Ohjelmistovirheiden ennustaminen koneoppimismenetelmien avulla

Abstract

Tämän kandidaatintutkielman tavoitteena on tarkastella ohjelmistovirheiden ennustamista koneoppimismenetelmien avulla kirjallisuuskatsauksen muodossa. Ohjelmistokehityksessä virheiden aikainen tunnistaminen on tärkeää, koska virheiden korjaaminen tulee yleensä kalliimmaksi projektin myöhemmissä vaiheissa. Tässä tutkielmassa selvitetään, millaisia koneoppimismenetelmiä ohjelmistovirheiden ennustamiseen on käytetty, millaisia tuloksia niillä on saavutettu ja millaisia haasteita niiden käyttöön liittyy. Kirjallisuuskatsauksessa tarkastellaan sekä perinteisiä valvottuja koneoppimismalleja että syväoppimismenetelmiä. Lisäksi käsitellään luokkaepätasapainon vaikutusta ennustemallien toimintaan sekä sitä, miten menetelmiä voidaan hyödyntää teollisissa ympäristöissä. Kirjallisuuden perusteella voidaan todeta, että menetelmien suorituskyky riippuu paljon datan laadusta, ominaisuuksien valinnasta ja käytetyistä arviointimittareista. Syväoppimismallit ovat viime vuosina yleistyneet, mutta niiden käyttöön liittyy myös haasteita, kuten suuri datantarve ja heikompi selitettävyys. Yhteenvetona voidaan todeta, että ohjelmistovirheiden ennustaminen koneoppimisen avulla on kehittyvä tutkimusalue, jossa eri menetelmien toimivuus vaihtelee tilanteen ja aineiston mukaan. Erityisesti datan esikäsittelyllä ja epätasapainoisen datan hallinnalla on merkittävä vaikutus ennustustuloksiin.