从技术卓越到实际采纳：构建 ML 增强轨迹分析工具中获得的经验教训
软件工程
2025-08-05 v1
摘要
系统轨迹分析已成为理解现代系统中复杂软件行为的关键工具，但高级轨迹分析工具在工业环境中面临显著的采纳鸿沟。通过与埃尔森蒙特拉的年度合作，开发 TMLL（Trace-Server Machine Learning Library，现已纳入 Eclipse 基金会），我们调查了轨迹分析采纳的障碍。尽管有些人假设是复杂性或自动化需求，但实践者在将专家知识转化为可操作见解、将分析集成到工作流程以及信任他们无法验证的自动化结果方面遇到了困难。我们识别出了我们称之为“卓越悖论”的现象：技术卓越可能在与可用性、透明性和实践者信任相冲突时，反而阻碍采纳。TMLL 通过以采纳为导向的设计来解决这些问题，该设计将专家知识嵌入接口，提供透明的解释，并实现渐进式采纳。通过埃尔森专家的反馈、Eclipse 基金会的集成以及对 40 名行业和学术专业人士的调查，验证了一致的模式：调查结果显示，77.5% 的受访者优先考虑结果的质量和可信度，而非技术复杂性；67.5% 的受访者更倾向于半自动化分析并保留用户控制权，这些发现得到来自工业合作和外部同行评审的定性反馈的支持。结果验证了三个核心原则：认知兼容性、嵌入式专家知识和基于透明度的信任。这挑战了传统以能力为导向的工具开发范式，表明可持续的采纳需要重新聚焦于以采纳为导向的设计，并对自动化软件工程工具提出了可操作的启示。
引用
@article{arxiv.2508.01430,
title = {From Technical Excellence to Practical Adoption: Lessons Learned Building an ML-Enhanced Trace Analysis Tool},
author = {Kaveh Shahedi and Matthew Khouzam and Heng Li and Maxime Lamothe and Foutse Khomh},
journal= {arXiv preprint arXiv:2508.01430},
year = {2025}
}