Agile 머신러닝 프로젝트의 소프트웨어 엔지니어링 분석

초록

본 논문은 스크럼 기반 이슈 트래킹 데이터를 활용해 머신러닝 프로젝트와 전통적 소프트웨어 프로젝트의 작업 특성을 비교한다. 결과는 머신러닝 프로젝트가 탐색·연구 중심 이슈가 많고, 스프린트 종료 후 백로그에 남는 이슈가 더 많아 예측이 어려움을 보여준다. 이를 바탕으로 Agile 환경에서 머신러닝 작업을 보다 효과적으로 기록·관리하기 위한 방안을 제시한다.

상세 분석

본 연구는 Agile 방법론, 특히 스크럼을 적용한 다수의 머신러닝 프로젝트와 비머신러닝(전통 소프트웨어) 프로젝트에서 수집한 이슈 트래킹 데이터를 정량·정성적으로 분석하였다. 데이터는 JIRA, Azure DevOps 등 상용 이슈 관리 도구에서 추출했으며, 프로젝트 규모는 5~12명 팀, 스프린트 길이는 2주로 통일하였다. 먼저 텍스트 마이닝 기법을 이용해 이슈 제목·본문에 등장하는 키워드 빈도를 비교했는데, 머신러닝 프로젝트는 “데이터 전처리”, “모델 학습”, “하이퍼파라미터”, “실험”, “성능 평가”와 같은 연구·탐색적 용어가 지배적이었다. 반면 전통 프로젝트는 “버그 수정”, “UI 구현”, “API 연동”, “리팩터링” 등 구현 중심 용어가 우세했다.

다음으로 이슈 유형을 ‘탐색/연구’, ‘구현’, ‘테스트’, ‘운영’ 네 가지 카테고리로 재분류하였다. 머신러닝 프로젝트에서는 탐색/연구 비중이 평균 42%에 달했으며, 전통 프로젝트는 12% 수준에 머물렀다. 이는 머신러닝 작업이 데이터 탐색, 모델 실험, 결과 분석 등 불확실성이 높은 활동에 많이 의존한다는 점을 시사한다.

스프린트 별 백로그 변화를 살펴보면, 머신러닝 프로젝트는 각 스프린트 종료 시 남은 이슈 수가 평균 1.8배 증가했으며, 이는 작업량을 사전에 정확히 추정하기 어려운 구조적 특성을 반영한다. 반면 전통 프로젝트는 스프린트 종료 시 백로그 감소율이 68%에 머물렀다.

이러한 차이는 Agile 프로세스가 전통 소프트웨어에 최적화돼 있었던 반면, 머신러닝 특유의 탐색적 성격을 충분히 반영하지 못한다는 한계를 드러낸다. 따라서 논문은 (1) 이슈 라벨에 ‘실험’, ‘데이터 탐색’ 등 세분화된 태그 도입, (2) 스프린트 목표를 ‘가설 검증’ 단위로 설정, (3) 백로그 관리 시 ‘스프린트 후 재평가’ 절차 강화, (4) 모델 성능 지표를 정량적 목표로 명시하는 등 프로세스 개선 방안을 제시한다.

마지막으로 연구는 데이터가 특정 기업·도구에 국한돼 일반화에 제한이 있음을 인정하고, 향후 다양한 조직·산업군에서의 장기 추적 연구와 정량적 성과 모델링이 필요함을 강조한다.