In Section 2 we discussed several s

In Section 2 we discussed several software cost estimation
models, and indicated that each had at least passed a market
test for value by remaining economically viable over at
least a decade. Their relative accuracy remains a difficult
question to answer, as data on software cost, schedule, and
quality is far from uniformly defined. A significant step
forward was made with the core software metric definitions
developed in [67], but there is still about a ±15% range of
variation between projects and organizations due to the
counting rules for data. Example sources of variation are
the job classifications considered to be directly charging to
a software project, the way an organization counts
overtime, and the rules for distinguishing a defect from a
feature.
This has led to a situation in which models calibrated to a
single organization’s consistently collected data are more
accurate than general-purpose cost-schedule-quality
estimation models. Some particularly good examples of
this in the software quality and reliability estimation area
have been AT&T/Lucent [50], IBM [18], Hewlett Packard
[32], the NASA/CSC/University of Maryland Software
Engineering Lab [49], and Advanced Information Services
[28].
The proliferation of new processes and new technologies is
another source of variation that limits the predictive
accuracy of estimation models. For example, it required
161 carefully-collected data points for the calibration of
COCOMO II [14] to reach the same level of predictive
accuracy (within 30% of the actuals, 75% of the time) that
was reached by the original COCOMO model [19] with 63
carefully-collected Waterfall-model data points [8].
Alternative estimation approaches have been developed,
such as expertise-based, dynamics-based, case-based, and
neural net models; see [13] for further details. Neural net
and case-based models are still relatively immature.
Dynamic models are particularly good for reasoning about
development schedule and about adaptation to in-process
change [1,44], but are hard to calibrate. Expertise-based
methods are good for addressing new or rapidly changing
situations, but are inefficient for performing extensive
tradeoff or sensitivity analyses. All of the approaches share
the difficulties of coping with imprecise data and with
changing technologies and processes

Kết quả (Việt) 1:

Trong phần 2, chúng tôi đã thảo luận một số phần mềm chi phí dự toánMô hình, và chỉ ra rằng mỗi người có ít thông qua một thị trườngkiểm tra đối với giá trị bằng cách còn lại về kinh tế khả thi hơn lúcít nhất một thập kỷ. Độ chính xác tương đối của họ vẫn là một khó khănCác câu hỏi để trả lời, như dữ liệu về chi phí phần mềm, lịch trình, vàchất lượng xa từ thống nhất được xác định. Một bước tiến quan trọngchuyển tiếp đã được thực hiện với các phần mềm lõi số liệu định nghĩaphát triển trong [67], nhưng đó là vẫn về ±15% nhiềuCác biến thể giữa dự án và các tổ chức do nhữngđếm các quy tắc cho dữ liệu. Ví dụ nguồn của biến thểphân loại công việc coi là trực tiếp tính phí đểmột dự án phần mềm, cách tổ chức một đếmlàm thêm giờ, và các quy tắc để phân biệt một khiếm khuyết từ mộttính năng.Điều này đã dẫn đến một tình huống trong đó mô hình định cỡ để mộttổ chức duy nhất một cách nhất quán của thu thập dữ liệu nhiều hơn nữachính xác hơn thông thường chi phí-lịch-chất lượngCác mô hình dự toán. Một số đặc biệt là ví dụ điển hình củaĐiều này trong phần mềm chất lượng và độ tin cậy dự toán tíchcó AT & T/Lucent [50], IBM [18], Hewlett Packard[32], NASA/CSC/đại học Maryland phần mềmKỹ thuật phòng thí nghiệm [49], và thông tin dịch vụ tiên tiến[28].Sự gia tăng của quy trình mới và công nghệ mới làmột nguồn của sự thay đổi giới hạn các kiểutính chính xác của mô hình dự toán. Ví dụ, nó đòi hỏi161 cẩn thận thu thập dữ liệu điểm cho các hiệu chuẩn củaCOCOMO II [14] để đạt được cùng một mức độ tiên đoánđộ chính xác (trong 30% của actuals, 75% thời gian) màđạt được bởi mô hình COCOMO ban đầu [19] với 63cẩn thận thu thập thác nước-mô hình dữ liệu điểm [8].Phương pháp tiếp cận thay thế dự toán đã được phát triển,chẳng hạn như dựa trên kiến thức chuyên môn, dựa trên động lực, case dựa trên, vàMô hình lưới thần kinh; Xem abnj [13] để biết thêm chi tiết. Mạng nơ-ronvà case dựa trên mô hình vẫn còn tương đối chưa trưởng thành.Mô hình động là đặc biệt tốt cho lý luận vềlịch trình phát triển và về thích ứng với trong quá trìnhthay đổi [1,44], nhưng là khó khăn để hiệu chỉnh. Dựa trên kiến thức chuyên mônphương pháp này là tốt cho địa chỉ mới hoặc nhanh chóng thay đổitình huống, nhưng là không hiệu quả để thực hiện rộng rãiphân tích sự cân bằng hoặc nhạy cảm. Tất cả các phương pháp chia sẻnhững khó khăn của đối phó với dữ liệu không chính xác và vớithay đổi công nghệ và quy trình

Kết quả (Việt) 2:

Trong phần 2, chúng tôi đã thảo luận một số dự toán chi phí phần mềm
mô hình, và chỉ ra rằng mỗi người đều có ít nhất thông qua một thị trường
thử nghiệm cho giá trị còn lại của hiệu quả kinh tế qua tại
ít nhất một thập kỷ. Độ chính xác tương đối của họ vẫn là một khó khăn
để trả lời câu hỏi, như số liệu về chi phí phần mềm, lịch trình, và
chất lượng là xa ấn định thống nhất. Một bước tiến đáng kể
về phía trước đã được thực hiện với các định nghĩa số liệu phần mềm cốt lõi
trong phát triển [67], nhưng vẫn có khoảng một phạm vi ± 15% của
sự biến đổi giữa các dự án và các tổ chức do các
quy tắc đếm cho dữ liệu. Nguồn ví dụ về biến thiên là
những phân loại công việc được coi là trực tiếp thu phí để
một dự án phần mềm, cách một tổ chức đếm
thêm giờ, và các quy tắc để phân biệt một khiếm khuyết từ một
tính năng.
Điều này đã dẫn đến một tình huống trong đó các mô hình hiệu chuẩn để một
tổ chức của đơn dữ liệu nhất quán thu được nhiều hơn
chính xác hơn so với mục đích chung chi phí-lịch-chất lượng
mô hình dự toán. Một số ví dụ đặc biệt tốt của
điều này trong lĩnh vực chất lượng phần mềm và ước lượng độ tin cậy
đã được AT & T / Lucent [50], IBM [18], Hewlett Packard
[32], các NASA / CSC / University of Maryland Software
Engineering Lab [49], và nâng cao dịch vụ thông tin
[28].
Sự gia tăng của các quy trình mới và các công nghệ mới là
một nguồn của sự biến đổi đó làm hạn chế các dự đoán
chính xác của mô hình dự toán. Ví dụ, nó yêu cầu
161 điểm dữ liệu một cách cẩn thận thu về hiệu chuẩn của
COCOMO II [14] để đạt cùng một mức độ tiên đoán
chính xác (trong vòng 30% của actuals, 75% thời gian) mà
đã đạt được của các mô hình COCOMO gốc [19] với 63
cẩn thận thu thập điểm Thác-mô hình dữ liệu [8].
phương pháp ước lượng thay thế đã được phát triển,
chẳng hạn như, động lực dựa trên chuyên môn dựa trên trường hợp dựa trên, và
mô hình mạng thần kinh; xem [13] để biết thêm chi tiết. Net thần kinh
và các mô hình trường hợp dựa trên vẫn còn khá non nớt.
mô hình động đặc biệt tốt cho lý luận về
kế hoạch phát triển và về thích ứng với biến trong quá trình
thay đổi [1,44], nhưng rất khó để hiệu chỉnh. Chuyên môn dựa trên
phương pháp tốt để giải quyết mới hoặc thay đổi nhanh chóng
các tình huống, nhưng không hiệu quả để thực hiện mở rộng
sự đánh đổi hay phân tích độ nhạy. Tất cả các phương pháp chia sẻ
những khó khăn đối phó với các dữ liệu không chính xác và có
thay đổi công nghệ và quy trình