Machine Learning come supporto per la valutazione dei requisiti agili

L'approccio delle metodologie agili ai requisiti è meno rigoroso rispetto al processo tradizionale dell'Ingegneria dei Requisiti (RE). Tuttavia, ha la pretesa di riuscire ad adattarsi con più facilità in un ambiente in continuo mutamento. Questa capacità di adattamento è data dalla pianificazione e dall'analisi dei requisiti durante tutto il processo di sviluppo del software. Nei metodi agili come Extreme Programming (XP) e Scrum, la valutazione e stima dei requisiti viene effettuata dai programmatori a ogni iterazione durante il Planning Game. In questa tesi si valuteranno gli algoritmi del Machine Learning (ML) come supporto a questa fase. Gli esperimenti verranno effettuati su un dataset di requisiti Scrum per un progetto fittizio appositamente ideato e si articoleranno principalmente in due fasi: l'analisi dei dati, con algoritmi di Elaborazione del Linguaggio naturale (NLP) e di ML non supervisionati, e la stima dei requisiti, attraverso algoritmi di ML supervisionati. Si scopre quindi che il pattern preponderante delle informazioni del dataset è quello lineare. La precisione delle predizioni con un input formato da una combinazione di stime (es. predire lo sforzo a partire da stime quali le linee di codice scritte) può arrivare allo 0.9985, mentre utilizzando il modello predittivo generato a partire dai campi testuali, la precisione arriva nel migliore dei casi allo 0.3360. Questo valore può essere migliorato abbassando la complessità della stima da ottenere, infatti, valutare il livello di difficoltà del requisito permetterà una precisione anche pari a 0.68.