소프트웨어 비용 추정을 위한 하이브리드 지능형 모델

초록

본 논문은 신경망과 퍼지 로직을 결합한 하이브리드(뉴로-퍼지) 모델을 제안하여 소프트웨어 개발 비용을 보다 정확히 예측한다. 공개된 프로젝트 데이터와 실제 산업 데이터를 이용해 실험한 결과, 기존 모델 대비 평균 상대오차(MMRE) 기준 18% 향상된 성능을 보였다.

상세 요약

본 연구는 소프트웨어 비용 추정 분야에서 오래된 문제인 불확실하고 불완전한 입력 변수, 그리고 변수 간 높은 상관관계(공선성)를 해결하고자 하이브리드 인텔리전스 모델을 설계하였다. 핵심은 전통적인 인공신경망(ANN)의 비선형 학습 능력과 퍼지 시스템의 인간 전문가 지식 표현 및 불확실성 처리 능력을 결합한 뉴로‑퍼지(NF) 구조이다. 모델 구축 과정은 크게 세 단계로 나뉜다. 첫째, 기존 COCOMO‑II와 같은 알고리즘 모델에서 사용되는 주요 비용 요인(예: 규모, 복잡도, 인력 경험 등)을 선정하고, 각 요인의 범위와 의미를 퍼지 멤버십 함수로 정의한다. 둘째, 퍼지 전처리 단계에서 입력 데이터를 멤버십 값으로 변환함으로써 연속형 변수와 범주형 변수를 동시에 다룰 수 있게 한다. 셋째, 변환된 퍼지 입력을 ANN의 입력층에 공급하고, 역전파 학습을 통해 가중치를 최적화한다. 학습 과정에서 퍼지 규칙 기반의 초기 가중치를 활용하면 수렴 속도가 빨라지고 지역 최적에 빠질 위험이 감소한다.

평가에서는 두 종류의 데이터셋을 사용하였다. 첫 번째는 국제적으로 인정받는 PROMISE 저장소에 공개된 30개 이상의 프로젝트 데이터이며, 두 번째는 저자들이 직접 수집한 국내 대형 기업의 20개 프로젝트 실험 데이터이다. 성능 지표는 MMRE와 PRED(0.25)를 주로 사용했으며, 기존 ANN, 퍼지 모델, 그리고 전통적인 회귀 기반 COCOMO‑II와 비교하였다. 결과는 모든 실험군에서 제안된 뉴로‑퍼지 모델이 MMRE를 평균 18% 감소시켰으며, PRED(0.25) 역시 10% 이상 향상된 것을 보여준다. 특히 데이터가 희소하거나 변수 간 상관관계가 높은 경우, 퍼지 전처리 단계가 노이즈를 완화하고 ANN이 보다 안정적인 학습을 수행하도록 돕는 것이 확인되었다.

한계점으로는 퍼지 멤버십 함수 설계에 전문가 주관이 개입될 여지가 있다는 점과, 모델 복잡도가 증가함에 따라 실시간 추정 적용 시 계산 비용이 다소 상승한다는 점을 들 수 있다. 향후 연구에서는 자동화된 멤버십 함수 최적화 기법과 경량화된 뉴로‑퍼지 구조를 도입해 실시간 프로젝트 관리 도구와의 연동을 목표로 할 필요가 있다.