ОСОБЛИВОСТІ ЗАСТОСУВАННЯ НЕЙРОННИХ МЕРЕЖ ДЛЯ ПРОГНОЗУВАННЯ ЗНАЧЕНЬ ПОКАЗНИКІВ ЯКОСТІ ПРОГРАМНОГО ПРОДУКТУ

Анотація

У статті досліджується застосування нейронних мереж для прогнозування значень показників якості програмного продукту. Основну увагу приділено методу SHAP (SHapley Additive exPlanations), як одному з найсучасніших інструментів для інтерпретації моделей машинного навчання. Розглянуто також інші методи інтерпретації, такі як LIME (Local Interpretable Model-agnostic Explanations), Integrated Gradients, DeepLIFT (Deep Learning Important FeaTures), GradCAM (Gradient-weighted Class Activation Mapping), Feature Ablation та Permutation Feature Importance. Суттєвий внесок у розробку теоретичних й практичних аспектів, щодо узагальнення проблематики питання застосування нейронних мереж для прогнозування значень показників якості програмного продукту внесли такі вчені, як: Poligné, I., Broyart, B., Trystram, G., Rahman, N. H. A., Lee, M. H. та ін.. Мета даної статті полягає у дослідженні теоретичних та  методологічних особливостей застосування нейронних мереж для прогнозування значень показників якості програмного продукту. В статті представлено детальний аналіз кожного методу, включаючи їхні переваги та недоліки. Для реалізації поставленої мети порівняно розглянуті методи на основі їхньої здатності забезпечувати прозорість моделей та точність прогнозування; обговорено практичні аспекти впровадження нейронних мереж у процес прогнозування якості програмного продукту, а також переваги та недоліки кожного методу в контексті реальних задач; розроблено  практичне рішення щодо вдосконалення методу SHAP. Отримані результати підкреслюють важливість вибору належного методу інтерпретації для забезпечення надійних та зрозумілих прогнозів якості програмного забезпечення. В процесі вирішення піднятих завдань було використано різні методи, а саме: методи аналізу, синтезу, узагальнення, порівняння.

Ключові слова: SHapley Additive exPlanations, Deep Neural Networks, Convolutional Neural Networks, Recurrent Neural Networks, Gradient-weighted Class Activation Mapping, оцінка якості програмних систем.