지능형 소프트웨어 비용 예측 접근법

초록

본 논문은 전통적인 COCOMO 모델에 신경‑퍼지(Neuro‑Fuzzy) 기법을 결합하여, 전문가 지식과 과거 프로젝트 데이터를 동시에 활용하는 비용 예측 모델을 제안한다. 학습 능력, 해석 가능성, 불확실한 입력에 대한 강인성을 갖추었으며, 실제 산업 데이터 실험을 통해 기존 COCOMO 대비 예측 정확도가 크게 향상됨을 입증한다.

상세 요약

이 연구는 소프트웨어 개발 비용 예측의 핵심 문제인 ‘정확도와 해석 가능성 사이의 트레이드오프’를 해결하고자 한다. 기존 COCOMO는 경험적 회귀식에 기반해 파라미터를 고정적으로 적용하지만, 프로젝트 환경이 변화함에 따라 모델의 적응력이 제한된다. 저자들은 이러한 한계를 극복하기 위해 퍼지 논리와 인공신경망을 결합한 ANFIS(Adaptive‑Network‑Based Fuzzy Inference System)를 도입한다. 퍼지 시스템은 전문가가 정의한 규칙과 멤버십 함수를 통해 입력 변수(예: 규모, 복잡도, 인력 경험 등)의 모호성을 정량화하고, 신경망은 실제 프로젝트 데이터에 대한 학습을 통해 규칙의 파라미터를 자동으로 조정한다.

모델 구축 과정은 크게 세 단계로 나뉜다. 첫째, COCOMO의 기본 구조를 유지하면서 주요 비용 드라이버를 퍼지 입력으로 변환한다. 여기서 각 드라이버는 ‘낮음‑보통‑높음’ 등 3~5개의 라벨을 갖는 삼각형 혹은 가우시안 멤버십 함수를 사용한다. 둘째, 초기 규칙 베이스는 기존 COCOMO 계수를 기반으로 전문가가 설계하고, ANFIS 학습 알고리즘(주로 하이브리드 백프로파게이션‑레버리지 방법)을 통해 데이터에 맞게 파라미터를 최적화한다. 셋째, 학습이 완료된 모델은 새로운 프로젝트에 대해 퍼지 추론을 수행하고, 최종 비용은 퍼지 출력의 디퍼징(Defuzzification) 과정을 거쳐 산출한다.

실험에서는 국내 대형 IT 기업에서 제공한 120건의 실제 프로젝트 데이터를 70:30 비율로 학습·검증 셋으로 분할하였다. 평가 지표로는 평균 절대 오차(MMRE)와 25% 이내 예측 비율(Pred(25))을 사용했으며, 기존 COCOMO 대비 MMRE가 22% 감소하고 Pred(25)가 15% 상승하는 결과를 얻었다. 특히, 입력 변수에 결측치나 불확실성이 존재할 경우 퍼지 전처리 덕분에 모델이 안정적으로 동작한다는 점이 강조된다.

한계점으로는 퍼지 규칙 설계에 전문가 의존도가 남아 있어 초기 구축 비용이 발생하고, 대규모 데이터셋에서 학습 시간 증가가 관찰된다. 향후 연구에서는 자동 규칙 생성 기법과 딥러닝 기반 하이브리드 모델을 도입해 확장성을 높이는 방안을 제시한다.