Una estimación muy temprana de Tiempo y Esfuerzo requerido para el Desarrollo de Software mediante Redes Neuronales Pedro Salvetto (Universidad ORT, Montevideo)

Presentación del tema: "Una estimación muy temprana de Tiempo y Esfuerzo requerido para el Desarrollo de Software mediante Redes Neuronales Pedro Salvetto (Universidad ORT, Montevideo)"— Transcripción de la presentación:

1 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)

2 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).

3 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 Cruzada de datos.

4 Métricas tempranas

5 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

6 Topologia de las ANN Redes Feed-Forward Interconexión total Tres capas. Una o dos neuronas en capa de salida.

7 Entrenamiento de la ANN

8 Validación Cruzada

9 Estimación del Tiempo

10 Estimación del Esfuerzo

11 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.