WO2022269656A1 - 機械学習装置、深刻度予知装置、および機械学習方法 - Google Patents

機械学習装置、深刻度予知装置、および機械学習方法 Download PDF

Info

Publication number
WO2022269656A1
WO2022269656A1 PCT/JP2021/023298 JP2021023298W WO2022269656A1 WO 2022269656 A1 WO2022269656 A1 WO 2022269656A1 JP 2021023298 W JP2021023298 W JP 2021023298W WO 2022269656 A1 WO2022269656 A1 WO 2022269656A1
Authority
WO
WIPO (PCT)
Prior art keywords
severity
machine learning
information
risk
learning device
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/JP2021/023298
Other languages
English (en)
French (fr)
Inventor
一平 西本
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Priority to DE112021007856.9T priority Critical patent/DE112021007856T5/de
Priority to JP2023529190A priority patent/JP7499965B2/ja
Priority to PCT/JP2021/023298 priority patent/WO2022269656A1/ja
Priority to US18/551,201 priority patent/US20240177065A1/en
Publication of WO2022269656A1 publication Critical patent/WO2022269656A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/20—Software design
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/70—Software maintenance or management
    • G06F8/77—Software metrics
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing

Definitions

  • the present disclosure relates to a machine learning device and a machine learning method for learning the severity of risks in software development, and a severity prediction device provided with the machine learning device.
  • Methods of progress meetings include, for example, inspections, walkthroughs, team reviews, round-robin reviews, pass-arounds, and peer reviews. Project stakeholders (stakeholders) adopt these methods to conduct progress meetings.
  • Patent Document 1 Conventionally, techniques related to traceability management have been disclosed (see Patent Document 1, for example).
  • a management ID is assigned to a product.
  • the management ID is accompanied by trace information. Trace information is registered in the traceability ID recording terminal.
  • Patent Literature 2 discloses a method of learning state variables, judgment data, and teaching data by supervised learning.
  • Automotive SPICE (registered trademark, hereinafter the same) is a standard for process improvement for vehicle system development. Automotive SPICE requires stakeholders to prepare a WBS for the project, a list of components, a list of change requests, a list of problem information, and a list of risk information. Automotive SPICE also requires stakeholders to link multiple WBS, configuration items, change requests, problem information, and risk information to ensure bidirectional traceability.
  • Automotive SPICE requires activities to review the affected WBS, configuration items, change requests, problem information, and risk information in the event that a project progress meeting causes a problem.
  • the method of reviewing such information by an expert has many elements that depend on the skill of the expert.
  • it is necessary to set the severity level by analyzing the severity, impact, and urgency of the risks generated by solving the problem, but this depends on the skills of the experts. doing.
  • the present disclosure is made to solve such problems, and aims to provide a machine learning device, a severity prediction device, and a machine learning method capable of accurately predicting severity according to the situation. aim.
  • a machine learning device provides a target configuration based on a data set that associates risk-related decision data and risk-related state variables of a target configuration item of a problem that occurred in software development.
  • a learning unit that learns the severity of problem solving for an item is provided.
  • FIG. 1 is a block diagram showing an example of the configuration of a severity prediction system according to Embodiment 1;
  • FIG. 4 is a flow chart showing an example of the operation of the machine learning device according to Embodiment 1;
  • FIG. 4 is a diagram for explaining an example of a pattern in which the severity prediction system according to Embodiment 1 applies the severity of each component;
  • FIG. 4 is a diagram for explaining an example of a pattern in which the severity prediction system according to Embodiment 1 applies the severity of each component;
  • FIG. 4 is a diagram for explaining an example of a pattern in which the severity prediction system according to Embodiment 1 applies the severity of each component; It is a figure which shows an example of a structure of a neural network.
  • FIG. 4 shows an example of a structure of a neural network.
  • FIG. 11 is a block diagram showing an example of the configuration of a severity prediction system according to Embodiment 2; FIG. It is a figure which shows an example of the data table of progress meeting agreement information. It is a figure for demonstrating an example of the calculation method of severity. It is a figure which shows an example of the hardware constitutions of the machine-learning apparatus by embodiment. It is a figure which shows an example of the hardware constitutions of the machine-learning apparatus by embodiment.
  • FIG. 1 is a block diagram showing an example of the configuration of the severity level prediction system according to Embodiment 1, showing only the essential parts.
  • the severity prediction system comprises a management component registration terminal 101, an engineering component registration terminal 201, a traceability registration terminal 301, and a machine learning device 401.
  • the management system component registration terminal 101, the technical system component registration terminal 201, and the traceability registration terminal 301 may be combined arbitrarily and integrally configured.
  • the severity prediction system uses a machine learning device 401 having a machine learning function to determine the work package information 105 registered in the development plan information section 102 of the management system configuration item registration terminal 101 and the work package information 105 registered in the risk management information section 103. and the problem management information 107 registered in the problem management information section 104, the requirement information section 202, the design information section 203, the program information section 204, and the test information section of the engineering component registration terminal 201 205 is associated with the configuration item information 206 registered in each of the traceability registration terminals 301 by the traceability information 303 and the relevance information 304 registered in the traceability information section 302 of the traceability registration terminal 301. Acquire a predictive model by learning. Further, the severity prediction system creates risk analysis information 404 that indicates whether the registered risk manifestation results are acceptable or not, or the severity of problem solving, based on the results of learning by the machine learning device 401 .
  • the risk analysis information 404 indicates the severity of problem solving of the risk information 106 registered in the risk management information section 103 of the management system configuration item registration terminal 101 or the problem management information 107 registered in the problem management information section 104. Contains information that indicates Note that the risk analysis information 404 may include information indicating the severity of problem solving of the risk information 106 and the problem management information 107 .
  • the risk analysis information 404 may include a construction method that indicates that the risk manifestation result is in a normal state.
  • the risk analysis information 404 indicates the possibility of risk manifestation due to implementation of problem solving, and for example, either the maximum value or the minimum value may be limited.
  • Risk analysis information 404 may be a continuous quantity or a discrete quantity.
  • the management system configuration item registration terminal 101 has a development plan information unit 102 .
  • Work package information 105 is registered in the development plan information section 102 .
  • the work package information 105 includes WBS work packages including technical process activities, management process activities, and support process activities.
  • the engineering component registration terminal 201 includes a requirement information section 202, a design information section 203, a program information section 204, and a test information section 205.
  • Configuration item information 206 is registered in each information section.
  • the configuration item information 206 includes trace identifiers (hereinafter referred to as “trace IDs”) assigned to each of a plurality of configuration items, and trace information associated with the trace IDs.
  • the configuration item information 206 includes the requirements specifications presented by the customer, the deliverables created in each process of software development, and the like.
  • the process of software development includes system design, software design, software detailed design, program production, unit test, software test, system test, and the like.
  • Deliverables include design documents, source codes, test specifications, test reports, and the like.
  • configuration item information 206 including requirement specifications is registered in the requirement information section 202 .
  • the design information section 203 registers configuration item information 206 including design documents created in each of system design, software design, and software detailed design.
  • component item information 206 including source codes created in program production is registered.
  • the test information section 205 registers configuration item information 206 including test specifications and test reports prepared for each of the unit test, software test, and system test.
  • the trace IDs included in the configuration item information 206 include request IDs assigned to requirement specifications, design IDs assigned to design documents, test IDs assigned to test specifications and test reports, and the like. A trace ID is given to identify a configuration item.
  • the traceability registration terminal 301 has a traceability information section 302 .
  • Traceability information 303 and relevance information 304 are registered in the traceability information section 302 .
  • Traceability information 303 includes trace information.
  • Trace information is information for tracing between other configuration items created in the software development process. It is information for performing Other configuration items desirably include configuration items made in at least one of an upstream process and a downstream process. However, other configuration items need not include configuration items created by upstream and downstream processes. Further, among the plurality of trace IDs, a trace ID with no accompanying trace information may be included.
  • the relevance information 304 includes the number of trace changes and the relevance of the trace.
  • the machine learning device 401 includes a risk analysis unit 402 and a learning unit 403.
  • the risk analysis unit 402 extracts the risk information 106 including the degree of urgency and the problem management information 107 from the risk management information unit 103 and the problem management information unit 104 of the management component registration terminal 101 . Also, the risk analysis unit 402 extracts the work package information 105 including change information of urgency, impact, and importance from the development plan information unit 102 . If the risk information 106 and the problem management information 107 are insufficient, the relevant risk items or problem management items may be manually registered.
  • the risk analysis unit 402 analyzes the requirements information unit 202, the design information unit 203, the program information unit 204, and the test information unit 205 of the engineering component registration terminal 201 based on the extracted risk information 106 and problem management information 107. , the configuration item information 206 including the degree of impact is extracted.
  • the risk analysis unit 402 analyzes the configuration item information 206 held by the engineering configuration item registration terminal 201, the traceability information 303 registered in the traceability information unit 302 of the traceability registration terminal 301, and the degree of relevance information 304. Based on this, the importance derived from the trace information of each configuration item is extracted.
  • the risk analysis unit 402 acquires determination data indicating urgency, impact, and severity.
  • the risk analysis unit 402 acquires state variables, which are information on changes in values of urgency, impact, and severity over time. Note that the machine learning device 401 may acquire some of the state variables without acquiring all of the functional elements, or may acquire new state variables.
  • the judgment data includes the critical path of the target configuration item.
  • the learning unit 403 learns the severity of problem solving according to a data set created based on the combination of the urgency, impact, and severity input from the risk analysis unit 402 and their state variables, and prepares a prediction model. to get
  • a data set is data in which state variables and judgment data are associated with each other.
  • the urgency, impact, and severity of the target configuration item and other configuration items related to the target configuration item are enormous. It is difficult to confirm within a limited time that all configuration items involved in a change have achieved their urgency, impact, and severity.
  • the severity prediction system according to the first embodiment uses machine learning, for example, to set the degree of severity of functional elements related to changes by using traceability. This makes it possible to quantify the seriousness of problem solving and to predict the seriousness of problem solving more accurately.
  • Machine learning is used to learn the prediction of the severity of problem solving in software development.
  • a digital computer separate from the technical component registration terminal 201 may be used.
  • the machine learning device 401 may be built into the traceability registration terminal 301. In this case, the machine learning device 401 uses the processor of the traceability registration terminal 301 to perform machine learning. Machine learning device 401 may reside on a cloud server.
  • FIG. 2 is a flowchart showing an example of the operation (learning process) of the machine learning device 401.
  • FIG. When the machine learning process starts, the machine learning device 401 executes steps S501 to S503. Note that the processing order of steps S501 and S502 may be reversed.
  • step S501 the risk analysis unit 402 acquires determination data from the WBS work package corresponding to the target configuration item in the progress meeting.
  • step S502 the risk analysis unit 402 acquires, for example, state variables such as urgency, impact, and severity regarding changes in the target configuration item at the progress meeting.
  • step S503 the learning unit 403 learns the severity of problem solving according to the data set created based on the combination of the determination data acquired in step S501 and the state variables acquired in step S502, and creates a prediction model. Earn.
  • steps S501 to S503 is repeatedly executed until, for example, the machine learning device 401 sufficiently learns the severity of problem solving for the target configuration item. In this case, it is desirable to execute all patterns in which the urgency, impact, and severity of the target configuration item are changed multiple times.
  • FIG. 6 is a diagram showing an example of the configuration of a neural network.
  • the risk analysis unit 402 in the machine learning device 401 may, for example, learn to predict the severity of problem solving according to a neural network model.
  • the neural network consists of an input layer containing l neurons x1, x2, x3, . It contains a layer (hidden layer) and an output layer containing n neurons z1, z2, z3, . . . , zn.
  • the machine learning device 401 may use a general-purpose computer or processor, but applying a large-scale PC (Personal Computer) cluster or the like enables faster processing.
  • PC Personal Computer
  • the neural network includes a requirement information section 202, a design information section 203, a program information section 204, and test information, which are associated with the severity of problem solving based on the urgency, impact, and severity of the administrative component registration terminal 101. Learn the severity of problem solving in part 205 .
  • the neural network determines the degree of urgency, degree of impact, and degree of severity by so-called "supervised learning” according to the degree of urgency, degree of impact, and degree of severity created based on the combination of judgment data acquired by the risk analysis unit 402. , that is, prediction of the severity of problem solving in the requirement information section 202, the design information section 203, the program information section 204, and the test information section 205 is learned.
  • "supervised learning” means that by giving a large number of pairs of certain inputs and results (labels) to the machine learning device 401, the characteristics of their urgency, impact, and severity are learned. , is a model that estimates the result from the input, that is, the relationship can be acquired inductively.
  • the neural network determines whether the urgency, impact, and severity of the requirement information section 202, the design information section 203, the program information section 204, and the test information section 205 of the engineering component registration terminal 201 normally satisfy the verification criteria. It is also possible to learn predictions of the seriousness of problem solving in the requirement information section 202, the design information section 203, the program information section 204, and the test information section 205 by accumulating only when they are present and by so-called "unsupervised learning".
  • unsupervised learning refers to learning the distribution of input data by giving only a large amount of input data to the machine learning device 401, and learning the distribution of the input data without giving the corresponding supervised output data.
  • it is a technique for learning a device that performs compression, classification, shaping, etc. on input data.
  • the output layer determines whether the severity of problem solving has been achieved. or the severity of the problem resolution.
  • the possible values of the "severity of problem solving" may be any of a value with a limited maximum value or minimum value, a continuous amount, or a discrete amount.
  • the machine learning device 401 and the machine learning method relating to the degree of urgency, degree of impact, and degree of severity described above it is possible to obtain a prediction model by learning an accurate progress management result according to the actual operational situation. can be done. In other words, even if the factors leading to the achievement of urgency, impact, and severity are complex and it is difficult to predict the severity of problem solving in advance, the severity of problem solving can be calculated with high accuracy. can be predicted.
  • the risk analysis unit 402 acquires the judgment data indicating the urgency, impact, and severity from the management system configuration item registration terminal 101
  • the judgment data is converted to each of the occurrences of the urgency, impact, and severity.
  • the prediction of the seriousness of problem solving may be updated by weighting them according to the length of time that goes back to obtaining determination data. It is presumed that the shorter the time from the acquisition of judgment data to the result that satisfies the urgency, impact, and severity, the closer the risk or problem is to completion. Therefore, by weighting the judgment data according to the degree of urgency, the degree of impact, and the elapsed time from the occurrence of the severity, it is possible to effectively learn the prediction of the degree of seriousness of problem solving described above.
  • the risk analysis unit 402 analyzes the requirement information unit 202, the design information unit 203, the program information unit 204, and the test information according to the degree of urgency, the degree of impact, and the degree of severity created for the plurality of engineering component registration terminals 201. You may make it learn the prediction of the seriousness of problem solution of the part 205.
  • FIG. the risk analysis unit 402 may acquire the urgency, impact, and severity from a plurality of engineering configuration item registration terminals 201 used at the same software development site, and independently at different software development sites. Prediction of the severity of problem solving may be learned by using the urgency, impact, and severity collected from a plurality of technical system configuration item registration terminals 201 that operate in the same manner.
  • the engineering component registration terminal 201 for collecting urgency, impact, and severity may be added to the targets during software development, or conversely removed from the targets during software development. That is, the learning unit 403 may relearn the severity according to additional data sets based on the combination of the current judgment data and state variables.
  • the first example is a method of sharing the same neural network model. For example, for each weighting factor of the neural network, the difference between each engineering component registration terminal 201 is transmitted using communication means and reflected. That is, the learning unit 403 learns the severity by weighting the determination data and comparing the normal state and the abnormal state of the determination data.
  • a second example is a method of sharing machine learning weights, etc. by sharing the verification results of the input and output of a neural network.
  • a third example is to prepare a database, access the database, and load a more appropriate neural network model to share the state (same model).
  • FIG. 7 is a block diagram showing an example of the configuration of the severity prediction system according to the second embodiment.
  • the severity prediction system according to Embodiment 2 is characterized by comprising a progress meeting analysis device 601 and a risk analysis result display device 801, and a machine learning device 401 comprising a meeting result output unit 405. . Since other configurations and basic operations are the same as those of the severity prediction system of FIG. 1, detailed description thereof is omitted here.
  • the machine learning device 401, the progress meeting analysis device 601, and the risk analysis result display device 801 constitute a severity prediction device.
  • the meeting result output unit 405 in the machine learning device 401 uses the results learned by the machine learning device 401 to output risks and problems that may occur due to changes in progress meeting activities.
  • the progress meeting analysis device 601 inputs the risks and problems of the progress meeting to the meeting result output unit 405 of the machine learning device 401 in real time.
  • the progress meeting analysis device 601 includes a voice detection unit 602 that categorizes voices collected in the progress meeting 701 .
  • the risk analysis result display device 801 outputs progress meeting agreement information 406 created by the meeting result output unit 405 of the machine learning device 401 .
  • the risk analysis result display device 801 includes a risk analysis result display section 802 that displays the progress meeting agreement information 406 .
  • the sound of the progress meeting 701 held at the progress meeting 701 is collected by the sound collection device 702 and input to the sound detection unit 602 of the progress meeting analysis device 601 .
  • the voice detection unit 602 analyzes the voice in the progress meeting 701 to create progress meeting minutes information 603 and outputs the progress meeting minutes information 603 to the meeting result output unit 405 of the machine learning device 401 .
  • the meeting result output unit 405 of the machine learning device 401 acquires from the risk analysis unit 402 the urgency, impact, and severity of the risks and problems of the target configuration item and other related configuration items.
  • the meeting result output unit 405 of the machine learning device 401 is based on the urgency, impact, and severity related to risks and problems, and the prediction model that learned the severity of problem solving from the progress meeting minutes information 603.
  • the progress meeting agreement information 406 is output to the risk analysis result display device 801 .
  • the progress meeting 701 receives the urgency, impact, and severity related to risks and problems from the prediction model that has learned the severity of problem solving from the risk analysis result display device 801 in real time, thereby solving the problem of the target configuration item. You can check the severity of
  • FIG. 8 is a diagram showing an example of the data table of the progress meeting agreement information 406 created by the meeting result output unit 405. As shown in FIG.
  • the progress meeting agreement information 406 includes the urgency, impact, and severity of risks and problems of the target configuration item and other related configuration items in the progress meeting 701 .
  • FIG. 9 are an example of a method of calculating the seriousness of problem solving.
  • a reasonable problem resolution severity threshold for a progress meeting's agreed critical path is derived from the number of risks manifested and the number of problems occurring in lower processes.
  • Each function of risk analysis unit 402 and learning unit 403 in machine learning device 401 described in Embodiment 1 is implemented by a processing circuit. That is, the machine learning device 401 acquires determination data indicating the degree of urgency, degree of impact, and severity, acquires state variables that are information on changes in values due to time transition of the degree of urgency, degree of impact, and severity, A processing circuit is provided for learning the severity of problem solving and obtaining a prediction model according to a data set created based on combinations of urgency, impact, severity, and state variables.
  • the processing circuit may be dedicated hardware, a processor that executes a program stored in memory (CPU, central processing unit, processing unit, arithmetic unit, microprocessor, microcomputer, DSP (Digital Signal Processor) may be called).
  • the processing circuit 901 can be, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, an ASIC (Application Specific Integrated Circuit) , FPGA (Field Programmable Gate Array), or a combination thereof.
  • ASIC Application Specific Integrated Circuit
  • FPGA Field Programmable Gate Array
  • each function of the risk analysis unit 402 and the learning unit 403 is implemented by software, firmware, or a combination of software and firmware.
  • Software or firmware is written as a program and stored in memory 903 .
  • the processor 902 implements each function by reading and executing the program recorded in the memory 903 . That is, the machine learning device 401 acquires the determination data indicating the urgency level, the impact level, and the severity level, and acquires the state variable, which is the change information of the value due to the time transition of the urgency level, the impact level, and the severity level.
  • a memory 903 is provided for storing programs to be changed. It can also be said that these programs cause a computer to execute the procedures or methods of the risk analysis unit 402 and the learning unit 403 .
  • memory means non-volatile or volatile memories such as RAM (Random Access Memory), ROM (Read Only Memory), flash memory, EPROM (Erasable Programmable Read Only Memory), EEPROM (Electrically Erasable Programmable Read Only Memory), etc. a flexible semiconductor memory, a magnetic disk, a flexible disk, an optical disk, a compact disk, a DVD (Digital Versatile Disc), etc., or any storage medium that will be used in the future.
  • the processing circuit can implement each of the functions described above by means of hardware, software, firmware, or a combination thereof.
  • 101 Administrative component registration terminal 102 Development plan information department, 103 Risk management information department, 104 Problem management information department, 105 Work package information, 106 Risk information, 107 Problem management information, 201 Engineering component registration terminal, 202 Requirement Information part, 203 Design information part, 204 Program information part, 205 Test information part, 206 Configuration item information, 301 Traceability registration terminal, 302 Traceability information part, 303 Traceability information, 304 Relevance information, 401 Machine learning device, 402 Risk analysis Section, 403 Learning section, 404 Risk analysis information, 405 Meeting result output section, 406 Progress meeting agreement information, 601 Progress meeting analysis device, 602 Voice detection section, 603 Progress meeting minutes information, 701 Progress meeting, 702 Sound collecting device, 801 Risk analysis result display device, 802 Risk analysis result display unit, 901 Processing circuit, 902 Processor, 903 Memory.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Stored Programmes (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本開示は、状況に応じた正確な深刻度の予知が可能な機械学習装置、深刻度予知装置、および機械学習方法を提供することを目的とする。本開示による機械学習装置は、ソフトウェア開発において発生した問題の対象構成品目のリスクに関する判定データと、リスクに関する状態変数とを関連付けたデータセットに基づいて、対象構成品目に対する問題解決の深刻度を学習する学習部を備える。

Description

機械学習装置、深刻度予知装置、および機械学習方法
　本開示は、ソフトウェア開発におけるリスクの深刻度を学習する機械学習装置および機械学習方法と、機械学習装置を備える深刻度予知装置とに関する。
　ソフトウェア開発では、開発業務の進捗状態を把握するために進捗会議が行われる。進捗会議では、ソフトウェア開発におけるエンジニアリングプロセス、管理プロセス、および支援プロセスが、プロジェクトの計画通りに遂行されているか否かを確認する。進捗会議において問題の発生が確認された場合は、当該問題の対策とともに、プロジェクトのＷＢＳ（Work Breakdown Structure）を更新しなければならない。
　近年のプロジェクトは、ＷＢＳのワークパッケージ数が増加し、ワークパッケージ間の複雑さが増加しているため、問題の解決によって影響を受けるＷＢＳのワークパッケージを抽出して必要に応じて更新することに多くの時間を要する。
　進捗会議の方式としては、例えば、インスペクション、ウォークスルー、チームレビュー、ラウンドロビンレビュー、パスアラウンド、ピアレビュー等がある。プロジェクトの利害関係者（ステークホルダー）は、これらの方式を採用して進捗会議を行う。
　従来、トレーサビリティの管理に関する技術が開示されている（例えば、特許文献１参照）。特許文献１では、成果物に管理ＩＤが付与される。管理ＩＤには、トレース情報が付随する。トレース情報は、トレーサビリティＩＤ記録端末に登録される。
　また、従来、ＡＩ（Artificial Intelligence）による機械学習に関する技術が開示されている（例えば、特許文献２参照）。特許文献２では、教師あり学習によって、状態変数、判定データ、および教示データの学習方法が開示されている。
特開２０１８－５８０２号公報 特開２０１７－１８８０３０号公報
　Automotive SPICE（登録商標、以下同じ）は、車両システム開発向けのプロセス改善のための規格である。Automotive SPICEは、利害関係者が、プロジェクトのＷＢＳ、構成品目の一覧、変更依頼の一覧、問題情報の一覧、およびリスク情報の一覧を作成することを求めている。また、Automotive SPICEは、利害関係者が、複数のＷＢＳ、構成品目、変更依頼、問題情報、およびリスク情報の各内容を紐づけて、双方向トレーサビリティを確保する活動を求めている。
　さらに、Automotive SPICEは、プロジェクトの進捗会議によってプロジェクトに問題が発生した場合において、影響を受けるＷＢＳ、構成品目、変更依頼、問題情報、およびリスク情報を見直す活動を求めている。しかし、これらの情報を有識者によって見直す方法は、有識者のスキルに依存する要素が多い。また、限られた時間で見直すためには、問題解決を実施することによって発生するリスクの重大度、影響度、および緊急度を分析した深刻度の設定が必要となるが、有識者のスキルに依存している。さらに、問題解決の実施によるＷＢＳ、構成品目、変更依頼、問題情報、およびリスク情報の変更箇所を双方向トレーサビリティによって見直すことは、限られた時間内では困難である。
　ところで、近年、ソフトウェア開発の複雑化および高度化に伴って、問題につながる要因も複雑化しており、双方向トレーサビリティを活用し、かつ有識者による進捗会議を実施してもリスクの深刻度の予知が難しくなってきている。
　このように、一部の有識者のスキルによって深刻度を予知する方法では、実際の状況に対応できず、あるいは正確さを欠くといったことがあり、状況に応じた正確な深刻度の予知を可能にする技術が求められている。この問題は、Automotive SPICEに準拠するソフトウェア開発以外のソフトウェア開発においても生じる。
　本開示は、このような問題を解決するためになされたものであり、状況に応じた正確な深刻度の予知が可能な機械学習装置、深刻度予知装置、および機械学習方法を提供することを目的とする。
　上記の課題を解決するために、本開示による機械学習装置は、ソフトウェア開発において発生した問題の対象構成品目のリスクに関する判定データと、リスクに関する状態変数とを関連付けたデータセットに基づいて、対象構成品目に対する問題解決の深刻度を学習する学習部を備える。
　本開示によれば、状況に応じた正確な深刻度の予知が可能となる。
　本開示の目的、特徴、態様、および利点は、以下の詳細な説明と添付図面とによって、より明白となる。
実施の形態１による深刻度予知システムの構成の一例を示すブロック図である。 実施の形態１による機械学習装置の動作の一例を示すフローチャートである。 実施の形態１による深刻度予知システムが各構成品目の深刻度を適用するパターンの一例を説明するための図である。 実施の形態１による深刻度予知システムが各構成品目の深刻度を適用するパターンの一例を説明するための図である。 実施の形態１による深刻度予知システムが各構成品目の深刻度を適用するパターンの一例を説明するための図である。 ニューラルネットワークの構成の一例を示す図である。 実施の形態２による深刻度予知システムの構成の一例を示すブロック図である。 進捗会議合意情報のデータテーブルの一例を示す図である。 深刻度の算出方法の一例を説明するための図である。 実施の形態による機械学習装置のハードウェア構成の一例を示す図である。 実施の形態による機械学習装置のハードウェア構成の一例を示す図である。
　＜実施の形態１＞
　図１は、実施の形態１による深刻度予知システムの構成の一例を示すブロック図であり、要部のみを示している。
　図１に示すように、実施の形態１による深刻度予知システムは、管理系構成品目登録端末１０１と、技術系構成品目登録端末２０１と、トレーサビリティ登録端末３０１と、機械学習装置４０１とを備えている。なお、管理系構成品目登録端末１０１と、技術系構成品目登録端末２０１と、およびトレーサビリティ登録端末３０１は、任意に組み合わせて一体に構成してもよい。
　深刻度予知システムは、機械学習機能を有する機械学習装置４０１を用いて、管理系構成品目登録端末１０１の開発計画情報部１０２に登録されているワークパッケージ情報１０５、リスク管理情報部１０３に登録されているリスク情報１０６、および問題管理情報部１０４に登録されている問題管理情報１０７と、技術系構成品目登録端末２０１の要件情報部２０２、設計情報部２０３、プログラム情報部２０４、および試験情報部２０５のそれぞれに登録されている構成品目情報２０６とを、トレーサビリティ登録端末３０１のトレーサビリティ情報部３０２に登録されているトレーサビリティ情報３０３および関連度情報３０４によって関連付け、対象構成品目に対する問題解決の深刻度を学習して予知モデルを獲得する。また、深刻度予知システムは、機械学習装置４０１による学習結果に基づいて、登録されているリスク顕在化結果の合否または問題解決の深刻度を示すリスク分析情報４０４を作成する。
　リスク分析情報４０４は、管理系構成品目登録端末１０１のリスク管理情報部１０３に登録されているリスク情報１０６、または問題管理情報部１０４に登録されている問題管理情報１０７の問題解決の深刻度を示す情報を含んでいる。なお、リスク分析情報４０４は、リスク情報１０６および問題管理情報１０７の問題解決の深刻度を示す情報を含んでもよい。
　また、リスク分析情報４０４は、リスク顕在化結果が正常な状態であることを示す工法を含んでもよい。ここで、リスク分析情報４０４は、問題解決の実施によるリスク顕在化の可能性を示し、例えば、最大値または最小値のいずれか一方が制限されていてもよい。リスク分析情報４０４は、連続量であってもよく、離散量であってもよい。
　以下では、管理系構成品目登録端末１０１のリスク管理情報部１０３に登録されているリスク情報１０６、または問題管理情報部１０４に登録されている問題管理情報１０７の問題解決の深刻度を予知する場合について説明する。しかし、他の任意の管理系構成品目登録端末１０１に対しても本開示の内容を同様に適用できることはいうまでもない。
　管理系構成品目登録端末１０１は、開発計画情報部１０２を備えている。開発計画情報部１０２には、ワークパッケージ情報１０５が登録されている。ワークパッケージ情報１０５は、技術系プロセス活動、管理系プロセス活動、および支援系プロセス活動を含むＷＢＳのワークパッケージを含む。
　技術系構成品目登録端末２０１は、要件情報部２０２、設計情報部２０３、プログラム情報部２０４、および試験情報部２０５を備えている。各情報部には、構成品目情報２０６が登録されている。構成品目情報２０６は、複数の構成品目のそれぞれに付与されたトレース識別子（以下、「トレースＩＤ」という）と、トレースＩＤに付随するトレース情報とを含む。
　構成品目情報２０６は、顧客から提示された要求仕様書、ソフトウェア開発の各工程において作成された成果物等を含む。ソフトウェア開発の工程は、システム設計、ソフトウェア設計、ソフトウェア詳細設計、プログラム制作、単体試験、ソフトウェア試験、およびシステム試験等を含む。成果物は、設計書、ソースコード、試験仕様書、および試験報告書等を含む。例えば、要件情報部２０２には、要求仕様書を含む構成品目情報２０６が登録されている。設計情報部２０３には、システム設計、ソフトウェア設計、およびソフトウェア詳細設計のそれぞれで作成された設計書を含む構成品目情報２０６が登録されている。プログラム情報部２０４には、プログラム制作で作成されたソースコードを含む構成品目情報２０６が登録されている。試験情報部２０５には、単体試験、ソフトウェア試験、およびシステム試験のそれぞれで作成された試験仕様書および試験報告書を含む構成品目情報２０６が登録されている。
　構成品目情報２０６に含まれているトレースＩＤは、要求仕様書に付与された要求ＩＤ、設計書類に付与された設計ＩＤ、試験仕様書および試験報告書に付与された試験ＩＤ等を含む。トレースＩＤは、構成品目を識別するために付与される。
　トレーサビリティ登録端末３０１は、トレーサビリティ情報部３０２を備えている。トレーサビリティ情報部３０２には、トレーサビリティ情報３０３および関連度情報３０４が登録されている。トレーサビリティ情報３０３は、トレース情報を含む。トレース情報は、ソフトウェア開発工程で作成する他の構成品目との間でトレースを行うための情報であり、具体的には、トレースＩＤが付与された構成品目と他の構成品目との間でトレースを行うための情報である。他の構成品目は、望ましくは、上流の工程および下流の工程のうちの少なくとも一方において作成された構成品目を含む。ただし、他の構成品目は、上流の工程および下流の工程で作成された構成品目を含まなくてもよい。また、複数のトレースＩＤのうち、トレース情報が付随しないトレースＩＤが含まれていてもよい。関連度情報３０４は、トレースの変更回数、およびトレースの関連度を含む。
　機械学習装置４０１は、リスク分析部４０２および学習部４０３を備える。リスク分析部４０２は、管理系構成品目登録端末１０１のリスク管理情報部１０３および問題管理情報部１０４から、緊急度を含むリスク情報１０６および問題管理情報１０７を抽出する。また、リスク分析部４０２は、開発計画情報部１０２から、緊急度、影響度、および重要度の変動情報を含むワークパッケージ情報１０５を抽出する。なお、リスク情報１０６および問題管理情報１０７に不足がある場合は、該当するリスク項目または問題管理項目を手動で登録するようにしてもよい。
　また、リスク分析部４０２は、抽出したリスク情報１０６および問題管理情報１０７に基づいて、技術系構成品目登録端末２０１の要件情報部２０２、設計情報部２０３、プログラム情報部２０４、および試験情報部２０５から、影響度を含む構成品目情報２０６を抽出する。
　さらに、リスク分析部４０２は、技術系構成品目登録端末２０１が保持している構成品目情報２０６と、トレーサビリティ登録端末３０１のトレーサビリティ情報部３０２に登録されているトレーサビリティ情報３０３および関連度情報３０４とに基づいて、各構成品目のトレース情報から導き出される重要度を抽出する。
　このように、機械学習装置４０１では、リスク分析部４０２は、緊急度、影響度、および重大度を示す判定データを取得する。また、リスク分析部４０２は、緊急度、影響度、および重大度の時間推移による値の変動情報である状態変数を取得する。なお、機械学習装置４０１は、全ての機能要素を含む状態変数を取得せずに、それらの一部を取得してもよく、新たな状態変数を取得してもよい。判定データは、対象構成品目のクリティカルパスを含む。
　学習部４０３は、リスク分析部４０２から入力された緊急度、影響度、および重大度と、その状態変数との組み合わせ基づいて作成されるデータセットに従って、問題解決の深刻度を学習して予知モデルを獲得する。
　ここで、データセットとは、状態変数および判定データを相互に関連付けたデータである。例えば、進捗会議で複数の変更点が発生した際の対象構成品目および当該対象構成品目に関係する他の構成品目の緊急度、影響度、および重大度の該当箇所は膨大であり、有識者のスキルで変更点に関わる全ての構成品目が緊急度、影響度、および重大度を達成していることを限られた時間内で確認することは難しい。これに対して、実施の形態１による深刻度予知システムは、機械学習によって、例えば、トレーサビリティによって変更点に関係する機能要素について深刻度を割合で表す設定をする。これにより、問題解決の深刻度を定量化することができ、より正確な問題解決の深刻度の予知を行うことが可能となる。
　なお、機械学習はソフトウェア開発における問題解決の深刻度の予知を学習するために使用されるが、当該機械学習を行う機械学習装置４０１は、例えば、ネットワークを介してトレーサビリティ登録端末３０１に接続され、技術系構成品目登録端末２０１とは別個のデジタルコンピュータであってもよい。
　機械学習装置４０１は、トレーサビリティ登録端末３０１に内蔵されていてもよい。この場合、機械学習装置４０１は、トレーサビリティ登録端末３０１のプロセッサを利用して機械学習を実行する。機械学習装置４０１は、クラウドサーバ上に存在していてもよい。
　図２は、機械学習装置４０１の動作（学習処理）の一例を示すフローチャートである。機械学習装置４０１は、機械学習処理が開始すると、ステップＳ５０１～ステップＳ５０３の処理を実行する。なお、ステップＳ５０１およびステップＳ５０２は、処理の順序が逆であってもよい。
　ステップＳ５０１において、リスク分析部４０２は、進捗会議における対象構成品目に該当するＷＢＳのワークパッケージから判定データを取得する。
　ステップＳ５０２において、リスク分析部４０２は、例えば、進捗会議における対象構成品目の変更点に関する緊急度、影響度、および重大度といった状態変数を取得する。
　ステップＳ５０３において、学習部４０３は、ステップＳ５０１で取得した判定データと、ステップＳ５０２で取得した状態変数との組み合わせに基づいて作成されたデータセットに従って、問題解決の深刻度を学習して予知モデルを獲得する。
　ステップＳ５０１～ステップＳ５０３の処理は、例えば、機械学習装置４０１によって対象構成品目の問題解決の深刻度を十分に学習するまで繰り返し実行される。この場合、対象構成品目の緊急度、影響度、および重大度が複数回変更された全てのパターンを実行することが望ましい。
　すなわち、図３～５に示すような予め定められた動作パターンの実行は、プロジェクト品質指標に相当し、このようなプロジェクト品質指標に基づいて機械学習を行うことによって、問題解決の深刻度の条件を揃えて学習するための促進をすることが可能となる。また、プロジェクト品質指標の波形として意図しない分散傾向の激しいデータを除外することができ、問題解決の深刻度を特徴ある動作に限ることによって、データサイズを抑えることが可能となる。
　図６は、ニューラルネットワークの構成の一例を示す図である。
　機械学習装置４０１におけるリスク分析部４０２は、例えば、ニューラルネットワークモデルに従って、問題解決の深刻度の予知を学習してもよい。
　図６に示すように、ニューラルネットワークは、ｌ個のニューロンｘ１、ｘ２、ｘ３、・・・、ｘｌを含む入力層と、ｍ個のニューロンｙ１、ｙ２、ｙ３、・・・、ｙｍを含む中間層（隠れ層）と、ｎ個のニューロンｚ１、ｚ２、ｚ３、・・・、ｚｎを含む出力層とを含む。
　なお、ニューラルネットワークにおいて、中間層は１層のみ示されているが、２層以上の中間層を設けることもできる。また、機械学習装置４０１（ニューラルネット）は、汎用の計算機またはプロセッサを用いてもよいが、大規模ＰＣ（Personal Computer）クラスター等を適用すると、より高速に処理することが可能となる。
　ニューラルネットワークは、管理系構成品目登録端末１０１の緊急度、影響度、および重大度に基づく問題解決の深刻度に関連付けられる、要件情報部２０２、設計情報部２０３、プログラム情報部２０４、および試験情報部２０５の問題解決の深刻度を学習する。
　ニューラルネットワークは、リスク分析部４０２によって取得される判定データの組み合わせに基づいて作成される緊急度、影響度、および重大度に従って、いわゆる「教師あり学習」によって、緊急度、影響度、および重大度に基づく問題解決の深刻度との関係性、すなわち要件情報部２０２、設計情報部２０３、プログラム情報部２０４、および試験情報部２０５の問題解決の深刻度の予知を学習する。ここで、「教師あり学習」とは、ある入力と結果（ラベル）との組を大量に機械学習装置４０１に与えることによって、それらの緊急度、影響度、および重大度にある特徴を学習し、入力から結果を推定するモデル、すなわち、その関係性を帰納的に獲得することができるというものである。
　ニューラルネットワークは、技術系構成品目登録端末２０１の要件情報部２０２、設計情報部２０３、プログラム情報部２０４、および試験情報部２０５の緊急度、影響度、および重大度が正常に検証基準を満たしているときのみを蓄積し、いわゆる「教師なし学習」によって、要件情報部２０２、設計情報部２０３、プログラム情報部２０４、および試験情報部２０５の問題解決の深刻度の予知を学習することもできる。
　例えば、技術系構成品目登録端末２０１の要件情報部２０２、設計情報部２０３、プログラム情報部２０４、および試験情報部２０５の問題解決の深刻度が極めて高い場合は、「教師なし学習」の手法が有効であると考えられる。ここで、「教師なし学習」とは、入力データのみを大量に機械学習装置４０１に与えることによって、入力データがどのような分布をしているのかを学習し、対応する教師出力データを与えなくても、入力データに対して、圧縮、分類、および整形等を行う装置を学習する手法である。
　それらの検証結果にある特徴を似た者同士でクラスタリングすること等ができる。この結果を使って、何らかの基準を設けてそれを最適にするような出力の割り当てを行うことによって、出力の予測を実現することができる。また、「教師なし学習」および「教師あり学習」の中間的な問題設定として、「半教師あり学習」と呼ばれるものもあり、一部のみ入力と出力のデータの組が存在し、それ以外は入力のみのデータである場合がこれに当たる。
　後述する問題解決の深刻度の予知を行う際、ニューラルネットワークの入力層に入力される緊急度、影響度、および重大度に応答して、出力層が上述の問題解決の深刻度に対する達成の合否を表す情報、または問題解決の深刻度を出力する。なお、「問題解決の深刻度」を取り得る値は、最大値または最小値のいずれかが制限された値、連続量、または離散量のいずれであってもよい。
　上述した緊急度、影響度、および重大度に係る機械学習装置４０１、および機械学習方法によれば、実際の運用状況に応じた正確な進捗管理結果を学習することによって、予知モデルを獲得することができる。すなわち、緊急度、影響度、および重大度の達成につながる要因が複雑であり、問題解決の深刻度の予知を予め設定することが困難な場合であっても、高い精度で問題解決の深刻度を予知することが可能となる。
　リスク分析部４０２が管理系構成品目登録端末１０１から緊急度、影響度、および重大度を示す判定データを取得したときに、当該判定データを緊急度、影響度、および重大度の発生から各々の判定データを取得るまで遡った時間の長さに応じて、それぞれ重み付けして問題解決の深刻度の予知を更新するようにしてもよい。判定データを取得してから緊急度、影響度、および重大度を満たす結果に至るまでの時間が短いほど、リスクまたは問題が完結する状態が近いことが推定される。従って、緊急度、影響度、および重大度の発生からの経過時間に応じて判定データを重み付けすれば、上述した問題解決の深刻度の予知を効果的に学習することができる。
　リスク分析部４０２は、複数の技術系構成品目登録端末２０１に対して作成される緊急度、影響度、および重大度に従って、要件情報部２０２、設計情報部２０３、プログラム情報部２０４、および試験情報部２０５の問題解決の深刻度の予知を学習するようにしてもよい。また、リスク分析部４０２は、同一のソフトウェア開発現場で使用される複数の技術系構成品目登録端末２０１から緊急度、影響度、および重大度を取得してもよく、異なるソフトウェア開発現場で独立して稼働する複数の技術系構成品目登録端末２０１から収集した緊急度、影響度、および重大度を利用して問題解決の深刻度の予知を学習してもよい。さらに、緊急度、影響度、および重大度を収集する技術系構成品目登録端末２０１をソフトウェア開発の途中で対象に追加し、あるいは、逆にソフトウェア開発の途中で対象から除去してもよい。すなわち、学習部４０３は、現在の判定データおよび状態変数の組み合わせに基づく追加のデータセットに従って深刻度を再学習してもよい。
　次に、複数の技術系構成品目登録端末２０１の検証結果を共有（共用）する方法として、以下の３つの例を挙げるが、これらの方法以外の方法を適用することができることはいうまでもない。
　まず、第１の例としては、ニューラルネットワークのモデルを同じになるように共有する方法である。例えば、ニューラルネットワークの各重み係数について、各技術系構成品目登録端末２０１間の差分を、通信手段を用いて送信して反映させる。すなわち、学習部４０３は、判定データに重み付けをして判定データの正常状態と異常状態とを比較することによって深刻度を学習する。
　第２の例としては、ニューラルネットワークの入力および出力の検証結果を共有することによって、機械学習の重み等を共有する方法である。
　第３の例としては、あるデータベースを用意し、当該データベースにアクセスしてより妥当なニューラルネットワークのモデルをロードすることによって状態を共有する（同じようなモデルとする）方法である。
　＜実施の形態２＞
　図７は、実施の形態２による深刻度予知システムの構成の一例を示すブロック図である。
　図７に示すように、実施の形態２による深刻度予知システムは、進捗会議分析装置６０１およびリスク分析結果表示装置８０１を備え、機械学習装置４０１が会議結果出力部４０５を備えることを特徴としている。その他の構成および基本的な動作は、図１の深刻度予知システムと同様であるため、ここでは詳細な説明を省略する。なお、機械学習装置４０１、進捗会議分析装置６０１、およびリスク分析結果表示装置８０１は、深刻度予知装置を構成する。
　機械学習装置４０１における会議結果出力部４０５は、機械学習装置４０１によって学習された結果を利用して、進捗会議活動の変更によって発生し得るリスクおよび問題を出力する。
　進捗会議分析装置６０１は、機械学習装置４０１の会議結果出力部４０５にリアルタイムで進捗会議のリスクおよび問題を入力する。進捗会議分析装置６０１は、進捗会議７０１で集音された音声を明文化する音声検出部６０２を備える。
　リスク分析結果表示装置８０１は、機械学習装置４０１の会議結果出力部４０５が作成した進捗会議合意情報４０６を出力する。リスク分析結果表示装置８０１は、進捗会議合意情報４０６を表示するリスク分析結果表示部８０２を備える。
　進捗会議７０１で行われる進捗会議７０１における音声は集音装置７０２で集音され、進捗会議分析装置６０１の音声検出部６０２に入力される。音声検出部６０２は、進捗会議７０１における音声を分析して進捗会議議事録情報６０３を作成し、進捗会議議事録情報６０３を機械学習装置４０１の会議結果出力部４０５に出力する。
　機械学習装置４０１の会議結果出力部４０５は、対象構成品目および関係する他の構成品目のリスクおよび問題に関わる緊急度、影響度、および重大度をリスク分析部４０２から取得する。
　機械学習装置４０１の会議結果出力部４０５は、リスクおよび問題に関わる緊急度、影響度、および重大度と、進捗会議議事録情報６０３から問題解決の深刻度を学習した予知モデルとに基づいて、進捗会議合意情報４０６をリスク分析結果表示装置８０１に出力する。
　進捗会議７０１は、問題解決の深刻度を学習した予知モデルによるリスクおよび問題に関わる緊急度、影響度、および重大度をリスク分析結果表示装置８０１からリアルタイムで受けることによって、対象構成品目の問題解決の深刻度を確認することができる。
　図８は、会議結果出力部４０５が作成した進捗会議合意情報４０６のデータテーブルの一例を示す図である。
　進捗会議合意情報４０６は、進捗会議７０１における対象構成品目および関係する他の構成品目のリスクおよび問題に関わる緊急度、影響度、および重大度を含む。
　下記の式（１）および図９は、問題解決の深刻度の算出方法の一例である。
Figure JPOXMLDOC01-appb-M000001
　問題解決の深刻度の算出方法としては、個別の緊急度、個別の影響度、および個別の重大度をベクトル演算する方法が挙げられる。進捗会議の合意できるクリティカルパスとして妥当な問題解決の深刻度の閾値は、下位工程で発生するリスクの顕在化数および問題発生件数から導き出される。
　＜ハードウェア構成＞
　実施の形態１で説明した機械学習装置４０１におけるリスク分析部４０２および学習部４０３の各機能は、処理回路により実現される。すなわち、機械学習装置４０１は、緊急度、影響度、および重大度を示す判定データを取得し、緊急度、影響度、および重大度の時間推移による値の変動情報である状態変数を取得し、緊急度、影響度、および重大度と、その状態変数との組み合わせに基づいて作成されるデータセットに従って、問題解決の深刻度を学習して予知モデルを獲得するための処理回路を備える。処理回路は、専用のハードウェアであってもよく、メモリに格納されるプログラムを実行するプロセッサ（ＣＰＵ、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、ＤＳＰ（Digital Signal Processor）ともいう）であってもよい。
　処理回路が専用のハードウェアである場合、図１０に示すように、処理回路９０１は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）、またはこれらを組み合わせたものが該当する。リスク分析部４０２および学習部４０３の各機能をそれぞれ処理回路９０１で実現してもよく、各機能をまとめて１つの処理回路９０１で実現してもよい。
　処理回路９０１が図１１に示すプロセッサ９０２である場合、リスク分析部４０２および学習部４０３の各機能は、ソフトウェア、ファームウェア、またはソフトウェアとファームウェアとの組み合わせにより実現される。ソフトウェアまたはファームウェアは、プログラムとして記述され、メモリ９０３に格納される。プロセッサ９０２は、メモリ９０３に記録されたプログラムを読み出して実行することにより、各機能を実現する。すなわち、機械学習装置４０１は、緊急度、影響度、および重大度を示す判定データを取得するステップ、緊急度、影響度、および重大度の時間推移による値の変動情報である状態変数を取得するステップ、緊急度、影響度、および重大度と、その状態変数との組み合わせに基づいて作成されるデータセットに従って、問題解決の深刻度を学習して予知モデルを獲得するステップが結果的に実行されることになるプログラムを格納するためのメモリ９０３を備える。また、これらのプログラムは、リスク分析部４０２および学習部４０３の手順または方法をコンピュータに実行させるものであるともいえる。ここで、メモリとは、例えば、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ、ＥＰＲＯＭ（Erasable Programmable Read Only Memory）、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read Only Memory）等の不揮発性または揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ＤＶＤ（Digital Versatile Disc）等、または、今後使用されるあらゆる記憶媒体であってもよい。
　なお、リスク分析部４０２および学習部４０３の各機能について、一部の機能を専用のハードウェアで実現し、他の機能をソフトウェアまたはファームウェアで実現するようにしてもよい。
　このように、処理回路は、ハードウェア、ソフトウェア、ファームウェア、またはこれらの組み合わせによって、上述の各機能を実現することができる。
　上記では、図１に示す機械学習装置４０１のハードウェア構成について説明したが、図７に示す機械学習装置４０１のハードウェア構成についても同様である。
　なお、本開示の範囲内において、各実施の形態を自由に組み合わせたり、各実施の形態を適宜、変形、省略したりすることが可能である。
　本開示は詳細に説明されたが、上記した説明は、すべての態様において、例示であって、限定的なものではない。例示されていない無数の変形例が想定され得るものと解される。
　１０１　管理系構成品目登録端末、１０２　開発計画情報部、１０３　リスク管理情報部、１０４　問題管理情報部、１０５　ワークパッケージ情報、１０６　リスク情報、１０７　問題管理情報、２０１　技術系構成品目登録端末、２０２　要件情報部、２０３　設計情報部、２０４　プログラム情報部、２０５　試験情報部、２０６　構成品目情報、３０１　トレーサビリティ登録端末、３０２　トレーサビリティ情報部、３０３　トレーサビリティ情報、３０４　関連度情報、４０１　機械学習装置、４０２　リスク分析部、４０３　学習部、４０４　リスク分析情報、４０５　会議結果出力部、４０６　進捗会議合意情報、６０１　進捗会議分析装置、６０２　音声検出部、６０３　進捗会議議事録情報、７０１　進捗会議、７０２　集音装置、８０１　リスク分析結果表示装置、８０２　リスク分析結果表示部、９０１　処理回路、９０２　プロセッサ、９０３　メモリ。

Claims (13)

  1. 　ソフトウェア開発において発生した問題の対象構成品目のリスクに関する判定データと、前記リスクに関する状態変数とを関連付けたデータセットに基づいて、前記対象構成品目に対する問題解決の深刻度を学習する学習部を備える、機械学習装置。
  2. 　前記判定データは、前記対象構成品目のクリティカルパスを含む、請求項１に記載の機械学習装置。
  3. 　前記判定データは、前記対象構成品目と他の構成品目との関係を示すトレース情報と、構成品目間の緊急度、影響度、および重大度とを含む、請求項１または２に記載の機械学習装置。
  4. 　前記判定データは、構成品目のリスク情報および問題管理情報を含む、請求項１から３のいずれか１項に記載の機械学習装置。
  5. 　前記学習部は、前記判定データに重みづけをして前記判定データの正常状態と異常状態とを比較することによって前記深刻度を学習する、請求項１から４のいずれか１項に記載の機械学習装置。
  6. 　前記学習部は、ネットワークを介して前記判定データを取得する、請求項１から５のいずれか１項に記載の機械学習装置。
  7. 　請求項１から６のいずれか１項に記載の機械学習装置と、
    　前記機械学習装置による学習結果に基づいて、現在の前記状態変数に対する前記深刻度を出力するリスク分析結果表示装置と、
    を備える、深刻度予知装置。
  8. 　前記学習部は、現在の前記判定データおよび前記状態変数の組み合わせに基づく追加のデータセットに従って前記深刻度を再学習する、請求項７に記載の深刻度予知装置。
  9. 　前記機械学習装置は、クラウドサーバに存在する、請求項７または８に記載の深刻度予知装置。
  10. 　前記機械学習装置は、トレーサビリティ登録端末に内蔵されている、請求項７または８に記載の深刻度予知装置。
  11. 　前記リスク分析結果表示装置が出力する前記深刻度は、前記ソフトウェア開発の進捗状態を把握するために行われる複数の進捗会議で共用される、請求項７から１０のいずれか１項に記載の深刻度予知装置。
  12. 　各前記進捗会議の参加者の音声を集音して前記機械学習装置に出力する進捗会議分析装置をさらに備える、請求項１１に記載の深刻度予知装置。
  13. 　ソフトウェア開発において発生した問題の対象構成品目のリスクに関する判定データと、前記リスクに関する状態変数とを関連付けたデータセットに基づいて、前記対象構成品目に対する問題解決の深刻度を学習する、機械学習方法。
PCT/JP2021/023298 2021-06-21 2021-06-21 機械学習装置、深刻度予知装置、および機械学習方法 Ceased WO2022269656A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
DE112021007856.9T DE112021007856T5 (de) 2021-06-21 2021-06-21 Vorrichtung für maschinelles Lernen, Vorrichtung zum Vorhersagen eines Schweregrades und Verfahren für maschinelles Lernen
JP2023529190A JP7499965B2 (ja) 2021-06-21 2021-06-21 機械学習装置、深刻度予知装置、機械学習方法、および深刻度予知方法
PCT/JP2021/023298 WO2022269656A1 (ja) 2021-06-21 2021-06-21 機械学習装置、深刻度予知装置、および機械学習方法
US18/551,201 US20240177065A1 (en) 2021-06-21 2021-06-21 Machine learning device, degree of severity prediction device, machine learning method, and degree of severity prediction method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/023298 WO2022269656A1 (ja) 2021-06-21 2021-06-21 機械学習装置、深刻度予知装置、および機械学習方法

Publications (1)

Publication Number Publication Date
WO2022269656A1 true WO2022269656A1 (ja) 2022-12-29

Family

ID=84544273

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/023298 Ceased WO2022269656A1 (ja) 2021-06-21 2021-06-21 機械学習装置、深刻度予知装置、および機械学習方法

Country Status (4)

Country Link
US (1) US20240177065A1 (ja)
JP (1) JP7499965B2 (ja)
DE (1) DE112021007856T5 (ja)
WO (1) WO2022269656A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20240289441A1 (en) * 2023-02-23 2024-08-29 Dell Products L.P. Service impairment isolation in information processing system environment

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008210367A (ja) * 2007-01-29 2008-09-11 Nec Corp リスク検知システム、リスク検知方法及びそのプログラム
JP2019028871A (ja) * 2017-08-02 2019-02-21 Tis株式会社 プロジェクト管理支援装置、プロジェクト管理支援方法およびプログラム
JP2021061055A (ja) * 2018-03-29 2021-04-15 日本電気株式会社 データ処理方法および電子機器
WO2021079496A1 (ja) * 2019-10-25 2021-04-29 日本電気株式会社 評価装置、評価方法及びプログラム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6140331B1 (ja) 2016-04-08 2017-05-31 ファナック株式会社 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム
JP2018005802A (ja) 2016-07-08 2018-01-11 日立オートモティブシステムズ株式会社 トレーサビリティｉｄ記録装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008210367A (ja) * 2007-01-29 2008-09-11 Nec Corp リスク検知システム、リスク検知方法及びそのプログラム
JP2019028871A (ja) * 2017-08-02 2019-02-21 Tis株式会社 プロジェクト管理支援装置、プロジェクト管理支援方法およびプログラム
JP2021061055A (ja) * 2018-03-29 2021-04-15 日本電気株式会社 データ処理方法および電子機器
WO2021079496A1 (ja) * 2019-10-25 2021-04-29 日本電気株式会社 評価装置、評価方法及びプログラム

Also Published As

Publication number Publication date
JP7499965B2 (ja) 2024-06-14
DE112021007856T5 (de) 2024-04-25
US20240177065A1 (en) 2024-05-30
JPWO2022269656A1 (ja) 2022-12-29

Similar Documents

Publication Publication Date Title
Zhou et al. How far we have progressed in the journey? An examination of cross-project defect prediction
US11314616B2 (en) Machine learning models applied to interaction data for facilitating modifications to online environments
JP2019527434A (ja) 評価モデルのためのモデリング方法及び装置
Liparas et al. Applying the Mahalanobis-Taguchi strategy for software defect diagnosis
CN113010389A (zh) 一种训练方法、故障预测方法、相关装置及设备
CN110888625A (zh) 基于需求变更和项目风险对代码质量进行控制的方法
CN112561320A (zh) 机构风险预测模型的训练方法、机构风险预测方法和装置
CN119003375A (zh) 基于aigc模型的软件测试方法、系统及装置
CN117421311A (zh) 基于人工智能的数据校验方法、装置、设备及存储介质
CN115952081A (zh) 一种软件测试方法、装置、存储介质及设备
Hayat et al. The evolving role of artificial intelligence in software testing: Prospects and challenges
Bharani Complexity study of software engineering phases and software quality
Cai et al. A decision-support system approach to economics-driven modularity evaluation
CN113362179A (zh) 交易数据的预测方法、装置、设备、存储介质及程序产品
JP7499965B2 (ja) 機械学習装置、深刻度予知装置、機械学習方法、および深刻度予知方法
Ozakinci et al. The role of process in early software defect prediction: Methods, attributes and metrics
Ramler et al. Requirements for integrating defect prediction and risk-based testing
US11710145B2 (en) Training a machine learning algorithm to create survey questions
Theis et al. Improving predictive process monitoring through reachability graph-based masking of neural networks
CN106096635B (zh) 基于阈值操作的代价敏感神经网络的警告分类方法
Rosli et al. The design of a software fault prone application using evolutionary algorithm
Cao et al. Mental workload modeling in an integrated cognitive architecture
JP7718421B2 (ja) 情報処理装置、情報処理方法、およびプログラム
CN106055483B (zh) 基于欠采样操作的代价敏感神经网络的警告分类方法
Gary Teng et al. Enhancing supply chain operations through effective classification of warranty returns

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21946947

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2023529190

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 18551201

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 112021007856

Country of ref document: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21946947

Country of ref document: EP

Kind code of ref document: A1