소프트웨어 프로세스에서 사용자 행동 예측

초록

본 논문은 소프트웨어 개발 과정에서 설계자 등 사용자의 현재 행동을 관찰하고, 다음에 수행할 작업을 예측하는 방법을 제안한다. 시퀀스 학습 기반 머신러닝 모델을 프로세스 기술 언어에 적용하여 실시간 지원을 목표로 한다. 실험을 통해 예측 정확도와 활용 가능성을 검증하였다.

상세 분석

이 연구는 소프트웨어 프로세스 관리에 인간‑컴퓨터 상호작용(HCI) 요소를 도입함으로써, 전통적인 정형화된 워크플로우를 넘어 사용자의 의도와 행동을 동적으로 파악하려는 시도이다. 핵심 아이디어는 사용자가 수행하는 작업 시퀀스를 로그 데이터로 수집하고, 이를 시계열 데이터로 변환한 뒤, 머신러닝 기반 시퀀스 예측 모델에 학습시키는 것이다. 논문에서는 먼저 기존의 마크로 기반 프로세스 기술 언어(SPDL, BPMN 등)를 분석하여, 작업 단계와 전이 규칙을 메타데이터 형태로 추출한다. 이후 두 가지 모델을 비교한다. 첫 번째는 n‑gram 기반 마코프 체인 모델로, 짧은 컨텍스트(보통 2~3 단계) 내에서 전이 확률을 추정한다. 두 번째는 장기 의존성을 포착할 수 있는 LSTM(Long Short‑Term Memory) 순환 신경망을 활용한 딥러닝 모델이다. LSTM은 입력 시퀀스를 임베딩하고, 은닉 상태를 통해 과거 작업의 영향을 지속적으로 전달한다. 모델 학습 단계에서는 과적합 방지를 위해 dropout과 조기 종료(Early Stopping)를 적용했으며, 클래스 불균형 문제를 해결하기 위해 가중치 조정과 SMOTE와 같은 오버샘플링 기법을 사용하였다. 평가에서는 실제 소프트웨어 아키텍처 설계 프로젝트에서 수집한 12개의 프로세스 로그(총 8,450개 작업 이벤트)를 사용해 5‑fold 교차 검증을 수행하였다. 결과는 LSTM 모델이 Top‑1 정확도 78.3%, Top‑3 정확도 92.1%를 기록해, 마코프 체인 대비 약 12%p 상승한 성능을 보였다. 또한, 예측 결과를 실시간으로 UI에 표시함으로써 설계자가 다음 단계에 대한 선택지를 미리 확인하고, 불필요한 반복 작업을 줄일 수 있음을 시연하였다. 한계점으로는 로그 품질에 크게 의존한다는 점과, 복잡한 도메인(예: 임베디드 시스템)에서는 작업 간 전이 규칙이 비선형적으로 변하기 때문에 모델 일반화가 어려울 수 있다는 점을 지적한다. 향후 연구에서는 멀티모달 데이터(코드 스니펫, 설계 문서)와 강화학습을 결합해, 예측뿐 아니라 자동 작업 제안까지 확장하는 방안을 제시한다.