Un enfoque de machine learning para apoyar la identificación de la deuda técnica en arquitectura

Resumen

Antecedentes: Las decisiones tomadas por los arquitectos para favoreces objetivos a corto plazo y en posible detrimento de la calidad del software a largo plazo, se conoce como Deuda Técnica en Arquitectura. Este tipo de deuda técnica es difícil de identificar porque está relacionada con los atributos de calidad no visibles para el cliente, como la mantenibilidad y capacidad de evolucionar del sistema. Objetivo: Es por esto que, en este artículo, se un modelo supervisado de machine learning para apoyar la identificación de la deuda técnica en arquitectura que se ubique en la etapa de diseño de la arquitectura. Métodos: Esta propuesta se apoya en la información recogida de los artefactos producidos durante el diseño de la arquitectura para construir un dataset que permita evaluar diferentes algoritmos de aprendizaje supervisado y así establecer el que ofrezca mejor exactitud. La identificación de la deuda técnica, dentro del marco de esta propuesta y a diferencia de las propuestas en la literatura, no considera el código fuente. Resultados: El desempeño del modelo fue evaluado a través de un caso real de la industria y permitió descubrir que tanto la exactitud como el recall presentan niveles aceptables. Conclusiones: Los datos utilizados para entrenar el modelo, si bien son apropiados, son susceptibles de seguir mejorando. Este enfoque permitirá a los arquitectos apoyar la identificación de ATD conscientes e inconscientes inyectados en sus arquitecturas.