[논문] AI 기반 폐쇄‑루프 품질 엔지니어링: 지속적인 소프트웨어 품질 인텔리전스를 위한 레퍼런스 아키텍처
개요
소프트웨어 엔지니어링의 품질은 요구사항, 테스트, 운영 간의 단절된 프로세스 때문에 여전히 도전 과제이며, 이는 연속적인 릴리즈에서 품질 전략을 구현할 기회를 방해합니다. 기존 접근 방식은 고정 모델이나 단일 최적화에 치우쳐 있으며, 운영 피드백 학습 메커니즘이 부족합니다. 본 논문은 AI 강화가 적용된 지속적인 소프트웨어 품질 인텔리전스의 폐쇄 루프 참조 아키텍처를 제안합니다. 이 모델은 요구사항 특성 마이닝, 위험 기반 테스트 우선순위 지정, 결함 예측, 운영 인시던트 분석을 피드백 기반 파이프라인의 요소로 통합합니다. 제한된 피드백 학습 모델을 도입하여 결함 심각도와 인시던트 영향에 기반한 운영 신호를 다음 릴리즈에 전달함으로써 안정성과 시점을 보장합니다. 이 방법은 6개의 릴리즈 사이클에 걸쳐 4,500개의 요구사항, 27,049개의 테스트 케이스, 13,089개의 결함 및 7,841개의 인시던트를 포함한 반합성 테스트 데이터셋을 사용해 평가되었습니다. 실험 결과, 제안된 시스템은 결함 누수를 0.19에서 0.13으로 감소시키고, 탐지 시스템의 효율성을 0.72에서 0.84로 향상시키며, 비적응형 베이스라인에 비해 테스트 실행 시간을 최대 35% 단축시켰습니다. 이러한 변화는 릴리즈 간에 안정적입니다. 이 결과는 폐쇄 루프 아키텍처에 피드백 기반 학습을 통합함으로써 품질 프로세스를 지속적으로 향상시킬 수 있음을 보여주며, 이는 소프트웨어 적응형 품질 엔지니어링의 실용적 기반을 제공합니다.
주요 기여
이 논문은 다음 분야의 연구를 제시합니다:
- cs.SE
- cs.AI
방법론
자세한 방법론은 전체 논문을 참고하십시오.
실용적 함의
본 연구는 cs.SE 분야의 발전에 기여합니다.
저자
- Dimple Bajaj
논문 정보
- arXiv ID: 2606.08793v1
- Categories: cs.SE, cs.AI
- Published: 2026년 6월 7일
- PDF: PDF 다운로드