IT자산은 조직의 경영목적을 지원해주는 핵심영역이며, IT자산의 장애 발생시 신속한 처리를 지원하는 것은 매우 중요하다. 본 연구에서는 IT자산의 장애가 발생할 경우, 장애해결을 위하여 기존의 장애 데이터를 기초로 장애처리 예측 기법을 제시한다. 제안한 장애처리 예측 기법은 첫째, 기존의 장애처리 데이터를 전처리하여 장애처리 유형별로 분류하고 둘째, 분류된 장애처리 유형과 장애 발생 후 접수된 내용을 키워드 매핑시키는 규칙을 제정하였으며 셋째, 제정된 규칙에 의하여 장애 발생 후 장애처리 방법이 사전에 예측 가능한 기계학습 프로세스를 제시하였다. 제시한 기계학습 프로세스의 유효성을 입증하기 위하여 A사에서 6개월 동안 접수된 33,000여건의 전산기기 장애 데이터를 실험한 결과 장애처리 예측의 적중률이 약 72%였으며, 지속적인 기계학습을 통하여 81%로 향상되었다.
IT자산은 조직의 경영목적을 지원해주는 핵심영역이며, IT자산의 장애 발생시 신속한 처리를 지원하는 것은 매우 중요하다. 본 연구에서는 IT자산의 장애가 발생할 경우, 장애해결을 위하여 기존의 장애 데이터를 기초로 장애처리 예측 기법을 제시한다. 제안한 장애처리 예측 기법은 첫째, 기존의 장애처리 데이터를 전처리하여 장애처리 유형별로 분류하고 둘째, 분류된 장애처리 유형과 장애 발생 후 접수된 내용을 키워드 매핑시키는 규칙을 제정하였으며 셋째, 제정된 규칙에 의하여 장애 발생 후 장애처리 방법이 사전에 예측 가능한 기계학습 프로세스를 제시하였다. 제시한 기계학습 프로세스의 유효성을 입증하기 위하여 A사에서 6개월 동안 접수된 33,000여건의 전산기기 장애 데이터를 실험한 결과 장애처리 예측의 적중률이 약 72%였으며, 지속적인 기계학습을 통하여 81%로 향상되었다.
The IT asset is a core part that supports the management objective of an organization, and the fast settlement of the IT asset fault is very important. In this study, a fault recovery prediction technique is proposed, which uses the existing fault data to address the IT asset fault. The proposed fau...
The IT asset is a core part that supports the management objective of an organization, and the fast settlement of the IT asset fault is very important. In this study, a fault recovery prediction technique is proposed, which uses the existing fault data to address the IT asset fault. The proposed fault recovery prediction technique is as follows. First, the existing fault recovery data were pre-processed and classified by fault recovery type; second, a rule was established for the keyword mapping of the classified fault recovery types and reported data; and third, a machine learning process that allows the prediction of the fault recovery method based on the established rule was presented. To verify the effectiveness of the proposed machine learning process, company A's 33,000 computer fault data for the duration of six months were tested. The hit rate for fault recovery prediction was approximately 72%, and it increased to 81% via continuous machine learning.
The IT asset is a core part that supports the management objective of an organization, and the fast settlement of the IT asset fault is very important. In this study, a fault recovery prediction technique is proposed, which uses the existing fault data to address the IT asset fault. The proposed fault recovery prediction technique is as follows. First, the existing fault recovery data were pre-processed and classified by fault recovery type; second, a rule was established for the keyword mapping of the classified fault recovery types and reported data; and third, a machine learning process that allows the prediction of the fault recovery method based on the established rule was presented. To verify the effectiveness of the proposed machine learning process, company A's 33,000 computer fault data for the duration of six months were tested. The hit rate for fault recovery prediction was approximately 72%, and it increased to 81% via continuous machine learning.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 고객의 장애접수 내용을 확인하고 가장 최적의 처리방법을 알려주므로 장애 해결을 위한 가장 근접한 판단을 먼저 접근하여 검토할 수 있는 프로세스를 제안하였다. 기계학습을 통하여 시스템이 알려준 처리방법이 실패한 경우, 신규 패턴을 학습시키고 기계학습을 강화시켜 더욱 향상된 장애처리 해결 방법의 예측을 확인할 수 있었다.
본 연구에서는 이러한 문제점을 해결하기 위하여 가장 많이 발생한 빈도수의 키워드로 표준화시키는 전처리 작업을 수행하였다. 본 연구의 데이터는 신뢰도를 높이기 위하여 5,000억 원 이상의 IT자산을 보유하고 25,000명이상의 계열사 직원들을 대상으로 서비스를 수행하는 IT전문기업인 A사의 전산기기 장애접수 및 처리내역을 대상으로 하였다.
만일 일치하지 않더라도 장애처리 학습테이블에 실패사례를 저장하고 향후 반영되도록 학습 시킨다. 이렇게 단일키워드와 조합키워드의 두 가지 측면을 모두 활용하여 예측결과의 실패 시, 학습을 강화하는 것을 본 연구에서는 제안하였다. 즉, 단일키워드는 최빈수를 구하는 통계적 학습을 수행하고 조합키워드는 키워드 상호간의 연관성을 학습한다.
제안 방법
⑥ 사전에 지도학습 된 제거될 데이터가 있는지 분석하고 필요한 키워드만 추출한 후 분석 및 보정작업을 걸쳐 유사 키워드를 표준화 하고 DB에 저장한다.
⑦ 장애접수 내용에 규칙을 적용한 기계학습을 수행한 후, 장애처리 방법을 예측하여 알려준다.
⑩ 성공한 장애접수 키워드의 빈도수를 증가시켜 추가적인 기계학습을 수행한다.
예를 들어 예측의 실패로 인한 학습의 횟수가 8번이면 log8 이므로 3배의 가중치를 부여하고 9번부터 16번까지는 log16 으로 간주하여 4배의 가중치를 부여한다. 가중치를 포함하여 장애처리 유형 중에서 상삼각 행렬의 각 원소의 합이 가장 높은 경우를 우선순위로 예측한다.
22종의 전산기기 중에서 장애접수 내용이 적어 기계학습이 불충분한 7종의 전산기기를 제외하고, 총 15종의 전산기기를 대상으로 6개월간 접수된 약 33,000건의 장애 접수 및 처리 데이터를 대상으로 기계학습을 수행하였다. 각 전산기기별로 비표준화된 장애처리 텍스트 데이터를 텍스트마이닝 기법을 이용하여 키워드의 출현빈도수를 반영하였으며 전처리 작업 후 표준화된 장애처리 유형으로 분류하였다. 15종의 전산기기를 대상으로 기계학습 실험결과 장애처리의 유형은 101건으로 분류되었으며 발생 빈도가 높은 상위 30건은 Table 5와 같다.
고객에 의하여 접수된 장애처리 요청건의 키워드별 발생 빈도수를 6개월 간 축적하며 기계학습을 수행한 이후, 신규로 접수된 장애 건에 대하여 키워드를 분석하였다. 장애처리담당자가 장애접수 내용을 보고 장애처리 유형을 3가지 한도 내에서 예측한 경우는 성공률이 평균 56%로 조사되었다.
그 다음 작업으로 장애처리 결과에 해당하는 장애접수 내용의 키워드를 추출하기 위하여 문장을 공백 및 특수문자 중 구분을 나타내는 “/”, “-”, “,”를 기준으로 키워드를 분류하였다.
여기서 키워드란 용어의 정의는 문장을 공백이나 특수문자 등의 구분자로 분류하고 난 후의 단어나 문맥을 지칭한다. 둘째, 장애접수 내용의 텍스트를 전산기기 기종별, 장애처리 유형별 키워드를 분류하는 알고리즘을 적용하고 지도학습에 의하여 장애내용과 무관한 키워드를 예외처리 하였다. 예외처리 후 단일키워드와 조합키워드로 분류하고 추출된 키워드 간의 유사성을 학습하여 같은 의미의 키워드들을 표준화된 하나의 키워드로 추출하는 규칙을 제정하였다.
즉, 단일키워드는 최빈수를 구하는 통계적 학습을 수행하고 조합키워드는 키워드 상호간의 연관성을 학습한다. 또한 예측의 결과가 틀렸을 경우 별도의 연관규칙을 설정하여 강화학습을 수행하도록 하였다. 이러한 관계는 Fig.
본 연구에서는 IT자산의 장애처리 방법을 예측하는 기계학습 프로세스를 제안하였으며, 실패하는 경우 기계학습 강도를 강화하도록 하였다. 장애처리 방법을 예측하기 위하여 장애 접수 건에 대한 문장을 분석하여 키워드를 추출하고 장애 내용과 무관한 키워드를 지도학습에 의하여 예외처리 하였다.
장애처리담당자가 장애접수 내용을 보고 장애처리 유형을 3가지 한도 내에서 예측한 경우는 성공률이 평균 56%로 조사되었다. 본 연구에서는 신규로 발생한 장애접수 건을 랜덤하게 100건을 추출하고 3회로 나누어 실험하였다. 장애에 대한 기계학습 예측 결과 평균 72건이 성공하였다.
본 연구에서는 첫째, 장애처리 내용의 텍스트를 어휘 분석하여 유사 키워드를 표준화하는 전처리 작업을 수행한 후, 키워드를 분류하고 출현 빈도수를 적재하는 기계학습 규칙을 정하였다. 여기서 키워드란 용어의 정의는 문장을 공백이나 특수문자 등의 구분자로 분류하고 난 후의 단어나 문맥을 지칭한다.
본 연구의 예측 프로세스는 장애 접수 건의 문장을 제정된 규칙에 따라 분류하고 기계학습 된 과거 데이터를 활용하여 장애처리 방법을 예측한다. 기계학습에 의하여 추출된 예측이 실패할 경우 향후 성공률을 높이기 위하여 실패한 사례의 장애처리와 관련된 핵심키워드를 기계학습 시킴으로써 예측의 적중률을 향상 시킬 수 있었다.
본 연구의 첫 번째 단계에서는 이러한 문제점을 개선하기 위하여 과거에 등록된 장애처리 유형별로 장애를 처리한 내용을 텍스트마이닝하여 출현한 키워드별로 빈도수를 집계하였으며 추출방법은 Fig. 1과 같다.
키워드는 띄어쓰기나 구분을 나타내는 특수문자로 분류한 단일키워드와 장애 접수 건별로 동일 건에 대한 키워드 간의 연관성 의미를 부여하기 위하여 조합키워드로 구성하였다. 분류한 키워드는 정렬하여 같은 내용의 서로 다른 조사 표현 및 같은 의미의 서로 다른 키워드를 최다 빈도수 출현 키워드를 기준으로 표준화하였다.
키워드별 빈도수는 기계학습 생성규칙에 의하여 한 문장의 여러 개의 키워드별로 예측된 장애처리 유형을 생성하였다. 생성된 유형간의 최대 발생 건을 기준으로 예측의 우선순위를 제공하였으며, 예측이 실패하더라도 추가적인 학습 및 유형간의 신뢰도를 바탕으로 기계학습을 강화시켰다. 제안한 기계학습 프로세스의 유용성을 검증하기 위하여 신규로 접수된 장애접수 데이터를 랜덤하게 100건을 추출하고 3회로 나누어 실험하였다.
예외처리 후 단일키워드와 조합키워드로 분류하고 추출된 키워드 간의 유사성을 학습하여 같은 의미의 키워드들을 표준화된 하나의 키워드로 추출하는 규칙을 제정하였다. 셋째, 제정된 규칙에 의하여 장애 발생 후 장애처리를 위한 여러 개의 유형 중에서 해결 방법을 사전에 예측할 수 있는 기계학습 프로세스를 제시하였다.
기계학습은 불필요한 장애접수 키워드를 제외되고 유용한 데이터만 지속적인 학습이 이루어지도록 하였다. 신규 장애접수 건이 발생하면 장애접수 내용의 어휘를 분석하여 사전 등록된 테이블의 키워드와 일치하는지 확인하고 빈도수가 가장 높은 장애처리 방법을 찾아내어 예측하도록 한다. 예를 들어 장애접수 내용의 문장을 분석한 결과 키워드가 3개라면 각 키워드별로 빈도수가 가장 높은 단일키워드 장애처리 결과와 조합키워드 장애처리 결과를 모두 반영한 이행적 폐쇄행렬의 결과 함수 값 Mt을 추출하여 장애처리 유형을 예측할 수 있도록 하였으며 Fig.
앞에서는 전처리 과정을 거쳐서 표준화된 장애처리 유형을 추출하였다. 그 다음 작업으로 장애처리 결과에 해당하는 장애접수 내용의 키워드를 추출하기 위하여 문장을 공백 및 특수문자 중 구분을 나타내는 “/”, “-”, “,”를 기준으로 키워드를 분류하였다.
둘째, 장애접수 내용의 텍스트를 전산기기 기종별, 장애처리 유형별 키워드를 분류하는 알고리즘을 적용하고 지도학습에 의하여 장애내용과 무관한 키워드를 예외처리 하였다. 예외처리 후 단일키워드와 조합키워드로 분류하고 추출된 키워드 간의 유사성을 학습하여 같은 의미의 키워드들을 표준화된 하나의 키워드로 추출하는 규칙을 제정하였다. 셋째, 제정된 규칙에 의하여 장애 발생 후 장애처리를 위한 여러 개의 유형 중에서 해결 방법을 사전에 예측할 수 있는 기계학습 프로세스를 제시하였다.
이렇게 비정형적인 장애처리 유형을 기계학습에 의한 전처리 작업을 수행하여 최다 출현한 키워드를 기준으로 정형적인 장애처리 유형을 추출하였다. 고객이 요청한 장애접수 내용은 기계학습을 위하여 키워드별로 분류하였으며 알고리즘은 Table 6과 같다.
장애접수 키워드의 보정처리 후, 장애접수 내용 중 선정된 키워드를 장애처리 결과에 매핑시키는 작업을 수행하였다. 각각의 장애처리 결과 항목에 매핑된 장애접수 내용의 키워드와 빈도수가 테이블에 함께 저장된다.
본 연구에서는 IT자산의 장애처리 방법을 예측하는 기계학습 프로세스를 제안하였으며, 실패하는 경우 기계학습 강도를 강화하도록 하였다. 장애처리 방법을 예측하기 위하여 장애 접수 건에 대한 문장을 분석하여 키워드를 추출하고 장애 내용과 무관한 키워드를 지도학습에 의하여 예외처리 하였다. 키워드는 띄어쓰기나 구분을 나타내는 특수문자로 분류한 단일키워드와 장애 접수 건별로 동일 건에 대한 키워드 간의 연관성 의미를 부여하기 위하여 조합키워드로 구성하였다.
생성된 유형간의 최대 발생 건을 기준으로 예측의 우선순위를 제공하였으며, 예측이 실패하더라도 추가적인 학습 및 유형간의 신뢰도를 바탕으로 기계학습을 강화시켰다. 제안한 기계학습 프로세스의 유용성을 검증하기 위하여 신규로 접수된 장애접수 데이터를 랜덤하게 100건을 추출하고 3회로 나누어 실험하였다. 키워드 분석에 의한 매핑으로 장애처리 유형이 예측 가능하였다.
장애처리 방법을 예측하기 위하여 장애 접수 건에 대한 문장을 분석하여 키워드를 추출하고 장애 내용과 무관한 키워드를 지도학습에 의하여 예외처리 하였다. 키워드는 띄어쓰기나 구분을 나타내는 특수문자로 분류한 단일키워드와 장애 접수 건별로 동일 건에 대한 키워드 간의 연관성 의미를 부여하기 위하여 조합키워드로 구성하였다. 분류한 키워드는 정렬하여 같은 내용의 서로 다른 조사 표현 및 같은 의미의 서로 다른 키워드를 최다 빈도수 출현 키워드를 기준으로 표준화하였다.
키워드를 분석하면 특정 키워드가 반복되어 출현하는 현상이 많으므로 장애처리 유형 추출을 위한 키워드의 분석 및 보정 작업 후에, 유사한 키워드를 최다 출현한 키워드로 표준화 작업을 수행하였다. Table 3에서 “부팅불” 9건, “부팅안됨” 9건, “정상부팅불” 4건은 같은 의미이므로 합산되어 22건으로 시스템에 기록한다.
5와 같이 이행적 폐쇄행렬로 구현하여 나타내었다. 행렬의 주대각선은 행과 열이 같으므로 단일키워드에 대한 빈도수를 나타내며, 주대각선이 아닌 경우는 행과 열이 서로 다른 키워드 간의 연관성을 의미하며 조합키워드로 분류할 수 있도록 하였다. Fig.
대상 데이터
A사는 10개 계열사를 대상으로 IT서비스를 수행하며, 그중에서 가장 규모가 큰 계열사를 대상으로 실험을 수행하였다. 22종의 전산기기 중에서 장애접수 내용이 적어 기계학습이 불충분한 7종의 전산기기를 제외하고, 총 15종의 전산기기를 대상으로 6개월간 접수된 약 33,000건의 장애 접수 및 처리 데이터를 대상으로 기계학습을 수행하였다. 각 전산기기별로 비표준화된 장애처리 텍스트 데이터를 텍스트마이닝 기법을 이용하여 키워드의 출현빈도수를 반영하였으며 전처리 작업 후 표준화된 장애처리 유형으로 분류하였다.
검증 및 실험을 위하여 5,000억원 이상의 IT자산을 보유하고 있으며 25,000명 이상의 계열사 직원들에게 IT자산을 제공하고 유지보수를 주관하는 A사의 전산기기 장애접수 내용을 대상으로 하였다. A사는 10개 계열사를 대상으로 IT서비스를 수행하며, 그중에서 가장 규모가 큰 계열사를 대상으로 실험을 수행하였다. 22종의 전산기기 중에서 장애접수 내용이 적어 기계학습이 불충분한 7종의 전산기기를 제외하고, 총 15종의 전산기기를 대상으로 6개월간 접수된 약 33,000건의 장애 접수 및 처리 데이터를 대상으로 기계학습을 수행하였다.
검증 및 실험을 위하여 5,000억원 이상의 IT자산을 보유하고 있으며 25,000명 이상의 계열사 직원들에게 IT자산을 제공하고 유지보수를 주관하는 A사의 전산기기 장애접수 내용을 대상으로 하였다. A사는 10개 계열사를 대상으로 IT서비스를 수행하며, 그중에서 가장 규모가 큰 계열사를 대상으로 실험을 수행하였다.
IT자산은 조직의 경영목적을 지원해주는 핵심영역이며, IT자산의 장애 발생 시 신속한 처리를 지원하는 것은 매우 중요하다. 본 연구에서는 6개월간 접수된 약 33,000건의 장애 접수 데이터를 대상으로 하였으며 전산기기 장애접수 및 처리현황 데이터를 활용하였다.
본 연구에서는 이러한 문제점을 해결하기 위하여 가장 많이 발생한 빈도수의 키워드로 표준화시키는 전처리 작업을 수행하였다. 본 연구의 데이터는 신뢰도를 높이기 위하여 5,000억 원 이상의 IT자산을 보유하고 25,000명이상의 계열사 직원들을 대상으로 서비스를 수행하는 IT전문기업인 A사의 전산기기 장애접수 및 처리내역을 대상으로 하였다.
데이터처리
장애접수 된 문장을 키워드로 분류하고 같은 의미를 다르게 표현한 키워드를 표준화하였으며 키워드별 빈도수를 산출하였다. 키워드별 빈도수는 기계학습 생성규칙에 의하여 한 문장의 여러 개의 키워드별로 예측된 장애처리 유형을 생성하였다.
5% 였다. 조합키워드는 데이터마이닝의 연관규칙을 활용하여 키워드 간의 신뢰도를 산출하고 상대평가를 수행하였다. 신뢰도가 높은 키워드는 기계학습에 의하여 관리되므로 만일 고객의 장애 접수 내용의 단어가 적어 장애처리 담당자가 판단하기 어려울 때 시스템에 요청하면, 시스템은 출현한 키워드와 신뢰도가 높은 키워드를 자동으로 추출하여 문맥의 이해 형성에 도움을 줄 수 있다.
성능/효과
결과적으로 장애처리 학습테이블에는 중요 정보가 축적되며 적중할수록 선택의 가중치는 높아진다. 장애처리 학습별로 가중치가 10이 넘으면 온라인 FAQ게시판에 입력하여 사용자가 스스로 장애처리 하도록 안내할 수 있으며, 향후에 지식관리시스템(KMS)과 연계하여 신속하게 일을 처리할 수 있는 기반을 마련할 수 있는 계기가 될 수 있다.
본 연구의 한계점은 모든 IT자산을 대상으로 하기에는 장애발생 건수가 기계학습 프로세스를 적용하기에는 부족하였다. 그리고 제안하는 기계학습 방법은 전체를 자동화하여 시스템으로 완성하기에는 시간, 인력, 예산 등의 자원을 조달하기에는 한계가 있어서 각 단계별로 저자가 제안하는 기계학습과 관련된 부분만 알고리즘으로 작성하고 프로그램을 부분적으로 구동하였으며, 논문에서 제안하는 것을 입증할 수 있었다.
본 연구의 예측 프로세스는 장애 접수 건의 문장을 제정된 규칙에 따라 분류하고 기계학습 된 과거 데이터를 활용하여 장애처리 방법을 예측한다. 기계학습에 의하여 추출된 예측이 실패할 경우 향후 성공률을 높이기 위하여 실패한 사례의 장애처리와 관련된 핵심키워드를 기계학습 시킴으로써 예측의 적중률을 향상 시킬 수 있었다.
실제 사례를 보면 장애처리 유형이 “그래픽카드 교체”인 경우 장애 접수 키워드는 총 76건으로 집계되었다.
키워드 분석에 의한 매핑으로 장애처리 유형이 예측 가능하였다. 실험한 결과 장애처리 예측의 적중률은 약 72.3%였으며, 지속적인 기계학습을 통하여 81%로 향상되었다. 본 연구의 한계점은 모든 IT자산을 대상으로 하기에는 장애발생 건수가 기계학습 프로세스를 적용하기에는 부족하였다.
입력한 장애처리 내용의 키워드는 과거 입력된 키워드와 가장 많이 일치하는 장애처리 유형을 알려준다. 장애처리 유형별 데이터가 50건 이상인 유형을 대상으로 측정한 결과 Hit Ratio는 표준화된 장애처리 유형으로 전처리 작업을 수행하지 않을 경우 약 52%이지만 전처리 작업을 수행하고 난 후 약 83%로 증가 되었다.
고객에 의하여 접수된 장애처리 요청건의 키워드별 발생 빈도수를 6개월 간 축적하며 기계학습을 수행한 이후, 신규로 접수된 장애 건에 대하여 키워드를 분석하였다. 장애처리담당자가 장애접수 내용을 보고 장애처리 유형을 3가지 한도 내에서 예측한 경우는 성공률이 평균 56%로 조사되었다. 본 연구에서는 신규로 발생한 장애접수 건을 랜덤하게 100건을 추출하고 3회로 나누어 실험하였다.
후속연구
3%였으며, 지속적인 기계학습을 통하여 81%로 향상되었다. 본 연구의 한계점은 모든 IT자산을 대상으로 하기에는 장애발생 건수가 기계학습 프로세스를 적용하기에는 부족하였다. 그리고 제안하는 기계학습 방법은 전체를 자동화하여 시스템으로 완성하기에는 시간, 인력, 예산 등의 자원을 조달하기에는 한계가 있어서 각 단계별로 저자가 제안하는 기계학습과 관련된 부분만 알고리즘으로 작성하고 프로그램을 부분적으로 구동하였으며, 논문에서 제안하는 것을 입증할 수 있었다.
향후 연구과제로 IT자산의 장애뿐만 아니라 기계학습과 연관성 규칙을 더욱 확대하여 IT자산의 적정한 도입 수량 및 교체주기 예측, 장애와 연관된 BMT(Bench Marking Test) 항목 도출 등 연구범위의 확대가 필요하다. 또한 기계학습을 지원하는 시스템을 위한 자동화 연구가 지속되어야 하며, 나아가 조직의 KMS(Knowledge Management System)와 연동하여 장애가 나면 신속히 복구하기 위한 방법을 알려주는 자동화 도구 설계가 필요하다.
질의응답
핵심어
질문
논문에서 추출한 답변
IT자산는 무엇인가?
IT자산은 조직의 경영 목표를 효율적으로 달성할 수 있도록 지원해주는 중요 자산이다. 특히 조직 내에 수백 대 이상의 동일한 기종이 배치되어 운영되는 경우라도 서로 다른 업무환경으로 인하여 다양한 장애신고가 접수된다.
기계학습 알고리즘을 조직의 업무에 응용할 경우 무엇에 도움을 주는가?
기계학습 알고리즘은 입력된 데이터의 학습을 통하여 유용한 정보를 제공해 준다[7-10]. 이를 조직의 업무에 응용할 경우 신속한 의사결정에 도움을 준다.
IT자산은 신규 도입 후 무엇이 필요한가?
IT자산은 조직의 업무를 지원하는 중요한 자산이며 신규 도입 후, 유지보수 프로세스의 효율화를 위한 측정 및 관리가 필요하다[1-4]. 또한 관리에 대한 표준화된 평가 프로세스를 통하여 양질의 IT서비스의 제공이 필요하다[5-6].
참고문헌 (14)
Penny Grubb, Armstrong A Takang, "Software Maintenance Concepts and Practice", World Scientific, 2003.
Daryl Mather, "The Maintenance Scorecard", Industrial Press, 2005.
Matthew B. Doar, "Practical Development Environments", O'Reilly & Associates, 2005.
Roger S. Pressman, "Software Engineering A Practitioner's Approach", McGraw-Hill, 2005.
United Kingdoms Office Of Government Commerce, Information Technology Infrastructure Library Ver3 - Service Transition, The Stationery Office, 2008.
IEEE, IEEE Std 1220-2008 - Systems and software engineering - Software life cycle processes, IEEE Computer Society, 2008.
Y. K. Cho, Y. S. Hong, J. S. Lee, Algorithm, Ehan IT Books, 2006.
K. Y. Lee, J. W. Kim, Algorithm, KNOU PRESS, 2012.
K. H. Lee, B. R. Lee, Artificial Intelligence, KNOU PRESS, 2011.
S. J. Kim, "The Machine Learning of making and learning", Hanbit Media, 2012.
Young-Joon Moon, Sung-Yul Rhew, "A Study on Software Fault Analysis and Management Method using Defect Tracking System", KIPS Transactions on Part D, pp.321-326 1598-2866, 2008.
Yun-Soo Choi, Sa-Kwang Song, Hong-Woo Chun, Chang- Hoo Jeong, Sung-Pil Choi, "Terminology Recognition System based on Machine Learning for Scientific Document Analysis", KIPS Transactions on Part D, pp.321-326 1598-2866, 2011.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.