Identifizierung der Merkmale von gutem und schlechtem Code durch Deep-Learning-Verfahren
Effiziente Live-Prüfung der Codequalität durch Nutzung eines umfangreichen und komprimierten Wissens aus vorhandenen Softwareprojekten
Codequalität anhand des umfangreichen Wissens aus einer Vielzahl von Softwareprojekten und Expertise erfahrener Softwareentwickler bewerten
{Motivation}
Qualitätsdefizite, die aus Zeit- und Kostengründen im Rahmen von immer kürzerer Entwicklungszyklen entstehen, führen zu Folgekosten sowie abnehmender Produktivität und Innovationsfähigkeit. 69 % aller Softwareprojekte scheitern oder können nur mit signifikanten Mehrkosten abgeschlossen werden.
Um Qualitätsdefizite möglichst frühzeitig zu erkennen, werden Qualitätsmodelle eingesetzt. Eine fundamentale Schwäche von Qualitätsmodellen ist jedoch, dass diese auf vordefinierten statischen Metriken struktureller Softwareeigenschaften beruhen, welche meist willkürlich ausgewählter Metriken verwenden.
Ein weiteres Problem sind die hohen Kosten für die Datenerfassung, -pflege und -analyse. Außerdem ist nicht garantiert, dass die im Kontext tatsächlich relevanten Qualitätsbeziehungen erfasst werden. Zudem erfordert der Aufbau geeigneter Qualitätsmodelle umfangreiches Wissen im Bereich Softwaremessung, welches in vielen kleinen und mittleren Unternehmen (KMU) oft nicht oder nur eingeschränkt vorhanden ist.
{Das Ziel}
Im Vergleich zu bestehenden Ansätzen wird eine deutlich präzisere, situativere und genauere Beurteilung der Codequalität angestrebt.
Es wird eine große Menge von Open-Source-Softwareprojekten, für die es neben Code auch Qualitätsindikatoren gibt, integriert.
Mittels Deep-Learning-Verfahren wird aus dem Wissen zur Codestruktur die Eigenschaften „guten“ und „schlechten“ Codes erlernt.
Mittels Transfer Learning wird das Modell automatisiert an einen spezifischen Projektkontext angepasst. Ziel sind nachvollziehbare Ergebnisse.
{Die Anwendung}
DeepQuali nutzt die explorative, direkte Analyse von Softwareprojektdaten aus externen und lokalen Repositories. Dort liegen reichhaltige Informationen zur Qualität während der Entwicklung und des Betriebs vor.
Unter anderem Softwarecode, Change-Historien, Commit Messages, Wartungsaufwand, Issue-Beschreibungen, Testergebnisse und Ausfallberichte. Dazu identifizieren wir strukturelle Muster, die allen Instanzen eines bestimmten Softwareartefakts gemeinsam sind; bestimmen und quantifizieren wir Beziehungen zwischen strukturellen Mustern und der Quality-in-Use von Software; und lokalisieren wir die Bereiche der Software mit den größten Qualitätsdefiziten.
Die DeepQuali-Methodik und die Werkzeuge können von Unternehmen in ihre Tool-Suites integriert oder von Anbietern von Qualitätsmanagementsoftware übernommen und in deren Lösungen integriert werden. Der Einsatz der DeepQuali-Lösung verbessert sowohl die Produktqualität als auch die Prozesseffizienz (Zeit und Kosten) grundlegend.
Quality Hotspots und deren Ursachen werden identifiziert und Maßnahmen werden gezielt abgeleitet. Kosten für die Erstellung und Wartung von Software lassen sich unter Berücksichtigung der gemessenen technischen Schuld präziser und prognostizierter steuern. Der eingesparte Aufwand wird für die Entwicklung kundenrelevanter Funktionen frei. Dank Transfer Learning kann der Ansatz auch bei KMU ohne KI-Expertise verwendet werden.
{Partner}
Ansprechpartner:
Dr. Marcus Ciolkowski
https://www.qaware.de
Ansprechpartner:
Dr. Andreas Jedlitschka
https://iese.fraunhofer.de/
Ansprechpartner:
Dr. Anton Strahilov
https://letsdev.de
{Förderung}
Das Forschungsprojekt DeepQuali ist Teil der BMFTR-Fördermaßname KI4KMU. Das Ziel dieser Förderung besteht darin, risikoreiche Forschungs- und Entwicklungsprojekte im Bereich der Künstlichen Intelligenz (KI) von kleinen und mittleren Unternehmen (KMU) in Deutschland zu unterstützen.
