Yüksek Lisans Adayı: Pelin Dayan Akman

EABD: Bilişim Sistemleri

Tarih: 06.09.2024 / 09:30

Yer: A-212

Özet: Makine Öğrenimi (ML) algoritma ve yöntemlerinin hızlı gelişimi ile gelişmiş sistem ve altyapılara geniş erişim imkanı, pratik sorunlara yönelik ML tabanlı yazılım çözümlerinin geliştirilmesini hızlandırmıştır. Geleneksel yazılım geliştirme projelerine benzer şekilde ML tabanlı yazılım süreçlerinde de ideal olmayan çözümler ya da alt düzey kestirme yolların uygulanması, istenmeyen sonuçlara yol açabilir. Kasti ya da kasti olmadan alınan bu yetersiz kararların etkileri teknik borç olarak adlandırılır. ML tabanlı projeler ile geleneksel yazılım projeleri arasında yapısal farklılıklar olması sebebiyle teknik borç olgusunun yeniden ele alınması ihtiyacı doğmuştur. Bu tez çalışmasında, teknik borçlanma, ML tabanlı proje perspektifinden tanımlanmış ve ML yazılım projelerine özgü teknik borç kategorileri belirlenmiştir. Teknik borcun belirlenmesi ve etkileri, Veri Bilimi ve ML alanında çalışan 18 endüstri profesyoneli ile yapılan kesitsel çalışma ve görüşmeler ile incelenmiştir. Bu görüşmelerde, aktarılan teknik borcun kök nedenleri, etkileri, uygulanan ya da önerilen çözümler ya da önleme stratejileri de kodlama analizi ile değerlendirilmiştir. Analiz neticesinde belirlenen kategorilerin doğrulanması için akademik uzmanlar ile üç iterasyonda uzman değerlendirmesi gerçekleştirilmiştir. Çalışma, ML projelerine özgü veri, model, altyapı ve dağıtım gibi teknik borç kategorilerine ek olarak, kod, sistem dizaynı ve takım, kaynak ve bilgi yönetimi gibi geleneksel yazılım geliştirme projelerine özgü teknik borç kategorilerini de belirlemiştir. Bu araştırma, ML projelerindeki teknik borç olgusunu detaylı bir şekilde anlamayı sağlayarak, bu borçların yönetimi ve azaltılması için pratik öneriler sunmaktadır. Bu çalışma, Makine Öğrenimi ve Yazılım Mühendisliği alanlarına, ML bağlamında teknik borcun özgün doğasını vurgulayarak ve yönetimi için yapılandırılmış yaklaşımlar önererek katkıda bulunmaktadır.