El uso de Big Data para mejorar la previsibilidad y la eficiencia de la verificación

El concepto de Big Data existe desde hace décadas. Al principio, se definió como conjuntos de datos capturados, gestionados y procesados en un tiempo tolerable más allá de la capacidad de las herramientas de software normales. La única constante en el tamaño de Big Data durante este tiempo es que ha sido un objetivo móvil impulsado por las mejoras en la potencia de procesamiento paralelo y el abaratamiento de la capacidad de almacenamiento. En la actualidad, gran parte de la industria utiliza el modelo de las «tres v» para definir los retos y las oportunidades de Big Data como tridimensionales: volumen, velocidad y variedad. Últimamente, esto se ha ampliado al aprendizaje automático y a las huellas digitales. La lista de aplicaciones es interminable, pero el proceso es el mismo: capturar, procesar y analizar. ¿Por qué esta tecnología no debería ayudar a mejorar la eficiencia de tu proceso de verificación y predecir la aprobación de tu próximo chip?

Los actuales entornos de verificación deben ser colaborativos debido al tamaño de los dispositivos, la dispersión geográfica de los equipos y las presiones sobre el tiempo de comercialización. Requiere el uso eficiente de cada ciclo y la gestión de los recursos de hardware, software y personal.

Este white paper definirá el típico entorno de verificación y los datos que suele dejar sin capturar durante un proyecto. Se mostrará cómo se puede aplicar el proceso de capturar, procesar y analizar para mejorar la previsibilidad y la eficiencia de todo el proceso de verificación. Esto requiere una infraestructura flexible que permita extraer datos de los diferentes sistemas que componen el típico flujo de verificación. Debe haber un repositorio central capaz de almacenar los datos de forma común, de modo que puedan gestionarse para mantenerlos limpios y aplicables, no solo durante la duración del proyecto, sino también en el futuro, para permitir comparaciones y predicciones sobre otros y nuevos proyectos.

Este white paper explicará cómo las nuevas tecnologías preparadas para la web se pueden aplicar al flujo de desarrollo de hardware a fin de proporcionar una infraestructura «plug-and-play» para la colaboración. También destacará algunos de los tipos de análisis y perspectivas que son posibles combinando las métricas comunes de cobertura con las métricas de datos normalmente perdidos, así como las interrelaciones entre esas métricas.

La posibilidad de ver las métricas recopiladas a lo largo del tiempo puede proporcionar una excelente perspectiva del proceso. Los datos históricos de cobertura a lo largo del tiempo por sí solos pueden dar indicaciones de cuánto tiempo más se necesita para completar la aprobación. Poder plotear todas estas métricas en el mismo gráfico también permite conocer información que, a menudo, se pierde.

Este white paper también mostrará con ejemplos otras perspectivas que pueden obtenerse observando el análisis cruzado entre las tasas de cierre de fallos y la rotación del código fuente, que, cuando se combinan con métricas de cobertura, pueden ayudar a predecir el progreso hacia la aprobación. Enseñará cómo pueden utilizarse los datos históricos para detectar patrones similares de acontecimientos, y cómo el registro de un poco más de metadatos en los sistemas permite efectuar análisis cruzados para averiguar información como la eficiencia de una nueva metodología o herramienta basándose en proyectos anteriores. También permite calcular otras métricas disponibles a partir de los datos, como el tiempo medio entre correcciones de errores, el tiempo medio entre fallos de regresión, la última vez que una prueba se superó o no, así como el uso de licencias de herramientas por parte de determinados usuarios. Esto nos permite responder y predecir preguntas como: «¿Tendremos suficientes licencias formales para nuestro pico de uso en el próximo proyecto?».