The proliferation of new processes

The proliferation of new processes and new technologies is
anoth 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:

Sự gia tăng của quy trình mới và công nghệ mới làđ 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:

Sự gia tăng của các quy trình mới và các công nghệ mới là
anoth 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 chuyên môn dựa trên động lực dựa trên, trường hợp cơ sở, 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