이선아 연구실은 소프트웨어 유지보수와 진화의 효율성을 극대화하기 위한 다양한 자동화 기법을 연구합니다. 소프트웨어 시스템은 시간이 지남에 따라 복잡성이 증가하고, 새로운 요구사항이나 버그 수정, 기능 추가 등으로 인해 지속적인 변경이 필요합니다. 이러한 변화에 효과적으로 대응하기 위해, 연구실에서는 코드 변경 추천 시스템, 테스트 케이스 자동 재사용, API 자동 갱신 등 다양한 자동화 도구와 알고리즘을 개발하고 있습니다. 특히, 순환 신경망(RNN)과 딥러닝 기반의 추천 시스템을 활용하여 개발자가 수정이 필요한 코드 위치를 빠르게 탐색할 수 있도록 지원합니다. 또한, 소프트웨어 변경 이력과 요구사항 추적성을 연계하여 변경의 영향을 체계적으로 분석하고, 변경된 요구사항이 소프트웨어 아키텍처와 테스트에 미치는 영향을 자동으로 추적하는 방법론을 제시합니다. 이러한 연구는 대규모 소프트웨어 시스템의 유지보수 비용을 절감하고, 품질을 향상시키는 데 중요한 역할을 합니다. 연구실의 성과는 실제 오픈소스 프로젝트와 산업 현장에 적용되어 그 효과를 검증받고 있습니다. 예를 들어, 테스트 케이스 재사용 시스템은 새로운 제품 개발 시 기존 테스트 자산을 효율적으로 활용할 수 있게 하여, 평균적으로 47.5%의 테스트 시간을 절감하는 결과를 보였습니다. 또한, API 자동 갱신 기법은 프레임워크의 변화에 따라 클라이언트 소프트웨어의 메소드 호출을 자동으로 갱신하여 개발자의 수작업 부담을 크게 줄였습니다.

연구실은 소프트웨어 품질 보증과 요구사항 추적성 강화를 위한 지능형 기법을 중점적으로 연구합니다. 소프트웨어 개발 및 유지보수 과정에서 요구사항의 변화와 그에 따른 코드, 테스트, 문서 등 산출물 간의 연계성을 체계적으로 관리하는 것은 매우 중요합니다. 이를 위해 연구실에서는 그래프 기반의 요구사항 추적성 모델, 스프레드시트 애플리케이션을 활용한 유연한 맵핑 변경, 그리고 자동화된 추적성 갱신 기법 등을 개발하고 있습니다. 특히, 항공기 탑재 소프트웨어와 같은 미션 크리티컬 시스템에서 요구사항 추적성의 실패 사례를 분석하고, 이를 예방하기 위한 체계적인 추적성 관리 절차를 제안합니다. 또한, 요구사항과 아키텍처, 테스트 케이스 간의 연관성을 자동으로 분석하여, 변경이 발생했을 때 위험 요소를 신속하게 파악하고 대응할 수 있도록 지원합니다. 이러한 연구는 소프트웨어의 신뢰성과 안전성을 확보하는 데 핵심적인 역할을 하며, 실제 항공, 국방, 산업용 소프트웨어 개발 현장에서 그 필요성이 점점 커지고 있습니다. 연구실의 추적성 연구는 국제 표준(예: SAE ARP4754A, DO-178C)과 연계하여, 감항인증 등 실무적 요구에 부합하는 솔루션을 제공합니다. 또한, 다중 레이블 분류 봇, 버그 리포트 요약 자동화 등 인공지능 기술을 접목하여, 개발자의 관리 부담을 줄이고 품질 보증 활동의 효율성을 높이고 있습니다.

이선아 연구실은 소프트웨어 개발 과정에서 발생하는 다양한 이슈와 버그를 효과적으로 관리하기 위한 자동화 및 인공지능 기반 기술을 연구합니다. GitHub와 같은 오픈소스 플랫폼에서 이슈 관리 시스템의 효율성을 높이기 위해, 다중 레이블 분류 봇, 버그 리포트 요약, 이슈 자동 분류 등 다양한 도구와 알고리즘을 개발하고 있습니다. 특히, RoBERTa, BART, CodeBERT 등 최신 자연어 처리(NLP) 및 딥러닝 모델을 활용하여, 이슈 보고서와 버그 리포트의 핵심 정보를 자동으로 추출하고 요약하는 기술을 선보이고 있습니다. 이러한 기술은 개발자가 방대한 이슈와 버그 리포트 속에서 필요한 정보를 신속하게 파악하고, 문제 해결에 집중할 수 있도록 돕습니다. 또한, 중복된 버그 리포트의 통합 요약, 이슈와 사용자 매뉴얼의 기능 연계 분류 등 고도화된 기능도 연구되고 있습니다. 연구실의 이슈 및 버그 관리 자동화 연구는 실제 오픈소스 프로젝트와 산업 현장에 적용되어, 이슈 분류 정확도와 요약 품질에서 기존 방법 대비 뛰어난 성능을 입증하였습니다. 예를 들어, ClaSum과 같은 버그 요약 기법은 기존 LLM 기반 요약보다 구조적이고 정보가 풍부한 요약을 제공하며, IssueBERT와 같은 도메인 특화 사전학습 모델은 이슈 분류 정확도를 크게 향상시켰습니다.