Download Presentación

Una estimación muy temprana de
Tiempo y Esfuerzo requerido para
el Desarrollo de Software
mediante Redes Neuronales
Pedro Salvetto (Universidad ORT, Montevideo)
Milton Martínez Luaces (Universidad ORT Montevideo)
Juan C. Nogueira (Universidad ORT, Montevideo)
Carlos Luna (Universidad ORT, Montevideo)
Javier Segovia (Universidad Politécnica, Madrid)
Antecedentes

Nogueira, J.C. A Formal Estimation Model for
Software Projects. (CSITeA 02). Brasil, 2002.

Salvetto, P., Nogueira J.C. Size estimation for
Management Information Systems Based on Early
Metrics. Río de Janeiro, 2003.

Salvetto, P., Nogueira, J.C., Segovia, Javier. Modelos
Automatizables de Estimación muy Temprana del
Tiempo y Esfuerzo de Desarrollo de Software de
Gestión. (CLEI2004).
Objetivos del presente trabajo

Desarrollar modelos formales, automatizables para
estimación de tiempo y esfuerzo en Sistemas de
Información con Bases de Datos Relacionales y
Procesos Agiles.

Explorar la relación entre diferentes métricas
tempranas y el tiempo y esfuerzo, mediante
procedimientos estádisticos y utilizando Redes
Neuronales Artificiales.

Una vez definido el modelo, validarlo mediante
entrenamiento de Redes Neuronales y Validación
Métricas tempranas
Algoritmo de Entrenamiento
utilizado






Error propagado en las variables a partir del error
funcional.
Optimización de la función Sigmoidal (arctgh)
Coeficiente de entrenamiento
Momento
Condiciones de parada: error acumulado,
desviación estándar, peor caso.
Optimizaciones
Topologia de las ANN
• Redes Feed-Forward
• Interconexión total
• Tres capas.
• Una o dos neuronas en
capa de salida.
Entrenamiento de la ANN
Validación Cruzada
Estimación del Tiempo
Estimación del Esfuerzo
Conclusiones

Fue posible diseñar y entrenar ANNs con los datos de
entrada seleccionados que arrojaran niveles aceptables
de predicción para el tiempo y especialmente para el
esfuerzo requerido.

Las ANN resultan utiles para este tipo de estimaciones
por su carácter dinámico lo que hace el método
adaptable a diferentes proyectos o teams de desarrollo.

Al haberse trabajado con métricas muy tempranas en
4GL, los rersultados son independientes de la
tecnología utilizada.