Критерии профессиональности программистов при разработке экспертной системы управления программными проектами

Аннотация: В течение долгого времени в программной инженерии существует проблема, связанная с довольно большим процентом провалов программных проектов. Одной из наиболее частых причин таких провалов является неоптимальное распределение людских ресурсов, т. е. распределение разработчиков по задачам в соответствии с их навыками и спецификой задачи. Сфера разработки программного обеспечения требует постоянного совершенствования навыков, причем степень овладения одним навыком может положительно влиять на другие, связанные с ним. Из-за большого числа навыков существует потребность в экспертной системе, позволяющей отслеживать изменяющиеся навыки разработчиков и осуществлять близкое к оптимальному распределение людских ресурсов. При этом из-за невозможности однозначного оценивания навыков и частичного их перекрытия друг с другом, обработка информации о сотрудниках более удобна с использованием теории нечетких множеств, нежели при применении классической теории множеств или теории вероятности. В конце статьи приведен список наиболее значимых навыков при реализации ИТ-проектов.

Ключевые слова: экспертные системы, разработка программ, управление проектами, распределение людских ресурсов, навыки, нечеткие множества, неопределенность, теория вероятности.

На протяжении долгого времени проблема разработки программного обеспечения не утрачивает свою актуальность. Научно-исследовательская организация Standish Group International, Inc с 1994 года предоставляет статистику успешности программных проектов по всему миру. В 2015 году из 50 000 проектов 19% полностью провалились, т. е. не завершились вовсе [1]. При этом за предыдущие пять лет процент провалов варьировался от 17% до 22%, что говорит о закономерности данной проблемы в программной инженерии. Также эта организация предоставляет процентное выражение влияния различных факторов на успешность проекта. Согласно данным 45% успеха зависит от руководителей и команды разработчиков. Таким образом, можно сделать вывод, что планирование и управление проектами зачастую осуществляется не должным образом, в связи с чем имеется необходимость в создании системы поддержки принятия решений при управлении процессом разработки программного обеспечения. Существующие разработки в данной области могут с разной степенью помочь в разрешении имеющейся проблемы, но они не позволяют осуществлять близкое к оптимальному распределение разработчиков по задачам проекта в соответствии с их навыками [2] .

Чтобы выполнить данное распределение сотрудников по задачам, менеджер проекта должен опираться на имеющиеся у сотрудников навыки и специфику задачи. Каждая задача требует наличия у разработчика некоторого множества навыков. Для того чтобы выполнить распределение людских ресурсов можно использовать теорию множеств. Тогда пусть U — некоторое множество всех возможных навыков. X является множеством навыков, которые требуются для решения поставленной задачи (X Ѓє U). Y является множеством навыков, имеющихся у отдельного разработчика (Y Ѓє U). Множество Y либо определяется самим сотрудником или менеджером проекта, либо рассчитывается на основе данных о предыдущем опыте. Разработчик, у которого Y ? X = X является наиболее подходящей кандидатурой для данной задачи. В случае если таких разработчиков нет, наиболее подходящим будет являться тот, у которого имеется наибольшее количество требуемых для решения задачи навыков. Данное описание предполагает, что разработчик может обладать или не обладать каким-либо навыком. В связи с этим возможна следующая ситуация: разработчик с более низкой квалификацией в каком-либо навыке может посчитать ее вполне достаточной для обладания данным навыком, а разработчик с более высокой квалификацией может посчитать ее недостаточной для обладания данным навыком. При этом произойдет неоптимальное распределение сотрудников по задачам. Аксиома исключающего третьего, лежащая в основе теории множеств, накладывает некоторые ограничения на ее применение во многих реальных задачах, в которых используются оценки типа: «отлично», «очень хорошо», «хорошо», «удовлетворительно», «плохо», «очень плохо» и т. п. [3]. Данные оценки не могут адекватно формализовываться в классической теории множеств.

Так же возможна интерпретация неопределенных оценок с помощью теории вероятности. Но при использовании данного аппарата неопределенность степени обладания навыком отождествляется со случайностью. То есть набор навыков конкретного разработчика в данном случае определяется вероятностью обладания определенным навыком. А навыки рассматриваются как совокупность статистически однородных случайных объектов.

Однако рассматриваемая неопределенность является неопределенностью другого рода и не связанна со случайностью. Она связана с лингвистической неопределенностью или нечеткостью рассуждений и восприятий того или иного навыка. Для формализации неопределенностей такого рода удобно использовать лингвистические переменные из теории нечетких множеств, которую в 1965 году предложил в своей статье «Fuzzy Sets» профессор Л. Заде из университета Беркли. [4] В соответствие с этой теорией нечеткое множество Y — множество упорядоченных пар {y, м_Y (y) }, где м_Y (y) является функцией принадлежности y в Y (м_Y (y) > [0, 1]) [5] , — можно сопоставить с каким-либо навыком разработчика, а его функцию принадлежности — со степенью владения конкретным разработчиком (y) данного навыка. При этом значение функции принадлежности равное 0 будет означать абсолютное отсутствие навыка у разработчика, а значение 1 — полное и абсолютное знание разработчиком всех тонкостей навыка. С помощью данной теории можно хорошо интерпретировать субъективные оценки «отлично», «очень хорошо», «хорошо», «удовлетворительно», «плохо» и «очень плохо» выставляемые разработчику экспертами или руководителями проектов. Связки («и», «или», «не», «очень», «более» и т. д.) в этом случае трактуются как видоизменяющие операторы, что позволяет при разработке экспертной системы переводить запросы, составленные с учетом лингвистических переменных, в SQL-операторы реляционных баз данных, что упростит создание такой системы в целом. [6].

Еще одним важным вопросом является вид функции принадлежности — функции владения разработчиком тем или иным навыком. Вид этой функции напрямую зависит от особенностей рассматриваемой области и важности различения между собой значений лингвистических переменных. В рассматриваемой нами области оценивания навыков разработчиков крайне важно отличить разработчика, владеющего навыком «плохо» от разработчика, владеющего навыком «отлично». В то время как различие между «очень плохо» и «плохо», а также между «отлично» и «безупречно» может быть не таким важным. Кроме того, в крайних областях значений (области «очень плохо» и «очень хорошо») разница между разработчиками может быть спорной или неочевидной. Приемлемой функцией оценивания при таких условиях можно считать сигмоид с общей формулой, где «б» — коэффициент крутизны функции принадлежности (рис. 1).

Рис. 1. — Функция ценности программиста от уровня владения навыком

экспертная система программный проект Для того чтобы выполнять распределение людских ресурсов необходимо сформировать базу навыков, необходимых для выполнения различных задач. Множество всех возможных навыков представлено в таблицах 1−4 [7−12] .

Таблица № 1. Навыки программирования в срезе языков программирования.

Таблица № 2. Навыки администрирования информационных систем.

Таблица № 3. Навыки работы с инструментами.

Таблица № 4. Обобщенные и социальные навыки.

Данные таблицы навыков не является окончательными. Система предполагает возможность ее расширения в соответствие со спецификой решаемых задач. Представление информации об обладании каким-либо навыком в виде функции принадлежности наилучшим образом отражает нечеткость данной характеристики. Поэтому использование теории нечетких множеств наиболее удобно при распределении людских ресурсов по задачам, исходя из имеющихся у разработчиков навыков и специфики задач.

Работа выполнена при поддержке РФФИ проект № 16−01−390.

• 1. Hastie S., Wojewoda S. Standish Group 2015 Chaos Report — Q&A with Jennifer Lynch. Info, 2015. URL: infoq.com/articles/standish-chaos-2015.
• 2. Zhivaeva A.A. et al. Decision support systems for planning the software development process // Modern informatization problems in economics and safety / ed. Kravets O. J. et al. Yelm, WA, USA: Scince Boor Publishing House, 2017. pp.101−105.
• 3. А. П. Ротштейн. Интеллектуальные технологии идентификации // Проектирование систем управленияFuzzy Logic Toolbox. URL: matlab. exponenta.ru/fuzzylogic/book5/1₁. php.
• 4. Кофман А.

  Введение

  в теорию нечетких множеств / ред.С. И. Травкин. М.: Радио и связь, 1982.432 c.

• 5. Гинис Л. А. Развитие инструментария когнитивного моделирования для исследования сложных систем // Инженерный вестник Дона. 2013. № 3. URL: ivdon.ru/ru/magazine/archive/n3y2013/1806.
• 6. Венцов Н. Н., Долгов В. В., Подколзина Л. А. Об одном способе построения запросов к базе данных на основе аппарата нечеткой логики // Инженерный вестник Дона. 2015. № 3. URL: ivdon.ru/ru/magazine/archive/n3y2015/3172.
• 7. Wen F., Lin C. — M. Multistage Human Resource Allocation for Software Development by Multiobjective Genetic Algorithm // Open Appl. Math. J. 2008. № 2. pp.95.
• 8. Alison Doyle. Top Skills to List on LinkedIn. Most Popular Skills Employers Seek on LinkedIn. 2017. URL: thebalance.com/top-skills-to-list-on-linkedin-2 062 321.
• 9. Mtsweni E.S., Hцrne T., Poll J.A. Van Der. Soft Skills for Software Project Team Members // Int. J.comput. Theory Eng. 2016. Vol.8, № 2. pp.150−155.
• 10. Ahmed F. et al. What Soft Skills Software Architect Should Have? A Reflection from Software Industry // Int. Conf.comput.commun. Manag. 2011. Vol.5. pp.565−569.
• 11. Silva L.C. e, Costa A. P. C. S. Decision model for allocating human resources in information system projects // Int. J. Proj. Manag. 2013. Vol.31, № 1. pp.100−108.
• 12. Avinash A., Ramani K. A Hybrid Technique for Software Project Scheduling and Human Resource Allocation // Int. J. Eng. Dev. Res. 2014. Vol.2, № 3. pp.3243−3251.