소프트웨어 공학에서 딥러닝 활용 현황과 과제

초록

본 논문은 딥러닝을 소프트웨어 공학(SE) 문제에 적용한 98편의 연구를 서지 분석하여, 딥러닝이 요구사항, 설계, 구현, 테스트, 유지보수 등 모든 SE 단계의 41가지 작업을 지원하고 있음을 밝혀냈다. 대부분(84.7%)이 기존 표준 딥러닝 모델을 변형해 사용했으며, 실용성(효과성·효율성·이해가능성·테스트 가능성) 향상이 향후 연구 과제로 제시된다.

상세 분석

본 연구는 최근 5년간 주요 학술 데이터베이스에서 “deep learning”과 “software engineering” 키워드가 포함된 논문을 수집하고, 메타데이터(연도, 학회·저널, 인용수)와 내용 분석(연구 목적, 적용 모델, SE 단계, 과제)를 수행한 서지(bibliography) 분석이다. 98편의 논문 중 41개의 구체적인 SE 작업이 딥러닝 기반 솔루션에 의해 지원된 것으로 분류되었으며, 이는 요구사항 분석, 설계 자동화, 코드 생성·완성, 버그 탐지·수정, 테스트 케이스 생성, 리팩터링, 성능 예측, 유지보수 비용 추정 등 전 단계에 걸친다.

특히 모델 측면에서 84.7%가 CNN, RNN, LSTM, Transformer 등 기존 딥러닝 아키텍처와 그 변형을 그대로 사용했으며, 도메인 특화 모델이나 하이브리드(전통적 SE 기법+딥러닝) 접근은 상대적으로 드물었다. 이는 SE 분야가 아직 딥러닝 모델 설계보다 적용에 초점을 맞추고 있음을 시사한다.

실용성에 대한 논의는 두드러졌다. 논문들은 효과성(정확도·재현율) 향상은 입증했지만, 효율성(학습·추론 시간, 자원 소비), 이해가능성(모델 해석·설명), 테스트 가능성(디버깅·검증) 등 실제 현업 적용에 필수적인 요소가 부족하다는 점을 지적한다. 또한 데이터 품질(라벨링 정확도, 데이터 양·다양성)과 재현성(코드·데이터 공개) 문제가 지속적으로 제기된다.

연구 한계로는 서지 분석에 의존해 정량적 성과(예: 정확도 향상 폭)나 실제 산업 적용 사례를 심층 검증하지 못했다는 점이다. 또한 선정된 98편이 영어권 주요 학회·저널에 국한돼 있어, 비영어권 혹은 산업 현장의 회색문헌이 누락될 가능성이 있다.

향후 연구 방향은 (1) SE 특성을 반영한 맞춤형 딥러닝 아키텍처 개발, (2) 모델 경량화·프루닝을 통한 효율성 강화, (3) 설명가능 AI 기법을 적용해 이해가능성 및 신뢰성 확보, (4) 자동화된 테스트·검증 파이프라인 구축, (5) 공개 데이터셋·코드베이스 확대로 재현성 확보, 로 정리될 수 있다.