빅데이터를 활용한 검증 예측 가능성과 효율성 향상

빅 데이터는 수십 년 동안 사용되어 온 용어입니다. 처음에는 일반 소프트웨어 도구의 능력을 넘어서는 허용 가능한 시간 내에 캡처, 관리 및 처리되는 데이터 세트로 정의되었습니다. 이 기간 동안 빅 데이터의 크기에서 유일하게 변하지 않는 것은 병렬 처리 능력의 향상과 더 저렴한 저장 용량에 의해 주도되는 움직이는 대상이었다는 것입니다. 오늘날 대부분의 산업은 3V 모델을 사용하여 빅 데이터의 과제와 기회를 볼륨, 속도 및 다양성의 3차원으로 정의합니다. 최근에는 이것이 기계 학습 및 디지털 발자국으로 확장되었습니다. 응용 프로그램 목록은 끝이 없으며 프로세스는 동일합니다 – 캡처, 처리 및 분석. 이 기술이 검증 프로세스 효율성을 개선하고 다음 칩 승인을 예측하는 데 도움이 되지 않는 이유는 무엇입니까?

오늘날의 검증 환경은 장치의 크기, 지리적으로 분산된 팀, 출시 시간에 대한 압박으로 인해 협업이 가능해야 합니다. 이를 위해서는 모든 사이클을 효율적으로 사용하고 하드웨어, 소프트웨어 및 인적 자원을 관리해야 합니다.

이 백서에서는 일반적인 검증 환경과 프로젝트 기간 동안 종종 캡처되지 않은 상태로 남겨지는 데이터를 정의합니다. 전체 검증 프로세스의 예측 가능성과 효율성을 개선하기 위해 캡처, 처리 및 분석 프로세스를 어떻게 적용할 수 있는지 보여줍니다. 이를 위해서는 일반적인 검증 흐름을 구성하는 여러 시스템에서 데이터를 추출할 수 있는 유연한 인프라가 필요합니다. 공통된 방식으로 데이터를 저장할 수 있는 중앙 저장소가 있어야 하며, 이를 통해 프로젝트 기간뿐만 아니라 미래에도 데이터를 깨끗하고 관련성 있게 유지하여 다른 프로젝트와 새 프로젝트에 대한 비교 및 예측을 할 수 있도록 데이터를 관리할 수 있어야 합니다.

이 백서에서는 새로운 웹 지원 기술을 하드웨어 개발 흐름에 적용하여 공동 작업을 위한 플러그 앤 플레이 인프라를 제공하는 방법을 설명합니다. 또한 일반적인 커버리지 메트릭과 일반적으로 손실되는 데이터 메트릭을 결합하여 가능한 몇 가지 유형의 분석 및 통찰력과 이러한 메트릭 간의 상호 관계를 강조합니다.

시간 경과에 따라 수집된 메트릭을 볼 수 있는 기능은 프로세스에 대한 훌륭한 통찰력을 제공할 수 있습니다. 시간 경과에 따른 과거 커버리지 데이터만으로도 승인을 완료하는 데 얼마나 더 많은 시간이 필요한지 알 수 있습니다. 이러한 단일 메트릭을 동일한 그래프에 함께 표시할 수 있으면 종종 손실되는 정보도 열립니다.

이 백서에서는 버그 폐쇄율과 소스 코드 이탈률 간의 교차 분석을 통해 얻을 수 있는 다른 통찰력도 예시와 함께 보여주며, 이를 커버리지 메트릭과 결합하면 승인 진행 상황을 예측하는 데 도움이 될 수 있습니다. 과거 데이터를 사용하여 유사한 이벤트 패턴을 찾아내는 방법과 기존 시스템 내에서 조금 더 많은 메타 데이터를 기록하여 교차 분석을 통해 과거 프로젝트를 기반으로 한 새로운 방법론 또는 도구가 얼마나 효과적이었는지와 같은 정보를 파악하는 방법을 보여줍니다. 또한 버그 수정 사이의 평균 시간, 회귀 실패 사이의 평균 시간, 마지막으로 테스트 통과 또는 실패한 시간, 특정 사용자의 도구 라이선스 사용과 같은 데이터에서 사용할 수 있는 추가 메트릭을 계산할 수 있으므로 "다음 프로젝트에서 최대 사용량에 대한 충분한 공식 라이선스가 있습니까?"와 같은 질문에 답하고 예측할 수 있습니다.