기본 콘텐츠로 건너뛰기

누적 결함 S 커브

'SOS! 죽어가는 프로젝트 살리기'에서 프로젝트 재난 여부 평가는 일정, 예산 그리고 마지막으로 품질이다.

그런데 테스팅 에반젤리스트로서 이 책의 품질에 대한 측정보다는 아래에서 소개하고자 하는 '누적 결함 S 커브'가 더욱 더 효과적일 듯 하다.

머 판단은 책을 읽고 이 글을 읽는 여러분이 판단할 문제이긴 하다.

우선 책에 있는 문제를 내 맘대로 수정해 보았다.

아래 표를 보도록 하자.

단계
 사소한 문제
   심각한 문제
  치명적 문제
  

신규
수정
잔존
신규
수정
잔존
신규
수정
잔존
1
 

 

 
212
 122
  2
 
318
10
203
1
 42  2
413
15
184
2 62  4
515
13
201
3
 431
 6
615
20
158
4 841
 9
731
18
2910
6
 1212
 8
842
25
4616
8
 2093 14
9         
10         
11         
12         


위 그래프를 각각의 심각도 별로 그래프를 그리면 아래와 같다.


그래프를 읽는 법은 특정 심각도의 신규 결함과 수정된 결함을 누적하여 그린 후 두 곡선 사이의 가로 간격이 결함을 수정하는 데 걸린 시간이고 세로 축이 특정 시점에서의 잔존 결함이다.

위 그래프를 보면 현재 이 프로젝트는 심각하다. 지금 당장 경보를 울려야 할 상황이다.

이유인즉 모든 심각도에서 결함이 계속해서 발견되고 있다. 문제는 발견된 결함의 수정 활동이 사소한 문제에 집중되어 있지만 신규로 발견되는 결함을 모두 처리하지 못하고 있다.

더 심각한 것은 치명적 결함이다. 결함이 수정되는데 적어도 3단계의 기간이 필요하다. 그리고 잔존 결함이 전혀 줄어들지 않고 있다.

책에서도 결함이 수정된 것은 문제 목록에서 제거해야 한다고 적혀 있긴 하다.

하지만 단순한 표만으로 현재 결함의 증가 추세와 결함을 해결하는데 걸리는 시간 등에 대한 정보를 한번에 파악하기가 쉽지 않다.

이럴 때 '누적 결함 S 커브'는 일목요연하게 현재 프로젝트의 상황을 전달해 주는 데 효과적이라고 생각된다.

그리고 단순히 결함의 심각도 뿐만 아니라 리스크 영역별에 따라 심각도별 누적 결함 S 커브를 그려서 각 리스크 영역별에 따라 심각도 별 잔존 결함과 결함의 수정 시차에 대해 종합적으로 고려해야만 한다.

결론적으로 'SOS! 죽어가는 프로젝트 살리기'에서 프로젝트 재난 여부 평가는 일정이 지연되면서 돈만 까먹는 순간으로 정의하는 것 같다.

그리고 그러한 순간을 파악할 수 있는 핵심적인 역할을 할 조직으로는 역시 테스팅 조직인 것 같다.

일정이 지연되고 예산이 늘어나는 현상을 대부분의 경우 개발팀의 관점으로 바라보지만 실제로 소프트웨어가 개발되는 중에 일정이 지연되고 예산이 늘어나는 많은 경우는 결함을 수정하지 못하는 경우라고 생각된다.

많은 경우 소프트웨어 개발에서 테스팅에 필요한 기간이나 예산에 소홀한 경향이 있다. 이런 경우 실제 프로젝트를 진행할 때 일정 지연과 예산 증가는 필수 불가결한 요소가 되어 버린다.

거기다가 심각한 결함이 해결되지 않거나 해결한 결함이 계속해서 또 다른 사이드 이펙트를 발생시킨다면 개발은 지연될 수 밖에 없다. 특히 이러한 일들이 프로젝트 후반부에 닥친다면 프로젝트는 점점 아수라장이 되어 버린다.

때문에 테스팅 활동은 개발 초기부터 수행되어야 할 필요성이 있는 것이다.


댓글

  1. 김주봉9/6/10 12:28

    감사히 잘 읽었습니다.

    답글삭제
  2. Anonymous26/7/10 15:08

    비밀 댓글 입니다.

    답글삭제
  3. @Anonymous - 2010/07/26 15:08
    고맙습니다.



    말씀해 주신 내용을 수정했습니다.

    답글삭제

댓글 쓰기

이 블로그의 인기 게시물

20년 차 테스터가 고른 최근 IT 소식: 기술의 속도, 그리고 사람의 자리

20년 넘게 IT 업계에서 테스팅하고 강의하고 공부하고 여러 일을 해왔지만... 정말이지 단 하루도 편하게 쉴 틈을 주지 않는 세상입니다. 특히 최근 4~5년 동안 가속화된 AI의 물결은 기술의 스펙트럼뿐만 아니라 우리가 일하고, 협업하고, 조직을 이끄는 방식 전체를 뒤흔들고 있습니다. 이번 주에도 수많은 뉴스레터와 아티클을 훑어보았습니다. 그중에서도 기술의 화려함 뒤에 숨겨진 ‘사람, 조직, 그리고 커리어의 본질’을 찌르는 글 몇 개가 눈에 띄어 메모해 둡니다. 제 평소 생각과 맞닿아 있는 6가지 이야기입니다. --- 1. 인지부채(Cognitive Debt): 바이브 코딩 시대에 우리가 지게 되는 진짜 빚 (출처: ROBOCO - 인지부채: 바이브 코딩 시대의 새로운 부채 관리법 / 정도현 수석 컨설턴트 ) 요즘 커서(Cursor)나 클로드 코드(Claude Code) 같은 에이전트를 붙여 "이거 만들어줘" 하고 승인(Approve) 버튼만 누르면 눈 깜짝할 사이에 코드베이스가 완성되는 '바이브 코딩(Vibe Coding)'이 유행입니다. 그런데 속도는 엄청나게 빠른데, 정작 서비스에 장애가 나면 "AI가 짜서 잘 모르겠는데요?"라는 답이 나오는 이상한 현상이 벌어집니다. 정도현 컨설턴트는 이를 '인지부채(Cognitive Debt)'라고 정의합니다. 코드는 쌓이는데, 정작 인간의 시스템 이해도는 쌓이지 않는 격차죠. * Human-in-the-loop의 환상: AI가 초당 수백 줄을 뽑아내는데 사람이 일일이 검토한다? 결국 검토자는 병목이 되고, 시간 압박에 쫓겨 영혼 없이 승인 버튼만 누르게 됩니다. 40년 전 자동화 연구(Bainbridge, 1983)가 지적했듯, 자동화될수록 사람은 감시만 하다가 정작 개입해야 할 결정적 순간에 숙련도를 잃어버립니다. * 부채는 0으로 만드는 게 아니라 '관리'하는 것: AI가 만든 모든 코드를 사람이 외울 수는 없습니다. 핵심은 ...

우리는 AI로 '더 빠른 말'을 키우고 있는걸까요? 아니면 '자동차'를 만들고 있는걸까요?

20년 넘게 IT 현장에서 뒹굴거렸는데... 요즘처럼 "우리가 지금까지 당연하게 여겨온 일하는 방식의 본질"에 대해 근본적인 질문을 던지게 만드는 때가 없었던 것 같습니다. 최근 읽은 UX 관련 글 하나가 가슴을 쿵 치고 지나갔습니다. UX 및 디지털 트렌드를 다루는 블로그 ux4dotcom에 올라온 "Beyond Faster Horses — Why AI Challenges One of UX's Oldest Assumptions"라는 글입니다. (출처: ux4dotcom - Beyond Faster Horses — Why AI Challenges One of UX's Oldest Assumptions ) 혁신을 말할 때 늘 인용되는 헨리 포드의 유명한 말이 있습니다. "사람들에게 무엇을 원하느냐고 물었다면, 그들은 '더 빠른 말'이라고 답했을 것이다." 사람들은 자신이 경험해 본 범위 안에서만 미래를 상상합니다. 말만 탈 줄 아는 사람에게 자동차는 상상 밖의 범주(Mental Model)니까요. 저자는 그동안 UX(사용자 경험)라는 학문과 필드 자체가 '더 빠른 말을 만드는 일(기존 과업의 효율화)'에 집중해 왔다고 지적합니다. 사용자의 행동을 관찰하고, 마찰(Friction)을 줄이고, 화면을 간소화하고, 기존 워크플로우를 최적화해 주는 작업 말입니다. 실제로 주변을 봐도 우리가 AI를 쓰는 방식도 대부분 이 범주를 벗어나지 못하고 있습니다. 더 빠르게 이메일을 작성하고, 문서 요약을 3초 만에 끝내고, 프레젠테이션 장표나 일정표를 순식간에 만들어내는 일. 분명 유용하고 저 역시 매일 요기하게 쓰고 있지만, 이건 어디까지나 '기존에 인간이 하던 일의 프로세스를 흉내 내어 속도만 올린 것(Faster Horse)'에 불과합니다. 정작 "이 워크플로우 자체가 과연 계속 존재해야 하는가?"라는 근본적인 질문은 던지지 못하고 있는 것이죠....

'자동화 편향'과 '대중적 불신' 을 고려 AI 테스팅 시나리오 설계

최근 생성형 AI나 자율주행, 에이전트 기술의 테스팅 시나리오를 작성할 때 우리가 당연하게 전제(Assumption)로 깔고 가는 중요한 인간 행동 방식이 하나 있습니다. 바로 '자동화 편향성(Automation Bias)'입니다. 인간은 시스템이 자동화되고 스마트해질수록 기술을 과도하게 신뢰하고 주의력을 놓아버립니다. 차량을 운전하면서 운전자 보조 시스템을 켜고 전방 주시를 태만히 하고 스마트폰을 보거나 영상을 시청하는 운전자라던지 AI 의료 진단 보조 도구가 내놓은 결과를 의사가 깊은 의심 없이 그대로 승인해 버리는 현상이라던지 AI 챗봇이 추천한 잘못된 정보를 사용자가 사실로 믿고 행동하는 케이스 같은 게 있을 겁니다. 우리는 항상 이러한 "사람들이 AI를 너무 믿어서 발생하는 위험"을 핵심 리스크로 정의하고, 이를 검증하기 위한 안전장치(Safety Guardrail)나 경고 알림, 오용 방지(Misuse) 테스팅 시나리오를 도출해 왔습니다. 그런데 최근 Gizmodo에 보도된 미국 설문조사 결과는 매우 흥미로운 사실을 보여줍니다. (출처: Gizmodo - Survey Finds Americans See AI as Comparable to Humans—It’s Making Them Trust It Less )   기사에서 언급된 설문조사의 결과는 AI가 사람을 닮아갈수록 완벽함에 대한 기대와 실수가 충돌하고 책임이 모호해져 대중의 신뢰는 오히려 떨어진다는 것이었습니다.  자세히 살펴보면 해당 조사는 일반 대중을 대상으로 AI에 대한 인지적 반응을 측정했습니다. AI가 인간과 유사한 대화/추론 능력을 보일 때 유저가 느끼는 '인지적 불쾌한 골짜기(Uncanny Valley)' 현상을 정량 지표로 포착해 냈다는 점에서 의미가 있다고 생각합니다. 단순히 "AI가 좋다/나쁘다"를 넘어, 의인화(Anthropomorphism)의 수준과 신뢰도(Trust) 사이의 음(-)의 상관관계를 입증했기 때문...