Τη Δευτέρα 2/2/2026, και ώρα 17:00, θα πραγματοποιηθεί στο Εργαστήριο 534 η επόμενη συνάντηση του εργαστηρίου SDE.
Ο κ. Δημήτρης Τσουκαλάς, μεταδιδακτορικός ερευνητής του Τμήματος με επιβλέποντα τον κ. Αλέξανδρο Χατζηγεωργίου, θα παρουσιάσει τα αποτελέσματα της μεταδιδακτορικής του έρευνας με τίτλο «Μηχανική Μάθηση στην Εμπειρική Τεχνολογία Λογισμικού – Machine Learning in Empirical Software Engineering».
Περίληψη
Στη σύγχρονη ανάπτυξη λογισμικού, η διασφάλιση της ποιότητας, της συντηρησιμότητας και της μακροχρόνιας βιωσιμότητας των συστημάτων αποτελεί κρίσιμο ζητούμενο, ιδιαίτερα σε περιβάλλοντα που χαρακτηρίζονται από ταχύτατη εξέλιξη, αυξημένες πιέσεις χρόνου και τη χρήση ετερογενών εργαλείων αξιολόγησης ποιότητας. Στην πράξη, η αποτίμηση της ποιότητας λογισμικού βασίζεται συχνά σε υποκειμενική ανθρώπινη κρίση ή σε εργαλεία που εφαρμόζουν διαφορετικά σύνολα κανόνων και μοντέλα ποιότητας, οδηγώντας σε αντικρουόμενα αποτελέσματα και δυσκολία στην ερμηνεία τους. Οι παραπάνω προκλήσεις συνδέονται άμεσα με την έννοια του Τεχνικού Χρέους (Technical Debt), η οποία περιγράφει το επιπλέον κόστος που προκύπτει από τεχνικούς συμβιβασμούς που ευνοούν βραχυπρόθεσμα την ανάπτυξη, αλλά επιβαρύνουν τη συντήρηση του λογισμικού μακροπρόθεσμα. Στο πλαίσιο της παρουσιαζόμενης μεταδιδακτορικής έρευνας, διερευνήθηκε συστηματικά η αξιοποίηση τεχνικών Μηχανικής Μάθησης (Machine Learning) στην Εμπειρική Τεχνολογία Λογισμικού (Empirical Software Engineering), με στόχο την αντικειμενική, συγκριτική και ερμηνεύσιμη αποτίμηση του Τεχνικού Χρέους. Αρχικά, στα πλαίσια της έρευνας διερευνήθηκε η ιεράρχηση του Τεχνικού Χρέους. Συγκεκριμένα, μέσω της αξιοποίησης προβλεπτικών μοντέλων και εμπειρικών δεδομένων σε επίπεδο κλάσεων λογισμικού, μελετήθηκε η προβλεπτική διάσταση του Τεχνικού Χρέους, επιτρέποντας τον προληπτικό σχεδιασμό και την ιεράρχηση ενεργειών συντήρησης με βάση τη μελλοντική του εξέλιξη. Συνεχίζοντας με την ιεράρχηση του Τεχνικού Χρέους, η έρευνα πρότεινε προσεγγίσεις μεγάλης κλίμακας για την τοποθέτηση των μετρήσεων Τεχνικού Χρέους σε ευρύτερο πλαίσιο αναφοράς (benchmark), επιτρέποντας την συγκριτική αξιολόγηση μεταξύ ετερογενών συστημάτων και ενισχύοντας τη λήψη τεκμηριωμένων αποφάσεων συντήρησης. Τέλος, στον τομέα του εντοπισμού του Τεχνικού Χρέους, η έρευνα πρότεινε επεξηγήσιμα μοντέλα (Explainable AI) τα οποία ενισχύουν τη ερμηνευσιμότητα και την εμπιστοσύνη κατά την αποτίμηση της ποιότητας λογισμικού, παρέχοντας αντικειμενικές ερμηνείες για τους παράγοντες που συμβάλλουν στη συσσώρευση Τεχνικού Χρέους.
