بررسی پتانسیل هوش مصنوعی و LLM ها در استخراج، تحلیل، و اعتبارسنجی نیازمندی ها از مستندات یا مکالمات

فرآیند مهندسی نیازمندی ها به دلیل وابستگی شدید به تعاملات انسانی و تفسیر متون غیرساختارمند، همواره با چالش هایی نظیر ابهام، تناقض و نقص روبرو بوده است. ظهور مدل های زبانی بزرگ (LLM) تحولی بنیادین در اتوماسیون این حوزه ایجاد کرده است. پژوهش حاضر با هدف تحلیل پتانسیل های این مدل ها در سه گام اصلی استخراج، تحلیل و اعتبارسنجی نیازمندی ها انجام شده است. یافته ها نشان می دهد که مدل های مبتنی بر معماری ترنسفورمر با بهره گیری از درک بافتی عمیق، قادرند نیازمندی های پنهان را از دل مکالمات و مستندات پراکنده استخراج کرده و با دقت بالایی به تحلیل تعارضات بپردازند. با این حال، چالش هایی نظیر توهمات مدل و مسائل مربوط به حریم خصوصی داده ها همچنان به عنوان موانع اصلی باقی مانده اند که نیازمند رویکردهای ترکیبی و نظارت انسانی هوشمند هستند. این پژوهش نشان می دهد که ادغام هوشمندانه LLM ها در چرخه حیات توسعه نرم افزار نه تنها سرعت فرآیندها را افزایش می دهد، بلکه با ارتقای کیفیت مستندات، از تحمیل هزینه های ناشی از خطاهای مراحل اولیه جلوگیری می کند.

کلیدواژه ها:

مدل های زبانی بزرگ (LLM) ، مهندسی نیازمندی ها ، هوش مصنوعی مولد.