Predicting software size from requirements written in natural language: A generative AI approach

Abstract

Proje yönetiminde, yazılım boyutunun ölçülmesi, bir projenin çeşitli yönlerini görselleştirmeyi amaçlayan kritik bir süreci temsil eder. Bu nicelendirme, projenin geliştirme aşamasında benimsenebilecek spesifik teknolojilerden veya teknik kararlardan bağımsız olarak gerçekleştirilir. Bu amaçla kullanılan çeşitli metodolojiler arasında, COSMIC Fonksiyonel Boyut Ölçümü (FSM) yöntemi ve Olay Noktaları, bu tür değerlendirmeleri kolaylaştırmak için kullanılır. Bu metodolojiler, yazılım boyutunu ölçmek için standart bir yaklaşım sunmakla birlikte, önemli miktarda manuel çaba gerektirir. Özellikle, her bir kullanım senaryosunun bireysel özelliklerine bağlı olarak detaylı hesaplamalar yapılmasını gerektirirler. Ayrıca, bu yöntemler, manuel olarak İlgi Nesneleri ve Olay İsimlerinin çıkarılmasını gerektirir, bu da sürecin emek yoğun doğasını artırır. Bu zorluklara yanıt olarak, bu tez, ölçüm sürecini dramatik bir şekilde dönüştüren bir dizi Yapay Zekâ (AI) tabanlı metodolojiyi uygulamaktadır. Bu yenilikçi yaklaşımlar, yazılım boyutlarını remarkable doğrulukla tahmin eden bir Dizi Regresyon Modeli, Olay İsimlerinin çıkarılmasını otomatikleştiren bir Özetleme Modeli ve İlgi Nesnelerini büyük bir doğrulukla üreten ince ayarlı bir Büyük Dil Modeli (LLM) yaratılmasını kapsar. Bu AI odaklı tekniklerin benimsenmesi, geleneksel olarak yazılım boyutunu ölçmede gerekli olan manuel çabayı önemli ölçüde azaltmış ve böylece tahmin uygulamalarının hem verimliliğini hem de güvenilirliğini büyük ölçüde artırmıştır. Bu AI tabanlı metodolojiler, proje yönetiminde önemli bir ilerlemeyi temsil eder, yazılım boyutunu ölçmek için daha düzenli ve verimli bir yaklaşım sunar. Manuel süreçlere olan bağımlılığı azaltarak, bu yöntemler ölçümlerin doğruluğunu ve güvenilirliğini artırmakla kalmaz, aynı zamanda daha çevik ve duyarlı bir proje yönetim ortamına da katkıda bulunur.

In project management, software size measurement represents a critical process aimed at visualizing a project. This quantification is pursued independently of the specific technologies or technical decisions adopted during the project's development phase. Among the various methodologies employed for this purpose, the COSMIC Functional Size Measurement (FSM) and Event Points are used to facilitate such assessments. These methodologies are instrumental in offering a standardized approach for measuring software size, yet they inherently demand a considerable amount of manual effort. Furthermore, these methods require the manual extraction of Objects of Interest and Event Names, adding to the labor-intensive nature of the process. In response to these challenges, this thesis implements a suite of Artificial Intelligence (AI)-based methods that have dramatically transformed the measurement process. These innovative approaches encompass the creation of a Regression Model that predicts software sizes with remarkable accuracy, a Summarization Model that automates the extraction of Event Names, and a finely tuned Large Language Model (LLM) that generates Objects of Interest with a significant precision. The adoption of these AI-driven techniques has proven to be highly successful, substantially minimizing the manual effort traditionally required in software size measurement and thereby greatly enhancing both efficiency and reliability of estimation practices. Together, these AI-based methodologies represent a significant advancement in software size measurements, offering a more streamlined and efficient approach. By reducing the reliance on manual processes, these methods not only enhance the accuracy and reliability of measurements but also contribute to a more agile project management environment.