Koneoppiminen ohjelmistokehityksen kustannusarvioinnissa
Lonka, Laura (2021)
Kandidaatintyö
2021
School of Engineering Science, Tuotantotalous
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2021100549419
https://urn.fi/URN:NBN:fi-fe2021100549419
Tiivistelmä
Työssä tutkittiin ohjelmistokehitysprojektien kustannusarviointia ja siinä hyödynnettäviä koneoppimismalleja käyttäen tutkimusmenetelmänä perinteistä kirjallisuuskatsausta. Tutkielmassa käytiin läpi olennaisimmat ohjelmistokehityksen kustannusarvioinnissa käytetyt koneoppimismallit sekä vertailtiin niitä toisiinsa ja muihin kustannusten arviointiin käytettyihin keinoihin.
Tavoitteena oli selvittää, mitä aiheesta tähän asti tehdyistä tutkimuksista voi päätellä koneoppimismallien soveltuvuudesta ohjelmistokehityksen kustannusarvioinnissa, ja mitkä menetelmät suoriutuvat parhaiten kyseisessä käyttötarkoituksessa. Lukijalle avattiin lisäksi ohjelmistokehityksen kustannusarviointiprosessia, miten koneoppiminen toimii sekä miten kustannusarviointimalleja voidaan soveltaa ja arvioida.
Kirjallisuudessa esitetyt koneoppimispohjaisten kustannusarviointimallien tutkimukset ovat tuottaneet lupaavia tuloksia erityisesti keinotekoisten neuroverkkojen ja tapauspohjaisen päättelyn kannalta. Tulosten luotettavuus on kuitenkin kyseenalainen ja menetelmät vaativat vielä enemmän testaamista käytännössä. Kirjallisuuden aukkojen paikkaamiseksi koneoppimismenetelmiä olisi hyvä testata tulevaisuudessa muun muassa todellisissa ohjelmistotuotantoprojekteissa, laajemmilla tietosarjoilla ja eri kokoisilla projekteilla.
Tavoitteena oli selvittää, mitä aiheesta tähän asti tehdyistä tutkimuksista voi päätellä koneoppimismallien soveltuvuudesta ohjelmistokehityksen kustannusarvioinnissa, ja mitkä menetelmät suoriutuvat parhaiten kyseisessä käyttötarkoituksessa. Lukijalle avattiin lisäksi ohjelmistokehityksen kustannusarviointiprosessia, miten koneoppiminen toimii sekä miten kustannusarviointimalleja voidaan soveltaa ja arvioida.
Kirjallisuudessa esitetyt koneoppimispohjaisten kustannusarviointimallien tutkimukset ovat tuottaneet lupaavia tuloksia erityisesti keinotekoisten neuroverkkojen ja tapauspohjaisen päättelyn kannalta. Tulosten luotettavuus on kuitenkin kyseenalainen ja menetelmät vaativat vielä enemmän testaamista käytännössä. Kirjallisuuden aukkojen paikkaamiseksi koneoppimismenetelmiä olisi hyvä testata tulevaisuudessa muun muassa todellisissa ohjelmistotuotantoprojekteissa, laajemmilla tietosarjoilla ja eri kokoisilla projekteilla.