Dağıtılmış Gereksinim – Tez Hazırlatma – Tez Yaptırma – Tez Yaptırma Fiyatları – Tez Örnekleri – Ücretli Tez Yazdırma – Tez Yaptırma Ücreti

Dağıtılmış Gereksinim Ortaya Çıkarmada Kişisel Tercihleri Destekleyecek Bir Model

Grup yazılımı araçlarına yönelik kişisel tercihleri desteklemek için, davranış kalıpları şeklinde bir dizi temsili örnekten kurallar elde etmek için bulanık mantık ve bulanık kümelere dayalı bir model önerilmiştir.

Bu modeller bize, paydaşların F-S modelindeki sınıflandırmalarına göre grup yazılımı araçlarını günlük kullanımlarındaki tercihlerini anlatır. Benzer şekilde, F-S modelinin her bir kategorisi için tercihlere göre uygun bir dizi gereksinim belirleme tekniği bulmayı öneriyoruz.

Her iki model için girdi değişkenleri, F-S modeline karşılık gelen dört kategoridir. Zarfları (ve bunlara karşılık gelen kısaltmaları) kullanarak her girdi değişkeni için bir alan (DDV) tanımladık: Çok (V), Orta Derecede (M) ve Biraz (S); bunlar F-S modelinde sırasıyla güçlü, orta ve hafif olarak karşılık gelir, ancak ilk harfin kullanımıyla ilgili karışıklığı önlemek için isimlerini değiştirdik.

F-S testinin sonuçlarını da özelliklerin sunumunda ilk sırada yer alan kategoriler (duyusal, görsel, aktif, sıralı) için negatif, sonrakiler (sezgisel, sözel) için pozitif işaretle ifade ettik. 

Böylece her bir kategori için tanım alanı gösterildiği gibi, Aktif-Yansıtıcı kategorisi için (diğer üç kategori için de benzer şekilde tanımlanmış olan) tanım alanı işlevi gösterildiği gibi tanımlanmıştır.

Bulanık modelimizin çıktı değişkeni ile ilgili olarak, birinci modelde, bir kişinin favori olarak seçtiği grup yazılımı aracını temsil etmektedir.

Her iki model de tanımlandıktan sonra, makine öğrenimi algoritmasının uygulanabileceği örnekler elde etmemiz gerekir. Bunu yapmak için ilk adımımız, insanlardan öğrenme stillerini bize sağlayacak olan testi doldurmalarını istemektir.

Daha sonra, grup yazılımı araçlarını ve gereksinim belirleme tekniklerini kullanırken paydaşların tercihlerini keşfetmek için stratejiler planlamamız gerekir. İlk durumda, insanlara doğrudan hangi grup yazılımı aracını kullanırken kendilerini daha rahat hissettiklerini de sorabiliriz.

Bu basittir, çünkü insanlar hayatlarında oldukça normal bir şekilde e-posta, anlık mesajlaşma ve sohbet kullanırlar ve hiç video konferans veya beyaz tahta paylaşmamış olsalar bile, bunları kullanırken nasıl hissedeceklerini kolayca hayal edebilirler. Bunun için bir paydaş grubuna yöneltilen basit bir soru, ilk modelimizin çıktı değişkenini belirlememiz için de yeterlidir.

Aksine, gereksinim belirleme teknikleri ile ilgili tercihleri bilmek o kadar kolay değildir. Analistler genellikle birkaç teknik bilirler ve kullanıcılar ve müşteriler genellikle hiçbirini bilmezler. Bu nedenle, bir tercih sıralaması elde etmek için, paydaşların bir dizi gereksinim belirleme tekniği konusunda biraz eğitim aldığı deneyler geliştirmemiz ve ardından paydaşlara her biriyle ilgili deneyimlerini sorabilmemiz de gerekir.

Her iki örnek grubu için uygun sayıda örneğe sahip olduğumuzda, örnekler arasındaki ortak özellikleri genelleştirmek için bir makine öğrenme algoritması da uygulayabiliriz.

Dağıtık mimari ne demek
Gereksinim analizi nedir
Gereksinim ve İhtiyaç arasındaki temel fark nedir
Gereksinim nedir
Gereksinim Analizi Örneği
Dağıtılmış sistemler
Dağıtık sistem Nedir
Dağıtık sistemler örnek

Örneğin, girdi-çıktı sisteminin davranışını yeniden üretebilen sonlu bir bulanık kurallar kümesi bulan önerilen algoritmayı aşağıdaki gibi seçtik:

1. Her örneği tek bir kurala dönüştürün.
2. İlk kümeden aynı olan kuralları kaldırın.
3. Her başlangıç kuralını (mümkün olan yerlerde) genişletmek ve kesin bir kural oluşturmak için analiz edin.

Bu makine öğrenimi algoritmasını birçok paydaşın tercihlerini temsil eden bir dizi örnek üzerinde kullanarak, Ro: X1 VVi ise Y1 ilk model için Anlık Mesajlaşmadır veya Ro: X1 VAC ise o zaman Y2, ikinci model için Prototiptir ve sırasıyla “Bir kullanıcının Görsel alt kategori için güçlü bir tercihi varsa, bu kişinin tercih edeceği grup yazılımı aracı Anlık Mesajlaşma’dır” veya “Bir kullanıcının güçlü bir tercihi varsa” şeklinde yorumlanır. Aktif alt kategori, bu kişinin tercih edeceği çıkarım tekniği Prototip’tir.

Her iki kural setini de elde ettikten ve sanal bir ekipte çalışan her kişinin kişisel tercihlerini öğrendikten sonra, sonuçları otomatikleştiren uygun bir araçla analiz ederek o grup insan için en iyi ortaya çıkarma tekniklerini ve grup yazılımı araçlarını seçmek mümkündür. süreç ve daha fazla taraftarı olanları da seçer.

Önerilen örgütsel öğrenme çerçevesine göre modelimizi analiz ederek, bireysel ve grup çerçevesinin üç düzeyinden yalnızca ikisini ele aldık, organizasyon düzeyi dikkate alınmadı. Bunun nedeni, modelimizin bir grup içinde çalışan bireylerin öğrenmesiyle ilgili süreçleri de etkilemesidir.

Sonuç olarak, üç süreci ele alıyoruz: sezgi, yorumlama ve bütünleştirme. Organizasyon düzeyinde tipik olan kurumsallaşmayı da dikkate almıyoruz.

Bununla birlikte, kurumsallaşma (resmi kural ve prosedürlerin oluşturulması) modelimizin kapsamı dışında olsa bile, uygulanması, yaklaşımımızla birleştirildiğinde etkin bir şekilde çalışabilen bilgi yönetimi faaliyetlerine de bağlıdır.

Benzer şekilde, teknoloji seçimine yönelik bilişsel temelli yaklaşımımız, aşırı programlama da dahil olmak üzere birçok çıkarım ortamında kullanılabilir, böylece kombinasyonu iletişim ve yönetim yönlerini de optimize edebilir.

Motive Edici Örnek

Tercih kuralları bilindikten sonra son seçim süreci için farklı stratejilerin analiz edilmesi de gerekmektedir. Bu, paydaşlar hakkında bildiğimiz bilgileri, onlar için en iyi grup yazılım araçları paketini ve ortaya çıkarma tekniklerini bulmak için birleştirmek anlamına da gelir.

Burada iki farklı yaklaşım da önerilmiştir: İlki, grupta daha fazla taraftarı olan tekniği seçmeye dayalıdır ve ikincisi, tercihleri daha güçlü olan katılımcıları dikkate alır. Yaklaşımlarımızı göstermek için, üç paydaşa uygulanan testin sonuçlarını da ele alalım. 

Daha önce kişisel tercihlere göre belirlediğimiz kuralları uygulayarak her paydaş için bir dizi uygun teknoloji elde ettiğimizi varsayalım. S1’in analist olduğunu, S2 ve S3’ün kullanıcılar olduğunu ve {t}’nin proje ve yaşam döngüsündeki aşamaya uygun gereksinim ortaya çıkarma teknikleri seti olduğunu varsayarsak, üç senaryo da mümkündür.