신경 퍼지 기법을 활용한 함수 포인트 보정

초록

본 논문은 함수 포인트(FP) 측정값을 신경망과 퍼지 로직을 결합한 Neuro‑Fuzzy 기법으로 보정하여, 소프트웨어 개발 비용 추정의 정확성을 높이는 방법을 제시한다. ISBSG Release 8 데이터를 이용한 실험 결과, 보정 후 추정 오차가 평균 22 % 감소하였다.

상세 분석

이 연구는 전통적인 함수 포인트(FP) 측정이 프로젝트마다 차이를 보이고, 산업 전반의 생산성 변화에 민감하게 반응하지 못한다는 문제점을 인식한다. 이를 해결하기 위해 저자는 두 가지 인공지능 기술을 융합한 Neuro‑Fuzzy 모델을 설계하였다. 퍼지 논리는 전문가가 정의한 FP 카테고리(예: 복잡도, 데이터 요소 유형 등)의 모호성을 정량화하는 규칙 기반 시스템을 제공한다. 반면, 인공 신경망은 대규모 데이터셋에서 숨겨진 비선형 관계를 학습하여 퍼지 규칙의 파라미터를 자동으로 최적화한다. 모델 학습 과정은 먼저 ISBSG Release 8에서 추출한 2,500건 이상의 프로젝트 데이터를 전처리하고, 입력 변수로는 FP 세부 요소와 환경 요인(언어, 개발 플랫폼 등), 출력 변수로는 실제 투입 인력(인·월)을 설정한다. 이후 퍼지 전처리 단계에서 각 입력을 멤버십 함수로 변환하고, 신경망은 역전파 알고리즘을 통해 오류를 최소화한다. 검증 단계에서는 10‑fold 교차 검증을 적용해 모델의 일반화 능력을 평가했으며, 기존 COCOMO‑II 기반 FP 추정과 비교했을 때 평균 절대오차(MAE)가 22 % 감소한 것으로 나타났다. 이는 Neuro‑Fuzzy가 인간 전문가의 규칙성을 유지하면서도 데이터 기반 학습을 통해 최신 산업 트렌드를 반영한다는 점을 실증한다. 또한, 모델 해석 가능성을 위해 주요 퍼지 규칙과 가중치를 시각화하여, 프로젝트 관리자가 보정된 FP 값을 신뢰하고 의사결정에 활용할 수 있도록 지원한다. 한계점으로는 데이터 품질에 크게 의존한다는 점과, 퍼지 규칙 설계에 전문가 참여가 필요하다는 점을 들며, 향후 자동 규칙 생성 및 다중 데이터 소스 통합을 통한 모델 확장이 제안된다.