DE112021007856T5

DE112021007856T5 - Vorrichtung für maschinelles Lernen, Vorrichtung zum Vorhersagen eines Schweregrades und Verfahren für maschinelles Lernen

Info

Publication number: DE112021007856T5
Application number: DE112021007856.9T
Authority: DE
Inventors: Ippei Nishimoto
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2021-06-21
Filing date: 2021-06-21
Publication date: 2024-04-25
Also published as: WO2022269656A1; US20240177065A1; JPWO2022269656A1

Abstract

Ein Ziel der vorliegenden Offenbarung ist es, eine Vorrichtung für maschinelles Lernen, eine Vorrichtung zum Vorhersagen eines Schweregrades und ein Verfahren für maschinelles Lernen bereitzustellen, die in der Lage sind, den Schweregrad auf der Grundlage einer Situation genau vorherzusagen. Die Vorrichtung für maschinelles Lernen gemäß der vorliegenden Offenbarung umfasst eine Lerneinheit, die dazu konfiguriert ist, einen Schweregrad der Problemlösung für ein Zielkomponentenelement auf der Grundlage eines Datensatzes lernt, der Bestimmungsdaten bezüglich eines Risikos des Zielkomponentenelements mit einem Problem, das bei einer Softwareentwicklung aufgetreten ist, und Zustandsvariablen bezüglich des Risikos verknüpft.

Description

Technisches Gebiet
Die vorliegende Offenbarung betrifft eine Vorrichtung für maschinelles Lernen und ein Verfahren für maschinelles Lernen zum Erlernen eines Schweregrades von Risiken bei einer Softwareentwicklung sowie eine mit der Vorrichtung für maschinelles Lernen versehene Vorrichtung zum Vorhersagen eines Schweregrades.
Stand der Technik
Bei einer Softwareentwicklung werden Fortschrittsbesprechungen durchgeführt, um den Fortschritt der Entwicklungsaufgaben zu erfassen. In der Fortschrittsbesprechung werden der technische Prozess, der Managementprozess und der Unterstützungsprozess bei der Softwareentwicklung überprüft, um zu erkennen, ob diese Prozesse wie für das Projekt geplant ausgeführt werden. Wenn bei der Fortschrittsbesprechung ein Problem festgestellt wird, muss der Projektstrukturplan (PSP) des Projekts zusammen mit den Gegenmaßnahmen für das Problem aktualisiert werden.
In den letzten Jahren ist bei Projekten die Anzahl der Arbeitspakete innerhalb des Projektstrukturplans gestiegen und die Komplexität zwischen den Arbeitspaketen hat zugenommen. Infolgedessen erfordert die Extraktion der von der Problemlösung betroffenen Arbeitspakete aus dem Projektstrukturplan und deren Aktualisierung bei Bedarf einen erheblichen Zeitaufwand.
Zu den Verfahren der Fortschrittsbesprechungen gehören beispielsweise Inspektion, Begehung, Team-Review, Round-Robin-Review, Pass-Around, Peer-Review und dergleichen. Die Projektbeteiligten Stakeholder wenden diese Verfahren zum Durchführen von Fortschrittsbesprechungen an.
Konventionell wurden Techniken bezüglich des Rückverfolgbarkeitsmanagements offenbart (siehe beispielsweise Patentdokument 1). Im Patentdokument 1 wird den Ergebnissen eine Management-ID zugeordnet. Die Management-ID wird von Rückverfolgungsinformationen begleitet. Die Rückverfolgungsinformationen werden in einem Rückverfolgbarkeits-ID-Aufzeichnungsendgerät registriert.
Konventionell wurden auch Techniken bezüglich des maschinellen Lernens unter Verwendung von Künstlicher Intelligenz (KI) offenbart (siehe beispielsweise Patentdokument 2). In Patentdokument 2 wird das Verfahren zum Lernen von Zustandsvariablen, Bestimmungsdaten und Anweisungsdaten durch überwachtes Lernen offenbart.
Dokumente des Stands der Technik
Patentdokumente

Patentdokument 1: offengelegte japanische Patentanmeldung Nr. 2018-5802 ;
Patentdokument 2: offengelegte japanische Patentanmeldung Nr. 2017-188030

Überblick über die Erfindung
Das durch die Erfindung zu lösende Problem
Automotive SPICE (eingetragene Marke, nachfolgend als solche bezeichnet) ist ein Standard für die Prozessverbesserung bei der Fahrzeugsystementwicklung. Automotive SPICE verlangt von den beteiligten Stakeholdern, einen Projektstrukturplan, eine Liste von Komponentenelementen, eine Liste von Änderungsanforderungen, eine Liste von Probleminformationen und eine Liste von Risikoinformationen zu erstellen. Ferner erfordert Automotive SPICE einen Betrieb, bei dem die beteiligten Stakeholder eine bidirektionale Rückverfolgbarkeit sicherstellen, indem sie eine Mehrzahl von verschiedenen Inhalten der Projektstrukturpläne, der Komponentenelementen, der Änderungsanforderungen, der Probleminformationen und der Risikoinformationen miteinander verknüpfen.
Ferner erfordert Automotive SPICE einen Betrieb, bei dem eine Überprüfung der betroffenen Projektstrukturpläne, Komponentenelementen, Änderungsanforderungen, Probleminformationen und Risikoinformationen durchgeführt wird, wenn während der Fortschrittsbesprechung des Projekts Probleme auftreten. Das Verfahren zum Überprüfen dieser Informationen durch Experten hängt jedoch stark von den Fähigkeiten der beteiligten Experten ab. Um die Überprüfung innerhalb eines begrenzten Zeitrahmens durchführen zu können, muss ein Schweregrad festgelegt werden, der durch Analyse eines Bedeutungsgrades, eines Folgengrades und eines Dringlichkeitsgrades von Risiken, die sich aus der Implementierung der Problemlösung ergeben, erfasst wird, was jedoch den Fähigkeiten der Experten überlassen bleibt. Zudem ist es eine Herausforderung, Änderungen im Projektstrukturplan, Komponentenelementen, Änderungsanforderungen, Probleminformationen und Risikoinformationen, die sich aus der Implementierung der Problemlösung ergeben, unter Verwendung der bidirektionalen Rückverfolgbarkeit innerhalb eines begrenzten Zeitrahmens zu überprüfen.
In den letzten Jahren sind mit der zunehmenden Komplexität und Ausgereiftheit der Softwareentwicklung auch die Faktoren, die zu Problemen führen, komplexer geworden. Infolgedessen wird es trotz der Verwendung von bidirektionaler Rückverfolgbarkeit und der Durchführung von Fortschrittsbesprechungen mit Experten immer schwieriger, eine Vorhersage über den Schweregrad von Risiken zu treffen.
Daher wird bei einem Verfahren, das auf die Fähigkeiten einiger Experten zum Vorhersagen eines Schweregrades angewiesen ist, die tatsächliche Situation nicht ausreichend berücksichtigt oder die Genauigkeit davon wird beeinträchtigt. Daher besteht ein Bedarf an einer Technik, die eine genaue Vorhersage eines Schweregrades auf der Grundlage einer Situation ermöglicht. Dieses Problem tritt auch bei der Entwicklung von Software auf, die von einer Softwareentwicklung mit Automotive SPICE verschieden ist.
Die vorliegende Offenbarung wurde getätigt, um solche Probleme zu lösen, und ein Ziel davon ist es, eine Vorrichtung für maschinelles Lernen, eine Vorrichtung zum Vorhersagen eines Schweregrades und ein Verfahren für maschinelles Lernen bereitzustellen, die in der Lage sind, den Schweregrad in Abhängigkeit von einer Situation genau vorherzusagen.
Mittel zum Lösen des Problems
Um das oben beschriebene Problem zu lösen, umfasst eine Vorrichtung für maschinelles Lernen gemäß der vorliegenden Offenbarung eine Lerneinheit, die dazu konfiguriert ist, einen Schweregrad einer Problemlösung für ein Zielkomponentenelement auf der Grundlage eines Datensatzes zu lernen, der Bestimmungsdaten bezüglich eines Risikos des Zielkomponentenelements mit einem Problem, das bei einer Softwareentwicklung aufgetreten ist, und Zustandsvariablen bezüglich des Risikos verknüpft.
Wirkungen der Erfindung
Gemäß der vorliegenden Offenbarung ist eine genaue Vorhersage des Schweregrades in Abhängigkeit von einer Situation gewährleistet.
Die Gegenstände, Merkmale, Aspekte und Vorteile der vorliegenden Offenbarung werden aus der folgenden detaillierten Beschreibung und den beiliegenden Zeichnungen deutlicher.
Kurze Beschreibung der Zeichnungen

1 ist ein Blockdiagramm, das ein Beispiel für eine Konfiguration eines Systems zum Vorhersagen eines Schweregrades gemäß der Ausführungsform 1 zeigt.
2 ist ein Flussdiagramm, das ein Beispiel für einen Betrieb der Vorrichtung für maschinelles Lernen gemäß der Ausführungsform 1 zeigt.
3 ist ein Graph zum Beschreiben eines Beispiels für ein Muster, bei dem das System zum Vorhersagen eines Schweregrades gemäß der Ausführungsform 1 den Schweregrad jedes Bestandelements anwendet.
4 ist ein Graph zum Beschreiben eines Beispiels für ein Muster, bei dem das System zum Vorhersagen eines Schweregrades gemäß der Ausführungsform 1 den Schweregrad jedes Bestandelements anwendet.
5 ist ein Graph zum Beschreiben eines Beispiels für ein Muster, bei dem das System zum Vorhersagen des Schweregrades gemäß der Ausführungsform 1 den Schweregrad jedes Bestandelements anwendet.
6 ist ein Diagramm, das ein Beispiel für eine Konfiguration eines neuronalen Netzes zeigt.
7 ist ein Blockdiagramm, das ein Beispiel für eine Konfiguration eines Systems zum Vorhersagen eines Schweregrades gemäß der Ausführungsform 2 zeigt.
8 ist eine Tabelle, die ein Beispiel für eine Datentabelle von Fortschrittsbesprechungsvereinbarungsinformationen zeigt.
9 ist ein Graph zum Beschreiben eines Beispiels für ein Berechnungsverfahren eines Schweregrades.
10 ist ein Diagramm, das ein Beispiel für eine Hardwarekonfiguration der Vorrichtung für maschinelles Lernen gemäß Ausführungsformen zeigt.
11 ist ein Diagramm, das ein Beispiel für eine Hardwarekonfiguration der Vorrichtung für maschinelles Lernen gemäß Ausführungsformen zeigt.

Beschreibung der Ausführungsformen
Ausführungsform 1
1 ist ein Blockdiagramm, das ein Beispiel für eine Konfiguration eines Systems zum Vorhersagen eines Schweregrades gemäß der Ausführungsform 1 zeigt, wobei nur die wesentlichen Komponenten gezeigt sind.
Wie in 1 gezeigt, umfasst das System zum Vorhersagen eines Schweregrades gemäß der Ausführungsform 1 ein Managementsystemkomponentenelementenregistrierungsendgerät (101), ein Engineeringsystemkomponentenelementenregistrierungsendgerät (201), ein Rückverfolgbarkeitsregistrierungsendgerät (301) und eine Vorrichtung für maschinelles Lernen (401). Es sei angemerkt, dass das Managementsystemkomponentenelementenregistrierungsendgerät 101, das Engineeringsystemkomponentenelementenregistrierungsendgerät 201 und das Rückverfolgbarkeitsregistrierungsendgerät 301 beliebig kombiniert und integral konfiguriert werden können.
Unter Verwendung der Vorrichtung 401 für maschinelles Lernen mit einer Funktion für maschinelles Lernen verknüpft das Schweregradvorhersagesystem Arbeitspaketinformation 105, die in einer Entwicklungsplaninformationseinheit 102 registriert ist, Risikoinformation 106, die in einer Risikomanagementinformationseinheit 103 registriert ist, und Problemmanagementinformation 107, die in einer Problemmanagementinformationseinheit 104 des Managementsystemkomponentenelementenregistrierungsendgerätes 101 registriert ist, mit Komponentenelementeninformation 206, die jeweils in einer Anforderungsinformationseinheit 202 registriert ist, einer Designinformationseinheit 203, einer Programminformationseinheit 204 und einer Testinformationseinheit 205 des Engineeringsystemkomponentenelementenregistrierungsendgerätes 201 durch Rückverfolgbarkeitsinformation 303 und Relevanzgradinformation 304, die in einer Rückverfolgbarkeitsinformationseinheit 302 des Rückverfolgbarkeitsregistrierungsendgerätes 301 registriert sind, den Schweregrad einer Problemlösung für ein Zielkomponentenelement lernt und ein Vorhersagemodell erfasst. Auf der Grundlage des Lernergebnisses durch die Vorrichtung 401 für maschinelles Lernen erzeugt das System zum Vorhersagen eines Schweregrades ferner Risikoanalyseinformation 404, die das Bestehen oder Nichtbestehen des registrierten Risikomanifestationsergebnisses oder den Schweregrad der Problemlösung angibt.
Die Risikoanalyseinformation 404 umfasst die Risikoinformation 106, die in der Risikomanagementinformationseinheit 103 des Managementsystemkomponentenelementenregistrierungsendgerätes 101 registriert ist, oder Informationen, die den Schweregrad der Problemlösung der Problemmanagementinformation 107 angeben, die in der Problemmanagementinformationseinheit 104 registriert ist. Es sei angemerkt, dass die Risikoanalyseinformation 404 Informationen umfassen kann, die die Risikoinformation 106 und den Schweregrad der Problemlösung der Problemmanagementinformation 107 angeben.
Die Risikoanalyseinformation 404 kann auch ein Verfahren umfassen, das angibt, dass sich das Risikomanifestationsergebnis in einem normalen Zustand befindet. Dabei gibt die Risikoanalyseinformation 404 die Möglichkeit der Risikomanifestation aufgrund der Implementierung der Problemlösung an, und beispielsweise kann entweder der Maximalwert oder der Minimalwert davon eingeschränkt werden. Die Risikoanalyseinformation 404 kann eine kontinuierliche Größe oder eine diskrete Größe sein.
Nachfolgend wird in einem Fall, in dem die Risikoinformation 106, die in der Risikomanagementinformationseinheit 103 des Managementsystemkomponentenelementenregistrierungsendgerätes 101 registriert ist, oder der Schweregrad der Problemlösung der Problemmanagementinformation 107, die in der Problemmanagementinformationseinheit 104 registriert ist, vorhergesagt. Es versteht sich jedoch von selbst, dass der Inhalt der vorliegenden Offenbarung in ähnlicher Weise auf jedes andere Managementsystemkomponentenelementenregistrierungsendgerät 101 angewendet werden kann.
Das Managementsystemkomponentenelementenregistrierungsendgerät 101 umfasst die Entwicklungsplaninformationseinheit 102. Die Arbeitspaketinformation 105 wird in der Entwicklungsplaninformationseinheit 102 registriert. Die Arbeitspaketinformation 105 umfasst PSP-Arbeitspakete, die einen technischen Prozessvorgang, einen Managementprozessvorgang und einen Unterstützungsprozessvorgang umfassen.
Das Engineeringsystemkomponentenelementenregistrierungsendgerät 201 umfasst die Anforderungsinformationseinheit 202, die Designinformationseinheit 203, die Programminformationseinheit 204 und die Testinformationseinheit 205. Die Komponentenelementeninformation 206 wird in jeder Informationseinheit registriert. Die Komponentenelementeninformation 206 umfasst Rückverfolgungskennungen (im Folgenden als „Rückverfolgungs-IDs“ bezeichnet), die jedem einer Mehrzahl von Komponentenelementen zugeordnet sind, und die mit den Rückverfolgungs-IDs verknüpften Verfolgungsinformationen.
Die Komponentenelementeninformation 206 umfasst Anforderungsspezifikationen, die von Kunden vorgelegt werden, Ergebnisse, die in jedem Softwareentwicklungsprozess erstellt werden, und dergleichen. Zu den Softwareentwicklungsprozessen gehören das Systemdesign, das Softwaredesign, das Softwaredetaildesign, die Programmerstellung, der Einheitstest, der Softwaretest, der Systemtest und dergleichen. Zu den Ergebnissen gehören Designspezifikationen, Quellcodes, Testspezifikationen, Testberichte und dergleichen. Beispielsweise wird die Komponentenelementeninformation 206, einschließlich der Anforderungsspezifikationen, in der Anforderungsinformationseinheit 202 registriert. In der Designinformationseinheit 203 wird die Komponentenelementeninformation 206, einschließlich der Designspezifikationen, die beim Systemdesign, beim Softwaredesign und beim Softwaredetaildesign erstellt wurden, registriert. In der Programminformationseinheit 204 wird die Komponentenelementeninformation 206, einschließlich der bei der Programmerstellung erstellten Quellcodes, registriert. In der Testinformationseinheit 205 wird die Komponentenelementeninformation 206 einschließlich der Testspezifikationen und der Testberichte registriert, die von jedem der Einheitstests, der Softwaretests und der Systemtests erstellt wurden.
Die Rückverfolgungs-IDs, die in der Komponentenelementeninformation 206 umfasst sind, umfassen Anforderungs-IDs, die den Anforderungsspezifikationen zugeordnet sind, Design-IDs, die den Designspezifikationen zugeordnet sind, Test-IDs, die den Testspezifikationen und den Testberichten zugeordnet sind, und dergleichen. Eine Rückverfolgungs-ID wird zugeordnet, um ein Komponentenelement zu identifizieren.
Das Rückverfolgbarkeitsregistrierungsendgerät 301 umfasst eine Rückverfolgbarkeitsinformationseinheit 302. In der Rückverfolgbarkeitsinformationseinheit 302 werden die Rückverfolgbarkeitsinformation 303 und die Relevanzgradinformation 304 registriert. Die Rückverfolgbarkeitsinformation 303 umfasst die Rückverfolgungsinformationen. Bei den Rückverfolgungsinformationen handelt es sich um Informationen zum Rückverfolgen mit anderen Komponentenelementen, die im Softwareentwicklungsprozess erstellt werden, und insbesondere um Informationen zum Rückverfolgen zwischen einem Komponentenelement, dem eine Rückverfolgungs-ID zugeordnet ist, und einem anderen Komponentenelement. Zu den anderen Komponentenelementen gehören vorzugsweise Komponentenelemente, die in einem vorgelagerten oder einem nachgelagerten Prozess erstellt wurden. Die anderen Komponentenelemente müssen jedoch nicht notwendigerweise die Komponentenelemente umfassen, die im vorgelagerten Prozess und im nachgelagerten Prozess erstellt wurden. Auch eine Rückverfolgungs-ID ohne zugeordnete Rückverfolgungsinformationen kann unter einer Mehrzahl von Rückverfolgungs-IDs umfasst sein. Die Relevanzgradinformation 304 umfasst die Anzahl der Rückverfolgungsänderungen und den Relevanzgrad der Rückverfolgung.
Die Vorrichtung 401 für maschinelles Lernen umfasst eine Risikoanalyseeinheit 402 und eine Lerneinheit 403. Die Risikoanalyseeinheit 402 extrahiert die Risikoinformation 106, einschließlich eines Dringlichkeitsgrades, und die Problemmanagementinformation 107 aus der Risikomanagementinformationseinheit 103 und der Problemmanagementinformationseinheit 104 der Managementsystemkomponentenelementenregistrierungsendgerät 101. Zusätzlich extrahiert die Risikoanalyseeinheit 402 die Arbeitspaketinformation 105 einschließlich Änderungsinformationen eines Dringlichkeitsgrades, eines Folgengrades und eines Bedeutungsgrades von der Entwicklungsplaninformationseinheit 102. Wenn die Risikoinformation 106 und die Problemmanagementinformation 107 unzureichend sind, können die relevanten Risikoelemente oder Problemmanagementelemente manuell registriert werden.
Auf der Grundlage der extrahierten Risikoinformation 106 und der Problemmanagementinformation 107 extrahiert die Risikoanalyseeinheit 402 auch die Komponentenelementinformation 206 einschließlich eines Folgengrades aus der Anforderungsinformationseinheit 202, der Designinformationseinheit 203, der Programminformationseinheit 204 und der Testinformationseinheit 205 des Engineeringsystemkomponentenelementenregistrierungsendgerätes 201.
Ferner extrahiert die Risikoanalyseeinheit 402 den Bedeutungsgrad, der aus den Rückverfolgungsinformationen jedes Komponentenelements abgeleitet wird, auf der Grundlage der Komponentenelementeninformation 206, die von dem Engineeringsystemkomponentenelementenregistrierungsendgerät 201 gehalten wird, und der Rückverfolgbarkeitsinformation 303 und der Relevanzgradinformation 304, die in der Rückverfolgbarkeitsinformationseinheit 302 des Rückverfolgbarkeitsregistrierungsendgerätes 301 registriert ist.
Auf diese Weise erfasst die Risikoanalyseeinheit 402 in der Vorrichtung 401 für maschinelles Lernen Bestimmungsdaten, die den Dringlichkeitsgrad, den Folgengrad und den Bedeutungsgrad angeben. Ferner erfasst die Risikoanalyseeinheit 402 Zustandsvariablen, bei denen es sich um Informationen über Änderungen der Werte des Dringlichkeitsgrades, des Folgengrades und des Bedeutungsgrades im Laufe der Zeit handelt. Es sei angemerkt, dass die Vorrichtung 401 für maschinelles Lernen einige der Zustandsvariablen einschließlich funktionaler Elemente erfassen kann, ohne alle davon zu erfassen, oder neue Zustandsvariablen erfassen kann. Die Bestimmungsdaten umfassen den kritischen Pfad des Zielkomponentenelements.
Die Lerneinheit 403 erfasst ein Vorhersagemodell durch Lernen des Schweregrades der Problemlösung gemäß einem Datensatz, der auf der Grundlage der Kombination des Dringlichkeitsgrades, des Folgengrades und des Bedeutungsgrades, die von der Risikoanalyseeinheit 402 eingegeben werden, und ihrer Zustandsvariablen erstellt wird.
Dabei ist der Datensatz ein Datensatz, in dem Zustandsvariablen und Bestimmungsdaten miteinander verknüpft sind. Beispielsweise, wenn eine Mehrzahl von Änderungen während der Fortschrittsbesprechung auftreten, sind die Änderungen des Dringlichkeitsgrades, des Folgengrades und des Bedeutungsgrades des Zielkomponentenelements und anderer Komponentenelemente, die mit dem Zielkomponentenelement verknüpft sind, enorm; daher ist es schwierig, innerhalb einer begrenzten Zeit mit den Fähigkeiten von Experten zu bestätigen, dass alle Komponentenelemente, die an den Änderungen beteiligt sind, den Dringlichkeitsgrad, den Folgengrad und den Bedeutungsgrad erreicht haben. In der Zwischenzeit verwendet das System zum Vorhersagen eines Schweregrades gemäß der Ausführungsform 1 beispielsweise maschinelles Lernen, um den Schweregrad von Funktionselementen im Zusammenhang mit Änderungen durch Rückverfolgbarkeit festzulegen. Infolgedessen kann der Schweregrad der Problemlösung quantifiziert werden, wodurch die Vorhersage des Schweregrades der Problemlösung genauer wird.
Das maschinelle Lernen wird verwendet, um zu lernen, den Schweregrad der Problemlösung bei der Softwareentwicklung vorherzusagen, und die Vorrichtung 401 für maschinelles Lernen, die das maschinelle Lernen durchführt, kann beispielsweise ein digitaler Computer sein, der mit dem Rückverfolgbarkeitsregistrierungsendgerät 301 über ein Netzwerk verbunden und von dem Engineeringsystemkomponentenelementenregistrierungsendgerät 201 getrennt ist.
Die Vorrichtung 401 für maschinelles Lernen kann in das Rückverfolgbarkeitsregistrierungsendgerät 301 eingebaut sein. In diesem Fall verwendet die Vorrichtung 401 für maschinelles Lernen den Prozessor des Rückverfolgbarkeitsregistrierungsendgerätes 301, um maschinelles Lernen durchzuführen. Die Vorrichtung 401 für maschinelles Lernen kann sich auf einem Cloud-Server befinden.
2 ist ein Flussdiagramm, das ein Beispiel für den Vorgang (Lernprozess) der Vorrichtung 401 für maschinelles Lernen zeigt. Wenn der maschinelle Lernprozess beginnt, führt die Vorrichtung 401 für maschinelles Lernen die Schritte S501 bis S503 durch. Es sei angemerkt, dass die Verarbeitungsreihenfolge der Schritte S501 und S502 umgekehrt sein kann.
Im Schritt S501 erfasst die Risikoanalyseeinheit 402 die Bestimmungsdaten aus dem PSP-Arbeitspaket, das dem Zielkomponentenelement bei der Fortschrittsbesprechung entspricht.
Im Schritt S502 erfasst die Risikoanalyseeinheit 402 Zustandsvariablen, wie beispielsweise einen Dringlichkeitsgrad, einen Folgengrad und einen Bedeutungsgrad in Bezug auf Änderungen in dem Zielkomponentenelement bei der Fortschrittsbesprechung.
Im Schritt S503 erfasst die Lerneinheit 403 ein Vorhersagemodell durch Lernen des Schweregrades der Problemlösung gemäß dem Datensatz, der auf der Grundlage der Kombination der im Schritt S501 erfassten Bestimmungsdaten und der im Schritt S502 erfassten Zustandsvariablen erstellt wurde.
Die Prozesse der Schritte S501 bis S503 werden wiederholt ausgeführt, bis beispielsweise die Vorrichtung 401 für maschinelles Lernen den Schweregrad der Problemlösung des Zielkomponentenelements ausreichend erlernt hat. In diesem Fall ist es wünschenswert, alle Muster durchzuführen, in denen der Dringlichkeitsgrad, der Folgengrad und der Schweregrad des Zielkomponentenelements mehrmals geändert werden.
D. h.: die Durchführung von vorbestimmten Operationsmustern, wie sie in den 3 bis 5 gezeigt sind, entsprechen Projektqualitätsindizes, und die Durchführung von maschinellem Lernen auf der Grundlage solcher Projektqualitätsindizes ermöglicht es, das Lernen mit Bedingungen für den Schweregrad der angeordneten Problemlösung zu fördern. Ferner ermöglicht dies auch den Ausschluss unbeabsichtigter Daten mit einer starken Tendenz zum Streuen als Wellenform der Projektqualitätsindizes, was den Schweregrad der Problemlösung auf eine charakteristische Bewegung beschränkt und die Datengröße reduziert.
6 ist ein Diagramm, das ein Beispiel für eine Konfiguration eines neuronalen Netzes zeigt.
Die Risikoanalyseeinheit 402 in der Vorrichtung 401 für maschinelles Lernen kann die Vorhersage des Schweregrades der Problemlösung beispielsweise gemäß dem neuronalen Netzwerkmodell erlernen.
Wie in 6 gezeigt, umfasst das neuronale Netzwerk eine Eingabeschicht mit 1 Neuronen x1, x2, x3, ..., xl, eine Zwischenschicht (versteckte Schicht) mit m Neuronen y1, y2, y3, ..., ym und eine Ausgabeschicht mit n Neuronen z1, z2, z3, ..., zn.
Obwohl in dem neuronalen Netzwerk nur eine Zwischenschicht gezeigt ist, können zwei oder mehr Zwischenschichten vorgesehen werden. Ferner kann die Vorrichtung 401 für maschinelles Lernen (neuronales Netz) einen Allzweckcomputer oder -prozessor verwenden, wobei die Anwendung eines großen Personal Computer (PC)-Clusters oder dergleichen eine schnellere Verarbeitung ermöglicht.
Das neuronale Netzwerk lernt den Schweregrad der Problemlösung in der Anforderungsinformationseinheit 202, der Designinformationseinheit 203, der Programminformationseinheit 204 und der Testinformationseinheit 205, die mit dem Schweregrad der Problemlösung verknüpft sind, auf der Grundlage des Dringlichkeitsgrades, des Folgengrades und des Bedeutungsgrades der Managementsystemkomponentenelementenregistrierungsendgerät 101.
Gemäß dem Dringlichkeitsgrad, dem Folgengrad und dem Bedeutungsgrad, die auf der Grundlage der Kombination von Bestimmungsdaten erzeugt werden, die von der Risikoanalyseeinheit 402 erfasst werden, lernt das neuronale Netzwerk durch sogenanntes „überwachtes Lernen“ die Beziehung mit dem Schweregrad der Problemlösung auf der Grundlage des Dringlichkeitsgrades, des Folgengrades und des Bedeutungsgrades, d. h. die Vorhersage des Schweregrades der Problemlösung der Anforderungsinformationseinheit 202, der Designinformationseinheit 203, der Programminformationseinheit 204 und der Testinformationseinheit 205. Dabei bedeutet „überwachtes Lernen“, dass eine große Menge von Sätzen einer Eingabe und eines Ergebnisses (Kennzeichnung) der Vorrichtung 401 für maschinelles Lernen zugeführt wird, damit die Vorrichtung Eigenschaften des Dringlichkeitsgrades, des Folgengrades und des Bedeutungsgrades davon lernt, sodass ein Modell für die Schätzung eines Ergebnisses aus einer Eingabe, d. h. der Beziehung davon, induktiv erfasst werden kann.
Das neuronale Netzwerk kann auch nur dann akkumulieren, wenn der Dringlichkeitsgrad, der Folgengrad und der Bedeutungsgrad der Anforderungsinformationseinheit 202, der Designinformationseinheit 203, der Programminformationseinheit 204 und der Testinformationseinheit 205 des Engineeringsystemkomponentenelementenregistrierungsendgerätes 201 normalerweise die Verifizierungskriterien erfüllen, und durch sogenanntes „unüberwachtes Lernen“ die Vorhersage des Schweregrades der Problemlösung in der Anforderungsinformationseinheit 202, der Designinformationseinheit 203, der Programminformationseinheit 204 und der Testinformationseinheit 205 lernen.
Beispielsweise, wenn der Schweregrad der Problemlösung in der Anforderungsinformationseinheit 202, der Designinformationseinheit 203, der Programminformationseinheit 204 und der Testinformationseinheit 205 des Engineeringsystemkomponentenregistrierungsendgerätes 201 extrem hoch ist, wird das Verfahren des „unüberwachten Lernens“ als effektiv angesehen. Dabei ist „unüberwachtes Lernen“ ein Verfahren des Lernens, wie die Eingabedaten verteilt sind, indem eine große Menge von nur Eingabedaten der Vorrichtung 401 für maschinelles Lernen zugeführt wird und eine Vorrichtung, die Kompression, Klassifizierung, Formung usw. durchführt, mit den Eingabedaten trainiert wird, ohne dass die entsprechenden Grundwahrheitsdaten geliefert werden.
Es ist möglich, die Merkmale aus diesen Validierungsergebnissen unter ähnlichen Merkmalen zu clustern oder dergleichen. Unter Verwendung dieses Ergebnisses kann eine Ausgabevorhersage erreicht werden, indem einige Kriterien festgelegt und Ausgaben zugeordnet werden, um diese zu optimieren. Ferner gibt es als Zwischenstufe zwischen „unüberwachtem Lernen“ und „überwachtem Lernen“ auch das so genannte „halbüberwachte Lernen“, bei dem es nur einige Paare von Eingabe- und Ausgabedaten gibt, während die anderen nur Eingabedaten sind.
Bei der Vorhersage des Schweregrades der Problemlösung, die später beschrieben wird, gibt die Ausgabeschicht als Reaktion auf den Dringlichkeitsgrad, den Folgengrad und den Bedeutungsgrad, die in die Eingabeschicht des neuronalen Netzes eingegeben werden, Informationen aus, die angeben, ob der Schweregrad der Problemlösung erreicht wurde oder nicht, oder den Schweregrad der Problemlösung. Es sei angemerkt, dass die möglichen Werte des „Schweregrades der Problemlösung“ ein beliebiger Wert mit einem begrenzten Maximalwert oder Minimalwert, eine kontinuierliche Größe oder eine diskrete Größe sein können.
Gemäß der Vorrichtung 401 für maschinelles Lernen und dem Verfahren für maschinelles Lernen gemäß Dringlichkeitsgrad, dem Folgengrad und dem Schweregrad, die oben beschrieben wurden, kann ein Vorhersagemodell durch das Lernen von genauen Fortschrittsmanagementergebnissen gemäß dem tatsächlichen Betriebszustand erfasst werden. D. h.: selbst wenn die Faktoren, die zum Erreichen des Dringlichkeitsgrades, des Folgengrades und des Bedeutungsgrades führen, kompliziert sind und es schwierig ist, den Schweregrad der Problemlösung im Voraus vorherzusagen, kann die Vorhersage des Schweregrades der Problemlösung mit hoher Genauigkeit durchgeführt werden.
Wenn die Risikoanalyseeinheit 402 Bestimmungsdaten, die den Dringlichkeitsgrad, den Folgengrad und den Bedeutungsgrad angeben, von der Managementsystemkomponentenelementenregistrierungsendgerät 101 erfasst, können die Bestimmungsdaten in Abhängigkeit von der Zeitdauer vom Auftreten des Dringlichkeitsgrades, des Folgengrades und des Bedeutungsgrades bis zum Erfassen der einzelnen Bestimmungsdaten jeweils gewichtet werden, um die Vorhersage des Schweregrades der Problemlösung zu aktualisieren. Es wird davon ausgegangen, dass je kürzer die Zeit von der Erfassung der Bestimmungsdaten bis zu dem Ergebnis ist, das den Dringlichkeitsgrad, den Folgengrad und den Bedeutungsgrad erfüllt, desto näher ist ein Zustand, in dem das Risiko oder das Problem abgeschlossen ist. Daher ist durch Gewichtung der Bestimmungsdaten nach der verstrichenen Zeit ab dem Auftreten des Dringlichkeitsgrades, des Folgengrades und des Bedeutungsgrades ein effektives Lernen der Vorhersage des Schweregrades der oben beschriebenen Problemlösung durchführbar.
Gemäß dem Dringlichkeitsgrad, dem Folgengrad und dem Bedeutungsgrad, die für eine Mehrzahl von Engineeringsystemkomponentenelementenregistrierungsendgerätes 201 erzeugt werden, kann die Risikoanalyseeinheit 402 die Vorhersage des Schweregrades der Problemlösung in der Anforderungsinformationseinheit 202, der Designinformationseinheit 203, der Programminformationseinheit 204 und der Testinformationseinheit 205 lernen. Auch die Risikoanalyseeinheit 402 kann den Dringlichkeitsgrad, den Folgengrad und den Bedeutungsgrad von der Mehrzahl von Engineeringsystemkomponentenelementenregistrierungsendgerätes 201, die an demselben Softwareentwicklungsstandort verwendet werden, erfassen, zusätzlich kann die Risikoanalyseeinheit 402 die Vorhersage des Schweregrades der Problemlösung unter Verwendung des Dringlichkeitsgrades, des Folgengrades und des Schweregrades lernen, die von der Mehrzahl von Engineeringsystemkomponentenelementenregistrierungsendgerätes 201 gesammelt werden, die unabhängig an verschiedenen Softwareentwicklungsstandorten arbeiten. Ferner kann das Engineeringsystemkomponentenelementenregistrierungsendgerät 201 zum Sammeln des Dringlichkeitsgrades, des Folgengrades und des Schweregrades während der Softwareentwicklung zu einem Ziel hinzugefügt oder umgekehrt während der Softwareentwicklung von einem Ziel entfernt werden. D. h.: die Lerneinheit 403 kann den Schweregrad anhand zusätzlicher Datensätze auf der Grundlage der Kombination der aktuellen Bestimmungsdaten und Zustandsvariablen erneut lernen.
Als Nächstes werden die folgenden drei Beispiele als Verfahren für die gemeinsame Nutzung der Verifizierungsergebnisse der Mehrzahl von Engineeringsystemkomponentenelementenregistrierungsendgerätes 201 angegeben, und es versteht sich von selbst, dass auch andere Verfahren als diese Verfahren angewendet werden können.
Als erstes Beispiel folgt ein Verfahren zum gemeinsamen Nutzen von neuronalen Netzwerkmodellen so, dass sie gleich werden. Beispielsweise wird für jeden Gewichtungsfaktor des neuronalen Netzes die Differenz zwischen den Engineeringsystemkomponentenelementenregistrierungsendgeräten 201 unter Verwendung von Kommunikationsmitteln übertragen und reflektiert. D. h.: die Lerneinheit 403 lernt den Schweregrad, indem sie die Bestimmungsdaten gewichtet und den normalen Zustand und den anormalen Zustand der Bestimmungsdaten vergleicht.
Als zweites Beispiel folgt ein Verfahren zum gemeinsamen Nutzen von Gewichten des maschinellen Lernens und dergleichen durch gemeinsame Nutzung der Validierungsergebnisse der Eingabe und Ausgabe des neuronalen Netzwerks.
Als drittes Beispiel folgt ein Verfahren zum Vorbereiten einer Datenbank, zum Zugriff auf die Datenbank und zum Laden eines geeigneteren neuronalen Netzwerkmodells, um den Zustand gemeinsam zu nutzen (ähnliches Modell).
Ausführungsform 2
7 ist ein Blockdiagramm, das ein Beispiel für eine Konfiguration eines Systems zum Vorhersagen eines Schweregrades gemäß der Ausführungsform 2 zeigt.
Wie in 7 gezeigt, umfasst das Schweregradvorhersagesystem gemäß der Ausführungsform 2 eine Fortschrittsbesprechungsanalysevorrichtung 601 und eine Risikoanalyseergebnisanzeigevorrichtung 801, wobei die Vorrichtung 401 für maschinelles Lernen eine Besprechungsergebnisausgabeeinheit 405 umfasst. Andere Konfigurationen und Grundvorgänge sind die gleichen wie die des Schweregradvorhersagesystems von 1; daher werden detaillierte Beschreibungen davon hier weggelassen. Die Vorrichtung 401 für maschinelles Lernen, die Fortschrittsbesprechungsanalysevorrichtung 601 und die Risikoanalyseergebnisanzeigevorrichtung 801 bilden eine Schweregradvorhersagevorrichtung.
Die Besprechungsergebnisausgabeeinheit 405 in der Vorrichtung 401 für maschinelles Lernen verwendet die von der Vorrichtung 401 für maschinelles Lernen gelernten Ergebnisse und gibt Risiken und Probleme aus, die aufgrund von Änderungen in den Aktivitäten der Fortschrittsbesprechung auftreten können.
Die Fortschrittsbesprechungsanalysevorrichtung 601 gibt die Risiken und Probleme der Fortschrittsbesprechung in Echtzeit an die Besprechungsergebnisausgabeeinheit 405 der Vorrichtung 401 für maschinelles Lernen weiter. Die Fortschrittsbesprechungsanalysevorrichtung 601 umfasst eine Stimmerfassungseinheit 602, die die bei einer Fortschrittsbesprechung 701 gesammelten Stimmen übertragen.
Die Risikoanalyseergebnisanzeigevorrichtung 801 gibt die von der Besprechungsergebnisausgabeeinheit 405 der Vorrichtung 401 für maschinelles Lernen erzeugte Fortschrittsbesprechungsvereinbarungsinformation 406 aus. Die Risikoanalyseergebnisanzeigevorrichtung 801 umfasst eine Risikoanalyseergebnisanzeigeeinheit 802, die die Fortschrittsbesprechungsvereinbarungsinformation 406 angibt.
Die Stimme der Fortschrittsbesprechung 701, die bei der Fortschrittsbesprechung 701 abgehalten wird, wird von der Stimmerfassungsvorrichtung 702 gesammelt und in die Stimmerfassungseinheit 602 der Fortschrittsbesprechungsanalysevorrichtung 601 eingegeben. Die Stimmerfassungseinheit 602 analysiert die Stimme in der Fortschrittsbesprechung 701, um Fortschrittsbesprechungsprotokollinformation 603 zu erstellen, und gibt die Fortschrittsbesprechungsprotokollinformation 603 an die Besprechungsergebnisausgabeeinheit 405 der Vorrichtung 401 für maschinelles Lernen aus.
Die Besprechungsergebnisausgabeeinheit 405 der Vorrichtung 401 für maschinelles Lernen erfasst den Dringlichkeitsgrad, den Folgengrad und den Bedeutungsgrad, die mit Risiken und Problemen für Zielkomponentenelemente und andere verwandte Komponentenelemente von der Risikoanalyseeinheit 402 verknüpft sind.
Auf der Grundlage des Dringlichkeitsgrades, des Folgengrades und des Bedeutungsgrades, die mit Risiken und Problemen verknüpft sind, und einem Vorhersagemodell, das den Schweregrad der Problemlösung aus der Fortschrittsbesprechungsprotokollinformation 603 gelernt hat, gibt die Besprechungsergebnisausgabeeinheit 405 der Vorrichtung 401 für maschinelles Lernen die Fortschrittsbesprechungsvereinbarungsinformation 406 an die Risikoanalyseergebnisanzeigevorrichtung 801 aus.
Die Fortschrittsbesprechung 701 erhält den Dringlichkeitsgrad, den Folgengrad und den Bedeutungsgrad in Bezug auf Risiken und Probleme durch das Vorhersagemodell, das den Schweregrad der Problemlösung von der RisikoanalyseErgebnisanzeigevorrichtung 801 in Echtzeit gelernt hat, wodurch der Schweregrad der Problemlösung für das Zielkomponentenelement bestätigt wird.
8 ist eine Tabelle, die ein Beispiel für eine Datentabelle der Fortschrittsbesprechungsvereinbarungsinformation 406 zeigt, die von der Besprechungsergebnisausgabeeinheit 504 erstellt wurde.
Die Fortschrittsbesprechungsvereinbarungsinformation 406 umfasst den Dringlichkeitsgrad, den Folgengrad und den Bedeutungsgrad, die mit Risiken und Problemen für das Zielkomponentenelement und andere verwandte Komponentenelemente in der Fortschrittsbesprechung 701 verknüpft sind.
Der folgende Ausdruck (1) und 9 sind ein Beispiel für ein Verfahren zum Berechnen des Schweregrades einer Problemlösung.
Ausdruck 1: $| \vec{a} | (Schweregrad der Probleml \ddot{o} sung) = \sqrt{a_{x}^{2} + a_{y}^{2} + a_{z}^{2}}$
Als Verfahren zum Berechnen des Schweregrades der Problemlösung gibt es ein Verfahren zum Durchführen von Vektoroperationen auf dem individuellen Dringlichkeitsgrad, dem individuellen Folgengrad und dem individuellen Bedeutungsgrad. Ein Schwellenwert für den Schweregrad der Problemlösung für einen vernünftigen, verträglichen kritischen Pfad für die Fortschrittsbesprechungen wird aus der Anzahl der Risikomanifestationen, die in unteren Prozessen auftreten, und der Anzahl der auftretenden Probleme abgeleitet.
Hardwarekonfiguration
Jede Funktion der Risikoanalyseeinheit 402 und der Lerneinheit 403 in der bei der Ausführungsform 1 beschriebenen Vorrichtung 401 für maschinelles Lernen wird durch eine Verarbeitungsschaltung implementiert. D. h.: die Vorrichtung 401 für maschinelles Lernen umfasst eine Verarbeitungsschaltung, die Bestimmungsdaten erfasst, die den Dringlichkeitsgrad, den Folgengrad und den Bedeutungsgrad angeben, die Zustandsvariablen erfasst, die die Änderungsinformationen in den Werten des Dringlichkeitsgrades, des Folgengrades und des Bedeutungsgrades über die Zeit sind, und die ein Vorhersagemodell durch Lernen des Schweregrades der Problemlösung gemäß einem Datensatz erfasst, der auf der Grundlage der Kombination des Dringlichkeitsgrades, des Folgengrades und des Bedeutungsgrades und ihrer Zustandsvariablen erstellt wird. Bei der Verarbeitungsschaltung kann es sich um dedizierte Hardware oder um einen Prozessor (eine Zentraleinheit (CPU), eine Verarbeitungseinheit, eine Recheneinheit, einen Mikroprozessor, einen Mikrocomputer, einen digitalen Signalprozessor (DSP)) handeln, der ein in einem Speicher gespeichertes Programm oder dergleichen implementiert.
Wie in 10 gezeigt, entspricht die Verarbeitungsschaltung 901, wenn die Verarbeitungsschaltung die dedizierte Hardware ist, einer einzelnen Schaltung, einer zusammengesetzten Schaltung, einem programmierten Prozessor, einem parallel programmierten Prozessor, einer anwendungsspezifischen integrierten Schaltung (ASIC) oder einem Field-Programmable Gate Array (FPGA) oder einer Kombination davon. Jede Funktion der Risikoanalyseeinheit 402 und der Lerneinheit 403 kann jeweils durch die Verarbeitungsschaltung 901 implementiert werden oder kann gemeinsam durch eine Verarbeitungsschaltung 901 implementiert werden.
Wenn die Verarbeitungsschaltung 901 ein in 11 gezeigter Prozessor 902 ist, wird jede Funktion der Risikoanalyseeinheit 402 und der Lerneinheit 403 durch Software, Firmware oder eine Kombination aus Software und Firmware implementiert. Die Software oder die Firmware werden als Programm beschrieben und in einem Speicher 903 gespeichert. Der Prozessor 902 führt jede Funktion aus, indem er das im Speicher 903 gespeicherte Programm liest und ausführt. D. h.: die Vorrichtung 401 für maschinelles Lernen umfasst den Speicher 903 zum Speichern des Programms, das schließlich einen Schritt des Erfassens von Bestimmungsdaten ausführt, die den Dringlichkeitsgrad, den Folgengrad und den Bedeutungsgrad angeben, das die Zustandsvariablen erfasst, die die Änderungsinformationen in den Werten des Dringlichkeitsgrades, des Folgengrades und des Bedeutungsgrades im Laufe der Zeit sind, und das einen Schritt der Erfassung eines Vorhersagemodells durch Lernen des Schweregrades der Problemlösung gemäß einem Datensatz ausführt, der auf der Grundlage der Kombination des Dringlichkeitsgrades, des Folgengrades und des Bedeutungsgrades und ihrer Zustandsvariablen erstellt wurde. Es versteht sich auch, dass diese Programme den Computer veranlassen, die Betriebe oder Verfahren der Risikoanalyseeinheit 402 und der Lerneinheit 403 auszuführen. Dabei kann der Speicher beispielsweise ein nichtflüchtiger oder flüchtiger Halbleiterspeicher sein, wie ein Direktzugriffsspeicher (RAM), ein Nur-Lese-Speicher (ROM), ein Flash-Speicher, ein löschbarer programmierbarer Nur-Lese-Speicher (EPROM), ein elektrisch löschbarer programmierbarer Nur-Lese-Speicher (EEPROM) oder dergleichen, eine Magnetplatte, eine flexible Platte, eine optische Platte, eine Compact Disk, eine Digital Versatile Disc (DVD) oder ein beliebiges Speichermedium, das in Zukunft verwendet wird.
Wie für jede Funktion der Risikoanalyseeinheit 402 und der Lerneinheit 403 können einige Funktionen durch spezielle Hardware implementiert werden, und andere Funktionen können durch Software oder Firmware implementiert werden.
Wie oben beschrieben, kann die Verarbeitungsschaltung die oben beschriebenen Funktionen durch Hardware, Software, Firmware oder dergleichen oder eine Kombination davon implementieren.
Obwohl die Hardwarekonfiguration der in 1 gezeigten Vorrichtung 401 für maschinelles Lernen oben beschrieben wurde, gilt dasselbe für die Hardwarekonfiguration der in 7 gezeigten Vorrichtung 401 für maschinelles Lernen.
Es sei angemerkt, dass Ausführungsformen der vorliegenden Offenbarung beliebig kombiniert und in geeigneter Weise modifiziert oder weggelassen werden können, ohne dass der Umfang der Erfindung verlassen wird.
Obwohl die vorliegende Offenbarung im Detail beschrieben wurde, ist die vorangehende Beschreibung in jeder Hinsicht darstellend und nicht einschränkend. Es versteht sich daher, dass zahlreiche nicht beschriebene Modifikationen und Variationen entwickelt werden können.
Bezugszeichenliste

101: Managementsystemkomponentenelementenregistrierungsendgerät,
102: Entwicklungsplaninformationseinheit,
103: Risikomanagementinformationseinheit,
104: Problemmanagementinformationseinheit,
105: Arbeitspaketinformation,
106: Risikoinformation,
107: Problemmanagementinformation,
201: Engineeringsystemkomponentenelementenregistrierungsendgerät,
202: Anforderungsinformationseinheit,
203: Designinformationseinheit,
204: Programminformationseinheit,
205: Testinformationseinheit,
206: Komponentenelementeninformation,
301: Rückverfolgbarkeitsregistrierungsendgerät,
302: Rückverfolgbarkeitsinformationseinheit,
303: Rückverfolgbarkeitsinformation,
304: Relevanzgradinformation,
401: Vorrichtung für maschinelles Lernen,
402: Risikoanalyseeinheit,
403: Lerneinheit,
404: Risikoanalyseinformation,
405: Besprechungsergebnisausgabeeinheit,
406: Fortschrittsbesprechungsvereinbarungsinformation,
601: Fortschrittsbesprechungsanalysevorrichtung,
602: Stimmerfassungseinheit,
603: Fortschrittsbesprechungsprotokollinformation,
701: Fortschrittsbesprechung,
702: Stimmerfassungsvorrichtung,
801: Risikoanalyseergebnisanzeigevorrichtung,
802: Risikoanalyseergebnisanzeigeeinheit,
901: Verarbeitungsschaltung,
902: Prozessor,
903: Speicher

ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

JP 2018005802 [0006]
JP 2017188030 [0006]

Claims

Vorrichtung für maschinelles Lernen, umfassend: eine Lerneinheit, die dazu konfiguriert ist, einen Schweregrad einer Problemlösung für ein Zielkomponentenelement auf der Grundlage eines Datensatzes zu lernen, der Bestimmungsdaten bezüglich eines Risikos des Zielkomponentenelements mit einem Problem, das bei einer Softwareentwicklung aufgetreten ist, und einer Zustandsvariablen bezüglich des Risikos verknüpft.
Vorrichtung für maschinelles Lernen nach Anspruch 1, wobei die Bestimmungsdaten einen kritischen Pfad des Zielkomponentenelements umfassen.
Vorrichtung für maschinelles Lernen nach Anspruch 1 oder 2, wobei die Bestimmungsdaten Rückverfolgungsinformationen umfassen, die eine Beziehung zwischen dem Zielkomponentenelement und anderen Komponentenelementen sowie einen Dringlichkeitsgrad, einen Folgengrad und einen Bedeutungsgrad zwischen den Komponentenelementen angeben.
Vorrichtung für maschinelles Lernen nach einem der Ansprüche 1 bis 3, wobei die Bestimmungsdaten Risikoinformationen der Komponentenelemente und Problemmanagementinformationen umfassen.
Vorrichtung für maschinelles Lernen nach einem der Ansprüche 1 bis 4, wobei die Lerneinheit dazu konfiguriert ist, den Schweregrad zu lernen, indem sie die Bestimmungsdaten gewichtet und einen normalen Zustand und einen anormalen Zustand der Bestimmungsdaten vergleicht.
Vorrichtung für maschinelles Lernen nach einem der Ansprüche 1 bis 5, wobei die Lerneinheit dazu konfiguriert ist, die Bestimmungsdaten über ein Netzwerk zu erfassen.
Vorrichtung zum Vorhersagen eines Schweregrades, umfassend: die Vorrichtung für maschinelles Lernen nach einem der Ansprüche 1 bis 6; und eine Risikoanalyseergebnisanzeigevorrichtung, die dazu konfiguriert ist, den Schweregrad für die aktuelle Zustandsvariable auf der Grundlage eines Lernergebnisses der Vorrichtung für maschinelles Lernen auszugeben.
Vorrichtung zum Vorhersagen eines Schweregrades nach Anspruch 7, wobei die Lerneinheit dazu konfiguriert ist, den Schweregrad gemäß einem zusätzlichen Datensatz auf der Grundlage einer Kombination der aktuellen Bestimmungsdaten und der aktuellen Zustandsvariablen erneut zu lernen.
Vorrichtung zum Vorhersagen eines Schweregrades nach Anspruch 7 oder 8, wobei die Vorrichtung für maschinelles Lernen sich auf einem Cloud-Server befindet.
Vorrichtung zum Vorhersagen eines Schweregrades nach Anspruch 7 oder 8, wobei die Vorrichtung für maschinelles Lernen in ein Rückverfolgbarkeitsregistrierungsendgerät eingebaut ist.
Vorrichtung zum Vorhersagen eines Schweregrades nach einem der Ansprüche 7 bis 10, wobei der von der Risikoanalyseergebnisanzeigevorrichtung ausgegebene Schweregrad in einer Mehrzahl von Fortschrittsbesprechungen, die zum Erfassen des Fortschritts der Softwareentwicklung abgehalten werden, geteilt ist.
Vorrichtung zum Vorhersagen eines Schweregrades nach Anspruch 11, die ferner eine Fortschrittsbesprechungsanalysevorrichtung umfasst, die dazu konfiguriert ist, die Stimme von Teilnehmern in jeder Fortschrittsbesprechung zu erfassen und die Stimme an die Vorrichtung für maschinelles Lernen auszugeben.
Verfahren für maschinelles Lernen, umfassend: Lernen eines Schweregrades der Problemlösung für ein Zielkomponentenelement auf der Grundlage eines Datensatzes, der Bestimmungsdaten bezüglich eines Risikos des Zielkomponentenelements mit einem Problem, das bei einer Softwareentwicklung aufgetreten ist, und Zustandsvariablen bezüglich des Risikos verknüpft.