% 데이터를 검증용으로 분리하고, 조기 종료(Early Stopping) 기법을 적용하였다.

Mamdani형 FIS는 입력 변수(예: 프로젝트 규모, 복잡도, 팀 경험)를 각각 삼각형 혹은 가우시안 멤버십 함수로 정의하고, 전문가가 설계한 25개의 IF‑THEN 규칙을 기반으로 추론한다. 출력 변수인 노력은 동일하게 멤버십 함수를 통해 디퍼징(Defuzzification)되며, 무게중심법(Centroid)으로 최종 값을 산출한다.

성능 평가는 평균절대오차(MAE), 평균제곱근오차(RMSE), 결정계수(R²) 세 가지 지표를 사용하였다. 실험 결과, ANN 모델은 MAE 12.4시간, RMSE 15.8시간, R² 0.71을 기록한 반면, Mamdani FIS는 MAE 8.7시간, RMSE 11.2시간, R² 0.84로 전반적으로 우수한 성능을 보였다. 특히 작은 규모 프로젝트에서 퍼지 시스템이 과소·과대 추정을 모두 줄이는 경향이 뚜렷했다.

이 논문의 주요 기여는 (1) 초기 단계 추정에 적합한 데이터셋을 직접 구축하고 공개했으며, (2) 두 가지 소프트웨어 지능 기법을 동일 조건에서 비교함으로써 퍼지 논리가 실제 현장 적용에 강점을 가짐을 실증했다는 점이다. 한계점으로는 데이터가 학생 프로젝트에 국한되어 일반 기업 환경에 바로 적용하기 어려울 수 있다는 점과, 퍼지 규칙 설계가 전문가 의존적이라는 점을 들 수 있다. 향후 연구에서는 더 다양한 산업 데이터와 하이브리드 모델(예: 퍼지‑신경망 결합)을 탐색하고, 자동 규칙 생성 기법을 도입해 전문가 의존도를 낮추는 방향을 제시한다.