소프트웨어 공학의 품질은 요구사항(Requirements), 테스트(Testing), 그리고 운영(Production) 사이의 단절된 프로세스로 인해 여전히 도전에 직면해 있으며, 이는 연속적인 릴리스(Releases)에서 품질 전략을 구현할 기회를 저해합니다. 기존의 접근 방식은 고정된 모델(Fixed-model) 또는 단일 최적화(Single-optimization) 방식인 경향이 있으며, 운영 피드백 학습 메커니즘(Production feedback learning mechanisms)이 부족합니다. 본 논문은 AI 증강을 통한 지속적인 소프트웨어 품질 인텔리전스(Continuous software quality intelligence)의 폐쇄 루프(Closed-loop) 참조 아키텍처를 제안합니다. 이 모델은 요구사항 특징 마이닝(Requirement feature mining), 위험 기반 테스트 우선순위 지정(Risk-based test prioritization), 결함 예측(Defect prediction), 그리고 운영 장애 분석(Production incident analysis)을 피드백 기반 파이프라인(Feedback-based pipeline)의 요소로 합성합니다. 결함 심각도(Defect severity) 및 장애 영향도(Incident impact)를 기반으로 운영 신호를 다음 릴리스로 전파하여 안정성과 시간을 보장하는 제한적 피드백 학습 모델(Limited feedback learning model)이 도입됩니다. 이 방법은 6회의 릴리스 사이클 동안 4,500개의 요구사항, 27,049개의 테스트 케이스, 13,089개의 결함, 7,841개의 장애를 포함하는 반합성 테스트 데이터셋(Semi-synthetic test dataset)을 사용하여 평가되었습니다. 실험 결과, 제안된 시스템은 비적응형 베이스라인(Non-adaptive baselines)과 비교했을 때 결함 유출(Defect leakage)을 0.19에서 0.13으로 감소시키고, 탐지 시스템의 효과를 0.72에서 0.84로 증가시키며, 테스트 실행 시간을 최대 35%까지 단축함을 보여줍니다. 이러한 변화는 릴리스 간에 안정적입니다. 연구 결과는 폐쇄 루프 아키텍처 내에 피드백 기반 학습을 통합함으로써 품질 프로세스를 지속적으로 향상할 수 있음을 나타내며, 이는 소프트웨어의 적응형 품질 공학(Adaptive quality engineering)을 위한 실질적인 토대를 제공합니다.