A Study on the Proposal of Software Cost Estimation Model Based on Machine Learning = 머신러닝 기반의 소프트웨어 대가산정모델 제안에 관한 연구

다국어 초록 (Multilingual Abstract)

Since the fourth industrial revolution, artificial intelligence has been used in various fields. Accordingly, there is an increasing demand for calculating software costs in a systematic and standard manner through the application of artificial intelligence. Currently, software development is increasing in complexity due to universalization of service delivery methods using various devices such as mobile devices. In addition, the scale and complexity of software has grown in response to increasing demand for an environment in which work can be done anytime, anywhere. This has made it difficult for experts to guarantee the reliability of cost calculations, as differences arise in the results of cost estimates. In general, calculating software cost estimation, including software development and operation, is common in FP (Function Point) and M/M (Man/Month) methods for calculating input personnel based on workload. Among them, this paper discusses the FP method, which is relatively more reliable. Currently, it is recommended that public agencies' software cost estimates be calculated using the KOSA (Korea Software Industry Association) "Software Cost Estimation Guide" model. However, the subjective criteria used by cost estimators can lead to over- or underestimation. There are several cases in which there have been discrepancies between cost-assessment and the actual costs of a project due to the vague criteria used by cost-estimation experts.
First, this paper proposes cost estimation modeling based on artificial intelligence. Second, the K-Means clustering algorithm is applied to the "Software Cost Estimation Guide" model, which is the application standard for public institutions. Third, the attributes needed for the model are defined based on the analyzed modeling results and orthodoxy, which is the FP calculation method. Finally, the proposed modeling is evaluated by applying a linear regression algorithm. The evaluation result shows 80% accuracy, which indicates that the prediction model works well. If AI learning is carried out by continuously acquiring a large amount of data in the future, it is expected that it can be effectively and efficiently applied to calculating cost estimations at industrial sites. The proposed model for predicting software costs is expected to enable the calculation of more standardized and reliable cost estimations than the "Software Cost Estimating Guide" model.

국문 초록 (Abstract)

최근 4차 산업혁명 이후 인공지능은 다양한 분야에 활용되고 있다. 이에, 복잡한 소프트웨어의 적정한 대가를 산정하여 예산을 편성하는 업무에도 인공지능을 적용하여 체계적이고 표준적인 방식으로 소프트웨어 원가를 산정하는 시대적 요구가 증대되고 있다. 현재 소프트웨어 개발은 모바일 등 다양한 디바이스를 이용한 서비스 제공 방식의 보편화 등으로 인해 복잡도가 증가하고 있다. 또한, 언제 어디서나 업무를 처리할 수 있는 환경을 지향하는 사용자 요구에 따라 소프트웨어의 규모가 커지고, 소프트웨어의 복잡도가 증가하게 되어 전문가 조차 원가산정 결과에 차이가 발생하고 있게 현실이며, 점점 더 대가 산정의 신뢰성을 보장하기 어려워지고 있다.
일반적으로, 소프트웨어 개발과 운영을 포함한 소프트웨어 대가 산정 방법으로는 개발 규모를 FP (Function Point)로 환산해 점수로 산정하는 FP 방식과 업무량에 따른 투입 인력을 산정하는 M/M (Man/Month) 방식이 보편화 되어 있다. 그중 본 논문은 조금 더 신뢰성이 보장된 FP방식에 대해 논하였다.
현재 공공기관의 소프트웨어 대가 산정은 KOSA (Korea Software Industry Association)의 "Software Cost Estimation Guide" 모형을 활용하여 대가를 산정하도록 권고되고 있다. 하지만, 이 모형은 원가산정 전문가의 숙련도에 따라 소프트웨어 대가를 산정한 결과가 과대 또는 과소 산정 되고 있는 실정이다. 아울러, 현재의 원가산정 기준은 모호한 부분이 많아 실제 사업이 종료된 후에 정산된 투입 비용과 차이가 발생하는 경우가 많다.
본 논문은 첫번째, 인공지능을 기반으로 하는 원가산정 모델링을 제안하였다. 두번째, K-Means Clustering Algorithm을 적용하여 공공기관의 적용기준이 되는 "Software Cost Estimation Guide" 모형에 대해 인공지능을 적용하여 분석하였다. 세번째, 분석한 모델링 결과와 FP 산정 방식인 정통법을 토대로 모델에 필요한 속성을 정의하였다. 마지막으로, 제안한 모델링을 Linear Regression 알고리즘을 적용하여 검증하였다. 검증 결과는 80%이상의 accuracy를 보였고, 이는 인공지능을 적용한 예측 모델이 잘 작동하는 것을 보여준다. 향후, 지속적으로 많은 데이터를 확보하여 인공지능 학습을 진행한다면 산업 현장에서 효과적이고 효율적으로 대가 산정에 적용될 것으로 예상된다.
소프트웨어 원가 산정을 위해 제안된 인공지능 모델을 활용한다면 현재 적용되고 있는 "Software Cost Estimation Guide" 모형보다는 표준화되고 신뢰성 있는 대가 산정이 가능할 것으로 기대한다.

목차 (Table of Contents)

• Ⅰ. INTRODUCTION = 1
• Ⅱ. BACKGROUND = 2
• A. Software Cost Estimation = 2
• 1. Summary of Software Cost Estimation = 2
• 1) Purpose of Estimating Software Business Costs = 2
• 2) Background of Software Business Cost Estimation = 2
• 3) History of cost estimation guidelines of software business = 3
• 2. Software Business Cost Estimation Scope = 10
• 1) Identification of business type = 10
• 2) Price calculation point = 11
• 3) Cost Estimation Model Selection = 12
• 3. Software Business Cost Estimation Process = 13
• 1) Methods of Estimating Costs by Software Business Life cycle = 13
• 2) Estimation of the cost of software business planning stage = 14
• 3) Software business implementation phase = 21
• 4) Estimation of the cost of operating the software business = 22
• 4. Calculation of development cost of software implementation phase = 30
• 1) Development overview of software business implementation = 30
• 2) Software Development Cost = 32
• 3) Software Development Cost Estimation Process by FP = 36
• B. Machine Learning = 53
• 1. Definition of Machine Learning = 53
• 2. Types of Machine Learning Algorithms = 54
• 3. Supervised Learning = 55
• 1) Regression = 56
• 2) Linear Regression = 56
• 4. Unsupervised Learning = 58
• 1) Clustering = 59
• 2) K-Means = 60
• Ⅲ. LITERATURE REVIEW = 63
• A. Software Cost Estimation = 63
• B. Software Cost Estimation Model = 68
• C. Software Cost Estimation based on Machine Learning = 73
• Ⅳ. Software Cost Estimation Model based on Machine Learning = 75
• A. Software Cost Estimation Model = 75
• B. Data Analysis based on Machine Learning = 76
• C. Training Data = 80
• 1. Function = 81
• 2. Interface = 81
• 3. Table = 82
• 4. Column = 83
• 5. Calculation = 84
• 6. Function Area = 85
• 7. Level = 85
• 8. Weight = 85
• D. Train Model = 85
• E. Prediction = 86
• F. Training Data = 86
• G. Adjustment = 86
• H. FP Data by AI = 87
• I. Model Evaluation = 87
• 1. Evaluation dataset = 87
• 2. Evaluation result = 88
• Ⅴ. CONCLUSION = 89
• REFERENCES = 90
• APPENDIX = 97
• 국문 요지 = 107